Pengembangan Sistem Deteksi Media Buatan AI menggunakan Arsitektur CNN ResNet-50

Guruh Pratama Putra; Adam Sekti Aji

doi:10.54914/jtt.v12i1.2610

Penulis

Guruh Pratama Putra Universitas Teknologi Yogyakarta
Adam Sekti Aji Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.54914/jtt.v12i1.2610

Kata Kunci:

CNN, Deteksi Media AI, Deep Learning, ResNet-50, Transfer Learning

Abstrak

Kemajuan pesat teknologi kecerdasan buatan (AI) telah menyebabkan peningkatan media buatan AI yang semakin sulit dibedakan dari media autentik. Fenomena ini menghadirkan tantangan signifikan di berbagai bidang, termasuk keamanan digital dan industri kreatif, sehingga memerlukan sistem deteksi otomatis yang andal. Identifikasi manual tidak efisien dan rentan terhadap kesalahan, karena membutuhkan keahlian khusus untuk mengenali media digital yang halus. Penelitian ini mengusulkan pengembangan sistem deteksi media buatan AI menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNet-50. Model ResNet-50 dipilih karena kemampuannya yang telah terbukti dalam menangani ekstraksi fitur mendalam dan mengatasi masalah vanishing gradient. Terdapat 4.600 gambar dengan 2.300 gambar AI dan 2.300 gambar asli. Metodologi penelitian meliputi pengumpulan data dari berbagai dataset Kaggle, preprocessing data termasuk perubahan ukuran dan augmentasi, pelatihan model, serta evaluasi performa berdasarkan akurasi, presicion, dan recall. Hasil eksperimen menunjukkan bahwa model yang dikembangkan mencapai akurasi pengujian yang tinggi sebesar 97,30%. Hal ini menandakan kapabilitas model untuk secara efektif mengklasifikasikan media sebagai buatan AI atau asli dengan presisi tinggi. Penelitian ini diharapkan dapat menjadi referensi berharga untuk pengembangan sistem AI yang lebih akurat dan efisien dalam mendeteksi media sintetis.

Unduhan

Data unduhan belum tersedia.

Referensi

J. Qin, W. Pan, X. Xiang, Y. Tan, and G. Hou, “A biological image classification method based on improved CNN,” Ecol. Inform., vol. 58, p. 101093, Jul. 2020, doi: 10.1016/j.ecoinf.2020.101093.

R. Xin, J. Zhang, and Y. Shao, “Complex network classification with convolutional neural network,” Tsinghua Sci. Technol., vol. 25, no. 4, pp. 447–457, Aug. 2020, doi: 10.26599/TST.2019.9010055.

S. Adventino Gulo, A. Amelia Pertiwi, S. Putri Syaifullah Nasution, and H. Syahputra, “DETEKSI DEEPFAKE DALAM CITRA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN),” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 5, pp. 8655–8660, Jul. 2025, doi: 10.36040/jati.v9i5.14896.

M. H. V. Sinaga, M. Albirra, and M. F. Sidiq, “Klasifikasi Gambar Pemandangan dengan Kecerdasan Buatan Berbasis CNN,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 8, no. 2, pp. 412–417, Apr. 2024, doi: 10.35870/jtik.v8i2.1424.

A. Prayoga, Maimunah, P. Sukmasetya, Muhammad Resa Arif Yudianto, and Rofi Abul Hasani, “Arsitektur Convolutional Neural Network untuk Model Klasifikasi Citra Batik Yogyakarta,” J. Appl. Comput. Sci. Technol., vol. 4, no. 2, pp. 82–89, Nov. 2023, doi: 10.52158/jacost.v4i2.486.

K. Azmi, S. Defit, and S. Sumijan, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” J. UNITEK, vol. 16, no. 1, pp. 28–40, Jun. 2023, doi: 10.52072/unitek.v16i1.504.

M. A. N. Hidayat, Kusrini, and Hanafi, “Convolutional Neural Network Pada Identifikasi Varian Tanaman Anggur Menggunakan Resnet-50,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 10, no. 3, pp. 61–70, 2023, doi: https://doi.org/10.35957/jatisi.v10i3.4789.

T. Rhyosvaldo, Aurellio and P. Ricky, Eka, “Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG Net Untuk Pengenalan Cuaca,” J. Informatics Comput. Sci., vol. 05, no. 01, pp. 48–57, Jul. 2023, doi: 10.26740/JINACS.V5N01.P48-57.

Dian Anisa Agustina, “Klasifikasi Citra Jenis Kulit Wajah Dengan Algoritma Convolutional Neural Network (Cnn) Resnet-50,” J. Ris. Sist. Inf., vol. 1, no. 3, pp. 01–07, Jul. 2024, doi: 10.69714/13sbby24.

U. Ungkawa and G. AL Hakim, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 11, no. 3, p. 731, Jul. 2023, doi: 10.26760/elkomika.v11i3.731.

M. M. Taye, “Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions,” Computation, vol. 11, no. 3, p. 52, Mar. 2023, doi: 10.3390/computation11030052.

M. R. Efrian and U. Latifa, “IMAGE RECOGNITION BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENDETEKSI PENYAKIT KULIT PADA MANUSIA,” Power Elektron. J. Orang Elektro, vol. 11, no. 2, p. 276, Jul. 2022, doi: 10.30591/polektro.v12i1.3874.

T. Berliani, E. Rahardja, and L. Septiana, “Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16,” J. Med. Heal., vol. 5, no. 2, pp. 123–135, Aug. 2023, doi: 10.28932/jmh.v5i2.6116.

A. Raup, W. Ridwan, Y. Khoeriyah, Q. Yuliati Zaqiah, and U. Islam Negeri Sunan Gunung Djati Bandung, “Deep Learning dan Penerapannya dalam Pembelajaran,” JIIP - J. Ilm. Ilmu Pendidik., vol. 5, no. 9, pp. 3258–3267, Sep. 2022, doi: 10.54371/JIIP.V5I9.805.

F. Rizki, M. P. Kharisma Putra, M. A. Assuja, and F. Ariany, “Implementasi Deep Leraning Lenet Dengan Augmentasi Data Pada Identifikasi Anggrek,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 4, no. 3, pp. 357–366, Sep. 2023, doi: 10.33365/jatika.v4i3.3652.

A. Hosna, E. Merry, J. Gyalmo, Z. Alom, Z. Aung, and M. A. Azim, “Transfer learning: a friendly introduction,” J. Big Data, vol. 9, no. 1, p. 102, Oct. 2022, doi: 10.1186/s40537-022-00652-w.