LAPORAN KERJA PRAKTIK

SISTEM APLIKASI BERBASIS WEB UNTUK PEMBUATAN

CITRA SINTESIS ANIME/KARTUN DENGAN GENERATIVE
ADVERSARIAL NETWORK

PT. ORBIT VENTURA INDONESIA

21 FEBRUARI 2022 - 22 JULI 2022

Oleh :
FARHAN RAMADHAN / 197006516098

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS TEKNOLOGI KOMUNIKASI DAN
INFORMATIKA
UNIVERSITAS NASIONAL
2022
 LAPORAN KERJA PRAKTIK

SISTEM APLIKASI BERBASIS WEB UNTUK PEMBUATAN

CITRA SINTESIS ANIME/KARTUN DENGAN GENERATIVE
ADVERSARIAL NETWORK

PT. ORBIT VENTURA INDONESIA

21 FEBRUARI 2022 - 22 JULI 2022

Oleh :
FARHAN RAMADHAN / 197006516098

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS TEKNOLOGI KOMUNIKASI DAN
INFORMATIKA
UNIVERSITAS NASIONAL
2022
Lembar pengesahan

i
 KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa yang
telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
Kerja Praktik dan menyusun laporan pelaksanaan kerja Praktik di program Magang
dan Studi Independen Bersertifikat (MSIB) yang merupakan salah satu program
utama Kemendikbudristek melalui Merdeka Belajar Kampus Merdeka (MBKM)
PT. Orbit Ventura Indonesia.
Pelaksanaan kerja Praktik diharapkan dapat meningkatkan penerapan
wawasan dan disiplin dunia nyata. laporan kerja Praktik ini adalah pendekatan dan
implementasi dari pekerjaan nyata yang telah dilakukan selama kurang lebih 6
bulan.
Dalam penyusunan laporan pelaksanaan Kerja Praktik ini tidak dapat terjadi
tanpa adanya dukungan dari beberapa pihak. Oleh karena itu, penulis ingin
menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:

1. Kepada kedua orang tua saya tercinta yang telah memberi dukungan, doa,
motivasi, nasihat, dan selalu ada untuk menyemangati penulis selama menyusun
laporan kerja praktik ini.
2. Bapak Nursatyo, S.Sos, M.Si selaku Penanggung Jawab dan Wakil Rektor
Universitas Nasional.
3. Ibu Ira Diana Sholihati, S.Si., MMSI. selaku Dosen Pembimbing Akademik dan
Dosen Wali saya di Universitas Nasional, Jakarta.
4. Ibu Andrianingsih, S.Kom.,MMSI. sebagai kaprodi Sistem Informasi
Universitas Nasional, Jakarta.
5. Coach Bella Septina selaku mentor atau homeroom coach kelas Better yang
selalu membagikan ilmunya, membimbing, memberi semangat, membantu, dan
memberikan nasihat serta selalu siaga dalam menjawab pertanyaan dari penulis
mengenai materi yang masih kurang difahami. Dan juga selaku mentor atau
coach domain teknikal yang telah meluangkan waktu, pikiran, dan telah

ii
 memberikan nasihat kepada penulis dalam menyelesaikan laporan kerja praktik
ini.
6. Coach Farchan Hakim Raswa S.Si.,M.Sc.,M.Cs. Selaku mentor atau coach
domain computer vision yang selalu membagikan ilmunya, membimbing,
memberi semangat, membantu, dan memberikan nasihat serta selalu siaga dalam
menjawab pertanyaan dari penulis mengenai koding program kerja praktik
penulis.
7. Coach Hafizah Ilma selaku mentor atau domain data science yang telah
meluangkan waktu, pikiran, serta telah memberikan nasihat, arahan, dan selalu
siaga dalam menjawab pertanyaan dengan penuh kesabaran dan ikhlas.
8. Seluruh coach pada tiap domain di AI Mastery PT. Orbit Ventura Indonesia,
yang telah meluangkan waktu, tenaga, pikiran, dan membagikan ilmunya kepada
penulis.
9. Serta masih banyak pihak yang tidak dapat disebutkan satu per satu yang telah
membantu penulis dalam menyelesaikan laporan kerja praktik dengan baik dan
tepat waktu.
Penulis menyadari bahwa laporan kerja praktik ini masih banyak
kekurangan dan jauh dari kata sempurna akibat dari keterbatasan dan kemampuan
penulis. Oleh karena itu, penulis dapat menerima setiap kritik dan saran untuk
kesempurnaan pada penulisan laporan kerja praktik ini. Penulis berharap melalui
laporan kerja praktik ini dapat memberikan manfaat bagi semua pihak.
Akhirnya penulis menyadari bahwa laporan ini jauh dari kata sempurna,
untuk itu penulis dengan senang hati menerima kritik dan saran dengan sifat
mendukung demi kemajuan penulis di masa yang akan dating. Penulis berharap
mudah mudahan laporan ini bermanfaat bagi penulis, pembaca dan semua pihak.

