IDENTIFIKASI KEMIRIPAN FOTO ASLI DAN SKETSA MENGGUNAKAN MODEL GENERATIF ADVERSARIAL NETWORK (GANs)

Authors

  • Andre Satriawan Universitas Teknologi Mataram
  • Bahtiar Imran Universitas Teknologi Mataram
  • Surni Erniwati Universitas Teknologi Mataram

DOI:

https://doi.org/10.69916/jkbti.v2i3.36

Keywords:

gambar, generative adversarial networks (gans), sketsa dan foto asli, struktural similarity index (ssim)

Abstract

Perkembangan seni semakin bertumbuh khususnya dalam bidang seni lukis, pertumbuhan tersebut terlihat dari banyaknya pemula yang mulai belajar melukis secara otodidak diawali dengan belajar membuat sketsa menggunakan metode yang beragam, tetapi masalah umum yang sering dihadapi oleh pemula dalam seni Lukis adalah seringkali sketsa dan foto asli terlihat serupa tetapi tidak tahu seberapa mirip sketsa yang telah dibuat. Penlitian ini bertujuan untuk mengidentifikasi persentase kemiripan foto asli dan sketsa menggunakan metode diskriminatif dari model Generative Adversarial Networks (GANs) memantkan library atau modul ssim. Diskriminator merupakan CNN yang menerima input gambar berukuran sama atau memiliki dimensi yang sama dan menghasilkan angka yang menyatakan apakah input merupakan gambar yang sama atau memeiliki kemiripan. Untuk mendapatkan persentase kemiripan yang tepat antara dua gambar memanfaatkan Struktural Similarity Index (SSIM) yang telah terlatih pada library scikit-image. 

 

Downloads

Download data is not yet available.

References

M. A. Rasyid, R. F. Rachmadi, and D. P. Wulandari, “Pembangkitan Citra Wajah dari Sketch Wajah menggunakan CycleGAN,” J. Tek. ITS, vol. 11, no. 3, 2022, doi: 10.12962/j23373539.v11i3.94440.

J. Arifianto and I. Muhimmah, “Aplikasi Web Pendeteksi Jerawat Pada Wajah Menggunakan Algoritma Deep Learning dengan TensorFlow,” J. Autom., pp. 21–29, 2021.

R. Reinaldo Kalendesang and D. Haryadi Setiabudi, “Pewarnaan Otomatis Sketsa Gambar Menggunakan Metode Conditional GAN Untuk Mempercepat Proses Pewarnaan,” J. Infra, vol. 10, no. 2, 2022.

M. Kurniasih and S. Akbar, “Identifikasi Kemiripan Wajah Untuk Kehadiran Karyawan Menggunakan Algoritma Eigenface,” Respati, vol. 13, no. 2, pp. 78–84, 2018, doi: 10.35842/jtir.v13i2.237.

B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, p. 259, 2021, doi: 10.35314/isi.v6i2.2104.

M. Ricky and M. E. Al Rivan, “Implementasi Deep Convolutional Generative Adversarial Network untuk Pewarnaan Citra Grayscale,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 3, pp. 556–566, 2022, doi: 10.28932/jutisi.v8i3.5218.

M. Heusel, H. Ramsauer, T. Unterthiner, B. Nessler, and S. Hochreiter, “GANs trained by a two time-scale update rule converge to a local Nash equilibrium,” Adv. Neural Inf. Process. Syst., vol. 2017-December, no. Nips, pp. 6627–6638, 2017, doi: 10.18034/ajase.v8i1.9.

V. Nagarajan and J. Z. Kolter, “Gradient descent GAN optimization is locally stable,” Adv. Neural Inf. Process. Syst., vol. 2017-December, no. Nips, pp. 5586–5596, 2017.

R. Wang, A. Cully, H. J. Chang, and Y. Demiris, “MAGAN: Margin Adaptation for Generative Adversarial Networks,” arXiv e-prints, no. April, 2017, [Online]. Available: http://arxiv.org/abs/1704.03817

M. R. Efrian and U. Latifa, “Image Recognition Berbasis Convolutional Neural Network (Cnn) Untuk Mendeteksi Penyakit Kulit Pada Manusia,” Power Elektron. J. Orang Elektro, vol. 11, no. 2, p. 276, 2022, doi: 10.30591/polektro.v12i1.3874.

Downloads

Published

2023-09-20

PlumX Metrics

Scite Metrics

Altmetric

How to Cite

[1]
A. Satriawan, B. Imran, and S. Erniwati, “IDENTIFIKASI KEMIRIPAN FOTO ASLI DAN SKETSA MENGGUNAKAN MODEL GENERATIF ADVERSARIAL NETWORK (GANs)”, JKBTI, vol. 2, no. 3, pp. 122–127, Sep. 2023.