DETEKSI CITRA SINTETIK MENGGUNAKAN RESNET-50 DENGAN CONVOLUTIONAL BLOCK ATTENTION MODULE

Perkembangan teknologi Generative AI menciptakan citra sintetik dengan realisme tinggi, yang menimbulkan tantangan dalam verifikasi keaslian dan risiko penyebaran misinformasi. Untuk mengatasi masalah tersebut penelitian ini mengusulkan model deteksi citra sintetik berbasis arsitektur ResNet-50 yang diintegrasikan dengan Convolutional Block Attention Module (CBAM) untuk tugas klasifikasi biner. Menggunakan dataset OPENFAKE, penelitian memproses 8.419 citra bersih (4.235 Real, 4.184 Fake) yang dipartisi dengan rasio 80:10:10. Pelatihan model menerapkan pendekatan transfer learning dan dievaluasi menggunakan metrik standar serta Grad-CAM. Hasil pengujian pada data uji membuktikan bahwa model mencapai akurasi sebesar 84%. Berdasarkan visualisasi Grad-CAM, integrasi CBAM secara efektif memandu model untuk fokus pada anomali visual penting, sehingga terbukti menjadi solusi yang andal dan komputasional efisien untuk mendeteksi manipulasi citra sintetik.