<![CDATA[Akselerasi teknologi AI generatif teks-ke-3D (Text-to-3D) menjadi salah satu pendekatan untuk meningkatkan efisiensi dalam pembuatan aset 3D. Evaluasi menggunakan full Benchmark membutuhkan sumber daya yang relatif tinggi akibat biaya, kuota API, dan kebutuhan komputasi, sehingga diperlukan pendekatan subset Benchmark yang lebih efisien. Penelitian ini bertujuan untuk mengevaluasi kualitas hasil generasi objek 3D menggunakan skema subset evaluation pada Benchmark Hyperscore. Penelitian ini adalah analisis empiris awal dengan ruang lingkup terbatas pada 24 prompt dan dihasilkan menggunakan platform Meshy.AI. Generasi objek 3D dilakukan menggunakan platform Meshy.AI, kemudian dievaluasi menggunakan empat dimensi Hyperscore, yaitu Alignment, Geometry, Texture, dan Overall Quality. Hasil evaluasi menunjukkan adanya variasi kualitas antarkategori prompt. Kategori Basic memperoleh skor Overall Quality tertinggi sebesar 7,171, sedangkan kategori Action memperoleh skor terendah sebesar 5,513. Kategori Spatial juga menunjukkan variasi hasil yang relatif besar pada dimensi Geometry. Temuan ini menunjukkan bahwa skema subset evaluation berpotensi menjadi alternatif evaluasi yang lebih efisien untuk penelitian Text-to-3D tanpa menghilangkan kemampuan untuk menggambarkan variasi kualitas antarkategori. Namun, penelitian ini belum membandingkan hasil subset secara langsung dengan keseluruhan 160 prompt, sehingga kesetaraan subset terhadap Benchmark penuh belum dapat disimpulkan. Hasil penelitian ini dapat menjadi dasar untuk kajian lebih lanjut mengenai strategi pemilihan subset benchmark dalam evaluasi generasi Text-to-3D.]]>
