Analisis Pengaruh Penggunaan Deepfake di Masyarakat Dengan Metode Technology Acceptance Model

Authors

  • Lukman Satria Manggala Universitas Bina Sarana Informatika, Jakarta
  • Mulia Rahmayu Universitas Bina Sarana Informatika, Jakarta
  • Mia Rosmiati Universitas Bina Sarana Informatika, Pontianak

DOI:

https://doi.org/10.62712/juktisi.v4i2.609

Keywords:

Deepfake, Technology Acceptance Model, Artificial Intelligence, Social Media, Penerimaan Teknologi

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh penggunaan teknologi deepfake di masyarakat dengan menggunakan pendekatan Technology Acceptance Model (TAM). Latar belakang penelitian ini berangkat dari fenomena meningkatnya penggunaan deepfake pada media sosial, baik untuk kepentingan hiburan maupun penyalahgunaan informasi. Permasalahan utama adalah bagaimana masyarakat memandang kemudahan penggunaan (perceived ease of use), kemanfaatan (perceived usefulness), sikap terhadap penggunaan (attitude toward using), dan intensi perilaku penggunaan (behavioral intention to use) terhadap teknologi deepfake.

Metodologi penelitian menggunakan pendekatan kuantitatif dengan instrumen berupa kuesioner yang disebarkan kepada 20 responden di wilayah Tangerang. Uji validitas dan reliabilitas instrumen dilakukan menggunakan analisis Pearson Product Moment dan Cronbach’s Alpha dengan bantuan perangkat lunak SPSS. Hasil pengujian menunjukkan seluruh item pernyataan valid (r-hitung > r-tabel) dan reliabel (α = 0,969 ≥ 0,6). Analisis deskriptif menunjukkan bahwa mayoritas responden menilai teknologi deepfake mudah digunakan serta bermanfaat untuk produksi konten digital.

Hasil penelitian membuktikan bahwa persepsi kemudahan dan manfaat berpengaruh positif terhadap sikap, yang pada akhirnya memengaruhi niat perilaku untuk menggunakan deepfake. Penelitian ini menegaskan relevansi model TAM dalam memahami penerimaan teknologi baru di masyarakat. Kesimpulan penelitian menyatakan bahwa deepfake berpotensi diterima masyarakat apabila digunakan secara etis dan bertanggung jawab

Downloads

Download data is not yet available.

References

S. Ahmed, "Navigating the maze: Deepfakes, cognitive ability, and social media news skepticism," New Media & Society, vol. 25, no. 5, pp. 1108–1129, 2023. doi: 10.1177/14614448221090352..

Fadli, R., Hidayati, S., Cholifah, M., Abdullah Siroj, R., Win Afgani, M., & Raden Fatah Palembang, U. (2022). Validitas dan Reliabilitas pada Penelitian Motivasi Belajar Pendidikan Agama Islam Menggunakan Product Moment (Vol. 6). http://Jiip.stkipyapisdompu.ac.id

Ghariwala, L. (2025). Impact of Deepfake Technology on Social Media: Detection, Misinformation and Societal Implications. International Journal for Research in Applied Science and Engineering Technology. https://doi.org/10.22214/ijraset.2025.67997

Hancock, J. T., & Bailenson, J. N. (2021). The Social Impact of Deepfakes. Cyberpsychology, Behavior, and Social Networking, 24(3), 149–152. https://doi.org/10.1089/cyber.2021.29208.jth

Herdian, A., & Sumarwan, U. (n.d.). Analisis Kriminologi Deepfake Melalui Media Sosial Berdasarkan Teori Rational Choice. https://doi.org/10.37817/ikraith-humaniora

Karnouskos, S. (2020). Artificial Intelligence in Digital Media: The Era of Deepfakes. IEEE Transactions on Technology and Society, 1(3), 138–147. https://doi.org/10.1109/TTS.2020.3001312

Krisna, K., Pratama, A., Kadek, I., & Nuryana, D. (2023). Implementasi PIECES Framework Terhadap Kepuasan Pengguna Aplikasi Investasi Reksa Dana Bibit. In JEISBI (Vol. 04).

Kurniawan, A. A., & Mustikasari, M. (2020). Implementasi Deep Learning Menggunakan Metode CNN dan LSTM untuk Menentukan Berita Palsu dalam Bahasa Indonesia. 5(4), 2622–4615. https://doi.org/10.32493/informatika.v5i4.7760

Mu, J., Adrezo, M., & Haikal, A. N. (2024). Identifikasi Wajah Asli dan Buatan Deepfake Menggunakan Metode Convolutional Neural Network. Teknika, 13(1), 45–50. https://doi.org/10.34148/teknika.v13i1.705

Nguyen, T. T., Nguyen, Q. V. H., Nguyen, D. T., Nguyen, D. T., Huynh-The, T., Nahavandi, S., Nguyen, T. T., Pham, Q.-V., & Nguyen, C. M. (2022). Deep Learning for Deepfakes creation and detection: A survey. Computer Vision and ImageUnderstanding,223,103525. https://doi.org/https://doi.org/10.1016/j.cviu.2022.103525

Nur Haida, R. S., & Nuriyatman, E. (2024). URGENSI PENGATURAN PERLINDUNGAN HUKUM TERHADAP KORBAN DEEPFAKE MELALUI ARTFICIAL INTELIGENCE (AI) DARI PERSPEKTIF HUKUM PIDANA INDONESIA. Jurnal Hukum Respublica, 24(01). https://doi.org/10.31849/respublica.v24i01.23327

Schrepp, M. (2020). On the Usage of Cronbach’s Alpha to Measure Reliability of UX Scales. In Journal of Usability Studies (Vol. 15).

S. Ahmed, "Examining public perception and cognitive biases in the presumed influence of deepfakes threat: Empirical evidence of third-person perception from three studies," Asian Journal of Communication, vol. 33, no. 3, pp. 259–276, 2023, doi: 10.1080/01292986.2023.2194886.

Vaccari, C., & Chadwick, A. (2020). Deepfakes and Disinformation: Exploring the Impact of Synthetic Political Video on Deception, Uncertainty, and Trust in News. Social Media https://doi.org/10.1177/2056305120903408 and Society, 6(1).

Z. Xu, X. Wen, G. Zhong, X. Pan, and C. Zhang, "Public perception towards deepfake through topic modelling and sentiment analysis of social media data," Social Network Analysis and Mining, vol. 15, no. 16, pp. 1–13, 2025, doi: 10.1007/s13278-025-01445-8.

Downloads

Published

2025-09-24

How to Cite

Manggala, L. S., Rahmayu, M., & Rosmiati, M. (2025). Analisis Pengaruh Penggunaan Deepfake di Masyarakat Dengan Metode Technology Acceptance Model. Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), 4(2), 1282–1287. https://doi.org/10.62712/juktisi.v4i2.609

Issue

Vol. 4 No. 2 (2025): September 2025

Section

Articles

License

Copyright (c) 2025 Lukman Satria Manggala, Mulia Rahmayu, Mia Rosmiati

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.