DETEKSI CITRA DEEPFAKE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK PENCEGAHAN HOAKS VISUAL DI MEDIA SOSIAL

Perkembangan teknologi deepfake meningkatkan risiko penyebaran informasi palsu dan manipulasi identitas digital karena menghasilkan citra yang semakin sulit dibedakan dari gambar asli. Penelitian ini bertujuan mengembangkan model deteksi citra deepfake menggunakan Convolutional Neural Network (CNN) melalui hyperparameter tuning dan training. CNN dipilih karena mampu mengekstraksi dan mempelajari fitur visual citra secara otomatis sehingga sesuai untuk mengidentifikasi pola dan karakteristik yang membedakan citra asli dan deepfake. Dataset yang digunakan adalah GRAVEX-200K (Real and Fake Face Detection Dataset) yang terdiri dari 200.000 citra, yaitu 100.000 citra asli dan 100.000 citra deepfake, dengan pembagian data latih, validasi, dan uji sebesar 70:15:15. Tahapan penelitian meliputi preprocessing, pembangunan CNN, hyperparameter tuning menggunakan Grid Search dengan 18 trial, training, evaluasi, dan implementasi pada aplikasi web. Konfigurasi terbaik menggunakan filter konvolusi 64-128-256-256, 512 neuron pada fully connected layer, dropout 0,4, dan learning rate 0,0001 dengan validation accuracy sebesar 90,88%. Model terbaik menghasilkan accuracy 95,33%, precision 94,62%, recall 96,12%, AUC 98,73%, dan loss 0,1624 pada data uji. Model kemudian berhasil diimplementasikan pada aplikasi web untuk mendeteksi citra dan video deepfake secara otomatis. Hasil penelitian menunjukkan bahwa optimasi CNN mampu menghasilkan performa deteksi deepfake yang baik dan berpotensi mendukung keamanan informasi digital.