<![CDATA[Perkembangan teknologi kecerdasan buatan telah menghasilkan berbagai inovasi multimedia, salah satunya adalah deepfake. Teknologi ini memanfaatkan algoritma deep learning untuk memanipulasi citra dan video secara realistis, sehingga sulit dibedakan dengan konten asli. Meskipun memiliki manfaat di bidang hiburan, deepfake juga menimbulkan ancaman serius terhadap keamanan digital. Penelitian ini bertujuan mendeteksi citra deepfake menggunakan arsitektur Convolutional Neural Network (CNN) dengan integrasi Dilated convolution. Integrasi ini memperluas receptive field tanpa meningkatkan jumlah parameter, sehingga model dapat menangkap informasi global dan detail lokal secara bersamaan. Dataset yang digunakan adalah Kaggle Deepfake Dataset berisi 8.000 citra (4.000 asli dan 4.000 palsu). Model diuji dengan lima rasio pembagian data (50:50 hingga 90:10) dan dibandingkan dengan CNN konvensional. Evaluasi menggunakan Confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil terbaik diperoleh pada rasio 80:20 dengan akurasi 85,69%, presisi 85,82%, dan recall 85,90%. Model CNN-Dilated secara konsisten mengungguli CNN standar dengan peningkatan akurasi 1–3% pada berbagai skenario. Hasil ini membuktikan efektivitas Dilated convolution dalam meningkatkan performa deteksi citra deepfake, yang berpotensi diterapkan dalam bidang keamanan digital dan forensik media.]]>
Copyrights © 2025
