PENGGUNAAN AUTOENCODER DAN GENERATIVE ADVERSARIAL NETWORKS DALAM MENDETEKSI DEEPFAKE
Article Sidebar
Main Article Content
Abstract
Artikel ini dimaksudkan untuk membandingkan hasil deteksi Deepfake antara 2 metode neural network dan menemukan tingkat akurasi terbaik. Pada artikel ini arsitektur neural network yang akan digunakan adalah Encoder, Decoder, Generator dan Diskriminator yang masing – masing merupakan arsitektur dari masing – masing metode untuk melakukan deteksi..
Hasil perbandingan 2 metode neural network yang masing – masing berisi label real dan deepfake menunjukkan bahwa metode Autoencoder memiliki akurasi training tertinggi yaitu 99.74% dan akurasi validation tertinggi yaitu 73%, sedangkan untuk dan Generative Adversarial Network memiliki akurasi training tertinggi yaitu 96.82% dan akurasi validation tertinggi yaitu 84% dengan spesifikasi pelatihan menggunakan 50 epoch, 128 batch size, dengan 32.000 data. Berisi 16.000 data real dan 16.000 data deepfake namun dibagi lagi menjadi 5.120 untuk data validation dan 6.400 untuk data testing, namun dalam proses pengujiannya hanya menggunakan 10 data gambar acak yang menghasilkan proses yang dapat diprediksi oleh metode Autoencoder hingga 8 gambar diprediksi dengan benar sedangkan Generative Adversarial Network hanya dapat memprediksi hingga 7 gambar dengan benar.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
Angelika, R., & Santoso, H. 2023. “Analisis Gambar Wajah Palsu: Mendeteksi Keaslian Gambar Yang Dimanipulasi Menggunakan Metode Varitional Autoencoder Dan Forensics Deep Neural Network”. Sibatik Journal
H. Khalid and S. Woo Li, Shujun., Zheng, Xuan. “OC-FakeDect: Classifying Deepfakes Using One-class Variational Autoencoder”
P. Prajapati and C. Pollett. “MRI-GAN: A Generalized Approach to Detect DeepFakes using Perceptual Image Assessment,”
Preeti, Kumar M, Sharma M. “A GAN-Based Model of Deepfake Detection In Social Media”.
P. Charitidis, G. Kordopatis-Zilos, S. Papadopoulos, and I. Kompatsiaris, “Investigating the Impact of Pre-processing and Prediction Aggregation on the DeepFake Detection Task,” .
Sio jurnalis pipin, “Deteksi Video Deepfake Menggunakan Spatiotemporal Convolutional Network dan Photo-Response Non-Uniformity - Mikroskil repository,”