Pembangkitan Pola Batik Menggunakan Generative Adversarial Network dengan Content Loss Weighting
Laporan Tugas Akhir
Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Toton Dwi Antoko (201710370311030)
Bidang Minat (Data Science)
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2021
i
LEMBAR PERSETUJUAN
ii
LEMBAR PENGESAHAN
iii
LEMBAR PERNYATAAN
iv
ABSTRAK
Image generation merupakan salah satu bagian penting dalam bidang visi komputer. Salah satu metode yang populer yaitu Generative Adversarial Network.
Generative adversarial network digunakan untuk menghasilkan sekumpulan data baru dari kumpulan data yang ada. Salah satu model Generative Adversarial Network adalah BatikGAN SL. BatikGAN SL digunakan untuk mengenerate gambar batik dengan menginputkan dua pola batik untuk menghasilkan gambar batik yang baru. Namun, hasil yang diperoleh masih belum mempertahankan inputan pola batik yang diberikan. Oleh karena itu, pada penelitian ini mengusulkan model GAN yaitu BatikGAN SL dengan penambahan fungsi content loss dengan penggunaan hyperparameter untuk melakukan pembobotan pada bobot fungsi content loss. Hasil pada penelitian ini berupa nilai skor pengujian sebesar 42 pada FID Global dan 16 pada FID Local dengan penggunaan bobot fungsi content loss bernilai 1.
Kata Kunci: Generative Adversarial Network, BatikGAN SL, Image Generation, Batik
v
ABSTRACT
Image generation is an important part in the field of computer vision. One of the popular methods is the Generative Adversarial Network. Generative adversarial network is used to generate a new data set from an existing data set. One model of the Generative Adversarial Network is BatikGAN SL. BatikGAN SL is used to generate batik images by inputting two batik patterns to produce a new batik image.
However, the results obtained still do not maintain the given batik pattern input.
Therefore, this study proposes a GAN model, namely BatikGAN SL with the addition of a content loss function by using hyperparameters to weight the content loss function. The results in this study are a test score of 42 on FID Global and 16 on FID Local with the use of a weighted content loss function of 1.
Keywords: Generative Adversarial Network, BatikGAN SL, Image Generation, Batik
vi
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah SWT atas rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan Tugas Akhir ini. Penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:
1. Bapak Agus Eko Minarno, S.Kom., M.Kom. dan Bapak Yufis Azhar, S.Kom., M.Kom. selaku pembimbing tugas akhir.
2. Bapak/Ibu Dekan Fakultas Teknik Universitas Muhammadiyah Malang.
3. Bapak/Ibu Ketua Jurusan Teknik Informatika Universitas Muhammadiyah Malang.
4. Kedua orang tua yang dengan restunya, doanya, harapan-harapan, serta pengorbanannya menjadikan penulis untuk tidak menyerah dalam menyelesaikan laporan tugas akhir ini.
5. Afifah ulhaq sahabat yang selalu memberikan motivasi serta dukungan moral yang membuat penulis lebih semangat untuk menyelesaikan tugas akhir ini.
6. Dan semua pihak yang terlibat baik secara langsung maupun tidak langsung pada proses penulisan laporan tugas akhir.
Malang, 29 Juni 2021
Toton Dwi Antoko
vii
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmatdan hidayah-NYA sehingga peneliti dapat menyelesaikan tugas akhir yang berjudul:
” Pembangkitan Pola Batik Menggunakan Generative Adversarial Network dengan Content Loss Weighting”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi penggunaan metode Generative Adversarial Network pada pembangkitan pola batik, pengaruh fungsi content loss pada hasil batik, serta pengujian metode yang digunakan untuk mengevaluasi hasil batik.
Peneliti menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan.
