PENDETEKSIAN CITRA DEEPFAKE WAJAH DI SMARTPHONE MENGGUNAKAN MOBILENETV3-SMALL DAN LBP
Article Sidebar
Main Article Content
Abstract
Citra DeepFake, yang dihasilkan menggunakan algoritma kecerdasan buatan seperti GAN, menjadi ancaman besar di dalam dunia digital saat ini karena mudah disebar dan dapat menyebabkan misinformasi. Studi ini berfokus pada desain dan penerapan sistem yang menggunakan model-model MobileNetV3-Small. Dilakukan perbandingan atas dua varian model, satu dengan input citra RGB dan yang lain dengan input citra grayscale hasil dari proses Local Binary Pattern. Hasilnya menunjukkan bahwa model MobileNetV3-Small dengan input RGB mempunyai tingkat akurasi yang lebih tinggi sebesar 88.23%, melebihi model yang menggunakan input citra grayscale hasil dari proses Local Binary Pattern, yang mencapai tingkat akurasi sebesar 72.63%. Model MobileNetV3-Small dengan input RGB yang menunjukkan kinerja superior, diintegrasikan ke dalam aplikasi smartphone untuk pendeteksian citra wajah DeepFake yang efisien.
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
A. Tirta, “Apa Itu Deepfake Dan Cara Mendeteksinya?,” bpti.uhamka.ac.id, 9 July 2022. [Online]. Available: https://bpti.uhamka.ac.id/sharing/apa-itu-deepfake-dan-cara-mendeteksinya/. [Diakses 30 August 2023].
S. ADEE, “What Are Deepfakes and How Are They Created?,” IEEE Spectrum, 29 April 2020. [Online]. Available: https://spectrum.ieee.org/what-is-deepfake. [Diakses 10 September 2023].
A. A. Pokroy dan A. D. Egorov, “EfficientNets for deepfake detection: Comparison of pretrained models,” 2021 IEEE conference of russian young researchers in electrical and electronic engineering (ElConRus), pp. 598--600, 2021.
A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto dan H. Adam, MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, 2017.
M. Albahar dan J. Almalki, “Deepfakes: Threats and countermeasures systematic review,” Journal of Theoretical and Applied Information Technology, vol. 97, no. 22, p. 3242–3250, 2019.
E. Prakasa, “Texture feature extraction by using local binary pattern,” INKOM Journal, vol. 9, no. 2, pp. 45-48, 2016.
P. A. Nugroho, I. Fenriana dan R. Arijanto, “IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) PADA EKSPRESI MANUSIA,” ALGOR, vol. 2, no. 1, pp. 12-20, 2020.
T. T. Platform, “CNN vs. RNN vs. ANN – Analyzing 3 Types of Neural Networks in Deep Learning,” 30 April 2021. [Online]. Available: https://www.thetechplatform.com/post/cnn-vs-rnn-vs-ann-analyzing-3-types-of-neural-networks-in-deep-learning. [Diakses 9 October 2023].
A. Howard, M. Sandler, G. Chu, L.-C. Chen, B. Chen, M. Tan, W. Wang, Y. Zhu, R. Pang, V. Vasudevan, Q. V. Le dan H. Adam, Searching for MobileNetV3, 2019.