Perpustakaan Digital ITB

Per 2021, pengguna ponsel pintar 79,84% populasi dunia dan 2,52 miliar diantaranya aktif menggunakan aplikasi pesan instan. Akibatnya, produksi dan distribusi data digital meledak, tak terkecuali citra digital. Hal tersebut juga mendorong perkembangan teknik manipulasi citra. Di sisi lain, teknologi manipulasi citra juga dimanfaatkan untuk memalsukan informasi. Tindakan tersebut dikenal sebagai digital image forgery. Ada beberapa teknik digital image forgery dan salah satunya yang paling populer adalah image splicing. Terdapat beberapa metode untuk mendeteksi spliced image dan terbagi menjadi tradisional dan deep learning. Metode yang dipublikasi baru-baru ini sebagian besar berbasis deep learning karena mampu mempelajari fitur secara lebih umum. Pada tugas ini, dilakukan modifikasi metode pendeteksian spliced image berbasis deep learning oleh Meena & Tyagi (2021) agar mampu mendeteksi citra terkompresi dari aplikasi pesan instan dengan melakukan training dataset terkompresi melalui aplikasi Whatsapp. Metode tersebut terdiri dari 3 tahap, yaitu ekstraksi model noiseprint dari masukan gambar, ekstraksi fitur menggunakan ResNet-50, dan klasifikasi, kemudian diterapkan dalam aplikasi desktop. Solusi diimplementasi menggunakan bahasa pemrograman Python dengan library Tensorflow untuk model noiseprint, Keras untuk ResNet-50, PyCaret untuk klasifikasi, dan TKinter untuk antarmuka. Pengujian yang dilakukan adalah menentukan model klasifikasi yang memiliki tingkat akurasi tertinggi menggunakan library PyCaret. Dari pengujian tersebut, didapatkan model klasifikasi dengan tingkat akurasi tertinggi adalah Random Forest Classifier, yaitu sebesar 85,19%. Akan tetapi, validasi modifikasi metode pendeteksian image splicing menggunakan 100 dataset DSO-1 yang dikompresi melalui aplikasi WhatsApp tidak berhasil karena akurasi dibawah kriteria pengujian. Di sisi lain, fungsionalitas aplikasi desktop terpenuhi dan berjalan dengan baik.