Deteksi Video Deepfake Menggunakan InceptionV3 dan LSTM Berdasarkan Metode Pembuatan Video Deepfake

Sebastian Tjoang, Jason (2025) Deteksi Video Deepfake Menggunakan InceptionV3 dan LSTM Berdasarkan Metode Pembuatan Video Deepfake. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (224kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Download (532kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Download (213kB)
	PDF DAFTAR_PUSTAKA.pdf Download (225kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (886kB)

Abstract

Pesatnya perkembangan teknologi telah mendorong peningkatan penyebaran video deepfake, yaitu video manipulasi wajah berbasis kecerdasan buatan. Meskipun memiliki manfaat potensial, teknologi ini menimbulkan risiko seperti disinformasi, pencemaran nama baik, dan eksploitasi non-konsensual. Tantangan utama dalam deteksi deepfake adalah rendahnya kemampuan model untuk menggeneralisasi terhadap berbagai teknik manipulasi. Penelitian ini mengusulkan arsitektur deteksi berbasis InceptionV3 dan LSTM. InceptionV3 (dibekukan tanpa top layer) dengan GlobalAveragePooling2D mengekstraksi fitur spasial dari setiap frame, yang kemudian diproses secara temporal oleh LSTM 128 unit, lalu diklasifikasikan melalui lapisan Dense 64-neuron dan Dense 1-neuron beserta lapisan dropout dan kernel regularizer untuk mengurangi overfitting. Enam model dilatih: lima pada masing-masing metode manipulasi dari dataset FaceForensics++ (Deepfakes, FaceSwap, Face2Face, NeuralTextures, FaceShifter), dan satu model tambahan pada gabungan seluruh metode. Evaluasi dilakukan menggunakan lima metrik, dengan fokus pada AUC-ROC untuk skenario cross-subset testing. Hasil menunjukkan bahwa model spesifik Deepfakes mencapai AUC-ROC tertinggi (0,9007), namun menurun drastis pada metode lain. Pada cross-subset testing, model gabungan lebih seimbang namun tidak lebih unggul dari model yang dilatih dengan deepfakes. Semua model mengalami overfitting karena kurangnya variansi data, arsitektur terlalu kompleks, serta jumlah frame yang tidak cukup untuk menangkap pola temporal yang kompleks. Secara umum, performa InceptionV3- LSTM berada di bawah arsitektur lain seperti Xception.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deteksi Deepfake, FaceForensics++, Generalisasi Model, InceptionV3, LSTM
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Aug 2025 11:04
Last Modified:	20 Aug 2025 11:04
URI:	https://kc.umn.ac.id/id/eprint/40000

Actions (login required)

View Item