Deepfake merupakan salah satu ancaman digital yang semakin berkembang karena mampu menghasilkan manipulasi wajah yang sangat realistis. Tantangan utama dalam deteksi deepfake terletak pada rendahnya kemampuan generalisasi model ketika diuji pada dataset yang berbeda dari dataset pelatihan (cross-dataset). Penelitian ini bertujuan untuk mengevaluasi performa arsitektur Xception dan NEXcepTion-T dalam mendeteksi deepfake pada skenario intra-dataset maupun cross-dataset serta mengkaji pengaruh penerapan Stochastic Degradation Augmentation (SDA) dalam meningkatkan kemampuan generalisasi model. Tiga dataset publik digunakan dalam penelitian ini yaitu FaceForensics++, Celeb-DF, dan DFDC yang diekstraksi menjadi gambar dan diseimbangkan antara kelas real dan fake. Hasil eksperimen menunjukkan bahwa model Xception ketika diterapkan Stochastic Degradation Augmentation (SDA) memberikan peningkatan AUC hingga +12.68% pada skenario cross-dataset dansekitar +6 hingga 7% pada beberapa pengujian lain. Namun, pada skenario intra-dataset, Xception mengalami penurunan AUC hingga -6.23% setelah penerapan SDA. Model NEXcepTion-T ketika diterapkan Stochastic Degradation Augmentation (SDA) mengalami beberapa pengujian terjadi peningkatan AUC hingga 4.94% pada skenario cross-dataset dansekitar -1.5% hingga -15% pada beberapa pengujian lain yang termasuk beberapa penurunan pada intra-dataset. Temuan ini menegaskan bahwa SDA tidak bersifat universal dan efektivitasnya sangat bergantung pada karakteristik dataset dan arsitektur model yang digunakan.