GENERATOR GAMBAR KARAKTER JEPANG BERGAYA RETRO MENGGUNAKAN DIFFUSION MODELS DAN DREAMBOOTH
DOI:
https://doi.org/10.70248/jrsit.v2i3.1845Keywords:
Diffusion Models, Stable Diffusion, DreamBooth Fine-Tuning, Regularisasi L2, Inkonsistensi OutputAbstract
Penelitian ini bertujuan untuk mengembangkan generator gambar karakter Jepang bergaya retro menggunakan diffusion models dengan pendekatan fine-tuning DreamBooth dan regularisasi L2. Model yang digunakan dalam penelitian ini adalah Stable Diffusion v2.1, yang dioptimalkan melalui proses fine-tuning untuk menghasilkan gambar karakter yang sesuai dengan deskripsi teks serta estetika gaya retro. Metode penelitian yang diterapkan mencakup pengumpulan data, pemrosesan dataset, penggunaan alat dan perangkat lunak, pelatihan model generatif, serta evaluasi hasil. Dataset yang digunakan terdiri dari gambar karakter Jepang dengan elemen visual khas seperti ekspresi dinamis, warna pastel, dan pola unik. Dataset dibagi menjadi data pelatihan dan data uji guna mendukung validasi model. Proses pelatihan dilakukan dengan teknik fine-tuning menggunakan DreamBooth serta penerapan regularisasi L2 untuk mengurangi risiko overfitting. Evaluasi model dilakukan dengan menggunakan CLIP Score untuk mengukur kesesuaian gambar yang dihasilkan dengan deskripsi input, serta inspeksi visual untuk memastikan konsistensi atribut visual seperti ekspresi wajah, gaya pakaian, dan elemen dekoratif. Hasil penelitian menunjukkan bahwa fine-tuning dengan DreamBooth dapat meningkatkan kualitas dan akurasi gambar yang dihasilkan. Penggunaan regularisasi L2 membantu mempertahankan variasi visual tanpa mengurangi kesesuaian dengan deskripsi input. Selain itu, eksperimen dengan berbagai parameter seperti inference steps, guidance scale, dan jumlah dataset menunjukkan bahwa peningkatan jumlah dataset serta pengaturan parameter yang tepat dapat menghasilkan gambar dengan kualitas yang lebih baik, lebih stabil, dan lebih sesuai dengan deskripsi yang diberikan.
Kata Kunci: Diffusion Models, Stable Diffusion, Dreambooth, Fine-Tuning, Regularisasi L2, Generator Gambar, Gaya Retro, CLIP Score
References
Aisyiah Rizqy Aulia, Mahameru Rosy Rochmatullah. 2024. “The Use of the Audit Tool and Linked Archive System (Atlas) By Public Accounting Firm (Paf) Auditors in Indonesia: An Extended Technology Acceptance Model (Tam) Analysis Penggunaan.” COSTING:Journal of Economic, Business and Accounting 7(2015).
Asiva Noor Rachmayani. 2015. Model Pembelajaran Addie Integrasi Pedati Di Smk Pgri Karisma Bangsa Sebagai Pengganti Praktek Kerja Lapangan Dimasa Pandemi Covid-19.
Cao, Yu et al. 2023. “AnimeDiffusion: Anime Face Line Drawing Colorization via Diffusion Models.” 14(8): 1–14. http://arxiv.org/abs/2303.11137.
Dermawan, Raja Diky, and Herdianto. 2024. “Meningkatkan Kinerja Output ChatGPT Melalui Teknik Prompt Engineering Yang Dapat Dikustomisasi.” Journal Of Social Science Research 4(1): 10646–64.
Hakim, Nazar Yepta, Baihaki, and Mohammad Nasihin. 2020. “Konsep Dan Visual Artistik Dalam Pengembangan Gim.”
Hendrawati, Theresia, Dewa Ayu Putri Wulandari, and Ni Luh Wiwik Sri Rahayu Ginantra. 2024. “Penerapan Metode Stable Diffusion Dengan Fine Tuning Untuk Pola Endek Bali.” Jurnal Teknologi Informasi Komunikasi (e-Journal) 10: 8–10.
Iffah’da, Annisa Nurba. 2024. “Penerapan Multiplanar Reconstruction Pada Arsitektur U-Resnet Dan Mobilenet Dalam Proses Segmentasi Hati Citra Tiga Dimensi Hasil Ct Scan.” Αγαη 15(1): 37–48.
Liu, Xuhui et al. 2024. “LaDiffGAN: Training GANs with Diffusion Supervision in Latent Spaces.” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops 1(d): 1115–25.
Mulyatiningsih, Endang. 2015. “Pengembangan Model Pembelajaran.” Islamic Education Journal: 35,110,114,120,121.
Siringo-ringo, M M. 2023. “Peran Sektor Teknologi Dalam Mendorong Inovasi Dan Pertumbuhan Ekonomi Di Tahun 2023.” Circle Archive 1(2): 1–12. http://circle-archive.com/index.php/carc/article/view/44%0Ahttps://circle-archive.com/index.php/carc/article/download/44/44.
