RANCANG BANGUN SISTEM DETEKSI VIDEO DEEPFAKE BERBASIS WEB MENGGUNAKAN HYBRID CNN-LSTM DENGAN EXPLAINABLE AI

Penyebaran konten deepfake yang masif menuntut sistem deteksi yang tidak hanya akurat, tetapi juga transparan, mengingat mayoritas sistem saat ini masih bersifat blackbox. Penelitian ini bertujuan mengembangkan aplikasi web pendeteksi video deepfake menggunakan pendekatan Explainable Artificial Intelligence (XAI). Penelitian ini membandingkan dua arsitektur hybrid, yaitu ResNet50-LSTM dan EfficientNetB0-LSTM yang dilengkapi mekanisme attention, menggunakan 2.400 video dari dataset FaceForensics++ C23. Interpretasi visual prediksi dilakukan melalui metode Gradient-weighted Class Activation Mapping (Grad-CAM). Hasil evaluasi menunjukkan model ResNet50-LSTM lebih unggul dengan nilai AUC 0,9331 dibandingkan EfficientNetB0-LSTM (0,8403). Komponen LSTM meningkatkan akurasi rata-rata 10–20% dibandingkan model baseline pada sebagian besar kategori manipulasi. Visualisasi Grad-CAM mengonfirmasi bahwa aktivasi model terpusat pada area manipulasi wajah (seperti batas blending), memberikan transparansi alasan di balik prediksi. Sistem web "TanpaTipu" yang dibangun mencetak skor System Usability Scale (SUS) 84,7 dan Net Promoter Score (NPS) 56% (Excellent). Integrasi ResNet50-LSTM dan Grad-CAM terbukti menghasilkan sistem deteksi deepfake yang berkinerja tinggi, transparan secara visual, dan siap digunakan publik untuk menangkal disinformasi.