<![CDATA[Perkembangan pesat kecerdasan buatan (AI), khususnya dalam generasi citra digital, menghasilkan gambar yang semakin realistis dan sulit dibedakan dari gambar asli. Kondisi ini berisiko menimbulkan disinformasi, manipulasi opini publik, dan penurunan kepercayaan masyarakat. Penelitian ini mengusulkan sistem deteksi gambar palsu menggunakan arsitektur ResNet-50 yang diperkuat dengan teknik ekstraksi fitur granular melalui integrasi Squeeze-and-Excitation (SE) Block. Dataset yang digunakan berasal dari Kaggle, berisi citra asli dan buatan AI, dengan tahapan pra-proses berupa resize, normalisasi, dan augmentasi. Hasil eksperimen menunjukkan bahwa model ResNet-50 yang dimodifikasi mencapai akurasi validasi 96,7% dengan penurunan loss yang konsisten, menunjukkan proses optimisasi yang stabil dan kemampuan generalisasi yang baik tanpa indikasi overfitting. Model terbukti mampu membedakan citra asli dan buatan AI secara efektif, meskipun masih terdapat tantangan pada kasus borderline ketika gambar sintetis tampil sangat realistis. Penelitian ini menegaskan bahwa ekstraksi fitur granular mampu meningkatkan sensitivitas model terhadap detail tekstur halus, sehingga dapat menjadi pendekatan handal untuk forensik digital dan verifikasi konten visual.]]>
Copyrights © 2025
