ANALISIS KOMPARATIF ARSITEKTUR XCEPTIONNET DAN EFFICIENTNETB0 UNTUK ATRIBUSI PROVENANCE CITRA DEEPFAKE MULTI-KELAS

Perkembangan model kecerdasan buatan (AI) generatif seperti DALL-E, Midjourney, dan Stable Diffusion telah meningkatkan risiko disinformasi karena konten sintetis semakin sulit dibedakan dari citra asli. Pendekatan deteksi biner (asli vs. palsu) menjadi tidak memadai, sehingga mendorong pentingnya atribusi provenance—kemampuan mengidentifikasi model spesifik yang menghasilkan sebuah citra. Penelitian ini menyajikan analisis komparatif mendalam antara dua arsitektur Convolutional Neural Network (CNN) yaitu XceptionNet dan EfficientNetB0, untuk klasifikasi multi-kelas citra sintetis. Tujuan utama penelitian ini adalah untuk mengevaluasi dan membandingkan efektivitas kedua arsitektur dalam mengatribusikan citra ke dalam empat kelas sumber spesifik: DALL-E, Midjourney, Stable Diffusion, dan citra nyata. Metode yang digunakan meliputi pelatihan dan pengujian kedua model menggunakan pendekatan transfer learning pada dataset seimbang berjumlah 2000 gambar, serta evaluasi dengan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa EfficientNetB0 unggul dengan akurasi 95,2%, dibandingkan XceptionNet yang mencapai 93,5%. Selain itu, EfficientNetB0 menunjukkan pelatihan yang lebih stabil dan kemampuan yang lebih baik dalam membedakan citra yang secara visual serupa. Studi ini menyimpulkan bahwa EfficientNetB0 lebih andal untuk tugas atribusi provenance, dengan keunggulan pada stabilitas pelatihan dan kemampuan ekstraksi fitur.