Penggunaan Pola Dua Gambar dengan Metode Fast Style Transfer Menggunakan TensorFlow

Authors

  • Ayudya Octaviani Universitas Palangka Raya
  • Liani Cikita Saragih Universitas Palangka Raya
  • Meity Damaria Universitas Palangka Raya
  • Novita Natalia Universitas Palangka Raya
  • Puput Indri Sushanty Universitas Palangka Raya

DOI:

https://doi.org/10.47111/jointecoms.v4i4.13223

Keywords:

Fast Style Transfer, Penggabungan Pola Gambar, Pengolahan Citra, TensorFlow

Abstract

Era Society 5.0 telah memunculkan kemajuan teknologi baru dalam seni visual, memungkinkan para seniman untuk bereksperimen dengan berbagai teknik dengan efisiensi yang lebih tinggi. Fast Style Transfer adalah salah satu pendekatan dalam transfer gaya gambar, memungkinkan penggabungan gaya atau estetika visual dari satu gambar ke gambar lain dengan cepat dan efisien melalui penggunaan jaringan saraf konvolusional. Metode ini memanfaatkan TensorFlow sebagai framework utama untuk implementasi, yang nantinya menghasilkan output berkualitas dengan kecepatan yang lebih efisien daripada metode tradisional. Penelitian ini menggunakan pendekatan eksperimental dengan langkah-langkah pengumpulan data, pengolahan data, implementasi Fast Style Transfer, evaluasi model, dan analisis hasil. Penelitian ini bertujuan untuk mengoptimalkan proses penggabungan pola dari dua gambar menggunakan metode Fast Style Transfer dengan memanfaatkan TensorFlow. Tahap awal melibatkan pengimporan berbagai library seperti TensorFlow, OpenCV, dan Matplotlib untuk pemrosesan gambar. Proses ini terdiri dari langkah-langkah penting seperti menentukan fungsi untuk memuat dan memproses gambar, memvisualisasikan gambar input dan output, serta menyimpan hasil akhir dalam format yang sesuai. Pada tahap akhir, output dari proses penggabungan pola dua gambar yang telah dilakukan dapat divisualisasikan dan disimpan untuk penggunaan lebih lanjut. Penelitian ini berhasil menggabungkan pola dari dua gambar dengan hasil yang memuaskan.

Downloads

Download data is not yet available.

Downloads

Published

2024-12-30
Abstract viewed = 0 times