Analisis komparatif kinerja model DCGAN berdasarkan variasi dan hyperparameter pada image generation

Firdaus, Adil Zukhruf (2026) Analisis komparatif kinerja model DCGAN berdasarkan variasi dan hyperparameter pada image generation. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (354kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (262kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (626kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (359kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (324kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (443kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (358kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (927kB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (269kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (267kB) | Request a copy

Abstract

Perkembangan teknologi kecerdasan buatan telah mendorong kemajuan dalam bidang image generation, khususnya melalui pemanfaatan model Generative Adversarial Network (GAN). Salah satu varian GAN yang banyak digunakan untuk menghasilkan citra sintetis adalah Deep Convolutional Generative Adversarial Network (DCGAN), yang mengintegrasikan arsitektur jaringan konvolusional untuk meningkatkan kualitas citra yang dihasilkan. Meskipun demikian, performa DCGAN sangat dipengaruhi oleh konfigurasi hyperparameter yang digunakan selama proses pelatihan. Penelitian ini bertujuan untuk menganalisis pengaruh variasi latent dimension dan Learning rate terhadap kualitas citra yang dihasilkan oleh model DCGAN. Penelitian menggunakan dataset CelebA yang terdiri atas sekitar 5.000 citra wajah dengan resolusi 64×64 piksel. Model DCGAN dilatih menggunakan empat konfigurasi eksperimen yang merupakan kombinasi dari dua nilai latent dimension (50 dan 100) serta dua nilai Learning rate (0,0002 dan 0,0001). Evaluasi dilakukan melalui analisis kurva kerugian (Generator Loss dan Discriminator Loss) serta pengamatan visual terhadap fidelitas atau tingkat keakuratan dan diversitas atau variasi data gambar sintetis yang kaya citra dalam hasil generasi. Hasil penelitian menunjukkan bahwa seluruh konfigurasi berhasil menghasilkan citra sintetis yang menyerupai wajah manusia dengan tingkat keberagaman yang cukup baik. Peningkatan latent dimension dari 50 menjadi 100 mampu meningkatkan kemampuan Generator dalam merepresentasikan distribusi data sehingga menghasilkan variasi citra yang lebih beragam. Sementara itu, penggunaan Learning rate sebesar 0,0001 menghasilkan proses pelatihan yang lebih stabil dibandingkan Learning rate sebesar 0,0002. Berdasarkan hasil evaluasi visual dan analisis kurva loss, konfigurasi dengan latent dimension sebesar 100 dan Learning rate sebesar 0,0001 memberikan performa terbaik dalam menghasilkan citra wajah yang lebih realistis, beragam, dan stabil selama proses pelatihan.

Actions (login required)

View Item