KOMBINASI STABLE DIFFUSION DENGAN CONTROLNET BERBASIS CITRA TEPI CANNY UNTUK IMAGE-TO-IMAGE TRANSLATION DALAM PEMBUATAN BACKGROUND ART BERGAYA ANIMASI

PRAMUDITO, ROWANG (2026) KOMBINASI STABLE DIFFUSION DENGAN CONTROLNET BERBASIS CITRA TEPI CANNY UNTUK IMAGE-TO-IMAGE TRANSLATION DALAM PEMBUATAN BACKGROUND ART BERGAYA ANIMASI. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 123200098_Cover - Rowang Pramudito.pdf Download (3MB)
	Text 123200098_Abstrak - Rowang Pramudito.pdf Download (3MB)
	Text 123200098_Halaman Pengesahan - Rowang Pramudito.pdf Download (3MB)
	Text 123200098_Daftar Isi - Rowang Pramudito.pdf Download (3MB)
	Text 123200098_Daftar Pustaka - Rowang Pramudito.pdf Download (3MB)
	Text 123200098_Fulltext - Rowang Pramudito.pdf Restricted to Repository staff only Download (3MB)

Abstract

Proses produksi animasi konvensional masih sangat bergantung pada pengerjaan
manual, di mana sebagian besar visual terkait dibuat berdasarkan referensi pemandangan
dunia nyata. Namun, transformasi adegan dunia nyata ke dalam gaya visual animasi
merupakan proses yang kompleks dan memerlukan keahlian teknis tinggi. Oleh karena itu,
diperlukan teknik yang secara otomatis mampu mentransformasi adegan dunia nyata
menjadi gambar bergaya animasi. Salah satu solusi terhadap permasalahan ini adalah
implementasi Latent Diffusion Model (LDM) melalui pendekatan image-to-image
translation. Namun terdapat keterbatasan dalam model difusi, yaitu distorsi bentuk dan
inkonsistensi struktur objek pada hasil generasi. Untuk mengatasi keterbatasan tersebut,
diperkenalkan ControlNet yang memungkinkan model difusi untuk menambahkan
pengondisian spasial untuk mempertahankan struktur utama dari citra referensi.
Dalam penelitian ini, Latent Diffusion Model (LDM), melalui model terlatih Stable
Diffusion, dikombinasikan dengan ControlNet berbasis peta tepi Canny, digunakan untuk
meningkatkan ketahanan struktur konten hasil image-to-image translation bergaya animasi.
Metodologi penelitian dimulai dengan pengumpulan data latih, yang terdiri dari 270 gambar
tangkapan layar film buatan Studio Ghibli diambil dari situs web Fanscap. Data kemudian
diproses melalui tahap eliminasi duplikat dan kurasi secara manual. Selanjutnya, dilakukan
pelatihan Low-Rank Adaptation (LoRA) agar model dapat mengerjakan tugas sesuai dengan
objek penelitian yang diangkat. Pada tahap inferensi, model dasar Stable Diffusion
digabungkan dengan ControlNet terlatih berbasis citra tepi Canny dan LoRA yang sudah
dilatih sebelumnya.
Evaluasi model dilakukan terhadap 20 citra fotografis yang diambil dari situs web
Unsplash sebagai citra referensi. Pengujian dilakukan menggunakan tiga metrik pengukuran,
yaitu Structural Similarity Index Measure (SSIM) dan Learned Perceptual Image Patch
Similarity (LPIPS) sebagai metrik pengukuran ketahanan struktural, dan penilaian oleh
pakar sebagai metrik pengukuran kualitas tekstur. Hasil Inferensi tanpa ControlNet
menghasilkan rata-rata nilai SSIM 0,37, LPIPS 0,588, dan skor penilaian pakar 8,5.
Sementara itu, inferensi menggunakan ControlNet menghasilkan rata-rata nilai SSIM 0,461,
LPIPS 0,475, dan skor penilaian pakar 6,7. Berdasarkan hasil pengujian tersebut, ditemukan
bahwa terdapat peningkatan kualitas yang konsisten pada nilai SSIM dan LPIPS, yang
mengindikasikan ketahanan struktur konten yang lebih baik pada citra output. Namun,
dibalik peningkatan ketahanan struktural tersebut, terdapat trade-off yaitu turunnya kualitas
tekstur dari citra output, yang tercermin dari penurunan rata-rata skor penilaian pakar.
Kata Kunci: image-to-image translation, stable diffusion, image generation, canny edge
detection

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	ROWANG PRAMUDITO (Penulis-123200098) ; Bagus Muhammad Akbar (Pembimbing)
Uncontrolled Keywords:	image-to-image translation, stable diffusion, image generation, canny edge detection
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	11 Sep 2026 08:09
Last Modified:	11 Sep 2026 08:09
URI:	http://eprints.upnyk.ac.id/id/eprint/49333

Actions (login required)

View Item