Malang, 29 Juni 2021
Toton Dwi Antoko
viii
DAFTAR ISI
LEMBAR PERSETUJUAN ... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
LEMBAR PERSEMBAHAN ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... x
DAFTAR TABEL ... xii
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 4
1.3. Tujuan Penelitian ... 4
1.4. Batasan Masalah ... 4
BAB II TINJAUAN PUSTAKA ... 6
2.1. Studi Literatur ... 6
2.2. Batik ... 7
2.3. Deep Learning ... 8
2.4. Generative Adversarial Network ... 8
2.5. BatikGAN SL ... 8
2.5.1 Generator ... 9
2.5.2 Diskriminator ... 10
2.5.3 Fungsi Loss ... 11
2.6. Neural Style Transfer ... 13
2.7. VGG19 ... 13
BAB III METODOLOGI PENELITIAN... 15
3.1. Rancangan Penelitian ... 15
3.2. Dataset ... 16
3.3. Preprocessing ... 16
ix
3.3.1 Pemilihan Dataset ... 16
3.3.2 Pemotongan patch, Resizing ... 17
3.3.3 Normalisasi Data ... 18
3.4. Hyperparamer Bobot Loss ... 18
3.5. Content Loss ... 19
3.6. Arsitektur Model ... 20
3.7. Evaluasi ... 21
3.8. Skenario Pengujian ... 22
BAB IV HASIL DAN PEMBAHASAN ... 23
4.1. Preprosessing Data ... 23
4.2. Pembentukan Model ... 24
4.2.1 Layer custom ... 24
4.2.2 Generator ... 25
4.2.3 Diskriminator ... 26
4.3. Fungsi Loss... 27
4.3.1 Local L2 Loss ... 30
4.3.2 Adversarial Loss ... 30
4.3.3 Style Loss ... 31
4.3.4 Content Loss ... 33
4.4. Pelatihan Model ... 35
4.5. Evaluasi Model ... 38
4.6. Perbandingan Model ... 41
BAB V KESIMPULAN ... 44
x
DAFTAR GAMBAR
Gambar 2.1. Arsitektur model BatikGAN SL[16] ... 9
Gambar 2.2. Arsitektur model generator... 10
Gambar 2.3. Model discriminator ... 11
Gambar 2.4. Arsitektur model VGG-19 ... 14
Gambar 3.1. Rancangan penelitian yang di usulkan ... 15
Gambar 3.2. Sampel gambar batik yang dipilih ... 16
Gambar 3.3. Sample Patch Batik ... 17
Gambar 3.4. Skenario pembuatan real batik baru ... 18
Gambar 3.5. BatikGAN SL dengan content loss ... 20
Gambar 4.1. Source code preprocessing data ... 24
Gambar 4.2. Source Code Convolution Layer Custom ... 25
Gambar 4.3. Source code Layer Custom Residual ... 25
Gambar 4.4. Source code Layer Custom Deconvolutional ... 25
Gambar 4.5. Implementasi model generator ... 26
Gambar 4.6. Implementasi fusion generator ... 26
Gambar 4.7. Implementasi model diskriminator... 27
Gambar 4.8 Source train step update bobot model ... 29
Gambar 4.9. Source code Local L2 loss ... 30
Gambar 4.10. Source code fungsi discriminator loss ... 31
Gambar 4.11. Source code fungsi generator loss ... 31
Gambar 4.12. Source code method vgg layer ... 32
Gambar 4.13. Source code style compute untuk ekstraksi fitur ... 32
Gambar 4.14. Source code gram matrix ... 32
Gambar 4.15. Source code perhitungan style loss ... 33
Gambar 4.16. Nilai bobot pada setiap layer VGG yang dipilih ... 33
Gambar 4.17. Source code ekstraksi fitur pada fungsi content loss ... 34
Gambar 4.18. Source code perhitungan fungsi content loss ... 35
Gambar 4.19. Source code konfigurasi class main ... 37
Gambar 4.20. Konfigurasi bobot fungsi loss dan jumlah epoch ... 37
Gambar 4.21. Source code hyperparameter training model ... 37
Gambar 4.22. Source code perhitungan evaluasi FID ... 38
xi
Gambar 4.23. Source code evaluasi FID Global ... 39 Gambar 4.24. Source code evalusasi FID Local ... 40 Gambar 4.25. Source code pemanggilan evaluasi FID dengan pemilihan gambar batik ... 40
xii
DAFTAR TABEL
Tabel 3.1. Nilai bobot fungsi loss asli dari penelitian sebelumnya ... 19 Tabel 4.1. Perbandingan hasil gambar batik model yang diusulkan dengan model replikasi penelitian terdahulu ... 41 Tabel 4.2. Perbandingan performa model yang diusulkan dengan model replikasi penelitian terdahulu ... 42
45
DAFTAR PUSTAKA
[1] F. Sanjaya and L. Yuwanto, “Budaya Berbusana Batik pada Generasi Muda,”
Mediapsi, vol. 5, no. 2, pp. 88–96, 2019.
[2] Y. A. Irawan and A. Widjaja, “Pembangkitan Pola Batik dengan Menggunakan Neural Transfer Style dengan Penggunaan Cost Warna,” J.
Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 324–341, 2020.
[3] G. Tian, Q. Yuan, T. Hu, and Y. Shi, “Auto-generation system based on fractal geometry for batik pattern design,” Appl. Sci., vol. 9, no. 11, 2019.
