Desain Produk Berbantuan Kecerdasan Buatan Menggunakan Generative Adversarial Network
Abstract
A Generative Adversarial Network (GAN) telah menunjukkan hasil yang mengesankan dalam pembuatan gambar desain produk. Tujuan Penelitian ini adalah mengusulkan metode untuk meningkatkan desain produk berupa kursi dengan menghasilkan desain kursi yang sangat besar kandidat mengambil sampel dari distribusi data pelatihan dasar yang dipelajari, yang dapat mempercepat proses perancangan dengan tetap mempertahankan variasi bentuk dan tekstur. Metode berbasis GAN mempelajari proyeksi antara dua domain dengan kehilangan konsistensi siklus atau dengan berbagi fitur ruang laten. Penerapan metode-metode tersebut dapat diterapkan untuk menyempurnakan desain produk. Dengan menggunakan GAN maka dapat mencapai tujuan tujuan penelitian yaitu merancang desain produk kursi dengan bentuk dan tekstur yang kreatif. Dibandingkan dengan proses desain kursi tradisional yang membutuhkan waktu lebih lama, metode ini mempercepat proses secara dramatis sekaligus menjaga kreativitas dan orisinalitas. Hasil dari metode ini dapat untuk meningkatkan desain kursi, yang terdiri dari modul sintesis gambar, modul resolusi super, dan keterlibatan manusia. Hal ini dapat mempercepat proses perancangan sekaligus menyeimbangkan kepraktisan dan kreativitas. Kandidat desain yang dihasilkan menunjukkan variasi bentuk dan tekstur. Hasil akhirnya mengilustrasikan metode dengan memilih salah satu kandidat sebagai prototipe desain dan membuat kursi kehidupan nyata dengan bantuan Kecerdasan Buatan.
Downloads
References
Z. Munawar, “Simulasi,” in Manajemen Sains, 1st ed., P. T. Cahyono, Ed. Bandung: Yayasan Cendikia Mulia Mandiri, 2023, p. 131.
Z. Munawar, Konsep Dasar Teori Organisasi, 1st ed. Batam: Yayasan Cendikia Mulia Mandiri, 2023.
Z. Munawar, H. Soerjono, N. I. Putri, Hernawati, and A. Dwijayanti, “Manfaat Kecerdasan Buatan ChatGPT Untuk Membantu Penulisan Ilmiah,” Temat. J. Teknol. Inf. Komun., vol. 10, no. 1, pp. 54–60, Jun. 2023.
Z. Munawar, Konsep Dasar Technopreneurship, 1st ed. Batam: Yayasan Cendikia Mulia Mandiri, 2023.
T. D. Science and K. Sudhir, “Generative Adversarial Networks- History and Overview,” Towards Data Science, 2017. [Online]. Available: https://towardsdatascience.com/generative-adversarial-networks-history-and-overview-7effbb713545.
L. Luce, “Generative Models as Fashion Designers,” in Artificial Intelligence for Fashion, 2019, pp. 125–139.
Iswanto, Z. Munawar, N. I. Putri, Hernawati, and R. Komalasari, “Manfaat Manajemen Teknologi Informasi Di UMKM,” Temat. J. Teknol. Inf. Komun., vol. 10, no. 1, pp. 97–103, Jun. 2023.
Z. Munawar, Etika Dalam Ilmu Komputer, 1st ed. Batam: Yayasan Cendikia Mulia Mandiri, 2023.
N. I. Putri, Iswanto, D. Widhiantoro, Z. Munawar, and H. Soerjono, “Penerapan Manajemen Resiko Pada Komputasi Awan,” Temat. J. Teknol. Inf. Komun., vol. 9, no. 2, pp. 144–151, 2022.
Z. Munawar, Pengantar Teknologi Informasi: Konsep Dan Perkembangannya, 1st ed. Padang: Get Press Indonesia, 2023.
Z. Munawar, Visi Komputer : Konsep, Metode, dan Aplikasi, 1st ed. Bandung: Kaizen Media Publishing, 2023.
Z. Munawar, Big Data Analytics : Konsep, Implementasi, dan Aplikasi Terkini, 1st ed. Bandung: Kaizen Media Publishing, 2023.
Z. Munawar, Iswanto, D. Widhiantoro, N. I. Putri, and R. Komalasari, “Keamanan, Data Pribadi Pada Metaverse,” Temat. J. Teknol. Inf. Komun., vol. 9, no. 2, pp. 134–143, 2022.
Z. Munawar, Manajemen Sains, 1st ed. Batam: Yayasan Cendikia Mulia Mandiri, 2023.
Z. Munawar, Konsep Dasar Pengenalan Ilmu Komputer, 1st ed. Batam: Yayasan Cendikia Mulia Mandiri, 2023.
Z. Munawar, Sains Data : Strategi, Teknik, dan Model Analisis Data, 1st ed. Bandung: Kaizen Media Publishing, 2023.
I. Goodfellow et al., “Generative adversarial networks,” Commun. ACM, vol. 63, no. 11, pp. 139–144, 2020.
J. Schmidhuber, “Deep Learning in Neural Networks: An Overview,” Neural Evol. Comput., vol. 61, pp. 85–117, 2015.
H. Aissi, C. Bazgan, and D. Vanderpooten, “Min–max and min–max regret versions of combinatorial optimization problems: A survey,” Elsevier Eur. J. Oper. Res., vol. 197, no. 2, pp. 427–438, 2009.
Z. C. Lipton and S. Tripathi, “Precise recovery of latent vectors from generative adversarial networks,” in Machine Learning , 2017, vol. 1, no. 2, pp. 1–4.
I. Goodfellow et al., “Generative Adversarial Networks,” Adv. Neural Inf. Process. Syst., vol. 1, pp. 2672–2680, 2014.
I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin, and A. Courville, “Improved training of wasserstein GANs,” in 1st International Conference on Neural Information Processing Systems, 2017, pp. 5769–5779.
L. A. Gatys, A. S. Ecker, and M. Bethge, “Image style transfer using convolutional neural networks,” in IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 2414–2423.
J. Lin, Y. Xia, T. Qin, Z. Chen, and T.-Y. Liu, “Conditional image-to-image translation,” in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 5524–5532.
Z. Liu, F. Gao, and Y. Wang, “A Generative Adversarial Network for AI-Aided Chair Design,” in IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), 2019, pp. 486–490.
A. Radford, L. Metz, and S. Chintala, “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks,” Mach. Learn. Comput. Vis. Pattern Recognit., 2015.
V. Nair and G. E. Hinton, “Rectified linear units improve restricted boltzmann machines,” in The 27th International Conference on International Conference on Machine Learning, 2010, pp. 807–814.
A. L. Maas, “Rectifier Nonlinearities Improve Neural Network Acoustic Models,” Comput. Sci., vol. 30, no. 1, p. 3, 2013.
C. Ledig et al., “Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network,” in International Conference on Computer Vision and Pattern Recognition, 2016, pp. 105–114.
S. Loffe and C. Szegedy, “Batch normalization: Accelerating deep network training by reducing internal covariate shift,” Mach. Learn., vol. 1, pp. 1–11, 2015.
