Deteksi Deephoax terhadap Serangan Adversarial dengan model EfficientNet-B0 untuk Keamanan Siber

Thomas Agustinus, Andrew (2026) Deteksi Deephoax terhadap Serangan Adversarial dengan model EfficientNet-B0 untuk Keamanan Siber. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (238kB)
	PDF BAB_II.pdf Download (3MB)
	PDF BAB_III.pdf Download (498kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (6MB)
	PDF BAB_V.pdf Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Download (231kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (919kB)

Abstract

Perkembangan pesat teknologi deephoax memungkinkan manipulasi wajah manusia secara realistis, namun penggunaannya semakin meluas untuk disinformasi dan ancaman keamanan siber. Sistem deteksi deephoax berbasis deep learning masih rentan terhadap serangan adversarial, khususnya metode Projected Gradient Descent (PGD), yang dapat menurunkan akurasi model secara signifikan. Penelitian ini mengkaji penerapan adversarial training (AT) berbasis PGD pada arsitektur EfficientNet-B0 untuk meningkatkan ketahanan detektor terhadap serangan adversarial sekaligus mempertahankan efisiensi komputasi. Metodologi meliputi pembangunan model deteksi, pra-pemrosesan citra wajah, serta pelatihan menggunakan tiga skenario: Baseline, Adversarial Training, dan Mixed AT. Evaluasi dilakukan pada data bersih serta data yang dimodifikasi menggunakan PGD dengan iterasi 5, 10, dan 20. Hasil menunjukkan model Baseline memiliki clean accuracy 98,7% namun akurasinya 0% terhadap serangan PGD. Model AT mempertahankan akurasi adversarial sekitar 49,7%. Sementara itu, Mixed AT menunjukkan performa seimbang dengan clean accuracy 95,2% dan akurasi PGD 50,4 49,5% (PGD-5/10) serta 32,2% (PGD-20). Penelitian menegaskan bahwa adversarial training efektif meningkatkan robustness, dan Mixed AT menyediakan keseimbangan terbaik antara akurasi dan ketahanan terhadap serangan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Thomas Agustinus, Andrew (00000059999)
Contributors:	Yakub, Sy Yuliani
Keywords:	adversarial training, deephoax, EfficientNet-B0, Projected Gradient Descent (PGD)
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	29 Jan 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/44383

Actions (login required)

View Item