<![CDATA[Perkembangan teknologi deepfake menghadirkan ancaman serius terhadap autentisitas informasi digital, terutama di media sosial dan konteks politik. Namun, sebagian besar model deteksi deepfake masih berukuran besar dan memiliki latensi tinggi, sehingga tidak efisien untuk dijalankan pada perangkat mobile. Penelitian ini mengusulkan arsitektur deteksi deepfake ringan berbasis MobileViT yang dipadukan dengan modified Convolutional Block Attention Module (CBAM) serta rangkaian optimasi model untuk memungkinkan inferensi real-time pada smartphone. MobileViT digunakan karena kemampuannya mengintegrasikan representasi lokal dan global secara efisien, sementara modified CBAM ditambahkan untuk meningkatkan fokus model pada area wajah yang sering dimanipulasi. Proses optimasi mencakup pruning 40%, quantization 8-bit, dan konversi TensorFlow Lite. Model dilatih menggunakan dataset FaceForensics++ dan Celeb-DF dengan total 84.690 frame yang diproses melalui MTCNN dan normalisasi 224×224 piksel. Hasil evaluasi menunjukkan bahwa model mencapai AUC 0.993 dan akurasi 96.4%, dengan ukuran akhir hanya 0.80 MB dan kecepatan 15.8 FPS pada perangkat simulasi MacBook M1 Pro. Ablation study mengonfirmasi kontribusi signifikan modified CBAM terhadap peningkatan performa, serta efektivitas quantization dalam menurunkan ukuran model tanpa mengorbankan akurasi. Temuan ini menunjukkan bahwa model MobileViT-CBAM teroptimasi mampu memberikan solusi deteksi deepfake yang akurat, ringan, dan dapat dijalankan secara real-time pada perangkat mobile tanpa ketergantungan cloud, sehingga berpotensi mendukung verifikasi konten multimedia dan mitigasi disinformasi di masyarakat.]]>
Copyrights © 2026
