Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 2

Klasifikasi Citra Generasi Artificial Intellegence menggunakan Metodde Fine Tuning pada Residual Network

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 11 No. 3 (2024) · pp. 655–666

DOI
10.25126/jtiik.1138118
ISSN
2528-6579, 2355-7699
Published
2024-07-31
Publisher
Fakultas Ilmu Komputer, Universitas Brawijaya
Language
id
License
creativecommons.org/licenses/by-sa/4.0

Abstract

Bahasa Indonesia

Citra generasi AI memiliki beragam manfaat yang signifikan, baik dalam bidang penelitian maupun industri. Namun, penggunaan citra generasi AI juga memiliki dampak negatif dalam konteks hukum, politik dan berbagai aspek lain dalam kehidupan. Penelitian ini menitik beratkan klasifikasi citra generasi AI yang dapat mendeteksi keaslian dari suatu citra. Metode yang diusulkan adalah menggunakan model residual network yang telah dilakukan fine tuning. Teknik fine tuning yang dilakukan meliputi penggunaan learning rate scheduler berbasis warm up yang diikuti dengan linear scheduler, akumulasi gradien, dan augmentasi citra. Penelitian menunjukkan bahwa model residual network 152 menghasilkan performa terbaik dengan f1 score 0.963 dan loss 0.08.

English

Citra generasi AI memiliki beragam manfaat yang signifikan, baik dalam bidang penelitian maupun industri. Namun, penggunaan citra generasi AI juga memiliki dampak negatif dalam konteks hukum, politik dan berbagai aspek lain dalam kehidupan. Penelitian ini menitik beratkan klasifikasi citra generasi AI yang dapat mendeteksi keaslian dari suatu citra. Metode yang diusulkan adalah menggunakan model residual network yang telah dilakukan fine tuning. Teknik fine tuning yang dilakukan meliputi penggunaan learning rate scheduler berbasis warm up yang diikuti dengan linear scheduler, akumulasi gradien, dan augmentasi citra. Penelitian menunjukkan bahwa model residual network 152 menghasilkan performa terbaik dengan f1 score 0.963 dan loss 0.08. Abstract AI-generated images have various significant benefits, both in the realm of research and industry. However, the use of AI-generated images also has negative impacts in legal, political, and various other aspects of life. This research focuses on the classification of AI-generated images that can detect the authenticity of an image. The proposed method involves using a fine-tuned residual network model. The fine-tuning techniques applied include the use of a warm-up-based learning rate scheduler that followed by linear scheduler, gradient accumulation, and image augmentation. The research demonstrates that the Residual Network 152 model achieves the best performance with a f1 score of 0.963 and a loss of 0.08.

