DETEKSI ANOMALI TEKSTURAL PADA GAMBAR GENERATIF AI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR EFFICIENTNETB2

Farhan Muhammad; Marcelia Anggiriani; Ahmad Yusuf Roky; Tri Tia Fahada; Andre Pratama

doi:10.24252/instek.v11i1.64122

Authors

Farhan Muhammad Universitas Satya Terra Bhinneka
Marcelia Anggiriani Universitas Satya Terra Bhinneka
Ahmad Yusuf Roky Universitas Satya Terra Bhinneka
Tri Tia Fahada Universitas Satya Terra Bhinneka
Andre Pratama Universitas Satya Terra Bhinneka

DOI:

https://doi.org/10.24252/instek.v11i1.64122

Keywords:

AI-generated images, deep learning, EfficientNet-B2, image classification, transfer learning

Abstract

Perkembangan teknologi image generation berbasis Artificial Intelligence (AI) membuat batas antara gambar buatan AI dan gambar Non-AI semakin sulit dibedakan. Kondisi ini mendorong kebutuhan akan sistem deteksi otomatis yang akurat. Penelitian ini bertujuan mengembangkan model klasifikasi citra untuk membedakan gambar AI dan Non-AI menggunakan arsitektur EfficientNet-B2. Evaluasi model dilakukan menggunakan dataset CIFAKE yang terdiri dari citra REAL dan FAKE sebagai representasi gambar non-AI dan AI. Model dibangun dengan memanfaatkan bobot pretrained sebagai feature extractor dan menambahkan lapisan klasifikasi dua kelas. Pelatihan dilakukan dalam dua tahap menggunakan Adam optimizer untuk meningkatkan stabilitas dan kemampuan generalisasi. Hasil penelitian menunjukkan bahwa EfficientNet-B2 mampu mengekstraksi fitur visual secara efektif. Pada pelatihan tahap awal, model memperoleh akurasi validasi 85,37%, kemudian meningkat menjadi 86,11% setelah optimisasi, dan mencapai performa terbaik pada tahap fine-tuning dengan akurasi 86,67%. Evaluasi pada data pengujian menghasilkan akurasi 87,12% dengan nilai precision, recall, dan f1-score yang seimbang pada kedua kelas. Secara keseluruhan, model yang dibangun menunjukkan performa yang stabil dan akurat dalam mendeteksi gambar AI. Studi ini membuktikan bahwa pendekatan transfer learning dan fine-tuning dengan EfficientNet-B2 merupakan metode yang efektif untuk tugas klasifikasi gambar dua kelas.

Downloads

Download data is not yet available.

References

[1] A. Borji, “Generated Faces in the Wild: Quantitative Comparison of Stable Diffusion, Midjourney and DALL-E 2,” pp. 1–9, 2022, [Online]. Available: http://arxiv.org/abs/2210.00586

[2] G. P. Kurniawan, S. Z. Shalikhah, H. Shofiat, N. N. Azizah, and Mahmud Mochtar, “Jurnal Tana Mana,” J. Tana Mana, vol. 2, no. 1, pp. 46–48, 2021.

[3] T. Z. Alam and J. Haikal, “Dampak Produksi Desain Grafis Pada Penggunaan Teknologi Artificial Intelligence (AI) Dengan Menggunakan Grounded Theory,” J. Seni Nas. Cikini, vol. 10, no. 1, pp. 15–26, 2024, doi: 10.52969/jsnc.v10i1.265.

[4] M. S. A. Aria, C. Slamet, and M. D. Firdaus, “Klasifikasi Fake dan Real Menggunakan Vision Transformer dan EfficientNet-B0 pada Gambar Asli dan Generatif AI,” Smatika J., vol. 15, no. 01, pp. 179–192, 2025, doi: 10.32664/smatika.v15i01.1531.

[5] M. S. Maulana, “DETEKSI OSTEOPOROSIS PADA CITRA X-RAY TULANG TANGAN BERDASARKAN FITUR TEKSTUR, GEOMETRI, DAN RUANG WARNA MENGGUNAKAN METODE NAIVE BAYES SKRIPSI Oleh: Muhammad Setya Maulana NIM. 19640026 PROGRAM STUDI FISIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM ,” 2023.

[6] H. K. Maulana, “Penerapan Arsitektur Cnn-Efficientnetb2 Dengan Transfer Learning Pada Klasifikasi Gambar Tokoh Wayang Kulit,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 1, 2025, doi: 10.23960/jitet.v13i1.5626.

[7] J. Witjaksono, M. Y. Pusadan, Y. Anshori, R. Ardiansyah, and R. Azhar, “Klasifikasi Jenis Batik Bomba Menggunakan Convolutional Neural Network Dengan Arsitektur Efficient-Net B2 (Batik Bomba Sulawesi Tengah ),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 3, pp. 2134–2147, 2025, doi: 10.29100/jipi.v10i3.6191.

[8] W. O. Mardiana, N. A., & Windari, “G-Tech : Jurnal Teknologi Terapan,” G-Tech J. Teknol. Terap., vol. 8, no. 1, pp. 186–195, 2024.

[9] J. J. Bird, A. Lotfi, and S. Member, “CIFAKE : Image Classification and Explainable Identification of AI-Generated Synthetic Images,” IEEE Access, vol. 12, no. February, pp. 15642–15650, 2024, doi: 10.1109/ACCESS.2024.3356122.

[10] A. Krizhevsky, “Learning Multiple Layers of Features from Tiny Images,” 2009.

[11] S. Kumar and P. Asiamah, “Enhancing Image Classification with Augmentation : Data Augmentation Techniques for Improved Image Classification”.

[12] X. F. Liu, G. Karagoz, and N. Meratnia, “Analyzing the Impact of Data Augmentation on the Explainability of Deep Learning-Based Medical Image Classification,” pp. 1–28, 2025.

[13] Viso.ai, “EfficientNet: Boost CNN Accuracy with Less Computer.” [Online]. Available: https://viso.ai/deep-learning/efficientnet/

[14] GeeksforGeeks, “Efficientnet Architecture.” [Online]. Available: https://www.geeksforgeeks.org/computer-vision/efficientnet-architecture/

[15] S. Pariyasto, V. A. Warongan, S. Tinggi, I. Kesehatan, and M. Sejati, “Optimalisasi klasifikasi citra medis menggunakan cnn dan adam optimizer dengan paramater minimum,” vol. 4307, no. 1, pp. 691–701, 2025.

[16] S. Bashetty, K. Raja, S. Adepu, and A. Jain, “Optimizers in Deep Learning : A Comparative,” no. December, 2022.

[17] I. Journal and O. F. Science, “A Comparative Study of Optimization,” pp. 803–810, 2025.

[18] M. Reyad and A. M. Sarhan, “A modified Adam algorithm for deep neural network optimization,” Neural Comput. Appl., vol. 35, no. 23, pp. 17095–17112, 2023, doi: 10.1007/s00521-023-08568-z.