Jakarta, 17 Juni 2022

Farhan Ramadhan

iii
 DAFTAR ISI

LEMBAR JUDUL

LEMBAR PENGESAHAN ……………………………………………………… i

KATA PENGANTAR ............................................................................................. ii

DAFTAR ISI ...................................................................................................................iv

DAFTAR GAMBAR .............................................................................................. vi

BAB I PENDAHULUAN .................................................................................... 1

1.1 Latar Belakang .......................................................................................... 1

1.2 Perumusan Masalah .................................................................................. 2

1.3 Batasan Masalah ....................................................................................... 3

1.4 Tujuan ....................................................................................................... 3

1.5 Metodologi ................................................................................................ 4

1.6 Sistematika Penulisan ............................................................................... 5

1.7 Relevansi ................................................................................................... 6

BAB II LANDASAN TEORI................................................................................ 7

2.1 Python ....................................................................................................... 7

2.2 Artificial Intelligence ................................................................................ 7

2.3 Face Detection .......................................................................................... 9

2.4 Google Colab ............................................................................................ 9

2.5 Generative Adversarial Network ............................................................ 10

2.6 Anvil.works............................................................................................. 10

BAB III TINJAUAN UMUM PERUSAHAAN ................................................... 12

3.1 Sejarah Perusahaan PT. Orbit Ventura Indonesia ................................... 12

3.2 Visi dan Misi Perusahaan ....................................................................... 13

iv
BAB IV URAIAN SISTEM .................................................................................. 15

4.1 Perancangan Sistem ................................................................................ 15

4.2 Rancangan Aplikasi ................................................................................ 15

BAB V PENUTUP .............................................................................................. 29

5.1 Kesimpulan ............................................................................................. 29

5.2 Saran ....................................................................................................... 30

DAFTAR PUSTAKA ............................................................................................ 31

LAMPIRAN ..............................................................................................................

v
 DAFTAR GAMBAR

Gambar 3. 1 Logo PT. Orbit Ventura Indonesia ................................................... 12

Gambar 3. 2 Struktur Organisasi PT. Orbit Ventura Indonesia............................. 14
Gambar 3. 3 Key Partnership PT. Orbit Ventura Indonesia ................................. 14
Gambar 4. 1 Modelling .......................................................................................... 16
Gambar 4. 2 Akurasi dan loss................................................................................ 17
Gambar 4. 3 Hasil Prediksi .................................................................................... 17
Gambar 4. 4 Syntax................................................................................................ 18
Gambar 4. 5 Syntax................................................................................................ 19
Gambar 4. 6 Arsitektur model GAN ..................................................................... 19
Gambar 4. 7 Load Model ....................................................................................... 20
Gambar 4. 8 Load Dataset FFHQ-style Alignment dan Membuat Face Detector 20
Gambar 4. 9 Membuat Fungsi yang Membantu Mengkonversi Gambar yang
Memiliki Tipe Data dan Format yang Berbeda ..................................................... 20
Gambar 4. 10 Menyiapkan Webcam...................................................................... 21
Gambar 4. 11 Mengambil Foto dan Mengubahnya Otomatis Menjadi Anime atau
Kartun .................................................................................................................... 21
Gambar 4. 12 Hasil Prediksi Menggunakan Model Autoencoder ......................... 22
Gambar 4. 13 Hasil Prediksi dengan Menggunakan Model GAN ........................ 23
Gambar 4. 14 Tampilan Pengaturan pada anvil.works .......................................... 23
Gambar 4. 15 Syntax .............................................................................................. 24
Gambar 4. 16 Syntax untuk Melakukan Image Recontuction ............................... 24
Gambar 4. 17 Syntax untuk Melakukan Upload Image......................................... 24
Gambar 4. 18 Tampilan Web ................................................................................. 25
Gambar 4. 19 Hasil Ouput Dari Web .................................................................... 25
Gambar 4. 20 Syntax .............................................................................................. 26
Gambar 4. 21 Landmark pada Daerah Wajah ....................................................... 26
Gambar 4. 22 Syntax untuk Menghasilkan Output ................................................ 27
Gambar 4. 23 Output yang Diperoleh ................................................................... 27

