Perkembangan pesat AI Generatif telah menghasilkan citra sintetis fotorealistis yang semakin sulit dibedakan, sehingga menimbulkan ancaman serius terhadap integritas informasi. Arsitektur deep learning berbasis Transformer seperti Vision Transformer (ViT) dan Swin Transformer menunjukkan potensi besar untuk tugas deteksi ini, namun pelatihannya pada dataset berskala besar sangat menuntut sumber daya komputasi yang masif. Penelitian ini menyajikan studi komparatif dengan dua tujuan utamanya adalah mengevaluasi kinerja arsitektur ViT, Swin Transformer, dan Hybrid CNN-Transformer, serta menganalisis efektivitas metode Core-Set Selection dan Random Sampling pada proporsi data 25% untuk menguji efisiensi proses pelatihan model. Metodologi penelitian menggunakan skema 5-Fold Cross-Validation pada dua subset data latih masing-masing 22.601 gambar yang berasal dari dataset DeepDetect. Evaluasi final dilakukan pada 21.776 data uji. Hasil penelitian menunjukkan bahwa kombinasi ViT dengan Core-Set Selection mencapai kinerja terbaik secara keseluruhan dengan akurasi 90.31%. Efektivitas Core-Set Selection terbukti sangat bergantung pada arsitektur, metode ini meningkatkan akurasi ViT secara signifikan 6.6% lebih baik dibandingkan Random Sampling dengan akurasi 83.71%. Sebaliknya, Swin Transformer justru menunjukkan kinerja lebih baik ketika menggunakan data Random Sampling dengan akurasi 87.70% dibandingkan Core-Set dengan akurasi 84.89%. Model Hybrid menunjukkan kinerja terendah di semua skenario. Penelitian ini menyimpulkan bahwa kombinasi arsitektur ViT berbasis Core-Set Selection merupakan pendekatan yang paling efisien untuk tugas deteksi gambar sintetis. Penelitian selanjutnya disarankan untuk mengeksplorasi ekstraksi fitur yang spesifik pada arsitektur model (architecture-specific) guna mengoptimalkan pembentukan core-set.