IMPLEMENTASI CONVNEXT UNTUK KLASIFIKASI CITRA WAJAH ASLI MANUSIA DAN DEEPFAKE YANG DIHASILKAN OLEH GENERATIVE ADVERSARIAL NETWORKS

Waramatja Yuda Putra, Waramatja (2026) IMPLEMENTASI CONVNEXT UNTUK KLASIFIKASI CITRA WAJAH ASLI MANUSIA DAN DEEPFAKE YANG DIHASILKAN OLEH GENERATIVE ADVERSARIAL NETWORKS. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

There is a more recent version of this item available.

	Text Cover_123220163.pdf Download (304kB)
	Text Abstrak_123220163.pdf Download (350kB)
	Text Halaman Pengesahan_123220163.pdf Download (533kB)
	Text Daftar Isi_123220163.pdf Download (482kB)
	Text Daftar Pustaka_123220163.pdf Download (328kB)
	Text Fulltext_123220163.pdf Restricted to Repository staff only Download (2MB)

Official URL: https://upnyk.ac.id

Abstract

Kemajuan kecerdasan buatan telah mendorong kemunculan deepfake, yaitu manipulasi citra yang sangat realistis dengan memanfaatkan teknologi Generative Adversarial Networks. Penyalahgunaan deepfake menimbulkan ancaman serius seperti penyebaran disinformasi dan penipuan identitas. Namun, model Convolutional Neural Networks konvensional sering kali tidak dapat mempertahankan akurasi tinggi saat mengklasifikasikan citra manipulasi generasi terbaru. Arsitektur mutakhir ConvNeXt memiliki kemampuan ekstraksi fitur yang lebih baik, namun rentan mengalami overfitting selama masa pelatihan. Oleh karena itu, penelitian ini mengevaluasi performa ConvNeXt dalam mengklasifikasikan citra wajah asli dan wajah deepfake dengan menerapkan hyperparameter tuning menggunakan metode Grid Search serta teknik regularisasi untuk mencegah terjadinya overfitting.
Penelitian ini menggunakan dataset publik Kaggle berisi 12.890 citra, yang terdiri atas 5.890 wajah asli dan 7.000 wajah deepfake yang dihasilkan oleh arsitektur StyleGAN dan StyleGAN2. Pra-pemrosesan diawali dengan pembagian proporsi data menjadi 80% data latih, 10% validasi, dan 10% uji. Citra kemudian diubah ukurannya menjadi 224x224 piksel, dinormalisasi, dan diaugmentasi melalui pembalikan horizontal serta rotasi acak khusus pada himpunan data latih. Penelitian ini menggunakan arsitektur ConvNeXt-Base melalui pendekatan transfer learning dengan strategi full fine-tuning. Lapisan klasifikasi akhir dimodifikasi menjadi satu neuron keluaran untuk keperluan klasifikasi biner. Pelatihan model menggunakan fungsi kerugian BCEWithLogitsLoss yang menggabungkan operasi Sigmoid dan Binary Cross-Entropy dalam satu komputasi serta optimizer AdamW, dipadukan dengan Grid Search untuk mencari kombinasi learning rate dan batch size yang paling optimal, serta penerapan mekanisme early stopping.
Hasil pengujian membuktikan bahwa implementasi ConvNeXt dengan pendekatan tersebut dapat mencegah overfitting dan memberikan hasil klasifikasi yang sangat optimal. Konfigurasi terbaik berdasarkan pengujian Grid Search dicapai pada penggunaan learning rate 1x10⁻⁵, batch size 16, dan tingkat augmentasi rotasi 30 derajat. Eksperimen perbandingan menunjukkan bahwa penerapan augmentasi menghasilkan akurasi validasi 99,92% dengan validation loss 0,0025, lebih baik dibandingkan pelatihan tanpa augmentasi yang menghasilkan akurasi validasi 99,69% dengan validation loss 0,0150, membuktikan kontribusi augmentasi terhadap kemampuan generalisasi model. Evaluasi model pada himpunan data uji mendapatkan capaian akurasi 99,53%, presisi kelas Real 0,9966 dan kelas Fake 0,9943, nilai recall kelas Real 0,9932 dan kelas Fake 0,9971, F1-Score 99,53% (macro avg), serta nilai Area Under the Curve mencapai 0,9952. Penelitian ini menunjukkan tingkat kesalahan prediksi yang sangat minim, di mana hanya terdapat 2 kesalahan prediksi pada kelas Fake (False Positive) dan 4 kesalahan prediksi pada kelas wajah asli (False Negative), dari total 1.289 citra uji.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Waramatja Yuda Putra (Penulis - 123220163) Heriyanto (Pembimbing)
Uncontrolled Keywords:	ConvNeXt, Deepfake, Grid Search, Klasifikasi Citra, Overfitting
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	13 Mar 2026 00:52
Last Modified:	13 Mar 2026 00:52
URI:	http://eprints.upnyk.ac.id/id/eprint/47349

Available Versions of this Item

IMPLEMENTASI CONVNEXT UNTUK KLASIFIKASI CITRA WAJAH ASLI MANUSIA DAN DEEPFAKE YANG DIHASILKAN OLEH GENERATIVE ADVERSARIAL NETWORKS. (deposited 13 Mar 2026 00:52) [Currently Displayed]
- IMPLEMENTASI CONVNEXT UNTUK KLASIFIKASI CITRA WAJAH ASLI MANUSIA DAN DEEPFAKE YANG DIHASILKAN OLEH GENERATIVE ADVERSARIAL NETWORKS. (deposited 13 Mar 2026 00:58)

Actions (login required)

View Item