<![CDATA[Perkembangan Generative Artificial Intelligence (Generative AI) mendorong pemanfaatan teknologi text-to-image untuk menghasilkan citra digital berdasarkan deskripsi teks. Salah satu model yang banyak digunakan adalah Stable Diffusion karena mampu menghasilkan citra berkualitas tinggi dengan kebutuhan komputasi yang relatif efisien. Namun, kualitas citra sangat dipengaruhi oleh konfigurasi parameter inferensi sehingga diperlukan evaluasi untuk memperoleh konfigurasi yang optimal. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi aplikasi Text-to-Image berbasis Stable Diffusion menggunakan Streamlit serta menganalisis pengaruh parameter CFG Scale, Inference Steps, dan Scheduler terhadap kualitas citra dan efisiensi inferensi. Penelitian menggunakan metode eksperimen dengan pendekatan One Factor at a Time (OFAT). Pengujian dilakukan menggunakan lima text prompt yang mewakili kategori Human Portrait, Animal, Nature, Architecture, dan Fantasy. Evaluasi dilakukan menggunakan metrik Inference Time, Image Entropy, Brightness, Contrast, dan Image Size. Hasil penelitian menunjukkan bahwa CFG Scale 7.5 menghasilkan keseimbangan terbaik antara kualitas visual dan naturalitas citra, Inference Steps 30 memberikan kualitas citra yang baik dengan waktu inferensi yang efisien, sedangkan Scheduler DPM++ menghasilkan performa terbaik berdasarkan kompleksitas informasi visual dan kontras citra. Kombinasi ketiga parameter tersebut direkomendasikan sebagai konfigurasi optimal untuk menghasilkan citra berkualitas dengan efisiensi komputasi yang baik pada aplikasi Text-to-Image berbasis Stable Diffusion.]]>
Copyrights © 2026
