Penerapan Deep Learning Style Transfer untuk Menciptakan Kombinasi Gambar Digital dengan Batik

Pada tahun 2006, Geoffrey Hinton menciptakan sebuah jaringan saraf tiruan yang disebut Deep Belief Nets yang merupakan awal kemunculan dari istilah Deep Learning. Deep Learning memiliki lapisan representasi bernama Neural Networks dan mampu untuk mempelajari metode komputasinya secara mandiri atau dapat disebut juga sebagai Computational Creativity. Sudah banyak teori yang menjelaskan bagaimana cara manusia memahami suatu nilai seni, namun tidak ada satu pun teori tersebut yang dapat dikomputasikan secara tepat dan akurat. Namun, tidak sedikit penelitian yang berusaha untuk mengimplementasikan bagaimana cara manusia memahami dan menilai sebuah seni pada mesin, salah satu hasil penelitian tersebut adalah Neural Style Transfer yang diciptakan untuk mengombinasikan suatu gambar dengan gambar lukisan terkenal yang memiliki nilai artistik tinggi dengan menggunakan arsitektur Convolutional Neural Networks VGG19. Indonesia memiliki batik, yang merupakan sebuah tradisi melukis diatas kain khas Indonesia yang telah ada sejak zaman dahulu dengan beragam keunikan motif yang dimiliki oleh batik. Penelitian ini bermaksud untuk mengimplementasikan algoritma Neural Style Transfer dalam bentuk website pada dataset gambar yang diambil dari Freepik dengan dataset batik yang diambil dari Kaggle. Pada model yang akan diimplementasikan, akan dilakukan evaluasi hasil dengan menggunakan metode 5 poin Likert terhadap beberapa kombinasi hyperparameter pada beberapa jenis kombinasi lapisan VGG19. Berdasarkan penelitian yang dilakukan, didapatkan hasil rata-rata terendah yaitu pada penggunaan hyperparameter sebelum dilakukan tuning dengan nilai sebesar 61.83% dan rata-rata tertinggi yaitu pada penggunaan hyperparameter tuning ketiga dengan nilai sebesar 78.74%