Call Number | T-1395 (Softcopy T-1104) MAK PI-195 TR-CSUI-67 |
Collection Type | Tesis |
Title | Lokalisasi Anomali pada Citra Digital menggunakan Teknik Inpainting dalam generative adversarial networks (GAN) |
Author | Octavian; |
Publisher | Depok: Fasilkom UI, 2024 |
Subject | generative adversarial networks (GAN) |
Location | FASILKOM-UI; |
Nomor Panggil | ID Koleksi | Status |
---|---|---|
T-1395 (Softcopy T-1104) MAK PI-195 TR-CSUI-67 | TERSEDIA |
Nama : Octavian Program Studi : Ilmu Komputer Judul : Lokalisasi Anomali pada Citra Digital Menggunakan Teknik Inpainting dalam Generative Adversarial Networks (GAN) Pembimbing : Dr.Eng. Laksmita Rahadianti, S.Kom., M.Sc. Anomali pada citra didefinisikan sebagai pola dalam data citra yang tidak sesuai dengan perilaku normal. Langkah awal dalam lokalisasi anomali pada citra adalah dengan mendefinisikan karakteristik citra normal untuk model rekonstruksi citra. Lokalisasi anomali dapat dilakukan dengan merekonstruksi citra anomali ke bentuk normalnya. Kemudian, dengan membandingkan citra hasil rekonstruksi dengan citra asli yang masih mengandung anomali, lokasi anomali pada citra asli dapat diketahui. Beberapa contoh model untuk rekonstruksi citra anomali adalah Autoencoder dan AnoGAN, serta model yang menerapkan teknik inpainting yaitu RIAD. Penelitian ini bertujuan mengembangkan model yang merupakan hasil dari peningkatan kemampuan Generative Adversarial Networks (GAN) konvensional untuk rekonstruksi citra dan lokalisasi anomali melalui integrasikan teknik inpainting dengan mengubah input pada GAN menjadi citra dengan masking, yang diberi nama Inpainting-GAN. Teknik inpainting diterapkan untuk mengisi bagian citra yang hilang atau rusak dengan informasi dari bagian yang utuh. Eksperimen dilakukan menggunakan dataset manufaktur yaitu MVTec AD untuk kategori Capsule, Grid, Screw, Wood, dan Hazelnut. Model Inpainting-GAN dibandingkan dengan beberapa model GAN lainnya untuk menilai performanya. Hasil eksperimen menunjukkan bahwa Inpainting-GAN mampu memberikan deteksi dan lokalisasi anomali dengan nilai rata-rata AUC-ROC sebesar 0.911, yang secara signifikan melampaui AnoGAN. Meskipun model unggul dalam mendeteksi anomali yang berupa kemunculan data asing, model mengalami kesulitan dalam mendeteksi anomali pada area yang mengalami kehilangan data. Penelitian ini menyimpulkan bahwa Inpainting-GAN memiliki potensi dalam lokalisasi anomali citra, dengan kontribusi utama berupa peningkatan kualitas rekonstruksi dan akurasi deteksi anomali pada citra. Kata kunci: Lokalisasi Anomali Citra, GAN, Inpainting , Rekonstruksi Citra