Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Gambar Buatan AI dan Gambar Manusia

⭐ Andrianti, Celline (2025) Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Gambar Buatan AI dan Gambar Manusia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (289kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (6MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (13MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (208kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (0B)

Abstract

Perkembangan teknologi kecerdasan buatan (AI) telah memungkinkan terciptanya gambar digital bergaya kartun dengan kualitas tinggi, sehingga memunculkan tantangan dalam membedakan karya buatan AI dan manusia. Penelitian ini bertujuan membangun model klasifikasi berbasis Convolutional Neural Network (CNN) untuk membedakan gambar kartun hewan yang dibuat oleh manusia dan AI. Dataset terdiri dari 1000 gambar yang dibagi menjadi empat kategori: AI-Darat- Kaki-4, Manusia-Darat-Kaki-4, AI-Umum, dan Manusia-Umum. Penelitian ini dilakukan melalui empat skenario pelatihan: Model A (latih uji pada data darat kaki 4), Model B (latih darat kaki 4, uji data umum), Model C (latih uji data umum), dan Model D (latih data umum, uji data darat kaki 4). Model dibangun menggunakan TensorFlow dan Keras, dilengkapi augmentasi data serta regularisasi dropout untuk mencegah overfitting. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Model A menunjukkan performa seimbang dengan akurasi 90,00%, presisi 91,67%, recall 88,00%, dan F1-score 89,80%. Model B memiliki akurasi 86,00%, presisi 90,91%, recall 80,00%, dan F1-score 85,11%. Model C menghasilkan performa terbaik dengan akurasi 94,00%, presisi 89,29%, recall 100,00%, dan F1-score 94,34%. Sementara itu, Model D menunjukkan presisi tertinggi sebesar 95,00% namun dengan recall terendah 76,00%, akurasi 86,00%, dan F1-score 84,44%. Visualisasi Grad-CAM menunjukkan bahwa model fokus pada area penting seperti mata, paruh, kaki, dan kontur tubuh dalam proses klasifikasi. Penelitian ini menunjukkan bahwa CNN mampu mengklasifikasikan gambar buatan AI dan manusia secara efektif, sekaligus memberikan interpretasi visual terhadap pengambilan keputusan model.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Andrianti, Celline (00000057551)
Contributors:	Waworuntu, Alexander
Keywords:	Convolutional Neural Network, Gambar AI, Grad-CAM, Klasifikasi Gambar
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Feb 2026 02:21
URI:	https://kc.umn.ac.id/id/eprint/45180

Actions (login required)

View Item