Klasifikasi Ilustrasi Anime Buatan AI dan Non-AI Menggunakan EfficientNet dan Attention-Based Deep Learning

⭐ Clay Laya, Darryl (2026) Klasifikasi Ilustrasi Anime Buatan AI dan Non-AI Menggunakan EfficientNet dan Attention-Based Deep Learning. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (215kB)
	PDF BAB_II.pdf Download (369kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (217kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (495kB)
	Archive (ZIP) 00000068429_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Perkembangan model generatif berbasis kecerdasan buatan, khususnya model text- to-image berbasis difusi, telah menyebabkan ilustrasi digital buatan AI semakin sulit dibedakan dari karya manusia. Kondisi ini menimbulkan kekhawatiran terkait orisinalitas, hak cipta, dan transparansi konten, terutama dalam domain ilustrasi bergaya anime yang memiliki karakteristik visual berbeda dari gambar natural. Penelitian ini mengusulkan sistem klasifikasi berbasis deep learning menggunakan arsitektur EfficientNetV2-S dengan bobot pre-trained ImageNet, serta mengeksplorasi pengaruh penambahan modul Convolutional Block Attention Module (CBAM) terhadap performa klasifikasi. Dataset yang digunakan terdiri dari 5.329 gambar, yaitu 2.664 gambar anime asli yang bersumber dari platform Danbooru dan 2.665 gambar anime buatan yang dihasilkan oleh lima model AI berbasis Stable Diffusion. Pembagian data dilakukan menggunakan strategi source-aware untuk mencegah kebocoran data, dengan proporsi 72% latih, 10% validasi, dan 18% uji. Hyperparameter tuning dilakukan menggunakan Optuna dengan 75 trial. Hasil evaluasi menunjukkan bahwa model baseline EfficientNetV2-S mencapai akurasi pengujian sebesar 99,37% dengan AUC-ROC 0,9997. Penambahan modul CBAM menghasilkan akurasi yang setara, namun menunjukkan keunggulan pada metrik probabilistik: Expected Calibration Error (ECE) lebih rendah (0,0038 berbanding 0,0075) dan Brier Score lebih rendah (0,0044 berbanding 0,0059), serta mencapai konvergensi lebih cepat. Analisis per generator mengungkapkan bahwa kedua model mempelajari representasi fitur yang tidak identik, di mana model CBAM lebih unggul dalam klasifikasi gambar manusia sementara model baseline lebih efektif mendeteksi artefak dari sebagian besar generator AI. Tingginya akurasi kedua model mengindikasikan adanya ceiling effect pada dataset yang bersih dan terkontrol, sehingga generalisasi hasil ke kondisi dunia nyata memerlukan pengujian lebih lanjut dengan dataset yang lebih beragam.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Clay Laya, Darryl (00000068429)
Contributors:	Zuhdi Pane, Ivransa (8812520016)
Keywords:	Anime, Attention Mechanism, Deep Learning, EfficientNetV2, Klasifikasi Gambar
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:02
URI:	https://kc.umn.ac.id/id/eprint/48339

Actions (login required)

View Item