Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Paradigma: Jurnal Filsafat, Sains, Teknologi, dan Sosial Budaya
M. Bahrul Subkhi
Unknown Affiliation
Humanities Computer Science & IT Education Languange, Linguistic, Communication & Media Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Gambar: Membedakan Lukisan Buatan Manusia dan AI dengan CNN M. Bahrul Subkhi; Ahmad Bagus Setiawan; Mochamad Yusuf Alif Candra
Paradigma: Jurnal Filsafat, Sains, Teknologi, dan Sosial Budaya Vol. 29 No. 4 (2023): Paradigma: Jurnal Filsafat, Sains, Teknologi, dan Sosial Budaya
Publisher : Universitas Insan Budi Utomo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33503/paradigma.v30i4.1284

Abstract

Dalam beberapa tahun terakhir, AI telah menunjukkan kemampuan yang luar biasa dalam menghasilkan karya seni yang menyerupai buatan manusia, sehingga diperlukan metode yang efektif untuk membedakan kedua jenis lukisan tersebut. Penelitian ini bertujuan untuk mengembangkan model Klasifikasi Gambar yang mampu membedakan antara lukisan buatan manusia dan lukisan yang dihasilkan oleh kecerdasan buatan (AI) menggunakan Convolutional Neural Network (CNN) dengan arsitektur VGG19. Dalam penelitian ini, model dilatih selama 10 epoch dengan hasil yang menunjukkan peningkatan akurasi dan penurunan nilai loss secara signifikan dari waktu ke waktu. Pada epoch pertama, model mencapai akurasi awal sebesar 95.89% dengan nilai loss 0.1166 dalam waktu pelatihan 852 detik. Akurasi terus meningkat pada epoch-epoch berikutnya, mencapai 96.88% pada epoch kedua dengan penurunan nilai loss menjadi 0.0518, meskipun waktu pelatihan sangat singkat, hanya 1 detik. Pada epoch keempat dan keenam, model mencapai akurasi sempurna 100% dengan nilai loss yang sangat rendah, masing-masing 0.0213 dan 0.0379, serta waktu pelatihan hanya 1 detik. Namun, terdapat inkonsistensi pada waktu pelatihan yang bervariasi antara 1 detik hingga 853 detik. Secara keseluruhan, model menunjukkan kinerja yang baik dengan peningkatan akurasi dan penurunan nilai loss. Namun, akurasi sempurna pada beberapa epoch dapat menunjukkan tanda-tanda overfitting, dimana model terlalu menyesuaikan dengan data pelatihan. Oleh karena itu, diperlukan evaluasi lebih lanjut untuk memastikan model dapat melakukan generalisasi dengan baik pada data baru. Rekomendasi untuk penelitian selanjutnya termasuk validasi waktu pelatihan, evaluasi overfitting, dan pengujian model dengan data baru untuk memastikan kemampuan generalisasi.
Co-Authors Ahmad Bagus Setiawan Mochamad Yusuf Alif Candra