Detail Cantuman

Generative Adversarial Networks (GAN) telah menjadi metode yang populer dalam pembangkitan gambar, khususnya Deep Convolutional GAN (DCGAN) yang dikenal efektif dalam menghasilkan gambar berkualitas tinggi. Penelitian ini bertujuan untuk menganalisis pengaruh penggunaan dataset balanced dan imbalanced terhadap performa DCGAN dalam pembangkitan gambar. Pada penelitian ini, DCGAN dilatih menggunakan dua jenis dataset: balanced dan imbalanced. Kemudian dataset yang balanced juga terbagi 2 lagi, yaitu yang diperoleh menggunakan metode Random Undersampling dan SMOTE. Evaluasi performa model dilakukan dengan metrik Fréchet Inception Distance (FID). Hasil penelitian menunjukkan bahwa model yang dilatih dengan dataset balanced yang diseimbangkan dengan metode random undersampling menghasilkan gambar berkualitas lebih tinggi dan memiliki variasi terbaik dibanding model lainnya. Namun model imbalanced justru memperoleh skor FID yang lebih rendah yaitu 217.28. Kata kunci: DCGAN, Batik, Dataset Balanced, Dataset Imbalanced, SMOTE