Implementasi dan Perbandingan Model Convolutional Neural Network Untuk Klasifikasi Citra Asli Vs Citra Generatif Artificial Intelligence Dengan Visualisasi Berbasis Streamlit

Perkembangan teknologi kecerdasan buatan (AI) generatif, seperti Gemini AI,
memungkinkan pembuatan citra yang mirip dengan foto asli, sehingga menciptakan
kesulitan dalam memverifikasi apakah konten visual tersebut benar-benar asli atau
buatan. Penelitian ini bertujuan untuk membuat dan melaksanakan sistem
pengklasifikasian citra asli serta citra yang dihasilkan oleh AI berbasis Convolutional
Neural Network (CNN), dengan membandingkan tiga jenis struktur jaringan, yaitu
ResNet50, Xception, dan EfficientNetB0. Dataset yang digunakan terdiri dari 20.000
citra, yaitu 10.000 citra asli dan 10.000 citra yang dihasilkan oleh AI. Semua citra tersebut
dibagi menjadi tiga bagian, yaitu 80% untuk pelatihan, 10% untuk validasi, dan 10%
untuk pengujian. Proses sebelum pemrosesan mencakup mengubah ukuran citra menjadi
224×224 piksel, menormalisasi nilai piksel, serta melakukan augmentasi data dengan cara
memutar, membalik, memperbesar, memperkecil, dan menyesuaikan kecerahan citra.
Pelatihan model dilakukan dengan metode fine-tuning bertahap dua kali, dan
menggunakan learning rate scheduler untuk memastikan proses konvergensi tetap stabil.
Hasil pengevaluasian pada data uji menunjukkan bahwa model Xception memiliki
performa terbaik dengan akurasi mencapai 91,10%, serta nilai precision, recall, dan F1-
score masing-masing sebesar 91%. Model berikutnya adalah ResNet50 dengan akurasi
87,15%, dan EfficientNetB0 dengan akurasi 83,95%. Model ResNet50 menunjukkan
tanda-tanda overfitting yang sedikit setelah mencapai epoch ke-10, sedangkan Xception
dan EfficientNetB0 terlihat lebih stabil. Hasil model selanjutnya diaplikasikan ke dalam
antarmuka sistem interaktif yang menggunakan Python dan framework Streamlit,
sehingga pengguna bisa mengunggah gambar dan mendapatkan hasil klasifikasi dari
ketiga model secara langsung dan bersamaan. Penelitian ini diharapkan bisa memberikan
manfaat ilmu pengetahuan dan penerapan nyata dalam upaya mempertahankan keamanan
serta kreadibilitas konten visual digital.
Kata Kunci: Convolution Neural Network, ResNet50, Xception, EfficientNetB0,
Klasifikasi Citra, Citra Generatif AI, Streamlit.