Implementasi Ensemble Deep Learning untuk Klasifikasi Deepfake pada Gambar Wajah

Winardi, Arvin (2025) Implementasi Ensemble Deep Learning untuk Klasifikasi Deepfake pada Gambar Wajah. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (241kB)
	PDF BAB_II.pdf Download (3MB)
	PDF BAB_III.pdf Download (11MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (227kB)
	PDF DAFTAR_PUSTAKA.pdf Download (216kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (272kB)

Abstract

Kemajuan teknologi deepfake telah menimbulkan tantangan signifikan dalam menjaga integritas informasi digital. Penelitian ini mengusulkan sistem klasifikasi deepfake pada gambar wajah menggunakan pendekatan ensemble deep learning dengan metode weighted averaging. Empat model individu digunakan dalam ansambel: Custom CNN, ResNet50, Xception, dan EfficientNet-B4. Dataset yang digunakan adalah 140k Real and Fake Faces dari Kaggle, dengan partisi data pelatihan, validasi, dan pengujian sebesar 100.000, 20.000, dan 20.000 gambar. Setiap model dilatih secara independen dan dievaluasi menggunakan metrik Akurasi, Presisi, Recall, F1-Score. Hasil eksperimen menunjukkan bahwa model ansambel menghasilkan akurasi sebesar 96.87%, lebih tinggi dibandingkan model individual terbaik (Xception, 95.83%). Evaluasi cross-dataset menggunakan DeepFakeFace menunjukkan bahwa meskipun akurasi menurun menjadi 50%, ansambel tetap menunjukkan kinerja generalisasi yang lebih baik dibandingkan model tunggal. Penelitian ini menunjukkan bahwa pendekatan ensemble dengan arsitektur yang beragam dapat meningkatkan akurasi dan keandalan sistem deteksi deepfake.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Winardi, Arvin (00000058607)
Contributors:	Widjaja, Moeljono
Keywords:	Deepfake, Image Detection, Ensemble Learning, Weighted Averaging, CNN
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	09 Sep 2025 07:25
URI:	https://kc.umn.ac.id/id/eprint/40254

Actions (login required)

View Item