[4] P. D. Kusuma, “Modified sine wave based model in madurese batik pattern generation,” J. Theor. Appl. Inf. Technol., vol. 97, no. 23, pp. 3557–3569, 2019.
[5] L. A. Gatys, A. S. Ecker, M. Bethge, and C. V Sep, “A Neural Algorithm of Artistic Style,” pp. –7.
[6] C. Zhou, Z. Gu, Y. Gao, and J. Wang, “An improved style transfer algorithm using feedforward neural network for real-time image conversion,” Sustain., vol. 11, no. 20, pp. 1–15, 2019.
[7] G. Atarsaikhan, B. K. Iwana, and S. Uchida, “Guided neural style transfer for shape stylization,” PLoS One, vol. 15, no. 6, 2020.
[8] H. Kwon, H. Yoon, and K. W. Park, “CAPTCHA image generation: Two- step style-transfer learning in deep neural networks,” Sensors (Switzerland), vol. 20, no. 5, pp. 1–14, 2020.
[9] I. J. Goodfellow et al., “Generative adversarial nets,” Adv. Neural Inf.
Process. Syst., vol. 3, no. January, pp. 2672–2680, 2014.
[10] W. Wang, A. Wang, Q. Ai, C. Liu, and J. Liu, “AAGAN: Enhanced Single Image Dehazing with Attention-to-Attention Generative Adversarial Network,” IEEE Access, vol. 7, pp. 173485–173498, 2019.
[11] O. Kupyn, T. Martyniuk, J. Wu, and Z. Wang, “DeblurGAN-v2: Deblurring (orders-of-magnitude) faster and better,” Proc. IEEE Int. Conf. Comput. Vis., vol. 2019-Octob, pp. 8877–8886, 2019.
[12] Z. Yuan et al., “SARA-GAN: Self-Attention and Relative Average Discriminator Based Generative Adversarial Networks for Fast Compressed
46
Sensing MRI Reconstruction,” Front. Neuroinform., vol. 14, no. November, 2020.
[13] Q. Jin, R. Lin, and F. Yang, “E-WACGAN: Enhanced Generative Model of Signaling Data Based on WGAN-GP and ACGAN,” IEEE Syst. J., vol. 14, no. 3, pp. 3289–3300, 2020.
[14] M. Abdurrahman, N. H. Shabrina, and D. K. Halim, “Generative adversarial network implementation for batik motif synthesis,” in Proceedings of 2019 5th International Conference on New Media Studies, CONMEDIA 2019, 2019, pp. 63–67.
[15] Y. Huang, J. Su, J. Wang, and S. Ji, “BatIK-DG: Improved deblurgan for batik crack pattern generation,” in IOP Conference Series: Materials Science and Engineering, 2020, vol. 790, no. 1.
[16] W. T. Chu and L. Y. Ko, “BatikGAN: A Generative Adversarial Network for Batik Creation,” in MMArt-ACM 2020 - Proceedings of the 2020 Joint Workshop on Multimedia Artworks Analysis and Attractiveness Computing in Multimedia, 2020, no. 1, pp. 13–18.
[17] D. Foster, Generative Deep Learning, vol. 6, no. November. 2019.
[18] S. Ganguli, P. Garzon, and N. Glaser, “GeoGAN : A Conditional GAN with Reconstruction and Style Loss to Generate Standard Layer of Maps from Satellite Images,” arXiv, 2019.
[19] J. Xiao, J. Wang, S. Cao, and B. Li, “Application of a Novel and Improved VGG- 9 Network in the Detection of Workers Wearing Masks,” J. Phys.
Conf. Ser., vol. 1518, no. 1, pp. 0–6, 2020.
[20] Y. Gultom, R. J. Masikome, and A. M. Arymurthy, “BATIK CLASSIFICATION USING DEEP CONVOLUTIONAL NETWORK TRANSFER,” J. Ilmu Komput. dan Inf. (Journal a Sci. Information), vol. 2, pp. 59–66, 2018.
[21] A. Radford, L. Metz, and S. Chintala, “Unsupervised representation learning with deep convolutional generative adversarial networks,” 4th Int. Conf.
Learn. Represent. ICLR 2016 - Conf. Track Proc., pp. 1–16, 2016.
[22] S. G. K. Patro and K. K. sahu, “Normalization: A Preprocessing Stage,”
Iarjset, pp. 20–22, 2015.
47
[23] A. Borji, “Pros and cons of GAN evaluation measures,” Comput. Vis. Image Underst., vol. 179, pp. 41–65, 2019.
