Cover Image

Analisis Arsitektur Generative Adversarial Network (GAN) Untuk Peningkatan Resolusi Citra Wajah Manusia

Format: Bachelors
Terbitan: #CREATOR_ORGNAME# , 2021
Subjects:
Machine Learning
Generative Adversarial Network
Inception
Resnet
Inception-Resnet
Number of Basic Blocks
Number of Filters
PSNR
SSIM
Basic Block
Filter
Online Access: http://digilib.polban.ac.id\/download.php?id=39901
ctrlnum ai-jbptppolban-gdl-ariqsuryoh-13051
fullrecord <?xml version="1.0"?> <dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><title>Analisis Arsitektur Generative Adversarial Network (GAN) Untuk Peningkatan Resolusi Citra Wajah Manusia</title><subject>Machine Learning, Generative Adversarial Network, Inception, Resnet, Inception-Resnet, Number of Basic Blocks, Number of Filters, PSNR, SSIM</subject><subject>Machine Learning, Generative Adversarial Network, Inception, Resnet, Basic Block, Filter, Inception-Resnet, PSNR, SSIM</subject><publisher>#CREATOR_ORGNAME#</publisher><date>2021</date><language>Bahasa Indonesia</language><type>Thesis:Bachelors</type><identifier>jbptppolban-gdl-ariqsuryoh-13051</identifier><description>Citra wajah sebagai salah satu citra yang paling banyak dimanfaatkan untuk pengenalan biometrik memiliki syarat minimum resolusi tertentu jika ingin digunakan pada Face Recognition. Citra wajah yang memiliki resolusi terlalu besar, pada umumnya tidak terdapat masalah untuk menurunkan resolusi citra, karena nilai pixel citra lengkap dan komputer hanya akan mengurangi sebagian nilai pixel. Namun, untuk meningkatkan resolusi citra, citra tidak memiliki informasi pixel yang cukup sehingga komputer perlu memprediksi nilai yang tidak ada tersebut. Generative Adversarial Network (GAN) merupakan salah satu metode machine learning yang dapat digunakan untuk meningkatkan resolusi. GAN disusun oleh dua buah arsitektur yaitu Generator dan Discriminator yang masing-masing tersusun atas berbagai macam komponen CNN. Susunan komponen yang digunakan ini akan mempengaruhi citra hasil peningkatan resolusi. Pada penelitian ini akan berfokus pada mengkaji pengaruh susunan Generator, banyak basic block, dan banyak filter pada GAN terhadap kualitas peningkatan resolusi citra wajah yang secara quantitative dihitung menggunakan metode PSNR dan SSIM. Susunan yang dipakai untuk membangun Generator menggunakan tiga konsep yang berbeda yaitu Incpetion, Resnet, dan Inception-Resnet. Hasil eksperimen menunjukan bahwa konfigurasi yang menghasilkan nilai PSNR yang paling baik yaitu yang menggunakan arsitektur Resnet dengan banyak filter 128 dan banyak basic block 8, sedangkan untuk yang menghasilkan nilai SSIM terbaik menggunakan Generator Inception dengan banyak filter 64 dan banyak basic block 4.</description><identifier>http://digilib.polban.ac.id\/download.php?id=39901</identifier><recordID>ai-jbptppolban-gdl-ariqsuryoh-13051</recordID></dc>
format Thesis:Bachelors
Thesis
title Analisis Arsitektur Generative Adversarial Network (GAN) Untuk Peningkatan Resolusi Citra Wajah Manusia
publisher #CREATOR_ORGNAME#
publishDate 2021
topic Machine Learning
Generative Adversarial Network
Inception
Resnet
Inception-Resnet
Number of Basic Blocks
Number of Filters
PSNR
SSIM
Basic Block
Filter
url http://digilib.polban.ac.id\/download.php?id=39901
contents Citra wajah sebagai salah satu citra yang paling banyak dimanfaatkan untuk pengenalan biometrik memiliki syarat minimum resolusi tertentu jika ingin digunakan pada Face Recognition. Citra wajah yang memiliki resolusi terlalu besar, pada umumnya tidak terdapat masalah untuk menurunkan resolusi citra, karena nilai pixel citra lengkap dan komputer hanya akan mengurangi sebagian nilai pixel. Namun, untuk meningkatkan resolusi citra, citra tidak memiliki informasi pixel yang cukup sehingga komputer perlu memprediksi nilai yang tidak ada tersebut. Generative Adversarial Network (GAN) merupakan salah satu metode machine learning yang dapat digunakan untuk meningkatkan resolusi. GAN disusun oleh dua buah arsitektur yaitu Generator dan Discriminator yang masing-masing tersusun atas berbagai macam komponen CNN. Susunan komponen yang digunakan ini akan mempengaruhi citra hasil peningkatan resolusi. Pada penelitian ini akan berfokus pada mengkaji pengaruh susunan Generator, banyak basic block, dan banyak filter pada GAN terhadap kualitas peningkatan resolusi citra wajah yang secara quantitative dihitung menggunakan metode PSNR dan SSIM. Susunan yang dipakai untuk membangun Generator menggunakan tiga konsep yang berbeda yaitu Incpetion, Resnet, dan Inception-Resnet. Hasil eksperimen menunjukan bahwa konfigurasi yang menghasilkan nilai PSNR yang paling baik yaitu yang menggunakan arsitektur Resnet dengan banyak filter 128 dan banyak basic block 8, sedangkan untuk yang menghasilkan nilai SSIM terbaik menggunakan Generator Inception dengan banyak filter 64 dan banyak basic block 4.
id IOS17601.ai-jbptppolban-gdl-ariqsuryoh-13051
institution Politeknik Negeri Bandung
institution_id 2033
institution_type library:university
library
library UPT Perpustakaan Politeknik Negeri Bandung
library_id 1640
collection Repository Polban
repository_id 17601
city BANDUNG BARAT
province JAWA BARAT
repoId IOS17601
first_indexed 2022-08-31T03:17:42Z
last_indexed 2022-08-31T03:17:42Z
recordtype dc
_version_ 1742648473350569984
score 17.610285

Lihat Juga