Pengembangan Model AI Generator untuk Menghasilkan Objek Bunga Berdasarkan Teks dengan Menggunakan Metode Machine Learning DC-GAN

Budiadnyana, Sang Putu (2024) Pengembangan Model AI Generator untuk Menghasilkan Objek Bunga Berdasarkan Teks dengan Menggunakan Metode Machine Learning DC-GAN. Undergraduate thesis, Politeknik Negeri Bali.

	Text (Full Text) RAMA_58302_2015354043_full.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy
	Text (Cover - Bab 1, Bab 5 dan Referensi) RAMA_58302_2015354043_0004097606_0012059501_part.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial Share Alike. Download (928kB)
	Text (iThenticate) RAMA_58302_2015354043_iThenticate.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Penelitian ini berfokus pada implementasi metode Machine Learning, khususnya DC-GAN (Deep Convolutional Generative Adversarial Networks), dalam pengembangan AI Image Generator untuk menghasilkan gambar bunga berdasarkan deskripsi teks berbahasa Inggris. Dengan memanfaatkan dataset Oxford-102 Flowers yang kaya akan variasi bunga, penelitian ini bertujuan untuk menciptakan gambar yang akurat dan realistis sesuai dengan deskripsi spesifik mengenai warna dan bentuk kelopak yang diberikan oleh pengguna. Metode DC-GAN dipilih karena struktur konvolusionalnya yang terbukti efektif dalam menangani data gambar dan menghasilkan output visual dengan pelatihan yang lebih stabil. Namun, untuk menilai kinerja DC-GAN, penelitian ini juga membandingkannya dengan metode SN-GAN (Spectrally Normalized GAN), yang memperkenalkan normalisasi spektral untuk stabilisasi pelatihan yang lebih baik. Evaluasi dilakukan menggunakan metrik Frechet Inception Distance (FID) dan Euclidean Distance, yang merupakan standar dalam mengukur kualitas dan kesamaan antara gambar yang dihasilkan dengan gambar asli. Hasil analisis menunjukkan bahwa SN-GAN secara konsisten mengungguli DC-GAN dalam menghasilkan gambar yang lebih berkualitas dan lebih mirip dengan gambar asli. SN-GAN mampu mencapai FID Score dalam rentang 372,04 hingga 406,49, yang menunjukkan tingkat kesamaan yang lebih tinggi dengan gambar asli, sementara DC-GAN memiliki FID yang lebih tinggi, yaitu antara 419,86 hingga 614,60, menandakan kualitas gambar yang lebih rendah. Selain itu, SN-GAN juga menunjukkan performa lebih baik dalam Euclidean Distance, dengan nilai antara 19,10 hingga 19,94, dibandingkan dengan DC-GAN yang berkisar antara 20,26 hingga 24,59, mengindikasikan bahwa SN-GAN menghasilkan gambar yang lebih dekat secara visual dengan referensi aslinya. Kesimpulannya, penelitian ini mengungkapkan bahwa model DC-GAN memiliki performa yang kurang memadai dan tidak konsisten dalam menghasilkan gambar bunga yang berkualitas dari dataset Oxford-102 Flowers. FID Score yang tinggi dan tidak stabil menunjukkan bahwa hasil gambar yang dihasilkan oleh DC-GAN cenderung jauh dari gambar asli, dengan skor yang jauh melampaui ambang batas 100, yang sering dianggap sebagai batas kualitas yang buruk.

Actions (login required)

View Item