IMPLEMENTASI TRANSFER LEARNING DAN AUGMENTASI PADA MODEL CNN UNTUK MENINGKATKAN ROBUSTNESS KLASIFIKASI AI-GENERATED IMAGE

Abstract

Perkembangan teknologi AI-generated image menghadirkan tantangan baru dalam membedakan gambar asli dan gambar sintetis, terutama dalam konteks keamanan dan keaslian konten digital. Berbagai pendekatan deteksi telah dikembangkan menggunakan Convolutional Neural Network (CNN), namun sebagian besar masih diuji pada gambar dalam kondisi bersih. Padahal, gambar yang beredar di dunia nyata sering mengalami gangguan visual seperti noise, yang dapat merusak ciri halus pembeda antara gambar asli dan sintetis. Penelitian ini bertujuan menganalisis sejauh mana penerapan transfer learning dan augmentasi data dapat meningkatkan performa serta ketahanan (robustness) model CNN dalam mendeteksi gambar AI-generated pada kondisi terdegradasi. Dataset yang digunakan berasal dari Kaggle dengan dua kelas, yaitu gambar asli dan AI-generated. Dua skema eksperimen diterapkan, yaitu pelatihan CNN dari awal (baseline) dan model pre-trained menggunakan arsitektur NYUAD-ComNets/AI-Generated Images Detector yang dikombinasikan dengan augmentasi data. Evaluasi robustness dilakukan dengan menambahkan Gaussian Noise dan Salt and Pepper Noise pada berbagai tingkat keparahan. Hasil menunjukkan model pre-trained mencapai akurasi 0,83 pada data bersih, menurun menjadi 0,75 pada Gaussian Noise dan 0,63 pada Salt and Pepper Noise. Nilai AUC turun dari 0,83 menjadi 0,78 dan 0,74. Temuan ini menunjukkan bahwa karakteristik dan tingkat keparahan noise berpengaruh signifikan terhadap ketahanan model.