Detail Cantuman

Penggunaan hyperparameter tuning pada FaceNet dilakukan untuk melihat bagaimana kinerja model yang lebih baik dengan menggunakan hyperparameter tuning dan Support Vector Machines dilakukan untuk mengontrol trade-off antara margin (jarak antara garis/batas keputusan dengan sampel pelatihan terdekat) dan kesalahan klasifikasi pada data pelatihan. Nilai C yang digunakan untuk membuat model Support Vector Machines (SVM) ini untuk membuat model lebih khusus dengan margin yang lebih sempit dan dapat menghasilkan akurasi yang lebih baik. Data yang digunakan untuk membuat model klasifikasi terdiri dari dua kelas, dengan total 826 citra wajah dimana citra wajah ini adalah citra wajah asli dan citra wajah manipulasi (hasil edit). Berdasarkan 30 kali uji coba pada arsitektur FaceNet, didapatkan nilai terbaik dengan parameter epoch = 10, optimizer = Adam, batch size = 64, learning rate = 0.0001 yang menghasilkan akurasi sebesar 95.78%. Berdasarkan hasil training tersebut maka dilakukan ekstraksi fitur menggunakan Error Level Analysis dan FaceNet lalu
menggabungkan kedua hasil ekstraksi tersebut untuk dilakukan klasifikasi menggunakan Support Vector Machines. Didapatkan hasil terbaik nilai precission 51%, recall 53%, dan f1-score 52% pada data 0 atau Real. Kemudian hasil akurasi pada data 1 atau Fake yaitu precission 54%, recall 53%, dan f1-score 53%. Sehingga didapatkan rata-rata akurasi sebesar 53% dengan menggunakan hyperplane pada Support Vector Machines (SVM) kernel = linear dan C = 0.1.