Klasifikasi Gambar Asli dan Buatan AI Menggunakan SE-ResNet18 dan SE-ResNet50

Abstract

Perkembangan model generatif, seperti Generative Adversarial Networks (GAN) dan Diffusion Models, yang menghasilkan gambar berkualitas tinggi buatan AI yang sulit dibedakan dari gambar asli, menjadi pendorong utama penelitian ini. Tujuan penelitian ini adalah menggunakan arsitektur SE-ResNet50 dan SE-ResNet18 untuk membuat model klasifikasi yang mampu membedakan antara gambar asli dan gambar buatan AI. Teknik class weight dan optimasi hyperparameter yang memanfaatkan Optimasi Bayesian digunakan untuk mengatasi ketidakseimbangan data. Dataset Chameleon, yang berisi 26.033 gambar—11.170 gambar buatan AI dan 14.863 gambar asli digunakan. Berdasarkan hasilnya, SE-ResNet50 menunjukkan kemampuan generalisasi yang unggul dan mencapai akurasi 88,33%, presisi 91,60%, recall 87,58%, f1-score 0,88 ketika dipadukan dengan class weight dan Optimasi Bayesian. SE-ResNet18 mencapai akurasi 88,75%, presisi 0,9095%, recall 0,8917%, F1-score 0,88% pada skenario tanpa class weight dan Optimasi Bayesian. Penelitian ini menunjukkan bahwa arsitektur berbasis Squeeze-and-Excitation, yang dipadukan dengan teknik penyeimbangan data dan Optimasi Hyperparameter, terbukti menjadi pendekatan yang handal untuk klasifikasi gambar buatan AI ketika data tidak seimbang.