Penerapan Algoritma Resedual Network 50 dan Convusional Block Attention Module untuk Deteksi Citra Deepfake

Deepfake merupakan teknologi berbasis kecerdasan buatan dengan teknologi deep learning yang mampu menciptakan atau memanipulasi wajah seseorang secara realistis. Dalam survey terbaru VIDA Where’s The Fraud – Protecting Indonesia Business from AI Generated Fraud, menemukan lonjakan 1540% pada kasus penipuan deepfake di wilayah APAC tahun 2022 hingga 2023, sementara di indonesia terdapat 1550% kasus penipuan. Peningkatan signifikan kasus deepfake ini menunjukkan tantangan baru dalam mendeteksi manipulasi visual menggunakan teknologi Artificial Intelligence (AI). Di samping manfaatnya penggunaan teknologi deep learning ini bisa menjadi ancaman serius dalam kasus penipuan dan pemerasan, diperlukan metode deteksi berbasis kecerdasan buatan untuk mendeteksi deepfake secara efektif dan efisien. Penelitian ini berfokus pada pengembangan dan penerapan metode deteksi deepfake berbasis Convolutional Neural Network (CNN) menggunakan arsitektur Residual Network 50 (ResNet50) yang dimodifikasi dengan Convusion Block Ateention Module (CBAM) untuk meningkatkan akurasi dalam mendeteksi pola-pola artefak yang muncul pada citra deepfake, sebagai kontribusi dalam upaya mitigasi penyalahgunaan teknologi deepfake yang semakin marak. Penelitian ini menggunakan dataset kaggle yang berjumlah 8000 dataset. Dataset yang akan digunakan untuk perbandingan keaslian data melalui tahapan normalisasi, pelatihan model, dan evaluasi performa dengan metrik akurasi yang terdiri dari gambar asli dan gambar yang sudah menggunakan deepfake yang dihasilkan melalui teknologi berbasis AI. Dalam studi terdahulu Penggunaan ResNet50 dalam kelasifikasi menunjukan hasil sebesar 78,87% sedangkan integrasi menggunakan attention mecanism pada ResNet50 dengan Long- Distance Attention Module mencapai akurasi hingga 94.30% dan AUC 98.70%. Hasil dari penelitian ini menunjukan penggunaan CBAM pada 8000 dataset menghasilkan metrix akurasi Accuracy 68.44%, Precision 72,26%, Recall 53,73%, dan F1- score 61,63%, dan dari hasil pengamatan pada 6000 dataset ditemukan Accuracy 75.27%, Precision 67,91%, Recall 95,80%, dan F1- score 79,43%. Dengan pendekatan ini di harapkan mampu menjadi solusi yang efektif untuk meningkatkan keamanan sistem berbasis biometrik, serta mencegah penyalahgunaan teknologi deepfake dalam berbagai sektor.

Keywords: Deepfake, Convolutional Neural Network, ResNet50, Convolutional Block Attention Module, Rectified Linear Unit, Sigmoid

Authors who publish in this journal agree to the following rules:

1. Authors retain copyright and give the journal the right of first publication, with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2. Authors may enter separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., posting it to an institutional repository or publishing it in a book), with attribution to the journal's initial publication.
3. Authors are permitted and recommended to post their work online (such as in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges as well as earlier and greater citation of published work.