ARRAZAQ, MUHAMMAD DHAOED and Hendra, Kurniawan and Fortia, Magfira (2026) Analisis dan Implementasi Metode Transfer Learning untuk Identifikasi Video Deepfake menggunakan Model EfficientNet. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text MUHAMMAD_DHAOED_ARRAZAQ_2101020107_Teknik_Elektro_dan_Informatika - Cover.pdf - Published Version Download (715kB)
	Text (Abstrak) MUHAMMAD_DHAOED_ARRAZAQ_2101020107_Teknik_Elektro_dan_Informatika - Abstrak.pdf - Published Version Download (410kB)
	Text (Bab I) MUHAMMAD_DHAOED_ARRAZAQ_2101020107_Teknik_Elektro_dan_Informatika - Bab I.pdf - Published Version Download (495kB)
	Text (Daftar Pustaka) MUHAMMAD_DHAOED_ARRAZAQ_2101020107_Teknik_Elektro_dan_Informatika - Daftar Pustaka.pdf - Published Version Download (461kB)
	Text MUHAMMAD_DHAOED_ARRAZAQ_2101020107_Teknik_Elektro_dan_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Manipulasi media digital yang didorong oleh perkembangan Generative Adversarial Networks (GANs) dan Autoencoders telah melahirkan fenomena Deepfake, sebuah teknik sintesis citra wajah hiper-realistis yang berpotensi mendestabilisasi kepercayaan publik, keamanan informasi, dan reputasi individu. Tantangan fundamental dalam ranah forensik digital saat ini adalah menciptakan mekanisme deteksi yang mampu menyeimbangkan akurasi tinggi terhadap artefak manipulasi wajah yang semakin halus dengan efisiensi komputasi yang memadai untuk penerapan skala luas. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi arsitektur sistem deteksi Deepfake yang tangguh dengan mendayagunakan model Convolutional Neural Network (CNN) EfficientNet-B0 melalui pendekatan transfer learning. Penelitian ini menerapkan strategi pelatihan dua fase—ekstraksi fitur dan fine-tuning—pada dataset FaceForensics++ serta mengintegrasikan logika Consensus Voting untuk mengagregasi prediksi spasial menjadi keputusan temporal pada tingkat video. Berdasarkan serangkaian pengujian empiris yang komprehensif, penelitian ini menetapkan model yang dilatih dengan dataset terkurasi sebanyak 300 video sebagai konfigurasi optimal. Model usulan berhasil mencapai tingkat Akurasi sebesar 87.18%, dengan nilai Presisi 88.5%, Recall 75.8%, dan F1-Score 81.6% pada dataset pengujian. Analisis Confusion Matrix mengungkapkan bahwa sistem memiliki tingkat spesifisitas yang tinggi, meminimalisir risiko kesalahan klasifikasi pada konten asli (False Positive), yang merupakan aspek krusial dalam pembuktian forensik. Selain itu, pengujian performa menunjukkan bahwa meskipun proses pelatihan membutuhkan sumber daya komputasi tinggi berbasis GPU, proses inferensi model dapat berjalan efisien pada perangkat komputasi standar, menegaskan kelayakan sistem untuk diimplementasikan dalam skenario dunia nyata (in the wild).

Actions (login required)

View Item