<![CDATA[Abstrak— Klasifikasi citra fine-grained seperti identifikasi spesies bunga sangat bergantung pada ketersediaan dataset yang besar dan beragam, namun pengumpulan data dunia nyata seringkali menghadapi kendala kelangkaan spesies dan biaya anotasi yang tinggi. Penelitian ini menerapkan Generative AI menggunakan Stable Diffusion 3.5 untuk augmentasi data citra bunga pada dataset Oxford 102 Flowers. Proses diawali dengan image captioning menggunakan BLIP2, kemudian dilakukan generasi data sintetis melalui dua pendekatan: text-guided image-to-image (img2img) dan text-to-image (text2img). Model klasifikasi ResNet18 dilatih pada empat skenario: baseline tanpa augmentasi, augmentasi konvensional, augmentasi dengan data sintetis img2img, dan augmentasi dengan data sintetis text2img. Hasil pengujian menunjukkan bahwa augmentasi menggunakan data sintetis img2img mencapai akurasi tertinggi sebesar 84,67%, melampaui baseline (83,78%) dan augmentasi konvensional (79,33%). Skenario text2img juga berhasil melampaui baseline dengan akurasi 84,33%. Analisis CLIP Score menunjukkan bahwa keselarasan teks-gambar pada data sintetis tidak berkorelasi langsung dengan performa klasifikasi. Penelitian ini membuktikan bahwa Stable Diffusion 3.5 efektif sebagai metode augmentasi data untuk meningkatkan akurasi klasifikasi citra bunga. Kata Kunci— Generative AI, Augmentasi Data, Stable Diffusion 3.5, Klasifikasi Citra, Fine-Grained Visual Categorization]]>
Copyrights © 2026
