<![CDATA[Penelitian ini bertujuan untuk mengembangkan model deteksi deepfake menggunakan arsitektur Convolutional Neural Network (CNN) DenseNet-121 serta mengevaluasi efektivitas teknik watermarking Least Significant Bit (LSB) dalam meningkatkan keamanan citra digital. Dataset yang digunakan terdiri dari citra asli dan citra deepfake yang diperoleh dari sumber terbuka Kaggle, yang dibagi menjadi subset pelatihan, validasi, dan pengujian dengan total 22.382 gambar. Proses preprocessing melibatkan resizing ke ukuran 128x128 piksel, konversi ke grayscale, normalisasi, serta augmentasi data untuk meningkatkan generalisasi model. Model DenseNet-121 dikompilasi menggunakan optimizer Adam dan loss function categorical crossentropy, dengan evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pelatihan menunjukkan bahwa model mampu mendeteksi deepfake dengan akurasi tinggi. Selain itu, evaluasi watermarking menggunakan PSNR menunjukkan bahwa penyisipan watermark dengan metode LSB tidak mengurangi kualitas visual citra secara signifikan. Penelitian ini memberikan kontribusi dalam meningkatkan deteksi deepfake dan keamanan digital melalui kombinasi metode CNN dan watermarking. Kata Kunci: Deepfake, CNN, DenseNet-121, Watermarking, LSB, Deteksi Citra Digital]]>
Copyrights © 2025
