Peningkatan Deteksi Deepfake Menggunakan Arsitektur Hibrida Multiskala Vision Transformer dan Xceptionnet (M-Vixnet)
Tahun 2026 · Penulis: Martri Lina Anggraini
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12331
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Peningkatan Deteksi Deepfake Menggunakan Arsitektur Hibrida Multiskala Vision Transformer dan Xceptionnet (M-Vixnet)
Kemajuan pesat kecerdasan buatan, khususnya Jaringan Adversarial Generatif (Gans), telah meningkatkan secara signifikan Realisme gambar-gambar palsu yang dalam, membuat identifikasi manual semakin sulit. Perkembangan ini merupakan ancaman serius bagi keamanan digital, termasuk penipuan identitas, informasi yang salah, dan manipulasi multimedia. Oleh karena itu, diperlukan sistem deteksi deepfake yang akurat dan kuat untuk membedakan gambar wajah yang otentik dari sistem yang dimanipulasi. Penelitian ini mengusulkan M-ViXNet (Multi-Scale ViT dan XceptionNet), arsitektur pembelajaran mendalam hibrida yang dikembangkan dengan mengintegrasikan fitur hirarki dari XceptionNet dengan representasi multi-skala yang dipelajari oleh ViT. Arsitektur yang diusulkan mengekstrak fitur multi-level dari Aliran Masuk, Aliran Tengah, dan Aliran Keluar dari XceptionNet, yang kemudian diproses oleh tiga cabang ViT menggunakan ukuran patch 8×8, 16×16, dan 32×32, masing-masing. Fitur yang diekstrak kemudian menyatu melalui mekanisme Perhatian Pengatur Adaptasi-Skala-Slow untuk memperoleh komprehensif lokal dan global representasi untuk deteksi palsu. Eksperimen-eksperimen dilakukan dengan data data yang terdiri dari 140k Real dan Fake Faces (7030 varian) yang terdiri dari 10.000 gambar wajah dibagi menjadi pelatihan, validasi, dan testing set. Model yang diusulkan dievaluasi terhadap tiga arsitektur dasar, yaitu XceptionNet, Vision Transformer (Vit), dan ViXNet, menggunakan Akkurasi, Presisision, Recall, F1-Score, dan Area Di bawah Kurva Karakteris Penerima Kenangan (ROC-AUC). Hasil percobaan menunjukkan bahwa M-ViXNet mencapai kinerja terbaik dengan akurasi 94.00%, Presisi 98.59%, Ingat 99.07%, F1-Score 92,36%, dan ROC-AUC 98.36%, mengungguli semua model perbandingan. Selain itu, visualisasi Grad-CAM menegaskan bahwa M-ViXNet berfokus lebih akurat pada kawasan wajah yang dimanipulasi, menunjukkan bahwa integrasi fitur-fitur CNN hirarkis dan transformator multi-size representasi yang efektif meningkatkan kinerja deteksi deepfake.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,852
Tahun 2025 · Penulis: Frans Vito Jonathan Simamora
Optimasi Klasifikasi Ekspresi Wajah Berdasarkan Citra Wajah Menggunakan Hog, Od-Lbp, Dan Pca
Ekspresi wajah merupakan bentuk berinteraksi secara berperan besar secara nonvarbal yang memiliki pengaruh besar dalam interaksi sosial. Ekspresi wajah juga menjadi fokus berbagai perkembagan penelitan dan dalam berbagai pengaplikasian. Menurut para peneliti,
- Cosine 0,842
Tahun 2025 · Penulis: Gustian Aryasatya
Analisis Performa Face Sketch To Photo Transformation Menggunakan Multi Scale Self Attention Generatif Adversal Network
Dalam penelitian ini, dijelaskan penerapan Generative Adversarial Network (GAN) yang ditingkatkan dengan multi scale self attention yang diaplikasikan pada arsitektur generator untuk menyelesaikan tugas face sketch to photo transformation. Masalah terpenting y
- Cosine 0,840
Tahun 2024 · Penulis: Dandy Satrio Wibowo
Penggunaan Pre-Trained Convolutional Neural Networks dan Explainable AI dalam Klasifikasi Penyakit Alzheimer berdasarkan Citra MRI Otak
Penyakit Alzheimer adalah penyakit yang menyebabkan kematian pada sel-sel saraf otak dan menurunkan volume otak seiring berjalannya waktu. Penyakit Alzheimer memiliki lima tahapan perkembangannya, yaitu tahap preclinical, mild cognitive impairment (MCI), mild,