Klasifikasi Citra Wajah Asli dan hasil generasi AI menggunakan ResNet-18 dengan Squeeze-and-Excitation Block

Aulia, Citra (2026) Klasifikasi Citra Wajah Asli dan hasil generasi AI menggunakan ResNet-18 dengan Squeeze-and-Excitation Block. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (362kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (148kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (138kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (216kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (583kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (399kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (43MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (148kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (348kB) | Request a copy

Abstract

Perkembangan teknologi kecerdasan buatan pada bidang image generation memungkinkan terciptanya citra wajah sintetis dengan tingkat realisme tinggi sehingga semakin sulit dibedakan dari citra wajah asli. Kondisi ini menimbulkan tantangan dalam keamanan digital dan verifikasi keaslian informasi. Penelitian ini bertujuan menerapkan arsitektur ResNet-18 dengan penambahan Squeeze-and-Excitation (SE) Block untuk mengklasifikasikan citra wajah asli dan hasil generasi AI serta menganalisis pengaruh SE Block terhadap performa model. Dataset terdiri atas 8.000 citra yang terbagi ke dalam dua kelas, yaitu citra wajah asli dan hasil generasi AI. Citra wajah asli diperoleh dari dataset FFHQ dan data primer, sedangkan citra wajah hasil generasi AI diperoleh dari dataset Stable Diffusion, StyleGAN3, serta data primer yang dihasilkan menggunakan DALL·E, Leonardo AI, dan Playground AI. Penelitian menggunakan metodologi CRISP-DM yang meliputi tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score pada data normal serta pengujian robustness menggunakan Gaussian Blur dan Gaussian Noise. Hasil pengujian menunjukkan bahwa model ResNet-18 dengan SE Block memperoleh performa terbaik pada data normal dengan Accuracy sebesar 98,92%, Precision sebesar 99,00%, Recall sebesar 98,83%, dan F1-Score sebesar 98,92%, lebih baik dibandingkan model ResNet-18 baseline. Pada pengujian robustness, SE Block belum memberikan peningkatan performa signifikan pada citra Gaussian Blur, namun mampu meningkatkan performa secara signifikan pada citra Gaussian Noise. Model terbaik diimplementasikan ke dalam aplikasi Android menggunakan ONNX Runtime. Hasil penelitian menunjukkan bahwa SE Block efektif meningkatkan performa klasifikasi pada kondisi data normal serta meningkatkan ketahanan model terhadap Gaussian Noise.

Actions (login required)

View Item