Analisis Performa Varian EfficientNet dalam Mendeteksi Wajah AI-Generated

Ezra Anasbi, Nathaniel (2026) Analisis Performa Varian EfficientNet dalam Mendeteksi Wajah AI-Generated. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (310kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (477kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (7MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (214kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (223kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000068232_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Perkembangan model generatif berbasis kecerdasan buatan membuat citra wajah sintetis semakin sulit dibedakan dari citra wajah asli. Kondisi tersebut menimbulkan kebutuhan terhadap metode otomatis yang mampu mengklasifikasikan citra wajah asli dan citra wajah hasil generasi AI. Penelitian ini bertujuan membangun dan menganalisis performa empat varian EfficientNet, yaitu EfficientNet-B0, EfficientNet-B1, EfficientNet-B2, dan EfficientNet-B3, dalam mendeteksi citra wajah AI-generated. Dataset yang digunakan terdiri atas 2000 citra seimbang, yaitu 1000 citra wajah asli dan 1000 citra generasi AI, dengan karakteristik wajah Asia berusia 18 sampai 60 tahun. Model dibangun menggunakan pendekatan transfer learning dengan bobot awal ImageNet, ukuran masukan 224 × 224 × 3, augmentasi data latih, GlobalAveragePooling2D, Dense layer 128 unit, Dropout 0,3, dan lapisan keluaran sigmoid. Pengujian dilakukan pada dua skenario stratified split, yaitu 70:30 dan 80:20, sehingga terdapat delapan skenario eksperimen. Evaluasi menggunakan confusion matrix serta metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan seluruh model memperoleh performa klasifikasi tinggi, dengan accuracy 95,00% hingga 97,00%, precision 91,32% hingga 94,90%, recall 99,33% hingga 100,00%, dan F1-score 95,21% hingga 97,07%. Performa terbaik diperoleh EfficientNet-B0 pada split 70:30 dengan accuracy 97,00%, precision 94,90%, recall 99,33%, dan F1-score 97,07%. Hasil ini menunjukkan bahwa varian awal EfficientNet masih mampu memberikan kinerja kompetitif untuk deteksi citra wajah AI-generated, terutama ketika model dinilai berdasarkan F1-score. Selain itu, nilai recall yang sangat tinggi menunjukkan model sensitif dalam mengenali citra AI-generated, meskipun kesalahan false positive pada citra asli masih perlu diperhatikan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ezra Anasbi, Nathaniel (00000068232)
Contributors:	Irmina Prasetiyowati, Maria
Keywords:	AI-Generated Face, Confusion Matrix, EfficientNet, Klasifikasi Citra
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47928

Actions (login required)

View Item