EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

IMPLEMENTASI TRANSFER LEARNING DAN AUGMENTASI PADA MODEL CNN UNTUK MENINGKATKAN ROBUSTNESS KLASIFIKASI AI-GENERATED IMAGE

Ni Kadek Ratih Ranupadma, Eddy Muntina Dharma, Anak Agung Istri Ita Paramitha

JATI (Jurnal Mahasiswa Teknik Informatika) · 21.03.2026 · 10 (2) · 2370-2377

DOI: 10.36040/jati.v10i2.17412 ↗

Kurz gefasst

Fachartikel in der Zeitschrift JATI (Jurnal Mahasiswa Teknik Informatika), online erschienen am 21.03.2026. Verfasst von Ni Kadek Ratih Ranupadma und 2 weiteren Autor:innen. Die Arbeit wurde bisher 1-mal zitiert (Crossref). Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Perkembangan teknologi AI-generated image menghadirkan tantangan baru dalam membedakan gambar asli dan gambar sintetis, terutama dalam konteks keamanan dan keaslian konten digital. Berbagai pendekatan deteksi telah dikembangkan menggunakan Convolutional Neural Network (CNN), namun sebagian besar masih diuji pada gambar dalam kondisi bersih. Padahal, gambar yang beredar di dunia nyata sering mengalami gangguan visual seperti noise, yang dapat merusak ciri halus pembeda antara gambar asli dan sintetis. Penelitian ini bertujuan menganalisis sejauh mana penerapan transfer learning dan augmentasi data dapat meningkatkan performa serta ketahanan (robustness) model CNN dalam mendeteksi gambar AI-generated pada kondisi terdegradasi. Dataset yang digunakan berasal dari Kaggle dengan dua kelas, yaitu gambar asli dan AI-generated. Dua skema eksperimen diterapkan, yaitu pelatihan CNN dari awal (baseline) dan model pre-trained menggunakan arsitektur NYUAD-ComNets/AI-Generated Images Detector yang dikombinasikan dengan augmentasi data. Evaluasi robustness dilakukan dengan menambahkan Gaussian Noise dan Salt and Pepper Noise pada berbagai tingkat keparahan. Hasil menunjukkan model pre-trained mencapai akurasi 0,83 pada data bersih, menurun menjadi 0,75 pada Gaussian Noise dan 0,63 pada Salt and Pepper Noise. Nilai AUC turun dari 0,83 menjadi 0,78 dan 0,74. Temuan ini menunjukkan bahwa karakteristik dan tingkat keparahan noise berpengaruh signifikan terhadap ketahanan model.

Zitieren

APA

Ranupadma, N. K. R., Dharma, E. M., & Paramitha, A. A. I. I. (2026). IMPLEMENTASI TRANSFER LEARNING DAN AUGMENTASI PADA MODEL CNN UNTUK MENINGKATKAN ROBUSTNESS KLASIFIKASI AI-GENERATED IMAGE. JATI (Jurnal Mahasiswa Teknik Informatika), 10(2), 2370-2377. https://doi.org/10.36040/jati.v10i2.17412

Vancouver

Ranupadma NKR, Dharma EM, Paramitha AAII. IMPLEMENTASI TRANSFER LEARNING DAN AUGMENTASI PADA MODEL CNN UNTUK MENINGKATKAN ROBUSTNESS KLASIFIKASI AI-GENERATED IMAGE. JATI (Jurnal Mahasiswa Teknik Informatika). 2026;10(2):2370-2377. doi:10.36040/jati.v10i2.17412

BibTeX
@article{Ranupadma2026,
  author = {Ranupadma, Ni Kadek Ratih and Dharma, Eddy Muntina and Paramitha, Anak Agung Istri Ita},
  title = {IMPLEMENTASI TRANSFER LEARNING DAN AUGMENTASI PADA MODEL CNN UNTUK MENINGKATKAN ROBUSTNESS KLASIFIKASI AI-GENERATED IMAGE},
  journal = {JATI (Jurnal Mahasiswa Teknik Informatika)},
  year = {2026},
  volume = {10},
  number = {2},
  pages = {2370--2377},
  doi = {10.36040/jati.v10i2.17412}
}
Kostenlos starten →