Deteksi Pemalsuan Gambar Menggunakan Error Level Analysis dan DenseNet Berbasis Mobile

Pemalsuan gambar menjadi permasalahan serius di era digital akibat pesatnya penyebaran informasi visual melalui media sosial dan platform daring. Keaslian citra digital memiliki peran penting dalam menjaga kredibilitas informasi serta mencegah penyebaran hoaks. Penelitian ini mengusulkan pengembangan aplikasi deteksi pemalsuan gambar berbasis mobile dengan mengombinasikan metode Error Level Analysis (ELA) dan arsitektur deep learning DenseNet-121. Metode ELA digunakan sebagai tahap praproses untuk menyoroti ketidakkonsistenan tingkat kompresi JPEG yang mengindikasikan adanya manipulasi gambar, sedangkan DenseNet digunakan untuk melakukan klasifikasi biner antara citra asli dan citra palsu. Pengujian dilakukan menggunakan dataset CASIA 2.0 yang terdiri dari 12.616 citra, yang telah melalui proses ELA dan penyeragaman ukuran citra. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai akurasi validasi sebesar 97,6% dan akurasi pengujian sebesar 98%. Aplikasi mobile yang dikembangkan mampu memberikan solusi praktis dan akurat dalam mendeteksi pemalsuan gambar sehingga dapat membantu pengguna dalam memverifikasi keaslian citra secara efektif.