Kursus Deteksi Deepfake dengan Vision Transformer (PyTorch)
Bangun detektor wajah deepfake dengan Vision Transformer: dari dataset wajah asli vs palsu, deteksi & penyelarasan wajah YuNet, ViT mini buatan sendiri, fine-tuning ViT pretrained, perbandingan dengan EfficientNet, uji ketahanan kompresi JPEG, sampai peta attention dan aplikasi web pemeriksa deepfake.
Materi mengikuti seri video Kursus Deteksi Deepfake & Manipulasi Citra Digital dengan Vision Transformer (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- 92% — Akurasi validasi ViT-Tiny asli vs deepfake
- Stabil — ViT tetap akurat saat foto dikompresi JPEG, CNN turun tajam
- YuNet — Deteksi & penyelarasan banyak wajah sekaligus
- Attention — Peta perhatian model untuk interpretasi
Apa yang Dipelajari
- Konsep Deepfake & Dataset: Jenis manipulasi wajah, dataset asli vs palsu, dan jejak GAN di spektrum frekuensi.
- Deteksi & Penyelarasan Wajah: Detektor YuNet OpenCV, landmark mata, dan penyelarasan wajah miring.
- Vision Transformer dari Nol: Patch embedding, self-attention, dan positional embedding pada ViT mini.
- Fine-Tuning ViT Pretrained: ViT-Tiny dari timm dilatih ulang untuk klasifikasi asli vs deepfake.
- ViT vs EfficientNet: Perbandingan dengan CNN dan uji ketahanan terhadap kompresi JPEG.
- Attention & Aplikasi Web: Peta attention untuk interpretasi dan aplikasi Streamlit pemeriksa deepfake.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian deteksi deepfake lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode PyTorch & timm yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja deteksi deepfake dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik PyTorch & timm pada studi kasus nyata, bukan sekadar contoh mainan.
