Ghifari Ferdian Rizqullah
201106041135
Deepfake merupakan teknologi kecerdasan buatan yang sering digunakan untuk
memanipulasi video atau gambar, baik untuk tujuan hiburan maupun kejahatan,
seperti penipuan dan penyebaran disinformasi. Oleh karena itu, diperlukan metode
yang efektif untuk mendeteksi video deepfake. Penelitian ini bertujuan untuk
mengevaluasi performa dua arsitektur transfer learning, yaitu VGG16 dan
ResNet50, dalam mengklasifikasikan video deepfake. Dataset yang digunakan
adalah Celeb-DF (v2), yang merupakan salah satu dataset video deepfake yang
banyak digunakan dalam penelitian. Setiap frame dari video diproses menggunakan
metode Local Ternary Pattern (LTP) untuk mengekstrak fitur tekstur yang lebih
halus dan tahan terhadap noise. Proses ini bertujuan untuk meningkatkan
kemampuan deteksi fitur lokal pada video deepfake. Model yang dibangun
kemudian dievaluasi berdasarkan akurasi dan loss pada data uji. Hasil penelitian
menunjukkan bahwa arsitektur ResNet50 memberikan performa yang lebih baik
dibandingkan VGG16. ResNet50 mencapai akurasi test sebesar 93?ngan nilai
validation loss 0.2228, sedangkan VGG16 mencapai akurasi test sebesar 88?ngan nilai validation loss 0.2636. Pada pengujian terhadap video, ResNet50
mampu memprediksi keseluruhan video yang di uji secara benar, sedangkan
VGG16 mengalami kesalahan prediksi mengalami kesalahan prediksi dua video
dengan label “Real”. Penelitian ini memberikan kontribusi dalam membandingkan
performa dua arsitektur transfer learning dalam deteksi video deepfake serta
mengevaluasi penerapan metode LTP dalam ekstraksi fitur tekstur untuk
mendukung proses klasifikasi.
Kata Kunci: Deepfake, Transfer Learning, VGG16, ResNet50, Local Ternary
Pattern (LTP), Celeb-DF