Menggali Riset Mahasiswa Lulusan Terbaik Magister Informatika UII Kelas Profesional Periode I 2026/2027

Yogyakarta – Program Studi Informatika Program Magister Fakultas Teknologi Industri (FTI) Universitas Islam Indonesia (UII) menetapkan Muhammad Wishnu (NIM 24917027) sebagai lulusan terbaik Kelas Profesional Periode I Tahun Akademik 2026/2027 dengan IPK 3.88. Mahasiswa Konsentrasi Digital Forensik ini menyelesaikan studi dengan tesis berjudul “Pengembangan Metode Deteksi Video Deepfake Berbasis CNN dan Metadata untuk Meningkatkan Keandalan Forensik Digital.” Tesis tersebut dibimbing langsung oleh Dr. Yudi Prayudi, S.Si., M.Kom.

Dengan latar belakang profesi Polisi, Wishnu mengaku penelitian ini sekaligus memudahkan pekerjaannya di Kepolisian.

Berangkat dari Kasus Nyata

Riset Wishnu berawal dari keresahan atas maraknya penyalahgunaan video deepfake, terutama jenis pertukaran wajah (face swap), dalam kejahatan siber seperti pemerasan dan penipuan daring. Ia melihat bahwa banyak model deteksi yang tampak akurat di laboratorium, tetapi kinerjanya menurun ketika berhadapan dengan video dunia nyata yang telah mengalami kompresi berulang di media sosial.

Persoalan lain yang ia soroti adalah metadata video, seperti durasi, bitrate, dan resolusi, yang selama ini jarang dimanfaatkan dalam penelitian deteksi deepfake. Padahal, metadata dapat menjadi petunjuk kontekstual dan artefak yang bisa diperiksa ulang oleh pemeriksa forensik.

Menggabungkan CNN dan Metadata

Untuk menjawab persoalan tersebut, Wishnu merancang alur pemeriksaan video deepfake berbasis Convolutional Neural Network (CNN) yang dipetakan pada tahapan investigasi forensik digital: collection, examination, analysis, dan reporting. Ia membangun sendiri korpus pilot berisi 1.240 video, terdiri atas 620 video asli dan 620 video palsu dari 176 kanal YouTube, dengan total durasi 48,3 jam.

Korpus disusun dengan kaidah forensik yang ketat, mulai dari kontrol duplikasi menggunakan hashing kriptografis, pemeriksaan provenance (C2PA/XMP), penyaringan kualitas frame, hingga pembagian data berbasis sumber (source-aware split) agar tidak terjadi kebocoran informasi antara data latih dan data uji. Setiap keputusan dalam proses akuisisi dicatat dalam satu manifes sehingga rantai penguasaan bukti (chain of custody) tetap terjaga.

Fitur yang digunakan berupa representasi hibrida berdimensi 1.286, yang menggabungkan embedding visual MobileNetV2 dengan enam meta-atribut teknis video.

Hasil dan Temuan

Pada pengujian terhadap 310 sampel, model dasar berbasis CNN dan metadata mencapai akurasi 99,65%, presisi 100%, F1-score 80%, dan AUC 1,00. Wishnu juga mengevaluasi model deteksi anomali berbasis autoencoder sebagai pembanding. Hasilnya jauh lebih rendah, dengan akurasi 60,74% dan AUC 0,62 pada data lintas sumber.

Wishnu melaporkan hasil tersebut secara terbuka, termasuk keterbatasannya. Distribusi data uji yang timpang, dengan video palsu hanya 7,4%, membuat metrik tinggi pada model dasar belum dapat digeneralisasi. Sikap jujur terhadap hasil negatif ini menjadi salah satu kontribusi penelitian karena mencegah penerapan metode yang belum teruji secara prematur.

Kontribusi bagi Forensik Digital

Kontribusi penelitian ini terletak pada praktik forensik digital, bukan semata pada arsitektur model. Wishnu menawarkan prosedur akuisisi korpus deepfake yang dapat diaudit, posisi ganda metadata sebagai fitur model sekaligus artefak yang dapat diverifikasi ulang, serta format pelaporan yang mengikat setiap keputusan model pada hash barang bukti dan ambang keputusan yang terkalibrasi. Dengan begitu, keluaran sistem diposisikan sebagai bukti pendukung (corroborating evidence), bukan putusan tunggal atas keaslian video.

Program Studi Informatika Program Magister UII mengucapkan selamat kepada Muhammad Wishnu atas capaiannya. Riset ini diharapkan mendorong pengembangan lanjutan deteksi deepfake yang lebih tahan terhadap data tidak seimbang dan lebih siap diterapkan pada barang bukti dalam perkara nyata.