Layanan penulisan ilmiah yang disediakan oleh Perpustakaan Universitas Gunadarma
Pemanfaatan Word Embedding sebagai Pemandu Generative Adversarial Network untuk Pembangkit Pola Batik
ABSTRAKSI :
ABSTRAK Ilmu kecerdasan buatan Artificial Intelligence (AI) yang didukung oleh perangkat teknologi informasi dengan kemampuan tinggi yang telah diterapkan pada computer generated image, salah satunya dapat menghasilkan sebuah motif batik. Metode yang ada dapat menciptakan motif batik yang dispesifikasikan melalui ekpresi matematika dan hal tersebut masih menjadi tantangan bagi para perajin. Penelitian ini bertujuan menghasilkan motif batik dengan cara mendeskripsikan dalam bentuk kalimat motif batik yang diinginkan. Algoritma Generative Adversarial Network (GAN) dan word embedding diterapkan untuk menghasilkan motif batik. Metode yang dikembangkan terdiri dari tiga tahapan. Tahap pertama dengan pengembangan algoritma encoding dari teks masukan dengan kombinasi model word embedding yaitu word2vec dan GloVe. Tahap kedua, hasil encoding diberikan kepada GAN yang akan menghasilkan gambar tidak hanya menyerupai gambar dataset yang sesuai dengan deskripsi teks target, tetapi juga mempertahankan fitur yang tidak relevan antara dataset gambar dengan deskripsi teks target. Tahap ketiga pengembangan algoritma representasi tambahan dengan teknik mosaic pada gambar sintesis motif batik yang dihasilkan. Penelitian ini menghasilkan purwa-rupa perangkat lunak aplikasi jaringan GAN yang dipandu oleh kombinasi word embedding. Motif yang digunakan sebagai data uji yaitu motif kawung dan parang, masing-masing sebanyak 2000 gambar motif. Dari 8 kali implementasi GAN yang dilakukan, terpilih 7 implementasi yang tidak mengalami mode collapse sehingga output motif batik memiliki banyak variasi sebagai kandidat pilihan GAN. Evaluasi gambar motif yang digenerate diukur kualitasnya menggunakan metric Frechet Inception Distance (FID). Skor FID yang terendah menunjukkan kualitas terbaik. Hasil implementasi kombinasi word embedding memiliki skor terendah sebesar 78 dibandingkan terhadap GloVe. Hasil klasifikasi kombinasi word embedding menggunakan KNN menunjukkan nilai akurasi tertinggi sebesar 89 %. Kedua hasil evaluasi tersebut menunjukkan bahwa implementasi kombinasi word embedding berhasil memandu jaringan GAN sebagai pembangkit ragam motif batik. Kata kunci : Batik, Generative Adversarial Network, Word Embedding, Text to Image