PERBANDINGAN KINERJA MODEL TRANSFER LEARNING DALAM MENGENALI GAMBAR WAJAH ASLI DAN GAMBAR WAJAH HASIL GENERASI AI

Maheswara, Erlangga (2024) PERBANDINGAN KINERJA MODEL TRANSFER LEARNING DALAM MENGENALI GAMBAR WAJAH ASLI DAN GAMBAR WAJAH HASIL GENERASI AI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (11MB)
	Text (BAB I) BAB I.pdf Download (135kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (731kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (263kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (75kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (193kB)
	Archive (SOURCE CODE) Sourcecode - 20.61.0182.zip Restricted to Repository staff only Download (4MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (2MB)

Abstract

Penelitian ini membandingkan kinerja dua model transfer learning, yaitu VGG19 dan InceptionV3, dalam mengenali gambar asli dan hasil generasi AI. Dataset yang digunakan adalah gambar wajah dari CelebAHQ untuk gambar asli dan StabbleDiffusion untuk gambar generasi AI. Tahapan penelitian meliputi pengumpulan data, preprocessing, dan pembagian data menjadi training, validation, dan testing set menggunakan metode Cross-Validation dan Static Split. Hasil penelitian menunjukkan bahwa kedua model memiliki kinerja yang sangat baik dalam mengklasifikasikan gambar asli dan hasil generasi AI. VGG19 menunjukkan akurasi konsisten dalam mendeteksi gambar asli, sementara InceptionV3 unggul sedikit dalam mendeteksi gambar hasil generasi AI. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. VGG19 mencapai akurasi 95%, sedangkan InceptionV3 mencapai 97%. Metode Cross-Validation memberikan hasil yang lebih stabil dibandingkan Static Split. Penelitian ini diharapkan dapat memberikan kontribusi dalam memahami kinerja model transfer learning dalam klasifikasi gambar asli dan hasil generasi AI, serta memberikan panduan dalam pemilihan model yang tepat untuk tugas serupa. Saran untuk penelitian lebih lanjut mencakup tuning hyperparameter yang lebih mendalam, penggunaan dataset yang lebih besar dan beragam, serta eksplorasi arsitektur model dan teknik transfer learning alternatif.

Actions (login required)

View Item