KLASIFIKASI CITRA SINTETIS HASIL MODEL DIFUSI MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) dan CONVOLUTIONAL NEURAL NETWORK (CNN)

Abstract

Kemajuan teknologi kecerdasan buatan khususnya dalam bidang pengolahan citra telah memungkinkan penciptaan gambar buatan yang sangat menyerupai gambar nyata, sehingga menimbulkan tantangan dalam verifikasi keaslian citra digital. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra untuk membedakan antara citra asli dan citra hasil kecerdasan buatan dengan pendekatan hybrid Gray Level Co-occurrence Matrix (GLCM) untuk mengekstraksi enam fitur tekstur dari citra grayscale dengan fitur spasial dari Convolutional Neural Network (CNN) yang kemudian digabungkan untuk membentuk vektor fitur gabungan. Dataset yang digunakan terdiri dari 3.410 citra berwarna yang terbagi secara seimbang ke dalam dua kelas real dan fake. Hasil pengujian CNN murni mencapai akurasi 97%, dengan presisi dan recall antara 0.95-0.99,serta f1-score 0.97. Sementara itu, pada model GLCM-CNN akurasinya mencapai 98% dengan nilai presisi dan recall 0.96-1.00 serta f1-score 0.98. Integrasi fitur tekstur dari GLCM terbukti mampu meningkatkan sensitivitas model terhadap pola mikro pada citra buatan yang tidak dapat ditangkap oleh CNN. Penelitian ini menunjukkan potensi pendekatan hybrid sebagai dasar pengembangan sistem pendeteksi citra sintetis yang adaptif dan akurat di masa mendatang.