PERANCANGAN SISTEM PEWARNAAN OTOMATIS GAMBAR GRAYSCALE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS (CNN)

Nugroho, Alindro Septo (2025) PERANCANGAN SISTEM PEWARNAAN OTOMATIS GAMBAR GRAYSCALE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS (CNN). Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_55201_2113020234.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (Similarity) RAMA_55201_2113020234_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (964kB)
	Text (Cover sd Bab 1 + References) RAMA_55201_2113020234_ 0707079001_0711018102_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (5MB)
	Text (BAB 2) RAMA_55201_2113020234_ 0707079001_0711018102_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (BAB 3) RAMA_55201_2113020234_ 0707079001_0711018102_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (9MB) | Request a copy
	Text (BAB 4) RAMA_55201_2113020234_ 0707079001_0711018102_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (9MB) | Request a copy
	Text (BAB 5) RAMA_55201_2113020234_ 0707079001_0711018102_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (762kB) | Request a copy
	Text (References) RAMA_55201_2113020234_ 0707079001_0711018102_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (836kB)
	Text (Lampiran) RAMA_55201_2113020234_ 0707079001_0711018102_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy

Abstract

Alindro Septo Nugroho PERANCANGAN SISTEM PEWARNAAN OTOMATIS GAMBAR GRAYSCALE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS (CNN), Skripsi, Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Nusantara PGRI Kediri, 2025. Kata Kunci : Pewarnaan Otomatis, Gambar Grayscale, Convolutional Neural Networks (CNN), Deep learning, Evaluasi Citra. Penelitian ini mengatasi tantangan pewarnaan gambar grayscale yang sebelumnya terkendala ketidakakuratan dan ketergantungan manual. Tujuannya adalah mengembangkan sistem pewarnaan otomatis menggunakan Convolutional Neural Networks (CNN) berbasis Deep learning dan metode Research and Development (R&D) untuk akurasi dan konsistensi yang lebih baik, serta mengurangi intervensi manusia. Metode penelitian adalah desain pengembangan (Development Research) , mencakup identifikasi masalah, pengumpulan data, desain model, pelatihan, pengujian, evaluasi, implementasi, dan pelaporan. Dataset dari Kaggle berisi gambar grayscale dan berwarna, distandarisasi 256×256 piksel, dan dibagi untuk pelatihan (70%), validasi (20%), dan uji (10%). Sistem dikembangkan dengan Python, memanfaatkan TensorFlow, NumPy, OpenCV, Matplotlib, dan Scikit-learn. Arsitektur CNN encoder-decoder menjadi inti sistem. Pengujian sistem meliputi fungsional (black-box) yang memverifikasi interaksi pengguna (unggah, proses, tampilan hasil, penanganan error), dan non-fungsional untuk kualitas pewarnaan. Pada skenario satu gambar, metrik menunjukkan hasil positif: SSIM 0.9698 (Sangat Baik), PSNR 26.4118 dB (Baik), dan MAE 7.7269 (Sangat Baik). Akurasi pixel-wise Confusion Matrix 0.5947. Untuk skenario folder, rata-rata SSIM 0.9304 (Baik), PSNR 23.0870 dB (Cukup), dan MAE 9.5615 (Sangat Baik). Akurasi pixel-wise Confusion Matrix 0.4148. Perbandingan dengan penelitian sebelumnya menunjukkan kinerja model yang setara atau sedikit lebih baik tanpa kompleksitas model hibrida. Kesimpulannya, sistem pewarnaan otomatis berbasis CNN berhasil memenuhi tujuan penelitian dengan mengurangi ketergantungan manual dan menghasilkan pewarnaan yang konsisten serta realistis. Meskipun kinerja baik, akurasi pixel-wise pada pola warna kompleks masih menunjukkan ruang peningkatan. Saran meliputi penggunaan dataset lebih besar dan beragam, eksplorasi arsitektur model yang lebih kompleks, serta integrasi validasi subjektif pengguna.

Actions (login required)

View Item