ANALISIS PERFORMA CONVOLUTIONAL NEURAL NETWORK DENGAN HYPERPARAMETER TUNING DALAM MENDETEKSI GAMBAR DEEPFAKE

Abstrak

Penelitian ini menganalisis performa Convolutional Neural Network (CNN) dalam mendeteksi gambar deepfake dengan fokus pada tuning hyperparameter. Penelitian ini terdiri dari dua kelas yaitu gambar fake dan gambar real dengan jumlah data masing-masing 5000 untuk setiap kelas. Tuning hyperparameter dilakukan dengan menggunakan library keras-tuner, sebuah framework yang digunakan untuk tuning hyperparameter secara otomatis pada model yang dibangun menggunakan Keras sehingga tidak perlu melakukan tuning hyperparameter secara manual melalui trial and error. Adapun strategi pencarian hyperparameter menggunakan random search. Hasil penelitian menunjukkan bahwa tuning hyperparameter secara signifikan meningkatkan akurasi deteksi model. Berbagai eksperimen dilakukan untuk mengevaluasi dampak pengaturan hyperparameter, seperti jumlah dan ukuran filter, learning rate, dan optimizer.  Analisis terhadap berbagai optimizer menghasilkan variasi performa yang signifikan, Adam optimizer mencapai akurasi tertinggi sebesar 83% menggunakan kombinasi 32 filter berukuran 3x3 pada layer pertama dan 128 filter berukuran 5x5 pada layer kedua. RMSProp dan AdamW masing-masing mencapai akurasi 82%, SGD optimizer menghasilkan akurasi 75%, sedangkan Adadelta optimizer memperoleh akurasi 71%. Hasil penelitian ini menegaskan bahwa pemilihan optimizer dan pengaturan hyperparameter yang tepat memiliki dampak signifikan terhadap kinerja model dalam mendeteksi pola dalam data. Penelitian ini juga menekankan pentingnya optimalisasi filter dan ukuran pada setiap layer dalam meningkatkan akurasi model.