STUDI ANALISIS DAN KOMPARASI OPTIMIZER ADAM DAN N`ADAM MENGGUNAKAN ARSITEKTUR MESONET

ABSTRAK Saat ini, teknologi kecerdasan buatan (AI) dapat membuat atau memodifikasi konten audio, video, atau gambar agar terlihat dan terdengar seperti aslinya, yang dikenal sebagai deepfake. Penyebaran deepfake yang tidak terkendali dapat menurunkan tingkat kepercayaan masyarakat terhadap media dan sumber informasi, menciptakan ketidakpastian dan ketidakstabilan sosial yang signifikan. Salah satu upaya untuk mengatasi masalah tersebut adalah dengan mengembangkan sistem yang dapat mendeteksi deepfake. Berdasarkan permasalahan tersebut, terdapat peluang penelitian yaitu perbandingan antara optimasi Adam dan NAdam dalam konteks pendeteksian deepfake menggunakan arsitektur MesoNet. Fokus utama dari penelitian ini adalah untuk menentukan optimasi mana yang memberikan kinerja terbaik dalam hal akurasi model. Dengan menggunakan dataset yang telah diproses dengan teknik re-scale dan validation split, model dilatih menggunakan kedua optimasi dengan parameter learning rate sebesar 0.001. Hasil eksperimen menunjukkan bahwa optimasi Adam pada epoch 50 menghasilkan nilai akurasi sebesar 86,76%. Sementara itu, penggunaan optimizer Nadam memberikan hasil yang lebih baik, dengan akurasi mencapai 88,97%.

Kata kunci : CNN, Deepfake, Deep Learning, MesoNet