ANALISIS PERBANDINGAN KETANGGUHAN RESNET50 DAN EFFICIENTNETB0 TERHADAP DEGRADASI GAUSSIAN BLUR PADA ATRIBUSI PROVENANCE DEEPFAKE

Abstrak

Perkembangan pesat kecerdasan buatan generatif telah meningkatkan risiko penyebaran citra deepfake, sehingga fokus riset forensik digital bergeser dari deteksi biner menuju atribusi provenance atau identifikasi model AI sumber. Meskipun berbagai arsitektur Convolutional Neural Network (CNN) telah terbukti akurat mengklasifikasikan sumber citra pada kondisi ideal, implementasi di dunia nyata kerap menghadapi degradasi spasial seperti efek blur yang merusak artefak frekuensi tinggi bawaan AI. Penelitian ini menyajikan analisis komparatif ketangguhan (robustness) arsitektur ResNet50 dan EfficientNetB0 dalam mengatribusikan citra deepfake multi-kelas (DALL-E, Midjourney, Stable Diffusion, dan Citra Nyata) yang terdistorsi oleh serangan Gaussian Blur, menggunakan pendekatan transfer learning untuk mengukur tingkat penurunan kinerja (degradation rate). Hasil pengujian menunjukkan EfficientNetB0 mencapai akurasi 93,89% pada kondisi ideal, namun turun signifikan sebesar 6,56% menjadi 87,33% saat citra diburamkan akibat sensitivitas lapisan depthwise convolution. Sebaliknya, ResNet50 yang mencapai akurasi 95,70% pada kondisi ideal menunjukkan ketangguhan yang jauh lebih superior, dengan penurunan hanya 1,58% menjadi 94,12% setelah serangan blur. Keunggulan ini divalidasi sebagai dampak mekanisme skip connections pada residual network dalam mempertahankan integritas fitur semantik secara spasial. Penelitian ini merekomendasikan penggunaan arsitektur berbasis residual untuk sistem forensik digital yang beroperasi pada lingkungan data dunia nyata yang rentan terhadap kompresi dan degradasi.

Identifier

• DOI: https://doi.org/10.36341/rabit.v11i2.8306
• OpenAlex: https://openalex.org/W7167911519