Suryamedia.id – Seiring berkembangnya teknologi kecerdasan buatan (artificial intelligence/AI), tak bisa dipungkiri penyebaran hoaks berupa video atau audio palsu semakin marak terjadi. Salah satunya, penyebaran hoaks menggunakan teknologi deepfake.
Istilah deepfake merupakan gabungan dari deep learning dan fake. Teknologi ini sering kali menjadi modus penipuan, penyebaran hoaks, bahkan pemerasan di dunia internet. Ini karena deepfake memiliki kemampuan menghasilkan gambar, video, maupun audio palsu yang sangat meyakinkan.
Lantas, apa itu deepfake dan bagaimana cara kerjanya? Simak penjelasan selengkapnya berikut ini!
Apa itu deepfake?
Dilansir dari TechTarget, istilah deepfake merujuk pada pembelajaran mendalam (deep learning) dan kepalsuan (fake). Dengan demikian, deepfake bisa diartikan sebagai jenis kecerdasan buatan yang digunakan untuk membuat gambar, video, dan rekaman audio palsu.
Deepfake sering kali memanipulasi konten sumber sehingga menyajikan konten yang benar-benar berbeda. Teknologi ini juga memiliki kemampuan membuat konten yang sepenuhnya palsu, sehingga orang yang tidak pernah melakukan, tampak melakukannya.
Bahaya terbesar yang ditimbulkan oleh deepfake adalah kemampuannya untuk menyebarkan informasi palsu yang tampaknya berasal dari sumber tepercaya. Selain itu, teknologi ini juga sering kali dimanfaatkan sebagai modus penipuan, pemerasan, dan kejahatan internet lainnya.
Meskipun deepfake menimbulkan ancaman serius, deepfake juga memiliki kegunaan yang sah, seperti audio dan hiburan gim video, aplikasi dukungan pelanggan dan respons penelepon, seperti penerusan panggilan dan layanan resepsionis.
Bagaimana cara kerja deepfake?
Deepfake bukanlah video atau gambar yang diedit atau di-photoshop. Faktanya, deepfake dibuat menggunakan algoritme khusus yang memadukan rekaman yang ada dan yang baru. Misalnya, fitur wajah orang dalam gambar, kemudian dianalisis melalui pembelajaran mesin (ML) untuk memanipulasinya dalam video lain.
Deepfake menggunakan dua algoritme, yakni generator dan discriminator. Keduanya berguna untuk membuat dan menyempurnakan konten palsu. Generator membangun set data pelatihan berdasarkan keluaran yang diinginkan, sementara diskriminator menganalisis seberapa realistis atau palsu versi awal konten tersebut.
Proses ini terus diulang, sehingga memungkinkan generator untuk meningkatkan kemampuan menciptakan konten yang realistis dan diskriminator menjadi lebih terampil dalam menemukan kekurangan yang harus diperbaiki oleh generator. (*)
