DETEKSI GAMBAR AI MULTIKELAS MENGGUNAKAN MODEL HYBRID CNN-ViT DAN BROAD LEARNING SYSTEM (BLS) BERBASIS WEB
DOI:
https://doi.org/10.31539/6yfgg932Abstract
Perkembangan teknologi kecerdasan buatan memungkinkan pembuatan gambar sintetis yang sangat realistis sehingga menyulitkan proses verifikasi keaslian citra digital. Penelitian ini bertujuan untuk mengembangkan sistem deteksi gambar AI multikelas berbasis web menggunakan model hybrid Convolutional Neural Network (CNN) dan Vision Transformer (ViT) yang dikombinasikan dengan Broad Learning System (BLS). Sistem ini dirancang untuk mengklasifikasikan enam kategori citra yaitu hewan asli, hewan AI, manusia asli, manusia AI, benda asli, dan benda AI. Model hybrid memanfaatkan EfficientNet-B0 sebagai ekstraktor fitur lokal dan Vision Transformer sebagai ekstraktor fitur global. Fitur yang diperoleh kemudian digabungkan melalui mekanisme feature fusion dan diklasifikasikan menggunakan Broad Learning System untuk menghasilkan prediksi multikelas secara efisien. Sistem diimplementasikan dalam bentuk aplikasi web menggunakan Streamlit sebagai antarmuka pengguna dan FastAPI sebagai backend. Hasil pengujian menunjukkan bahwa model hybrid CNN–ViT–BLS mampu mencapai akurasi klasifikasi yang tinggi dengan tingkat kesalahan yang minimal. Selain itu, sistem berbasis web dapat berjalan dengan stabil dan responsif sehingga berpotensi digunakan sebagai alat bantu verifikasi keaslian citra digital.
Kata Kunci: AI Image Detection, CNN-ViT, Broad Learning, Multiclass Classification.
References
[1] dan R. H. S. Wahyuni, A. Prasetyo, “Klasifikasi penyakit daun tanaman menggunakan metode Convolutional Neural Network berbasis citra digital,” urnal RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, pp. 654–661, 2023.
[2] dan Y. S. M. F. Ramadhan, D. Kurniawan, “Penerapan Deep Learning untuk deteksi penyakit daun tanaman menggunakan arsitektur CNN,” urnal Teknol. Inf. dan Ilmu Komput., vol. 11, pp. 125–134, 2024.
[3] R. Setiawan dan D. Prabowo, “Implementasi Convolutional Neural Network untuk klasifikasi citra digital,” J. Inform. Mulawarman, vol. 18, pp. 45–52, 2023.
[4] P. H. U. Octavia Devi Safitri Sunanto, “Implementasi Deep Learning Dengan Convolutional Neural Network Untuk Klasifikasi Gambar Sampah Organik Dan Anorganik,” Pattimura Proceeding Conf. Sci. Technol., vol. 1, no. 2, pp. 335–340, 2022.
[5] N. Sari dan B. Nugroho, “Analisis performa Vision Transformer pada klasifikasi citra digital,” J. Ilm. Inform., vol. 11, pp. 25–33, 2024.
[6] T. U. A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, H. Zhai, “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale,” Int. Conf. Learn. Represent., 2020, doi: 10.48550/arXiv.2010.11929.
[7] dan N. R. A. Nugraha, R. Saputra, “Perbandingan metode ensemble learning pada klasifikasi citra penyakit tanaman,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 12, pp. 210–218, 2023.
[8] A. P. dan R. Setiawan, “Klasifikasi citra menggunakan metode deep learning berbasis computer vision,” J. Inform. Indones., vol. 9, pp. 120–128, 2024.
[9] S. Rahman dan A. Wijaya, “Analisis metode machine learning pada pengolahan citra digital,” J. Inform. dan Sist. Inf., vol. 9, pp. 55–63, 2022.
[10] dan M. R. N. Zufar Faiil Haq, Mufti Ari Bianto, Afifah Agustin, “Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Citra Batik Nusantara,” J. Tek. Inform. dan Teknol. Inf., 2024, doi:https://doi.org/10.55606/jutiti.v5i1.5421.
[11] Dede Wulan Rahayu, David Setiadi, dan Dwi Yuniarto, “Penerapan Deep Learning untuk Klasifikasi Buah Berdasarkan Citra dengan Metode Convolutional Neural Networks,” Indones. J. Educ. Comput. Sci., 2023, doi: https://doi.org/10.60076/indotech.v2i3.9 78
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Adinda Karen Mulyono, A Taqwa Martadinata, Fido Rizki, Asep Toyip Hidayat
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
