Tahun Penelitian: 2026
Maraknya manipulasi citra digital, khususnya pemalsuan copy-move,
menimbulkan ancaman serius terhadap kepercayaan publik terhadap keaslian
gambar, terutama pada konteks forensik digital, media massa, dan bukti hukum.
Teknik manipulasi yang semakin canggih membuat metode deteksi konvensional
berbasis fitur manual kurang efektif dalam mengidentifikasi pemalsuan yang
kompleks. Oleh karena itu, penelitian ini menjadi sangat urgensi untuk
mengembangkan metode deteksi yang akurat, efisien, dan adaptif terhadap
berbagai jenis manipulasi. Penelitian ini bertujuan mengembangkan model
deteksi pemalsuan citra copy-move dengan memanfaatkan ekstraksi fitur
menggunakan Convolutional Neural Network (CNN) yang dikombinasikan
dengan Support Vector Machine (SVM). CNN digunakan untuk menghasilkan fitur
diskriminatif dari potongan citra, sementara SVM berperan dalam
mengoptimalkan proses klasifikasi citra asli dan citra hasil manipulasi. Metode
penelitian ini diawali dengan pengumpulan dataset citra digital yang disusun
secara mandiri oleh peneliti serta dataset tambahan dari dataset publik CASIA
v2.0 yang terdiri dari citra asli dan citra hasil manipulasi. Data citra selanjutnya
melalui tahap pra-pemrosesan yang meliputi penyesuaian ukuran citra,
normalisasi intensitas warna, serta augmentasi data berupa rotasi. Citra kemudian
dibagi menjadi potongan kecil menggunakan metode sliding window guna
menangkap pola duplikasi lokal. Ekstraksi fitur dilakukan menggunakan CNN
untuk memperoleh representasi fitur mendalam yang bersifat diskriminatif. Fiturfitur tersebut selanjutnya diklasifikasikan menggunakan SVM guna membedakan
citra asli dan citra termanipulasi. Luaran yang ditargetkan dalam penelitian ini
mencakup model deteksi pemalsuan citra digital jenis copy-move berbasis
Convolutional Neural Network (CNN) dan Support Vector Machine (SVM), dataset
citra digital yang terdiri dari citra asli dan citra hasil manipulasi copy-move yang
disusun oleh peneliti.