Deep Fake Detection – EDY SUSANTO

Deep Fake Detection

101 News My Share Security Article

Pada masa sekarang ini file berupa gambar dan video acapkali digunakan pada persidangan dan jugaa pada penyelidikan yang dilakukan kepolisian sebagai barang bukti yang menunjang untuk proses hukum tersebut. Dalam kajian ilmu komputer forensic, dikenal beberapa langkah langkah untuk memastikan apakah bukti bukti berupa gambar dan video tersebut memang asli atau sudah mengalami rekayasa.

Bila diketahui bahwa bukti tersebut sudah mengalami rekayasa atau istilahnya “tercemar” maka tentu tidak bisa dijadikan sebagai barang bukti pada suatu kasus kejahatan.

Dalam masa sekarang ini langkah pembuktian menjadi semakin sulit, sebab seperti yang sudah ramai dibicarakan adalah adanya teknologi yang bernama Deep Fake yaitu teknik memanipulasi video dengan mengganti wajah pelaku asli dengan wajah orang lain.

Sejarah Deep fake dimulai pertama kali oleh user pengguna Reddit dan PornHub dimana wajah pemain actor / aktris porno nya diganti dengan wajah politisi dan artis terkenal(Matsakis,2018)

Tentu saja dengan resource computer yang cukup, ditambah dengan jumlah  photo yang realistic hasilnya akan akan sulit untuk dibedakan, sehingga potensi penyebarang hoax akan semakin besar dengan content content deepfake.

Oleh karena itu seiringan dengan hal tersebut maka teknologi untuk mendeteksi deepfake adalah suatu keharusan untuk dikembangkan. Beberapa waktu ini ada beberapa metode yang telah ditemukan untuk menjadi solusi pendeteksian deep fake.

Yang pertama adalah yang dituliskan didalam jurnal dari Yuezun Li dan Siwei Lyu yang berjudul “Exposing DeepFake Videos By Detecting Face Warping Artifacts” keduanya mahasiswa teknik komputer di University at Albany, State University of New York, USA. Keduanya menggunakan convolutional neural networks (CNNs).  Convolutional Neural Network (ConvNet / CNN) secara sederhana adalah deep algoritma yang dapat mengambil gambar input, menetapkan kepentingan (bobot dan bias yang dapat dipelajari) untuk berbagai aspek / objek dalam gambar dan dapat membedakan satu dari yang lain

Pada dasarnya teknik ini ber landasan bahwa karena keterbatasan sumber daya komputasi dan waktu produksi, algoritma DeepFake dapat hanya mensintesis gambar wajah dengan ukuran tetap, dan mereka harus mengalami pembengkokan  agar sesuai dengan konfigurasi wajah asli . Lengkungan ini meninggalkan artefak yang berbeda karena inkonsistensi resolusi antara area wajah bengkok dan konteks sekitarnya. Dengan demikian, artefak ini dapat digunakan untu mendeteksi Video DeepFake.

Teknik kedua adalah yang ditemukan oleh Marissa Koopman, Andrea Macarulla Rodriguez, Zeno Geradts University of Amsterdam & Netherlands Forensic Institute dengan judul jurnalnya “Detection of Deepfake Video Manipulation” . Mereka menggunakan analisa pola PRNU. PRNU adalah kepanjangan dari Photo Response Non Uniformity (PRNU), yang dikenal sebagai teknik image forensic untuk mengetahui apakah suatu digital images dibuat dengan jenis kamera yang sama. PRNU menganalisa noise pattern yang ada didalam sebuah gambar akibat dari perbedaan yang sangat kecil dari sensor peka cahaya pada digital kamera. Tentu saja karena kita tadi berbicara mengenai video deepfake maka videonya harus di ubah menjadi frame frame image yang sangat banyak untuk kemudian diambil beberapa bagian untuk dianalisa dengan metode PRNU.

Demikian untuk dapat di jadikan bahan informasi.

Reference :

Detection of Deepfake Video Manipulation Marissa Koopman, Andrea Macarulla Rodriguez, Zeno Geradts University of Amsterdam & Netherlands Forensic Institute.

Exposing DeepFake Videos By Detecting Face Warping Artifacts Yuezun Li, Siwei Lyu Computer Science Department University at Albany, State University of New York, USA

Deepfake Video Detection Using Recurrent Neural Networks David Guera Edward J. Delp ¨ Video and Image Processing Laboratory (VIPER), Purdue University

Related Posts