KLASIFIKASI CITRA WAJAH ASLI DAN SINTETIS UNTUK DETEKSI DEEPFAKE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Abstract

Teknologi deepfake berbasis Generative Adversarial Network (GAN) berkembang pesat dan menghasilkan citra wajah sintetis yang sulit dibedakan dari citra autentik. Kondisi ini mengancam integritas informasi digital secara serius. Sistem deteksi otomatis yang akurat dan efisien sangat dibutuhkan untuk mengatasi ancaman tersebut. Penelitian ini bertujuan mengembangkan sistem klasifikasi biner untuk membedakan citra wajah autentik dan sintetis berbasis arsitektur Convolutional Neural Network (CNN) MobileNetV2 dengan pendekatan transfer learning dan fine-tuning. Dataset terdiri atas 90.000 citra seimbang: 45.000 citra autentik (Flickr-Faces-HQ) dan 45.000 citra sintetis (StyleGAN). Pra-pemrosesan mencakup standardisasi dimensi 224 x 224 piksel, normalisasi ke rentang [0, 1], serta augmentasi data melalui horizontal flip dan rotasi acak. Pelatihan dilakukan dua tahap: transfer learning menghasilkan akurasi validasi 80,49%, kemudian fine-tuning meningkatkannya menjadi 91,44%. Evaluasi pada 20.000 data uji menghasilkan akurasi 92,01%, precision kelas fake 0,95, recall kelas real 0,95, dan F1-score 0,92. Hasil ini membuktikan MobileNetV2 efektif sebagai fondasi sistem forensik digital otomatis untuk deteksi deepfake