Identifikasi Video Deepfake Menggunakan Deep learning Model ResNet-50 dan Algoritma LSTM

Arya Setyadharma Tri C., Steven (2025) Identifikasi Video Deepfake Menggunakan Deep learning Model ResNet-50 dan Algoritma LSTM. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (2MB)
	PDF BAB_I.pdf Download (211kB)
	PDF BAB_II.pdf Download (663kB)
	PDF BAB_III.pdf Download (240kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Download (217kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (398kB)

Abstract

Penyebaran video deepfake yang semakin masif menimbulkan tantangan serius terhadap integritas informasi digital. Teknologi deepfake berbasis deep learning, khususnya Generative Adversarial Networks (GANs), mampu menghasilkan video sintetis yang sangat meyakinkan, sehingga sulit dibedakan dari video asli. Metode deteksi konvensional semakin kurang efektif seiring berkembangnya teknik manipulasi seperti face swapping dan lip-syncing. Oleh karena itu, penelitian ini mengangkat masalah bagaimana mengimplementasikan kombinasi algoritma ResNet-50 dan LSTM untuk membangun model deteksi video deepfake, serta mengevaluasi performa akurasinya. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model deteksi video deepfake dengan memanfaatkan ResNet- 50 sebagai feature extractor untuk merepresentasikan informasi spasial dari setiap frame, dan LSTM sebagai pemodel urutan temporal untuk mendeteksi perubahan ekspresi wajah dari rangkaian frame. Proses pelatihan dilakukan menggunakan dataset ForgeryNet yang memiliki variasi manipulasi lebih kompleks dibanding dataset umum seperti FaceForensics++ dan Celeb-DF. Model dikembangkan melalui eksplorasi 30 kombinasi hyperparameter untuk mendapatkan konfigurasi terbaik. Hasil terbaik diperoleh pada kombinasi: 512 LSTM Units, 2 LSTM Layers, Sequence Length 16, Dropout Rate 0.3, Learning Rate 1e-5, Weight Decay 1e-3, Batch Size 24, RAdam Optimizer, Cross-Entropy Loss, dan Scheduler ReduceLROnPlateau. Model akhir menunjukkan performa deteksi yang tinggi dengan akurasi 96.65%, Precision 0.9753, Recall 0.9576, F1 Score 0.9664, dan Loss 0.2034. Hasil ini menunjukkan bahwa pendekatan hybrid ResNet-50 dan LSTM, dikombinasikan dengan eksplorasi hyperparameter yang optimal serta penggunaan dataset yang kompleks, mampu menghasilkan sistem deteksi deepfake yang adaptif dan andal.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deepfake, ResNet-50, LSTM, ForgeryNet, Deteksi Video,
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	23 Jul 2025 11:03
Last Modified:	23 Jul 2025 11:03
URI:	https://kc.umn.ac.id/id/eprint/39153

Actions (login required)

View Item