ADVERSARIAL ATTACK BERBASIS FAST GRADIENT SIGN METHOD DAN RANDOM NOISE UNTUK MENGUKUR PERFORMA CONVOLUTIONAL NEURAL NETWORK

Convolutional Neural Network (CNN) merupakan metode yang efektif dalam klasifikasi gambar karena kemampuannya mengekstraksi fitur spasial. Namun, CNN rentan terhadap serangan adversarial, seperti Fast Gradient Sign Method (FGSM), yang dapat menyebabkan kesalahan prediksi secara signifikan. FGSM memiliki keterbatasan karena hanya menghasilkan variasi serangan yang terbatas berdasarkan gradien loss model. Keterbatasan FGSM perlu dioptimalkan untuk membuat serangan lebih bervariasi. Random noise dapat diterapkan pada data, termasuk citra, untuk meningkatkan variasi serangan. FGSM yang dikombinasikan dengan random noise untuk meningkatkan efektivitas serangan dalam mengevaluasi ketahanan CNN. Model CNN dilatih menggunakan dataset CIFAR-10 dan mencapai akurasi 0.7931 pada data uji. Setelah diterapkan serangan FGSM, akurasi model menurun signifikan menjadi 0.3345, dengan nilai perturbasi sebesar 51.96. Penambahan random noise pada data uji yang telah dimodifikasi meningkatkan nilai perturbasi menjadi 52.23, yang menyebabkan akurasi model turun lebih lanjut menjadi 0.3338. Hasil ini menunjukkan bahwa FGSM secara signifikan mengurangi performa CNN dalam klasifikasi gambar, sementara penambahan random noise meningkatkan variasi serangan tetapi hanya menyebabkan penurunan akurasi yang tidak signifikan. Oleh karena itu, pentingnya pengembangan metode pertahanan terhadap adversarial attack guna meningkatkan ketahanan model CNN dalam aplikasi nyata.

Kata kunci: Adversarial Attack, CNN, FGSM, Random noise