Eksplorasi Metode Ensemble Untuk Identifikasi Seniman Dari Gambar Seni

Rahardja, Agustinus Aldi Irawan (2024) Eksplorasi Metode Ensemble Untuk Identifikasi Seniman Dari Gambar Seni. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111942000010-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (11MB) | Request a copy

Abstract

Identifikasi seniman dari gambar seni merupakan tugas menantang yang memerlukan teknik canggih untuk menganalisis dan mengenali gaya unik dan karakteristik masing-masing seniman. Tesis ini bertujuan meningkatkan kinerja identifikasi seniman dengan mengeksplorasi metode ensemble untuk mengenali nuansa rumit dalam gaya artistik. Temuan dari penelitian ini akan memberikan kontribusi pada bidang identifikasi seniman dengan memberikan wawasan tentang efektivitas metode ensemble untuk menganalisis gambar seni. Penelitian ini berfokus pada penerapan metode ensemble pada model dasar yang sudah dilatih menggunakan gambar yang dilukis oleh seniman untuk memprediksi seniman yang bersangkutan. Studi ini mengevaluasi beberapa model dasar, termasuk ResNet-50, Xception, dan EfficientNetB4, pada dataset uji berupa 867 gambar dari 50 seniman yang belum pernah dikenali oleh model sebelumnya. Akurasi model individu berkisar dari 54,67% untuk ResNet-50, 66,67% untuk Xception, dan 41,52% untuk EfficientNetB4. Penelitian ini mengeksplorasi metode ensemble seperti Majority Voting, Weighted Voting, XGBoost, Gradient Boosting, dan Random Forest untuk menggabungkan prediksi dari model-model dasar tersebut. Hasil eksperimen menunjukkan bahwa metode Gradient Boosting dan Random Forest mencapai akurasi tertinggi sebesar 88,12% dalam memprediksi seniman dari citra lukisan. Metode lain yang patut dicatat adalah XGBoost dengan akurasi 87,20%, majority voting dengan akurasi 67,82%, dan weighted voting dengan akurasi 67,94%. Temuan ini menegaskan efektivitas metode ensemble dalam meningkatkan kemampuan prediksi dibandingkan kinerja model individu dalam identifikasi seniman berdasarkan citra lukisan.
=================================================================================================================================
Identification of artists from art images is a challenging task that requires sophisticated techniques to analyze and recognize the unique style and characteristics of each artist. This thesis aims to enhance artist identification by exploring ensemble methods, recognizing the intricate nuances within artistic styles. The findings from this research will contribute to the field of artist identification by providing insights into the effectiveness of ensemble methods for analyzing art images. This research focuses on applying ensemble methods to pre-trained base models using images painted by artists to predict the respective artist. The study evaluates multiple base models, including ResNet-50, Xception, and EfficientNetB4, on a test dataset comprising 867 unseen images from all 50 artists. Individual model accuracies range from 54.67% for ResNet-50, 66.67% for Xception, and 41.52% for EfficientNetB4. The research explores ensemble methods like Majority Voting, Weighted Voting, XGBoost, Gradient Boosting, and Random Forest to amalgamate predictions from these base models. Experiment results showed that ensemble methods like Gradient Boosting and Random Forest achieved the highest accuracy at 88.12%, demonstrating its superior performance in predicting artists from painted images. Other noteworthy methods are the XGBoost which has accuracy of 87.20% majority voting which has accuracy of 67.82% and weighted voting which has accuracy of 67.94% than the base models. The findings underline the efficacy of ensemble methods in enhancing predictive capabilities beyond individual model performance in artist identification based on art images.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Identifikasi Seniman, Metode Ensemble, Majority Voting, Weighted Voting, XGBoost, Gradient Boosting, Random Forest, Artist Identification, Ensemble Method
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Agustinus Aldi Irawan Rahardja
Date Deposited:	07 Feb 2024 08:28
Last Modified:	07 Feb 2024 08:28
URI:	http://repository.its.ac.id/id/eprint/106511

Actions (login required)

View Item