Metode Deteksi Deepfake melalui Seleksi Fitur Gambar dengan Menggunakan Algoritma Support Vector Machine

Man Young Leemans, Matthew (2025) Metode Deteksi Deepfake melalui Seleksi Fitur Gambar dengan Menggunakan Algoritma Support Vector Machine. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (210kB)
	PDF BAB_II.pdf Download (265kB)
	PDF BAB_III.pdf Download (329kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (205kB)
	PDF DAFTAR_PUSTAKA.pdf Download (207kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (289kB)

Abstract

Deepfake, teknologi berbasis AI yang mampu memanipulasi gambar, video, dan suara secara realistis, memiliki dampak negatif seperti penyebaran informasi palsu dan penipuan. Penelitian ini bertujuan untuk mengembangkan metode deteksi deepfake yang lebih akurat dan efisien menggunakan Support Vector Machine (SVM) serta teknik seleksi fitur: LASSO, PCA, dan SelectKBest. Dataset "Deepfake and Real Images" dari Kaggle digunakan dengan pra-pemrosesan untuk menyaring fitur relevan guna meningkatkan efisiensi pelatihan dan akurasi. Evaluasi melalui 5-Fold Cross Validation menunjukkan bahwa LASSO memberikan akurasi terbaik (uji: 70,88%, validasi: 75,39%), diikuti PCA (uji: 69,55%, validasi: 73,67%) dan SelectKBest (uji: 67,73%, validasi: 71,4%). Tanpa seleksi fitur, waktu pelatihan mencapai 3 jam 1 menit, jauh lebih lama dibandingkan PCA (6 menit 58 detik), meskipun akurasi uji hanya sedikit lebih rendah (69,29%). Kesimpulannya, seleksi fitur memainkan peran penting dalam meningkatkan performa model, dengan LASSO menjadi metode terbaik untuk menyaring fitur relevan dan mengurangi overfitting. Penelitian lanjutan dapat menggabungkan seleksi fitur dengan model deep learning, seperti CNN, untuk mendeteksi pola yang lebih kompleks pada video dan audio.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deepfake, Artificial Intelligence, Support Vector Machine, Seleksi Fitur
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	30 Jun 2025 11:02
Last Modified:	30 Jun 2025 11:02
URI:	https://kc.umn.ac.id/id/eprint/37464

Actions (login required)

View Item