Keywords

Collaboration network of the authors

40 authors · 112 co-authorship links · showing the 40 most connected

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • University of Brawijaya
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Fitra Abdurrachman BachtiarUniversity of Brawijaya2
Achmad RidokUniversity of Brawijaya2
Yuita Arum SariUniversity of Brawijaya1
Fadhil Yusuf RahadikaUniversity of Brawijaya1
Agus Wahyu WidodoUniversity of Brawijaya1
Bayu RahayudiUniversity of Brawijaya1
M. Sofyan IrwantoUniversity of Brawijaya1
Candra DewiUniversity of Brawijaya1
Nurfatima SelleUniversity of Brawijaya1
Zainal ArifienUniversity of Brawijaya1
Fitra Abdurrahman BachtiarAffiliation unknown1
Alvin Tarisa AkbarUniversity of Brawijaya1
Michael Stephen LuiUniversity of Brawijaya1
Daniel Geoffrey ManurungUniversity of Brawijaya1
Mohammad Ryan PinasthikaUniversity of Brawijaya1
Muhammad Azka Obila VasyaUniversity of Brawijaya1
Rania Aprilia Dwi Setya PutriUniversity of Brawijaya1
Agustinus Parasian TampubolonUniversity of Brawijaya1
Rakan Fadhil PrayataUniversity of Brawijaya1
Septia Khoirin NisaUniversity of Brawijaya1
Assyfa Rasida HanumUniversity of Brawijaya1
Ivykaeyla Adriana ZethaUniversity of Brawijaya1
Salwa Cahyani PutriUniversity of Brawijaya1
Rafifah Ayud WulandariUniversity of Brawijaya1
Sherla Puspa AndinaUniversity of Brawijaya1
Julia Nur FajrinaUniversity of Brawijaya1
Mohammad Alfiano Rizky MahardikaUniversity of Brawijaya1
Yehezkiel Stephanus AustinUniversity of Brawijaya1
Haikal IrfanoUniversity of Brawijaya1
Juan Young ChristopherUniversity of Brawijaya1
Lintang Cahyaning SukmaUniversity of Brawijaya1
Lailil MuflikhahUniversity of Brawijaya1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Klasifikasi Citra Generasi Artificial Intellegence menggunakan Metodde Fine Tuning pada Residual Network</dc:title>
	<dc:title xml:lang="en">Klasifikasi Citra Generasi Artificial Intellegence menggunakan Metodde Fine Tuning pada Residual Network</dc:title>
	<dc:creator xml:lang="id">Hakim, Sulthan Abiyyu</dc:creator>
	<dc:creator xml:lang="id">Ubaidillah, Muhammad</dc:creator>
	<dc:creator xml:lang="id">Ramadhan, Aditya Rizky</dc:creator>
	<dc:creator xml:lang="id">Hawari, Rahmada Zulvia Azzahra</dc:creator>
	<dc:creator xml:lang="id">Rizky, Audhinata Bebytama</dc:creator>
	<dc:creator xml:lang="id">Lutfi, Raniyah</dc:creator>
	<dc:creator xml:lang="id">Hermanto, Putri Tsania Maulidia</dc:creator>
	<dc:creator xml:lang="id">Yudistira, Novanto</dc:creator>
	<dc:subject xml:lang="id">klasifikasi citra</dc:subject>
	<dc:subject xml:lang="id"> generasi AI</dc:subject>
	<dc:subject xml:lang="id">fine tuning</dc:subject>
	<dc:subject xml:lang="id">residual network</dc:subject>
	<dc:description xml:lang="id">Citra generasi AI memiliki beragam manfaat yang signifikan, baik dalam bidang penelitian maupun industri. Namun, penggunaan citra generasi AI juga memiliki dampak negatif dalam konteks hukum, politik dan berbagai aspek lain dalam kehidupan. Penelitian ini menitik beratkan klasifikasi citra generasi AI yang dapat mendeteksi keaslian dari suatu citra. Metode yang diusulkan adalah menggunakan model residual network yang telah dilakukan fine tuning. Teknik fine tuning yang dilakukan meliputi penggunaan learning rate scheduler berbasis warm up yang diikuti dengan linear scheduler, akumulasi gradien, dan augmentasi citra. Penelitian menunjukkan bahwa model residual network 152 menghasilkan performa terbaik dengan f1 score 0.963 dan loss 0.08.</dc:description>
	<dc:description xml:lang="en">Citra generasi AI memiliki beragam manfaat yang signifikan, baik dalam bidang penelitian maupun industri. Namun, penggunaan citra generasi AI juga memiliki dampak negatif dalam konteks hukum, politik dan berbagai aspek lain dalam kehidupan. Penelitian ini menitik beratkan klasifikasi citra generasi AI yang dapat mendeteksi keaslian dari suatu citra. Metode yang diusulkan adalah menggunakan model residual network yang telah dilakukan fine tuning. Teknik fine tuning yang dilakukan meliputi penggunaan learning rate scheduler berbasis warm up yang diikuti dengan linear scheduler, akumulasi gradien, dan augmentasi citra. Penelitian menunjukkan bahwa model residual network 152 menghasilkan performa terbaik dengan f1 score 0.963 dan loss 0.08.
 
Abstract
 
AI-generated images have various significant benefits, both in the realm of research and industry. However, the use of AI-generated images also has negative impacts in legal, political, and various other aspects of life. This research focuses on the classification of AI-generated images that can detect the authenticity of an image. The proposed method involves using a fine-tuned residual network model. The fine-tuning techniques applied include the use of a warm-up-based learning rate scheduler that followed by linear scheduler, gradient accumulation, and image augmentation. The research demonstrates that the Residual Network 152 model achieves the best performance with a f1 score of 0.963 and a loss of 0.08.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2024-07-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8118</dc:identifier>
	<dc:identifier>10.25126/jtiik.1138118</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 11 No 3: Juni 2024; 655-666</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 11 No. 3: Juni 2024; 655-666</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.113</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/8118/1324</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2024 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>