Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Eddy Muntina Dharma
Sistem Informasi, Universitas Primakara
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
IMPLEMENTASI TRANSFER LEARNING DAN AUGMENTASI PADA MODEL CNN UNTUK MENINGKATKAN ROBUSTNESS KLASIFIKASI AI-GENERATED IMAGE Ni Kadek Ratih Ranupadma; Eddy Muntina Dharma; Anak Agung Istri Ita Paramitha
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17412

Abstract

Perkembangan teknologi AI-generated image menghadirkan tantangan baru dalam membedakan gambar asli dan gambar sintetis, terutama dalam konteks keamanan dan keaslian konten digital. Berbagai pendekatan deteksi telah dikembangkan menggunakan Convolutional Neural Network (CNN), namun sebagian besar masih diuji pada gambar dalam kondisi bersih. Padahal, gambar yang beredar di dunia nyata sering mengalami gangguan visual seperti noise, yang dapat merusak ciri halus pembeda antara gambar asli dan sintetis. Penelitian ini bertujuan menganalisis sejauh mana penerapan transfer learning dan augmentasi data dapat meningkatkan performa serta ketahanan (robustness) model CNN dalam mendeteksi gambar AI-generated pada kondisi terdegradasi. Dataset yang digunakan berasal dari Kaggle dengan dua kelas, yaitu gambar asli dan AI-generated. Dua skema eksperimen diterapkan, yaitu pelatihan CNN dari awal (baseline) dan model pre-trained menggunakan arsitektur NYUAD-ComNets/AI-Generated Images Detector yang dikombinasikan dengan augmentasi data. Evaluasi robustness dilakukan dengan menambahkan Gaussian Noise dan Salt and Pepper Noise pada berbagai tingkat keparahan. Hasil menunjukkan model pre-trained mencapai akurasi 0,83 pada data bersih, menurun menjadi 0,75 pada Gaussian Noise dan 0,63 pada Salt and Pepper Noise. Nilai AUC turun dari 0,83 menjadi 0,78 dan 0,74. Temuan ini menunjukkan bahwa karakteristik dan tingkat keparahan noise berpengaruh signifikan terhadap ketahanan model.
KLASIFIKASI TOKOH WAYANG KULIT DALAM CERITA MAHABHARATA VERSI PEWAYANGAN JAWA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS CONVNEXT-SMALL Faozan Ganes Setiawan; Eddy Muntina Dharma; Nengah Widya Utami
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17413

Abstract

Wayang kulit merupakan warisan budaya Indonesia yang memiliki nilai filosofis tinggi, namun kompleksitas visual dan kemiripan antar tokoh dalam cerita Mahabharata sering menyulitkan masyarakat, khususnya generasi muda, dalam mengenalinya. Permasalahan utama dalam penelitian ini adalah rendahnya kemampuan manusia membedakan tokoh wayang secara visual serta belum optimalnya pemanfaatan arsitektur CNN modern untuk klasifikasi tokoh wayang Mahabharata. Penelitian ini bertujuan membangun dan mengevaluasi model klasifikasi citra tokoh wayang kulit Mahabharata versi pewayangan Jawa menggunakan Convolutional Neural Network (CNN) dengan arsitektur ConvNeXt-Small, serta membandingkannya dengan ResNet-18 sebagai model baseline. Metode yang digunakan meliputi pendekatan transfer learning, pelatihan dua tahap (head-only dan fine-tuning), augmentasi data offline, serta evaluasi menggunakan Stratified K-Fold Cross Validation. Dataset yang digunakan berasal dari Kaggle “Indonesian Wayang (Traditional Puppet Show)” yang terdiri dari 6.576 citra 22 tokoh dan diperluas menjadi 13.200 citra. Hasil penelitian menunjukkan bahwa model ConvNeXt-Small mampu mencapai akurasi 59,50%, macro precision 64,42%, macro recall 59,50%, dan macro F1-score 57,70%, serta menunjukkan kemampuan generalisasi yang lebih baik dibandingkan ResNet-18, meskipun masih mengalami kesulitan pada tokoh dengan kemiripan visual tinggi.
Co-Authors Anak Agung Istri Ita Paramitha Faozan Ganes Setiawan Nengah Widya Utami Ni Kadek Ratih Ranupadma