Neural Style Transfer Motif Batik Terhadap Bentuk Fraktal Menggunakan Lapisan Konvolusi Arsitektur VGG

Lifindra, Benny Hansen (2024) Neural Style Transfer Motif Batik Terhadap Bentuk Fraktal Menggunakan Lapisan Konvolusi Arsitektur VGG. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025221011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (23MB) | Request a copy

Abstract

Style transfer adalah teknik grafik komputer yang mampu menghasilkan gambar baru dengan menggabungkan dua gambar berbeda. Pengembangan style transfer dengan neural network bernama neural style transfer atau NST. NST dapat menangkap fitur motif kain batik dan menggunakannya untuk menghasilkan gambar karya seni baru. Topik Tesis ini tertarik untuk menelusuri lebih lanjut implementasi NST dalam migrasi motif dan corak batik.
Hal utama yang melatarbelakangi Topik Tesis ini adalah kurangnya literatur yang mempelajari aplikasi lapisan konvolusi arsitektur Visual Geometry Group sebagai model neural style transfer motif batik. Penelitian sebelumnya menyatakan bahwa lapisan konvolusi arsitektur VGG dapat menangkap fitur dari gambar corak dengan tingkat kompleksitas yang berbeda. Tesis ini mengusulkan sebuah studi yang membandingkan model NST menggunakan lapisan jaringan VGG pre-trained milik Tensorflow dalam mentransfer fitur gambar batik ke sebuah gambar fraktal. Bentuk fraktal yang dipakai merupakan himpunan Julia.
Hasil penelitian menemukan bahwa lapisan konvolusi neural network VGG16 bekerja lebih cepat daripada lapisan konvolusi neural network VGG19. Perbedaan lain dari kedua neural network ini adalah bagaimana mereka menghitung komputasi nilai style loss. Neural style transfer dengan arsitektur VGG16 lebih dipengaruhi oleh lapisan block3_conv1, sedangkan arsitektur VGG19 dipengaruhi oleh lapisan block4_conv1. Rekonstruksi corak batik dari lapisan konvolusi kedua neural network tidak menunjukkan adanya perbedaan ciri visual. Hasil penelitian juga menemukan bahwa penggabungan lapisan konvolusi dari dua neural network berbeda dapat dilakukan menggunakan optimasi style loss. Namun, model dengan penggabungan lapisan konvolusi ini tidak menunjukkan adanya perbedaan karakteristik visual tapi bekerja dua kali lebih lama dibandingkan model lainnya.
==========================================
Style transfer is a computer graphics technique that can produce new images by combining two different images. The development of style transfer with a neural network is called Neural style transfer or NST. It can capture the features of batik cloth motifs and use them to produce new art images. This thesis is interested in exploring further the implementation of NST in the migration of batik motifs and patterns.
The background of this Thesis is related to the lack of literature that studies the application of Visual Geometry Group architectural convolution layers as a neural style transfer model for batik motifs. Previous research states that the convolution layer of the VGG architecture can capture features from pattern images with different levels of complexity. This thesis proposes a study that compares the NST model using Tensorflow's pre-trained VGG network layers in transferring batik image features to a fractal image. The fractal form used is the Julia set.
The research results found that the VGG16 neural network convolution layer worked faster than the VGG19 neural network convolution layer. Another difference between these two neural networks is how they calculate the style loss value. Neural style transfer with the VGG16 architecture is more influenced by the block3_conv1 layer, while the VGG19 architecture is regulated by the block4_conv1 layer. Reconstruction of batik patterns from the second convolution layer of the neural network does not show any differences in visual characteristics. The research results also found that combining convolution layers from two different neural networks can be done using style loss optimization. However, the model with the combined convolutional layers does not show any differences in visual characteristics but works twice as long as the other models.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Neural style transfer, Batik, Lapisan Konvolusi, VGG, Fraktal
Subjects:	N Fine Arts > NK Decorative arts Applied arts Decoration and ornament > NK9503 Batik--Themes, motives. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Benny Hansen Lifindra
Date Deposited:	06 Aug 2024 04:59
Last Modified:	06 Aug 2024 04:59
URI:	http://repository.its.ac.id/id/eprint/112885

Actions (login required)

View Item