IMPLEMENTASI XCEPTION DAN LONG SHORT-TERM MEMORY (LSTM) UNTUK DETEKSI DEEPFAKE

Harvito, Muhammad Farhan (2024) IMPLEMENTASI XCEPTION DAN LONG SHORT-TERM MEMORY (LSTM) UNTUK DETEKSI DEEPFAKE. Other thesis, UPN Veteran Yogyakarta.

	Text Cover.pdf Download (176kB)
	Text Abstrak.pdf Download (74kB)
	Text Halaman Pengesahan.pdf Download (1MB)
	Text Daftar Isi.pdf Download (79kB)
	Text Daftar Pustaka.pdf Download (146kB)
	Text Full Skripsi_Muhammad Fahan Harvito.pdf Restricted to Repository staff only Download (5MB)

Abstract

Kemajuan teknologi kecerdasan buatan telah memungkinkan penciptaan deepfake, sebuah teknik manipulasi video yang dapat menggantikan wajah seseorang dengan wajah orang lain secara meyakinkan. Meskipun memiliki potensi, teknologi ini juga menimbulkan kekhawatiran terkait penyalahgunaan dan penyebaran informasi palsu. Untuk mengatasi masalah tersebut, diperlukan adanya teknologi yang dapat mendeteksi video deepfake secara akurat. Pada penelitian ini mengatasi masalah tersebut dengan mengembangkan metode deteksi deepfake dengan menggabungkan arsitektur Xception untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk analisis pola temporal dalam video.

Penelitian ini menggunakan dataset yang terdiri dari 600 video dari keseluruhan dataset Celeb-DF. Metode yang diusulkan mengintegrasikan Xception untuk mengekstrak fitur spasial dari frame wajah video, sementara LSTM digunakan untuk menganalisis pola informasi urutan antar frame. Multi-task Cascaded Convolutional Networks (MTCNN) diimplementasikan pada tahap preprocessing untuk meningkatkan deteksi dan alignment wajah, memungkinkan model untuk fokus pada area yang paling relevan. Pengujian dilakukan dengan menggunakan akurasi, precision, recall, dan F1-score untuk melihat efektivitas dan akurasi sistem deteksi deepfake.

Hasil pengujian menunjukkan bahwa model gabungan ini mencapai akurasi 91.67%, dengan precision 89.06%, recall 95%, dan F1-score 91.94%. Konfigurasi optimal diperoleh dengan panjang sequence 20 dan learning rate 1e-4. Hal ini menunjukkan bahwa dengan menggabungkan Xception dan LSTM, sistem berhasil mengatasi kelemahan dari metode sebelumnya. Penelitian ini membuktikan efektivitas LSTM dalam menganalisis pola video deepfake, yang sangat penting dalam mendeteksi anomali seperti transisi wajah yang tidak wajar atau inkonsistensi visual lainnya.

Kata kunci: deteksi deepfake, Xception, Long Short-Term Memory, MTCNN, kecerdasan buatan.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	deteksi deepfake, Xception, Long Short-Term Memory, MTCNN, kecerdasan buatan.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	02 Jan 2025 02:28
Last Modified:	02 Jan 2025 02:28
URI:	http://eprints.upnyk.ac.id/id/eprint/41960

Actions (login required)

View Item