MITA, Lulus Dwiyan (2025) Penerapan Transfer Learning dengan Arsitektur Xception untuk Klasifikasi Citra Wajah Deepfake. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 2. HALAMAN JUDUL.pdf Download (79kB)
	Text 3. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (167kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (624kB)
	Text 5. KATA PENGANTAR.pdf Download (200kB)
	Text 7. ABSTRAK.pdf Download (197kB)
	Text 8. ABSTRACT.pdf Download (130kB)
	Text 9. DAFTAR ISI.pdf Download (209kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (254kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (190kB)

Abstract

Perkembangan pesat teknologi artificial intelligence tidak hanya membuka banyak peluang
di berbagai bidang, tetapi juga membawa tantangan baru, utamanya yang menyangkut
manipulasi citra digital atau yang dikenal dengan istilah deepfake. Teknologi ini mampu
menghasilkan sebuah citra atau video palsu dengan presisi tinggi menggunakan bantuan
GANs (Generative Adversarial Networks) yang dapat menimbulkan kekhawatiran masif di
masyarakat, utamanya yang berhubungan dengan keamanan dan privasi digital serta
penyebarluasan berita atau konten hoax yang mudah disalahgunakan oleh pihak tertentu.
Metode klasifikasi citra wajah asli dan deepfake yang akurat menjadi urgensi tersendiri
untuk menangani masalah ini. Oleh karena itu, penelitian ini bertujuan untuk
mengembangkan model klasifikasi citra wajah asli dan deepfake menggunakan transfer
learning dengan arsitektur Xception. Arsitektur Xception menjadi pilihan dikarenakan
kemampuannya yang sangat baik dalam melakukan diferensiasi antara citra wajah asli dan
deepfake yang memiliki fitur cukup kompleks dengan performa yang efisien. Penerapan
transfer learning dengan arsitektur Xception dilakukan menggunakan dataset Deepfake
Faces yang diperoleh dari Kaggle. Dalam penelitian ini digunakan 20.000 citra yang terbagi
secara seimbang ke dalam dua kelas, yaitu asli dan deepfake. Hasil penelitian menunjukkan
bahwa arsitektur Xception mampu menghasilkan performa klasifikasi yang tinggi, dengan
akurasi tertinggi mencapai 90,78%. Penelitian ini diharapkan dapat memberikan kontribusi
positif dalam keamanan digital, forensik media, dan upaya pemberantasan konten palsu atau
hoax di masyarakat yang cukup rumit untuk diatasi.
Kata kunci : Deepfake, Klasifikasi Citra Wajah, Transfer Learning, Arsitektur Xception

Actions (login required)

View Item