Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Zulhan, Galang
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Analisis Perturbasi Glaze dan Nightshade dalam Perlindungan Karya Seni Digital Menggunakan Image Quality Assessment Zulhan, Galang; Santoso, Edy; Dewi, Candra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 8 (2024): Agustus 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam beberapa kurun terakhir, kemampuan generative AI dalam menciptakan atau meniru suatu style karya seni telah berkembang dengan pesat, sehingga meningkatkan kekhawatiran mengenai orisinalitas dari banyaknya karya seni digital yang beredar di media sosial atau internet. Penelitian ini bertujuan untuk menyelidiki efektivitas metode perturbasi adversarial berupa Glaze dan Nightshade dalam menggagalkan AI untuk melakukan mimikri style. Dengan mengaplikasikan serangkaian metode tersebut pada beberapa artist dengan style karya seni yang berbeda, kami menghasilkan beberapa versi karya seni digital yang dimodifikasi untuk dilatih pada model Stable Diffusion. Generated image yang dihasilkan kemudian dianalisis untuk menilai kualitasnya dan sejauh mana style karya seni tersebut dipertahankan atau terdistorsi. Dalam penelitian ini, metrik yang digunakan untuk menilai kualitas dan kemiripan gambar adalah Image Quality Assessment (IQA), yang mencakup metrik objektif seperti Peak Signal to Noise Rasio (PSNR), Structural Similarity Index (SSIM), hingga evaluasi subjektif seperti Mean Opinion Score (MOS) dari human perception. Hasil kami menunjukkan bahwa Glaze hanya menunjukkan hasil perturbasi yang signifikan pada style abstrak, dengan mengurangi hasil supervised network prediction sebesar 47.7% dan hasil MOS sebesar 1.285 poin. Sementara itu, Nightshade hanya berhasil melakukan perturbasi pada style kartun, dengan mengurangi hasil supervised network prediction sebesar 13.3% dan hasil MOS sebesar 0.428 poin.
Co-Authors Candra Dewi Edy Santoso