Perkembangan teknologi Kecerdasan Buatan telah memungkinkan terciptanya konten manipulatif seperti deepfake, yang memanfaatkan algoritma seperti Generative Adversarial Networks (GAN) untuk menghasilkan citra wajah palsu yang sangat realistis. Teknologi ini sering digunakan untuk menyebarkan hoaks, merusak reputasi, hingga menyisipkan wajah seseorang ke dalam konten pornografi. Tantangan utama yang muncul adalah semakin sulitnya membedakan antara citra wajah asli dan hasil manipulasi, sehingga diperlukan sistem pendeteksi otomatis yang andal untuk mengidentifikasi deepfake secara akurat. Berdasarkan permasalahan tersebut, penelitian ini berfokus pada pengembangan model deteksi citra wajah deepfake menggunakan pendekatan deep learning.
Untuk menyelesaikan permasalahan tersebut, penelitian ini mengembangkan dan mengevaluasi model deteksi deepfake menggunakan tiga arsitektur Convolutional Neural Networks (CNN), yaitu MobileNetV2, ResNet50, dan AlexNet. Dataset yang digunakan terdiri dari 140.00++ wajah asli dan hasil manipulasi yang dibagi dalam data pelatihan, validasi, dan pengujian. Penelitian melibatkan 18 skenario pelatihan berdasarkan kombinasi jumlah epoch (10, 30, 50) dan learning rate (1×10⁻³ dan 1×10⁻⁴), dengan proses augmentasi dilakukan untuk meningkatkan kemampuan generalisasi model.
Hasil penelitian menunjukkan bahwa model ResNet50 dengan 50 epoch dan learning rate 1×10⁻⁴ memberikan akurasi tertinggi sebesar 92%, mengungguli MobileNetV2 (86%) dan AlexNet (91%). Penggunaan learning rate yang rendah memungkinkan pembelajaran lebih stabil dan mendalam, sehingga model dapat mengenali fitur penting pada citra wajah deepfake. Untuk memperkuat interpretabilitas hasil, fitur Grad-CAM digunakan untuk memvisualisasikan area citra yang paling berpengaruh terhadap keputusan klasifikasi. Sebagai bentuk implementasi, sistem deteksi ini diterapkan dalam dashboard interaktif berbasis Streamlit yang menampilkan label klasifikasi, tingkat keyakinan, dan visualisasi heatmap. Penelitian ini berhasil menyajikan solusi deteksi deepfake yang akurat dan dapat dipercaya, sekaligus mendukung keamanan digital melalui pendekatan forensik visual.