Catalog Detail

Pengelompokan genre lukisan secara manual memerlukan waktu yang cukup lama, bersifat subjektif, dan sangat bergantung pada pengetahuan pengamat karena setiap genre memiliki ciri visual yang beragam serta sebagian genre memiliki kemiripan objek, warna, tekstur, dan komposisi. Selain itu, distribusi jumlah data pada tiap kelas sering kali tidak seimbang. Penelitian ini bertujuan mengimplementasikan model transfer learning MobileNetV2 dan VGG19 untuk klasifikasi genre lukisan berbasis citra digital, serta mengevaluasi performanya pada skenario dataset original, dataset undersampling dan dataset oversampling sepia. Dataset yang digunakan adalah WikiArt-GAN Gogh dengan 14 genre lukisan. Solusi yang diterapkan dalam penelitian ini adalah mengimplementasikan dan mengevaluasi MobileNetV2 serta VGG19 pada tiga skenario data, yaitu dataset original, dataset undersampling, dan dataset oversampling sepia. Hasil penelitian menunjukkan bahwa VGG19 pada dataset original menghasilkan performa terbaik dengan accuracy 76,33%, precision sebesar 0,7030, recall sebesar 0,6828, dan F1-score sebesar 0,6916. MobileNetV2 pada dataset original memperoleh accuracy sebesar 75,10%, precision sebesar 0,6972, recall sebesar 0,6592, dan F1-score sebesar 0,6737. Pada skenario oversampling sepia, VGG19 memperoleh accuracy sebesar 75,47%, precision sebesar 0,7257, recall sebesar 0,6425, dan F1-score sebesar 0,6723, sedangkan MobileNetV2 memperoleh accuracy sebesar 73,75%, precision sebesar 0,6958, recall  sebesar 0,6327, dan F1-score  sebesar 0,6549. Hasil tersebut menunjukkan bahwa VGG19 pada dataset original menjadi model dan skenario terbaik. Undersampling menghasilkan penurunan performa terbesar, sedangkan oversampling sepia belum meningkatkan performa keseluruhan karena penambahan citra melalui transformasi warna belum memberikan variasi visual dan semantik yang cukup untuk meningkatkan generalisasi model secara konsisten.
Kata Kunci: Klasifikasi Genre Lukisan, Citra Digital, Undersampling, Oversampling sepia, MobileNetV2, VGG19, Data Multikelas.