Editorial Ilmu Komputer & AI
Sistem Deteksi Misinformasi Multimodal Berbasis Blockchain
Masalah inti
Misinformasi digital menyebar secara eksponensial melalui platform media sosial, sehingga menciptakan kebutuhan mendesak akan sistem deteksi yang akurat, tangguh, dan transparan. Pendekatan yang ada sebagian besar adalah pipeline pembelajaran mesin unimodal dengan model tunggal yang hanya bekerja pada teks, sehingga tidak efektif terhadap kepalsuan multimodal seperti meme menyesatkan, ketika kanal visual dan tekstual bersama-sama membentuk klaim yang menyesatkan. Kelemahan struktural kedua adalah sentralisasi: ketika putusan deteksi dan bukti pendukung disimpan dalam repositori terpusat, keduanya rentan terhadap manipulasi data serta menawarkan transparansi atau asal-usul yang terbatas kepada auditor, jurnalis, atau tim kepercayaan dan keamanan platform.
Para penulis — J. Lavanya, P. Vamsi, M. Aiswarya, K. Jyotsna, P. Charan, dan K. Harish — memosisikan kontribusi mereka sebagai konvergensi empat kemampuan yang biasanya diteliti secara terpisah: deteksi multimodal, verifikasi fakta kontekstual, AI yang dapat dijelaskan, dan verifikasi terdesentralisasi. Secara formal, masalah deteksi dirumuskan sebagai klasifikasi biner atas pasangan masukan :
\hat{y} = \arg
Inovasi
Evaluasi eksperimental melaporkan akurasi validasi sebesar 93,9% dan skor sebesar 0,935 untuk kerangka multimodal yang diusulkan. Para penulis menyatakan bahwa angka-angka ini melampaui akurasi validasi, skor , dan presisi yang dicapai oleh baseline unimodal tradisional — yaitu sistem yang hanya mengandalkan sinyal teks atau gambar tanpa fusi lintas modal. Perbandingan ini karena itu mendukung hipotesis utama bahwa meme menyesatkan memerlukan pemodelan bersama atas bukti visual dan tekstual, karena tidak ada kanal yang secara terpisah membawa seluruh beban semantik dari klaim yang menyesatkan.
Metrik yang dilaporkan didefinisikan dalam bentuk standar:
Di luar kinerja klasifikasi mentah, sistem menunjukkan dua hasil fungsional tambahan. Pertama, Modul Pemeriksa Fakta menghasilkan sinyal verifikasi kontekstual yang didasarkan pada pengambilan berita waktu nyata, menyediakan bukti alih-alih label semata. Kedua, lapisan explainability mengeluarkan skor sentimen, toksisitas, keterbacaan, dan
Mengapa penting
Hasil ini menempatkan karya tersebut pada persimpangan tiga lintasan riset: pembelajaran representasi multimodal, penalaran LLM yang diperkaya pengambilan (retrieval-augmented), dan infrastruktur kepercayaan terdesentralisasi. Akurasi 93,9% dan skor 0,935 menunjukkan bahwa representasi CNN dan transformer yang difusikan menangkap ketidaksesuaian lintas modal yang menjadi ciri meme menyesatkan — misalnya, ketidakcocokan antara takarir yang provokatif dan foto yang didaur ulang atau keluar dari konteks. Karena lapisan explainability memunculkan sinyal toksisitas dan keterbacaan, kerangka ini juga mendukung alur kerja moderasi human-in-the-loop, di mana peninjau dapat dengan cepat melakukan triase konten yang ditandai alih-alih menurunkan kembali penalarannya dari awal.
Komponen blockchain menangani masalah tata kelola, bukan masalah pemodelan. Menyimpan digest SHA-256 dari prediksi di Ethereum melalui kontrak pintar berarti bahwa setelah putusan dicatat, putusan itu tidak dapat diubah secara diam-diam oleh operator, platform, atau pihak lawan yang memiliki akses basis data. Ini menciptakan jejak audit yang dapat diverifikasi secara independen, yang sangat relevan bagi organisasi pemeriksa fakta yang harus mempertahankan kesimpulan mereka di hadapan publik.
Beberapa keterbatasan tersirat dalam desain. Pengambilan berita waktu nyata dan penalaran LLM menimbulkan latensi dan ketergantungan eksternal pada kualitas pengambilan; korpus berita yang terindeks buruk atau tertunda dapat menurunkan verifikasi kontekstual. Penulisan kontrak pintar menimbulkan biaya gas dan batasan throughput, sehingga strategi batching atau anchoring layer-2 akan diperlukan untuk volume skala produksi. Kinerja OCR pada tipografi meme yang bergaya, beresolusi rendah, atau non-Latin tetap menjadi hambatan praktis, karena encoder teks transformer hanya dapat bernalar atas apa yang dipulihkan OCR. Pemisahan MERN-plus-Flask menambah kompleksitas operasional tetapi memungkinkan penskalaan inferensi dan persistensi secara independen.
Arah kerja masa depan yang disarankan oleh kerangka ini mencakup perluasan di luar meme ke misinformasi video dan audio, memperkuat modul pemeriksa fakta dengan pengambilan adversarial, dan mengoptimalkan jejak on-chain melalui agregasi hash. Secara keseluruhan, kontribusi makalah ini bersifat integratif: makalah ini menunjukkan bahwa deteksi multimodal, verifikasi fakta kontekstual, AI yang dapat dijelaskan, dan verifikasi terdesentralisasi dapat beroperasi sebagai satu sistem, bukan empat alur riset yang terputus.
Siapa yang sebaiknya membaca
Membuka konten member…