View/Open

Author
DESTY, ANANTA PURBA

Date Published
30 Nov -0001

Advisor
I Wayan Wiprayoga Wisesa, S.Kom., M.Kom.,

Subject
Teknik Informatika

Publisher

Penyebaran video deepfake melalui platform berbagi video digital menimbulkan ancaman serius karena kompresi H.264 yang diterapkan secara otomatis berpotensi menghapus artefak manipulasi yang menjadi dasar deteksi forensik. Penelitian ini bertujuan menganalisis dan membandingkan ketahanan dua arsitektur berbasis Transformer, yaitu Vision Transformer (ViTSMALL) dan VideoMAESMALL, terhadap degradasi kompresi H.264 dalam konteks deteksi deepfake wajah. Empat konfigurasi model dibangun melalui kombinasi kedua arsitektur dengan Focal Loss dan Cross-Entropy Berbobot: M1 (ViTSMALL + Focal Loss), M2 (ViTSMALL + Cross-Entropy), M3 (VideoMAESMALL + Focal Loss), dan M4 (VideoMAESMALL + Cross-Entropy). Pelatihan dilakukan pada dataset Celeb-DF v2 (6.219 video, 59 subjek) dengan tiga tingkat kompresi H.264: CRF 0 (lossless), CRF 23 (standar platform), dan CRF 40 (kompresi agresif). Evaluasi lintas dataset dilakukan pada FaceForensics++ (FF++) FaceSwap C23. Hasil menunjukkan bahwa M1 mencapai AUC-ROC tertinggi sebesar 0,9752 pada kondisi lossless. Kompresi standar (CRF 23) tidak berdampak signifikan terhadap seluruh model (penurunan AUC di bawah 0,5%). Pada kompresi berat (CRF 40), M3 memperlihatkan ketahanan terbaik dengan penurunan AUC hanya 3,25%, lebih kecil dibandingkan M1 yang turun 4,52%, yang dikaitkan dengan kemampuan VideoMAE memanfaatkan sinyal temporal lintas frame. Focal Loss secara konsisten mengungguli Cross-Entropy pada kedua arsitektur. Evaluasi zero-shot pada FF++ menunjukkan kegagalan generalisasi seluruh model (AUC mendekati 0,5), namun fine-tuning 10 epoch berhasil meningkatkan AUC M1 menjadi 0,9965. Penelitian ini menyimpulkan bahwa terdapat trade-off antara performa absolut dan ketahanan kompresi: ViTSMALL unggul pada data bersih, sedangkan VideoMAESMALL lebih tahan terhadap kompresi berat.

URI
https://repo.itera.ac.id/depan/submission/SB2607260025

Keyword