LAPORAN PENELITIAN DETEKSI CITRA WAJAH PALSU GENERATIVE ADVERSARIAL NETWORKS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASISKAN ERROR LEVEL ANALYSIS

Maria Ulfah Siregar, - and Nurochman, - and Dwi Larasati, - and Anif Hanifa Setianingrum, - (2022) LAPORAN PENELITIAN DETEKSI CITRA WAJAH PALSU GENERATIVE ADVERSARIAL NETWORKS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASISKAN ERROR LEVEL ANALYSIS. Project Report. UIN Sunan Kalijaga Yogyakarta, Yogyakarta.

[img] Text (LAPORAN PENELITIAN DETEKSI CITRA WAJAH PALSU GENERATIVE ADVERSARIAL NETWORKS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASISKAN ERROR LEVEL ANALYSIS)
LAPORAN PENELITIAN DETEKSI CITRA WAJAH PALSU GENERA.pdf - Published Version
Restricted to Registered users only

Download (818kB)
[img]
Preview
Text (Surat pernyataan)
surat-surat-pernyataan1722994376.pdf - Published Version

Download (20kB) | Preview

Abstract

Generative adversarial networks merupakan algoritma yang sering digunakan untuk melakukan generate gambar menggunakan AI. Diperlukan sebuah algoritma yang mampu melakukan deteksi apakah sebuah gambar merupakan hasil kerja generative adversarial networks atau gambar nyata. Pada penelitian ini, kami mengajukan penggunaan algoritma Error Level Analysis dan convolutional neural network untuk mendeteksi citra manipulasi yang dihasilkan oleh generative adversarial networks. Setelah melakukan training data, dapat dibuktikan bahwa penggunaan onvolutional neural network dengan kompresi Error Level Analysis dapat meningkatkan performa keseluruhan dari model, baik itu akurasi, precision, recall, maupun parametser lainnya. Berdasarkan hasil evaluasi, didapatkan bahwa training onvolutional neural network terbaik didapatkan ketika menggunakan kompresi Error Level Analysis 50% karena dapat mencapai 94% akurasi, precision 93.3%, Recall 94.9%, F1 Score 94.1%, ROC-AUC Score 98.7%, dan AP Score 98.8%. Penelitian ini diharapkan dapat menjadi referensi untuk melakukan proses deteksi gambar antara gambar nyata atau gambar palsu hasil generative adversarial networks.

Item Type: Monograph (Project Report)
Uncontrolled Keywords: Citra Wajah, Adversarial, Convolutional Neural
Subjects: Tehnik Informatika
Divisions: Penelitian
Depositing User: Dra. Khusnul Khotimah, SS, M.IP -
Date Deposited: 07 Aug 2024 08:55
Last Modified: 07 Aug 2024 08:55
URI: http://digilib.uin-suka.ac.id/id/eprint/66342

Share this knowledge with your friends :

Actions (login required)

View Item View Item
Chat Kak Imum