Akbar, Fachril (2026) SISTEM PENDETEKSIAN DEEPFAKE WAJAH MENGGUNAKAN METODE XCEPTION DAN YOLOv11 BERBASIS TENSORFLOW. S1 thesis, Universitas Malikussaleh.

	Text COVER.pdf Download (2MB)
	Text ABSTRAK.pdf Download (2MB)
	Text BAB I.pdf Download (2MB)
	Text DAFTAR PUSTAKA.pdf Download (179kB)
	Text Skripsi Final_Fachril Akbar fix.pdf Restricted to Registered users only Download (2MB)

Abstract

ABSTRAK Perkembangan teknologi kecerdasan buatan telah memicu kemunculan deepfake yang mengancam keamanan informasi melalui manipulasi wajah yang semakin sulit dibedakan dari citra asli. Penelitian ini bertujuan mengembangkan sistem pendeteksian deepfake wajah dengan mengintegrasikan metode YOLOv11 sebagai detektor wajah dan arsitektur Xception sebagai model klasifikasi berbasis TensorFlow. Dataset yang digunakan terdiri atas 15.196 citra wajah, yang diperoleh dari beberapa sumber, yaitu Kaggle, TikTok, dan AI Generated. Seluruh data dikelompokkan ke dalam dua kelas, yaitu Real (8.121 citra) dan Fake (7.075 citra), kemudian dibagi menjadi data training sebanyak 10.450 citra, validation sebanyak 2.450 citra, dan testing sebanyak 2.296 citra untuk proses pelatihan, validasi, dan evaluasi model. Hasil evaluasi menunjukkan bahwa YOLOv11 berhasil melokalisasi wajah dengan tingkat keberhasilan 100% pada seluruh dataset yang diuji, termasuk pada kondisi pencahayaan rendah dan tinggi. Model klasifikasi Xception mencapai akurasi pengujian sebesar 90,10%. Secara spesifik, nilai recall untuk kelas Fake mencapai 97,11%, yang menunjukkan sensitivitas tinggi dalam mendeteksi konten manipulatif sehingga meminimalkan kemungkinan deepfake diklasifikasikan sebagai citra asli. Nilai AUC sebesar 0,98 mengonfirmasi kemampuan diskriminasi model yang berada pada kategori Excellent. Analisis visual Grad-CAM menunjukkan bahwa model berfokus pada area dahi, pelipis, dan tepi wajah dalam mengidentifikasi artefak manipulasi. Selain itu, aplikasi Snap Detector telah divalidasi melalui black box testing dengan hasil seluruh fungsi berjalan valid. Namun, sistem menghasilkan kecepatan rata-rata 6,26 FPS pada GPU NVIDIA T4 sehingga masih diperlukan optimasi lebih lanjut untuk memenuhi kebutuhan pemrosesan real-time yang lebih optimal. Kata Kunci: Deepfake, YOLOv11, Xception, klasifikasi, Computer vision.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Fachril Akbar
Date Deposited:	04 Sep 2026 03:00
Last Modified:	04 Sep 2026 03:00
URI:	https://rama.unimal.ac.id/id/eprint/22359

Actions (login required)

View Item