Email this article Penciptaan Karakter Anime Otomatis Dengan Menggunakan Generative Adversarial Networks
Abstract
Karakter anime merupakan karakter fiksi yang memiliki keunikan tersendiri dan karakternya menggambarkan karakter yang dimiliki manusia dengan arsitektur serta desainnya yang unik. Setiap tahun, ada karakter anime baru yang dimunculkan melalui media Televisi, Webtoon, Netflix, Youtube dan sebagainya. Sehingga terdapat penelitian yang meneliti tentang hal ini, bagaimana menciptakan karakter anime secara otomatis dengan Computer Vision. Penelitian ini bertujuan untuk menciptakan karakter Anime otomatis menggunakan Generative Adversarial Networks (GAN), GAN merupakan model generative yang membuat instance data baru menyerupai data pelatihan kita. Penelitian ini menggunakan data training sebanyak 63.565 citra dan data uji sebanyak 10.000 citra serta menggunakan PyTorch untuk melatih GAN. Berdasarkan hasil penelitian ini, GAN dapat dengan baik menghasilkan karakter Anime baru dengan error dari waktu ke waktu yang cukup tinggi untuk data trainingnya memiliki rata-rata 8,5445 untuk error generator, rata-rata error discriminator yaitu 0,1587, rata-rata skor discriminator yaitu 0,9362 dan rata-rata skor generator adalah 0,0603. Namun data testingnya memiliki error yang lebih rendah dan skor yang lebih tinggi untuk generator yaitu menghasilkan nilai rata-rata untuk error generator adalah 5.4472, error discriminator 0.6511, skor gambar asli 0.7913 dan skor gambar palsu 0.2056.
Keywords
Full Text:
PDF (BAHASA INDONESIA)References
E. P. Simoncelli and B. A. Olshausen, “N i s n r,” 2001.
C. Li, K. Xu, J. Zhu, and B. Zhang, “Triple generative adversarial nets,” Adv. Neural Inf. Process. Syst., vol. 2017-December, pp. 4089–4099, 2017.
Jin, Y., Zhang, J., Li, M., Tian, Y., Zhu, H., & Fang, Z. (2017). Towards the Automatic Anime Characters Creation with Generative Adversarial Networks. 92, 1–16. http://arxiv.org/abs/1708.05509
Arora, S., Ge, R., Liang, Y., & Zhang, Y. (2017). Generalisasi dan Ekuilibrium dalam Generative Adversarial Nets ( GANs ).
Goodfellow, O. I., Pouget-abadie, J., Mirza, M., Xu, B., Ozair, S., Courville, A., & Bengio, Y. (2020). Jaringan Permusuhan Generatif. 63(November).
Gulrajani, I., Ahmed, F., Arjovsky, M., Dumoulin, V., & Courville, A. (2017). Improved training of wasserstein GANs. Advances in Neural Information Processing Systems, 2017-December, 5768–5778.
Heusel, M., Hochreiter, S., Johannes, U., & Linz, K. (2017). GAN Dilatih dengan Aturan Pembaruan Dua Skala Waktu Konvergen ke Kesetimbangan Nash Lokal. Nips.
Isola, P., Efros, A. A., Penelitian, L., Berkeley, A. I., & Berkeley, U. C. (n.d.). Terjemahan Gambar-ke-Gambar dengan Jaringan Berlawanan Bersyarat Abstrak. 1125–1134.
Ledig, C., Theis, L., Huszár, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A., Tejani, A., Totz, J., Wang, Z., & Shi, W. (n.d.). Foto-Realistik Super-Resolusi Gambar Tunggal Menggunakan Perlawanan Generatif Jaringan Abstrak. 4681–4690.
L. Genisa and D. I. Mulyana, “Implementasi Penerapan Metode C4. 5 dan Naïve Bayes Dalam Tingkat Kelulusan Akreditasi Lembaga PAUD Pada Badan Akreditasi Nasional,” J. Media …, vol. 5, pp. 1595–1604, 2021, doi: 10.30865/mib.v5i4.3267.
DOI: https://doi.org/10.32528/elkom.v4i1.7105
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 Jurnal Teknik Elektro dan Komputasi (ELKOM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
View My Status Indexing Service
 | Publisher : |
| Editorial Address : |
