Dipilih dari software, topik, dan level “Kelas Deteksi Deepfake Vision Transformer #1: Konsep Deepfake, Jenis Manipulasi & Dataset Wajah Asli vs Palsu”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, deretan wajah manusia, separuhnya asli dan separuhnya buatan AI, yang hampir mustahil dibedakan dengan mata. Tapi di domain frekuensi, wajah palsu meninggalkan jejak halus. Ini langkah pertama seri kita membangun pendeteksi deepfake dengan Vision Transformer. Ayo kita mulai. Halo, selamat datang di seri tutorial riset AI, deteksi deepfake dan manipulasi citra digital berbasis Vision Transformer. Deepfake adalah citra atau video wajah yang dibuat atau diubah oleh AI, dan kini dipakai untuk penipuan, hoax, sampai pemalsuan identitas. Ada beberapa jenis manipulasi, wajah yang sepenuhnya dibuat oleh gen, facewap yang menukar wajah, dan face reenagment yang menggerakkan ekspresi. Di seri 6 episode ini kita membangun detektornya, dataset, deteksi wajah, memahami Vision Transformer, fine tuning, perbandingan dengan CNN, uji kompresi, sampai peta attention dan aplikasi web. Di episode pertama ini kita mengenal datanya. Kita buka terminal lewat menu terminal, new terminal, lalu pasang library seri ini, Torque, Torch Vision, Theme, Open Pit Home, Scikit Learn, Matplotlib, dan Streamlit.
Langkah 1: Memasang library & dataset
Theme adalah koleksi model Vision termasuk Vision Transformer Pretrinet. Datasetnya berasal dari 140 ribu real and fake faches, wajah asli dari FFHQ milik Nvidia, dan wajah palsu buatan style gen. Kita memakai 2.400 wajah, tersedia di file projek khusus pelanggan premium.
Langkah 2: Daftar file dan pembagian data
Buat file data underscore wajah.py. Struktur foldernya sederhana, folder asli dan folder palsu. Fungsi daftar file menghasilkan pas setiap foto beserta labelnya, 0 untuk asli dan 1 untuk palsu. Fungsi bagi data membagi 70, 15, 15% secara stratifiat dengan random state tetap, supaya setiap bagian seimbang dan hasilnya bisa diulang.
Langkah 3: Jumlah dan pembagian data
Sekarang buat file eksplorasi underscore wajah.py dan jalankan. Ada 2.400 citra, 1.200 asli dan 1.200 palsu, masing-masing berukuran 192 piksel. Pembagiannya 1.680 latih, 360 validasi, dan 360 uji, dan setiap bagian tepat 50% palsu.
Langkah 4: Wajah asli vs palsu
Mari lihat contohnya. Baris atas wajah asli, baris bawah wajah palsu. Coba tebak sebelum melihat label, hampir mustahil. Style gain menghasilkan kulit, rambut, dan cahaya yang sangat meyakinkan. Kadang ada petunjuk kecil seperti latar yang aneh, anting yang tidak simetris, atau tekstur rambut yang meleleh, tapi tidak bisa diandalkan. Lalu di mana jejaknya?
Langkah 5: Jejak GAN di domain frekuensi
Kita hitung spektrum frekuensi setiap wajah dengan transformasi Fourier, lalu dirata-ratakan untuk 300 wajah asli dan 300 wajah palsu. Sekilas keduanya mirip, tetapi peta selisih di kanan memperlihatkan pola halus di frekuensi tinggi, sisa proses upsampling di dalam generator gain. Jejak ini terlalu halus untuk mata, tetapi bisa dipelajari oleh jaringan saraf. Ingat juga satu hal penting, memperkecil atau mengompresi citra dapat menghapus jejak ini.
Selesai!
Selesai Kita sudah mengenal deepfake dan jenis-jenis manipulasi, membuat data set wajah asli FFHQ dan palsu style gain, membagi data secara stratifiat, dan menemukan jejak gain di domain frekuensi. Di episode berikutnya kita mendeteksi dan menyelaraskan wajah dengan detektor UNET dari OpenCA6. Sedang menyusun skripsi, tesis, atau riset AI di bidang deteksi deepfake dan forensik citra? Cerdas inovasi digital membantu implementasi deeplearning, dari deteksi wajah, vision transformer, perbandingan dengan CNN, uji ketahanan kompresi, sampai peta attention dan aplikasi web, serta membuka kursus deeplearning dengan Pytor. Ingin menguasai seluruh seri ini, dari deta set wajah sampai aplikasi pemeriksa deepfake? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.278 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
