Deteksi citra asli dan buatan deepfake berdasarkan area mata menggunakan model efficientnet

Perkembangan kecerdasan buatan khususnya teknologi deepfake semakin pesat, tercatat bahwa konten deepfake meningkat sebesar 550% pada tahun 2023. Mirisnya, kemampuan menghasilkan wajah yang tampak realistis namun sepenuhnya sintetik pada teknologi ini banyak disalahgunakan oleh masyarakat, sehingga menimbulkan tantangan signifikan terhadap keamanan dan integritas informasi digital. Meskipun berbagai metode deteksi telah dikembangkan, manipulasi halus pada area mata masih sulit ditiru oleh algoritma deepfake. Penelitian ini mengembangkan sistem deteksi citra asli dan buatan deepfake berbasis area mata menggunakan Convolutional Neural Network (CNN) EfficientNet dengan analisis variasi parameter pelatihan untuk memperoleh performansi model optimal. MediaPipe digunakan sebagai model untuk cropping area mata sebelum citra diproses oleh EfficientNet, yang digunakan sebagai metode untuk mengekstraksi fitur dan mengklasifikasikan dataset yang terdiri dari 2050 citra asli dan 2000 citra deepfake menggunakan 5-fold cross-validation. Model optimal ditunjukkan pada learning rate 0.001, ukuran batch size 32, dense tambahan 256, dan optimizer RMSProp,menghasilkan akurasi, presisi, recall, dan F1-score masing-masing 100% dengan lama waktu komputasi 32 menit. Penelitian ini menunjukkan kemampuan EfficientNet dalam membedakan citra asli dan buatan secara akurat sebagai model pengembangan sistem deteksi deepfake yang efektif. Hasil ini juga menegaskan bahwa area mata memiliki pola penting dalammanipulasi citra deepfake sehingga memengaruhi hasil deteksi.