• Login
    View Item 
    •   DSpace Home
    • Students & Alumnae
    • Undergraduate Thesis
    • Faculty of Mathematics and Natural Sciences
    • Statistics
    • View Item
    •   DSpace Home
    • Students & Alumnae
    • Undergraduate Thesis
    • Faculty of Mathematics and Natural Sciences
    • Statistics
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Deepfake Face Detection Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur EfficientNet-B0 (Studi Kasus: Klasifikasi Wajah Asli dan Wajah Deepfake (AI- generated) pada Dataset Wajah Orang Indonesia)

    Thumbnail
    View/Open
    22611001.pdf (4.734Mb)
    Date
    2026
    Author
    Agustin, Widya Saputri
    Metadata
    Show full item record
    Abstract
    Perkembangan pesat Artificial Intelligence (AI) membuat gambar hasil generasi AI semakin menyerupai foto autentik dan sulit dibedakan secara visual. Wajah seseorang kini dapat dimanipulasi karena adanya berbagai algoritma berbasis teknologi deep learning. Salah satu fenomena yang muncul sebagai konsekuensi dari perkembangan tersebut adalah deepfake. Menurut laporan Deepfake Statistics 2025 (AI Fraud Data & Trends), jumlah file deepfake secara global meningkat dari sekitar 5,5 juta pada tahun 2023 dan diproyeksikan mencapai lebih dari 8 juta file pada tahun 2025. Menurut Kementerian Komunikasi dan Digital (Komdigi) Republik Indonesia, fenomena konten deepfake telah meningkat tajam. Data dari platform deteksi ancaman AI menunjukkan bahwa jumlah konten deepfake meningkat sebesar 550% sejak 2019 dan 90% di antaranya digunakan untuk tujuan berbahaya. Penelitian ini menggunakan Convolutional Neural Network (CNN) dengan arsitektur EfficientNet-B0 untuk mengklasifikasikan wajah asli dan deepfake pada dataset wajah orang Indonesia. Hasil pengujian menunjukkan bahwa model menunjukkan kinerja yang baik dan konsisten dalam mendeteksi wajah deepfake. Evaluasi pada data uji menghasilkan akurasi sebesar 98%, dengan rata-rata F1-score di atas 0.96 serta nilai AUC pada rentang 0.999 - 1.000. Visualisasi t-SNE menunjukkan bahwa model mampu memisahkan representasi fitur wajah asli dan deepfake ke dalam klaster yang terpisah secara jelas. Berdasarkan Grad-CAM, dapat diidentifikasi bahwa keputusan model dipengaruhi oleh analisis tekstur kulit wajah di area pipi dan rahang, dengan kontribusi yang relatif rendah dari elemen latar belakang. Hasil penelitian ini diharapkan dapat menjadi dasar bagi pengembangan sistem deteksi deepfake otomatis serta mendukung penguatan keamanan siber berbasis AI dalam mengurangi penyalahgunaan konten manipulatif di Indonesia.
    URI
    dspace.uii.ac.id/123456789/65835
    Collections
    • Statistics [1327]

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV
     

     

    Browse

    All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV