BAIHAQI, Muhamad Nur (2025) KLASIFIKASI GAMBAR ASLI DAN PALSU MENGGUNAKAN TEKNIK ERROR LEVEL ANALYSIS DAN ARSITEKTUR MOBILENETV2. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (32kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (373kB)
	Text 4. KATA PENGANTAR.pdf Download (541kB)
	Text 6. ABSTRAK.pdf Download (7kB)
	Text 7. ABSTRAK.pdf Download (71kB)
	Text 8. DAFTAR ISI.pdf Download (53kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (91kB)

Abstract

Kemajuan teknologi memungkinkan pemalsuan gambar lebih sulit dikenali oleh mata
manusia. Hal tersebut dapat mempermudah tersebarnya misinformasi melalui media gambar
sehingga memicu keresahan pada masyarakat. Oleh karena itu, pengenalan gambar palsu
dan asli merupakan sebuah tantangan yang cukup penting, terutama pada citra berformat
lossy seperti jpeg yang banyak beredar di media sosial. Untuk melakukan pengenalan
gambar palsu dan asli pada citra berformat lossy, dapat digunakan fitur ekstraksi error level
analysis yang dapat memberikan informasi terkait error level pada gambar. Untuk
membangun model klasifikasi yang ringan serta cepat, dapat digunakan model pretrained
berupa model MobileNetV2 yang merupakan pembaruan dari versi pertama. Penelitian ini
bertujuan untuk mengetahui kontribusi fitur ekstraksi ELA dalam pengembangan model
pengenalan gambar asli dan palsu menggunakan model pretrained MobileNetV2. Dua
skenario penelitian yaitu skenario tanpa ELA dan dengan ELA disusun untuk mengetahui
perbedaan performa model yang dihasilkan. Kedua skenario tersebut diuji dengan
menggunakan dataset CASIA 2.0. Untuk melakukan penyesuaian terhadap permasalahan
yang baru secara mendalam, dilakukan fine tuning pada model pretrained tiap skenario.
Hasil eksperimen menunjukkan bahwa penggunaan fitur ekstraksi ELA pada MobileNetV2
mampu meningkatkan akurasi model hingga 93,1%, dibandingkan dengan skenario tanpa
ELA yang hanya mencapai akurasi 76,41%. Hasil dari model klasifikasi dengan fitur
ekstraksi berupa ELA yang divalidasi menggunakan k-fold cross validation menunjukkan
rata-rata nilai f1-score yang tinggi yaitu 96,83%.
Kata kunci : Klasifikasi, error level analysis, MobileNetV2, fine tuning, k-fold cross
validation, pretrained

Actions (login required)

View Item