<![CDATA[Perkembangan pesat model kecerdasan buatan generatif, khususnya berbasis diffusion dan generative adversarial networks, telah menghasilkan citra sintetis dengan tingkat realisme visual yang semakin sulit dibedakan dari citra nyata. Kondisi ini menimbulkan tantangan serius bagi forensik digital dan keandalan sistem verifikasi media visual. Artikel ini mengkaji deteksi citra hasil kecerdasan buatan dengan menitikberatkan pada analisis tekstur tingkat rendah, bukan pada representasi semantik. Novelty utama penelitian ini terletak pada evaluasi komparatif terkontrol antara CNN konvensional, ResNet-50 yang dilatih dari awal (from scratch), dan ResNet-50 dengan transfer learning berbasis ImageNet, menggunakan dataset CIFAKE beresolusi rendah yang secara metodologis menekan informasi semantik. Hasil empiris menunjukkan bahwa CNN berbasis tekstur mampu mencapai performa yang kompetitif, sementara ResNet-50 from scratch memberikan peningkatan moderat dan konsisten. Sebaliknya, transfer learning tidak menunjukkan keunggulan signifikan dan dalam beberapa skenario justru menurunkan performa akibat bias semantik dari bobot pralatih. Temuan ini menantang asumsi umum mengenai superioritas transfer learning dalam deteksi citra sintetis dan menegaskan pentingnya kesesuaian antara desain arsitektur dan sifat sinyal diskriminatif. Studi ini berkontribusi pada literatur forensik visual dengan menunjukkan bahwa arsitektur ringan yang berfokus pada tekstur mikro dapat menjadi solusi yang efektif, efisien, dan lebih selaras dengan karakteristik citra AI-generated.]]>
Copyrights © 2026
