Klasifikasi Pemalsuan Citra Terkompresi di Media Sosial dengan Modifikasi Layer ShuffleNet v2

Islami, Achmad Mujaddid (2024) Klasifikasi Pemalsuan Citra Terkompresi di Media Sosial dengan Modifikasi Layer ShuffleNet v2. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025221018-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (3MB) | Request a copy

Abstract

Penyebaran gambar palsu dapat dengan mudah dan sering dilakukan di media sosial yang kemudian mengalami kompresi menjadi format JPEG. Tujuan dari kompresi tersebut adalah untuk mengurangi transmisi bandwidth atau ruang penyimpanan. Penyebaran gambar yang sudah terkompresi menyulitkan forensik untuk melakukan klasifikasi indikasi pemalsuan (image forgery) secara otomatis. Hal tersebut dikarenakan sistem klasifikasi menggunakan data belajar gambar yang tidak semuanya sudah dikompresi. Untuk pembelajaran klasifikasi pemalsuan gambar di media sosial maka sistem perlu melakukan kompresi gambar palsu dan atau gambar asli dalam data belajar ke format JPEG. Deep learning dapat digunakan untuk mengenali pemalsuan gambar tetapi membutuhkan waktu komputasi dan sumber daya yang besar. Untuk mengatasi masalah tersebut, arsitektur ShuffleNet v2 yang merupakan lightweight deep learning akan digunakan dalam penelitian ini. Kemudian ekstraksi fitur akan dipercepat dengan modifikasi ShuffleNet v2 melalui penambahan modul Ghost sebagai pengganti dari konvolusi terakhir (Conv5) dan modul Squeeze-and-Excitation (SE). Modifikasi juga dilakukan dengan mengganti fungsi aktivasi menggunakan funnel activation FReLU. Hasil penelitian yang mengombinasikan sejumlah dataset dengan citra yang dikompresi dalam format JPEG dengan berbagai varian kompresi, menunjukkan bahwa model dari modifikasi pada layer ShuffleNet v2 menghasilkan kinerja yang lebih baik dibandingkan dengan beberapa lightweight deep learning lainnya, seperti arsitektur dasar ShuffleNet v2, MobileNet v2, dan ResNet 50, yang dilihat dari nilai accuracy, precision, recall, dan f1-score.
=================================================================================================================================
The spread of forged images can easily and often be done in social media which is then compressed into the JPEG format. The purpose of such compression is to reduce transmission bandwidth or storage space. Deployment of compressed images for forensic attacks to automatically classify indications of image forgery. This is because the classification system uses image learning data, not all of which have been compressed. For learning the classification of counterfeiting images in social media, the system needs to compress fake images and/or original images in learning data to JPEG format. Deep learning can be used to identify image forgery but it requires significant processing time and resources. To overcome this problem, the ShuffleNet v2 architecture which is a lightweight deep learning will be used in this study. Then feature extraction will be accelerated with the ShuffleNet v2 modification by adding the Ghost module as a replacement for the last convolution (Conv5) and the Squeeze-and-Excitation (SE) module. Modifications were also made by replacing the activation function using the FReLU activation funnel. The research results that combined several datasets with images compressed in JPEG format using various compression variations indicate that the modified model on the ShuffleNet v2 layer performs better compared to several other lightweight deep learning models. These include the basic architecture of ShuffleNet v2, MobileNet v2, and ResNet 50, as seen in terms of accuracy, precision, recall, and f1-score values.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	pemalsuan citra di media sosial, lightweight deep learning, shufflenet v2, image forgery in social media
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Achmad Mujaddid Islami
Date Deposited:	01 Feb 2024 04:01
Last Modified:	01 Feb 2024 04:01
URI:	http://repository.its.ac.id/id/eprint/105867

Actions (login required)

View Item