EVALUASI MULTI-SEED L1 DAN L2 REGULARIZATION PADA RESNET-50 UNTUK DETEKSI DEEPFAKE WAJAH

Abstrak

Sistem autentikasi biometrik wajah semakin rentan terhadap manipulasi digital yang canggih, terutama deepfake. Model Convolutional Neural Network (CNN) tunggal konvensional sering kali mengalami kendala berupa overfitting, terutama ketika dilatih pada himpunan data beresolusi tinggi yang mengandung artefak manipulasi halus. Untuk mengatasi masalah tersebut, penelitian ini mengevaluasi dan membandingkan efektivitas penerapan parameter L1 Regularization dan L2 Regularization pada lapisan klasifikasi akhir dari arsitektur ResNet-50 yang telah melalui proses fine-tuning. Model dievaluasi secara komparatif menggunakan himpunan data publik CIPLAB Real and Fake Face Detection. Untuk memastikan pengukuran stabilitas yang objektif, metode evaluasi multi-seed diterapkan menggunakan tiga inisialisasi acak. Hasil eksperimen menunjukkan bahwa model dasar tanpa regularisasi memiliki tingkat fluktuasi prediksi yang tinggi dengan standar deviasi akurasi sebesar 0,0387. Penerapan L1 Regularization mampu mencapai rata-rata akurasi pengujian sebesar 68,78%, namun gagal mengatasi masalah stabilitas karena masih mencatatkan standar deviasi yang tinggi sebesar 0,0380. Sebaliknya, L2 Regularization terbukti secara signifikan meredam risiko overfitting dan menjadi pendekatan yang paling superior. Hal ini dibuktikan dengan penurunan tajam pada standar deviasi akurasi menjadi 0,0105, seraya mengamankan rata-rata akurasi pengujian yang konsisten di angka 68,78%. Temuan ini mempertegas bahwa penerapan penalti L2 Regularization pada model CNN tunggal menawarkan solusi yang jauh lebih stabil, efektif, dan konsisten dalam mendeteksi manipulasi citra wajah dibandingkan L1 Regularization maupun model konvensional.

Identifier

• DOI: https://doi.org/10.36341/rabit.v11i2.8401
• OpenAlex: https://openalex.org/W7171858017