Perkembangan teknologi kecerdasan buatan, khususnya pada bidang pembelajaran mendalam generatif, telah memungkinkan sintesis media digital yang semakin sulit dibedakan dari konten aslinya. Deepfake teknik manipulasi video berbasis deep neural network yang mampu menggantikan identitas wajah seseorang dalam video sumber dengan wajah target secara meyakinkan kini tidak lagi memerlukan infrastruktur komputasi khusus selain unit pemrosesan grafis tingkat konsumen. Penelitian ini mengadopsi pendekatan berbasis temporal dengan arsitektur hybrid CNN-LSTM yang diperkuat metode Explainable AI (Grad-CAM). Metodologi penelitian disusun dalam lima tahap berurutan, meliputi Pengumpulan Dataset, Pra-pemrosesan Data, Pelatihan Model, Explainable AI, dan Evaluasi ModelPada evaluasi keseluruhan data uji, Keunggulan ResNet50-LSTM konsisten di empat dari lima kategori manipulasi, dengan perbedaan akurasi berkisar antara 5,83% (NT) hingga 10,00% (DF dan F2F). Pada evaluasi per-kategori, kedua model menunjukkan performa terbaik pada kategori FaceShifter ResNet50-LSTM mencatat akurasi 90,83% dan F1-Score 91,06%, sementara EfficientNetB0-LSTM mencatat akurasi 85,00% dan F1-Score 85,71%. Penelitian ini berhasil mengembangkan dan membandingkan dua arsitektur hybrid CNN-LSTM ResNet50-LSTM dan EfficientNetB0-LSTM. Hasil evaluasi menunjukkan bahwa penambahan komponen LSTM terbukti meningkatkan akurasi deteksi secara konsisten pada empat dari lima kategori manipulasi dengan kisaran peningkatan 7,50%–20,83%, mengkonfirmasi efektivitas analisis temporal dalam mengeksploitasi inkonsistensi antara frame yang merupakan artefak inheren proses manipulasi deepfake.