Implementasi Deep Convolutional Generative Adversarial Network untuk Mendeteksi Deepfake pada Gambar Wajah

Dharma Setiawan, Jonathan (2025) Implementasi Deep Convolutional Generative Adversarial Network untuk Mendeteksi Deepfake pada Gambar Wajah. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (360kB)
	PDF BAB_III.pdf Download (514kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (205kB)
	PDF DAFTAR_PUSTAKA.pdf Download (213kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (262kB)

Abstract

Teknologi digital manusia yang berkembang dengan pesat, serta ketersediaan alat-alat untuk memanipulasi media digital mulai mengancam autentisitas dari konten-konten yang tersebar secara online. Salah satu ancaman autentisitas ini adalah deepfake, sebuah bentuk manipulasi media digital yang memanfaatkan Artificial Intelligence (AI) seperti Generative Adversarial Network (GAN) untuk menciptakan atau memanipulasi media digital seperti video, gambar, dan audio yang tampak dan terdengar realistis serta sulit diketahui keasliannya. Untuk mengatasi ancaman ini, diimplementasikan salah satu jenis GAN yaitu Deep Convolutional Generative Adversarial Network (DC-GAN) untuk mendeteksi deepfake. DC-GAN dilatih menggunakan dataset STYLEGAN CELEB-A dan FFHQ dengan rasio data splitting 80:20 dan 70:30, yang lalu diukur akurasinya menggunakan confusion matrix. Hasil yang diperoleh menunjukkan bahwa discriminator DC-GAN memiliki performa terbaik saat dilatih menggunakan rasio 70:30 untuk data splitting, memperoleh akurasi sebesar 0.6131 untuk DC-GAN yang dilatih dengan dataset STYLEGAN CELEB-A dan akurasi sebesar 0.9275 untuk DC-GAN yang dilatih dengan dataset FFHQ.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	DC-GAN, deepfake, implementasi.
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/40002

Actions (login required)

View Item