<![CDATA[Perkembangan teknologi artificial intelligence (AI) yang semakin pesat memunculkan teknologi deepfake yang menggunakan basis algoritma seperti generative adversarial networks (GANs) untuk memanipulasi citra wajah dengan tingkat realisme yang tinggi. Fenomena ini memunculkan tantangan dalam keamanan digital karena potensi penyalahgunaan, disinformasi, pelanggaran privasi, dan kejahatan dunia maya. Penelitian ini bertujuan mengembangkan model deteksi deepfake berbasis convolutional neural networks (CNN) yang mampu mengidentifikasi inkonsistensi tekstur dan pola biologis pada citra wajah secara efisien secara resource hadware dan efektif dalam proses deteksi image. Metode penelitian meliputi pengumpulan data dari dataset FaceForensics++ dan Celeb-DF, pra-proses data menggunakan augmentasi dan normalisasi, serta pengembangan model dengan arsitektur EfficientNetB0 yang dilatih menggunakan transfer learning pada dataset besar dengan menggunakan TensorFlow dan GPU. Hasil pengujian menunjukkan bahwa Model cenderung mengklasifikasikan gambar asli dengan nilai prediksi dari model neural network di atas 0,5, sementara gambar palsu justru dideteksi sebagai asli karena nilainya juga melebihi 0,5. Evaluasi menunjukkan bahwa model ini mencapai tingkat akurasi tinggi dalam mendeteksi manipulasi citra wajah, dengan teknik augmentasi yang meningkatkan kehandalan model terhadap berbagai skenario. Penelitian ini menyimpulkan bahwa pendekatan berbasis CNN efektif untuk deteksi deepfake, namun perlu pengembangan lebih lanjut untuk mengatasi keterbatasan pada data yang kompleks.]]>
Copyrights © 2025