vi
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Magang dan Studi Independen Bersertifikat (MSIB) merupakan suatu
program yang dijalankan dan diselenggarakan oleh Kementerian Pendidikan,
Kebudayaan, Riset, dan Teknologi (Kemdikbudristek) melalui Direktorat Jenderal
Pendidikan Vokasi, yang sudah berjalan selama 2 semester. Program MSIB tersebut
merupakan salah satu kegiatan pembelajaran yang di luar kampus dalam kurikulum
Merdeka Belajar Kampus Merdeka (MBKM), yang dimana mahasiswa memiliki
kesempatan untuk mengembangkan kreativitas maupun kemampuannya, serta
memperoleh hard skills (keterampilan, mengatasi problem solving, planning, dsb)
dan soft skills (komunikasi, kerjasama, etika, dsb.) dalam rangka untuk
mempersiapkan para mahasiswa dalam menghadapi persaingan pada dunia kerja
melalui pengalaman yang didapat.
Indonesia tergolong pada negara berkembang dengan memiliki kepulauan
dan jumlah penduduk yang banyak. Meningkatnya jumlah penduduk menunjukkan
bahwa sumber daya manusia di Indonesia juga akan meningkat. Dengan artian, dari
peningkatan tersebut Indonesia memiliki kemungkinan yang besar untuk
mengembangkan dan memanfaat teknologi, yaitu melalui kecerdasan buatan
(Artificial Intelligence) sebagai pendorong dan peningkatan produktivitas negara
yang dimana juga akan diikuti dengan peningkatan pertumbuhan ekonomi serta
kesejahteraan masyarakat Indonesia. Terdapatnya kecerdasan buatan akan
memberikan manfaat yang besar baik itu untuk perusahaan maupun untuk
masyarakat. Selain itu, Artificial Intelligence memiliki banyak dampak baik seperti
meningkatkan efektivitas dan efisiensi kerja. Dikarenakan, kecerdasan tersebut
memiliki keunggulan dalam bekerjanya yang lebih cepat, akurat, dan minim
kesalahan.

1
 2

PT. Orbit Ventura merupakan salah satu perusahaan yang bekerjasama

dengan Kampus Merdeka dengan program yang diluncurkannya adalah Artificial
Intelligence (AI). Program pelatihan yang dijalankan pada program AI tersebut
salah satunya adalah Artificial Intelligence Mastery Program. AI Mastery Program
merupakan pelatihan yang berada di bidang kecerdasan buatan dengan maksud
untuk memperkenalkan teknologi kepada para pelajar. Pembelajaran program ini
lebih berfokus pada komponen utama AI, meliputi Data Science, Natural Language
Processing, Computer Vision, dan Reinforcement Learning. AI Mastery Program
dirancang untuk menuntun setiap individu agar lebih siap dengan prospek pekerjaan
di masa depannya. Selain itu, Foundation Orbit Future Academy didirikan
bertujuan untuk meningkatkan kualitas hidup masyarakat melalui tiga hal, yaitu
inovasi, pendidikan, dan keterampilan. Dilaksanakannya program ini memiliki
tujuan untuk memiliki pengalaman belajar yang optimal yang dimana melalui dasar
pemrograman Python, baik dari Python paling dasar hingga memiliki projek yang
besar.
Pada program Studi Independen ini, peneliti melakukan kerja praktik,
dengan membuat web bernama “Anime Face“, yang dimana web ini dapat
melakukan image reconstruction pada wajah manusia, dengan menggunakan
arsitektur deep learning yaitu, Generative Adversarial Network (GAN), dimana
GAN merupakan metode yang menghasilkan dan membedakan gambar antara yang
“nyata” dan “palsu”. pada metode ini, GAN mempelajari dua jaringan, yaitu
Generator dan Diskriminator. Melalui jaringan-jaringan tersebut, generator
berusaha untuk menipu diskriminator secara maksimal sementara secara bersamaan
diskriminator berusaha untuk mendeteksi contoh mana objek atau subjek yang
palsu. Metode GAN sudah diimplementasikan secara luas pada pembuatan gambar,
video, dan suara.

1.2 Perumusan Masalah

Sugiyono (2011:55) menyatakan bahwa rumusan masalah adalah “suatu
pertanyaan yang akan dicarikan jawabanya melalui pengumpulan data”.
 3

Berdasarkan latar belakang dan pembatasan masalah, maka perumusan masalah

dalam laporan kerja praktik ini adalah:
1. Apa masalah yang terjadi, sehingga membuat penulis memilih mengerjakan
proyek pembuatan image reconstruction wajah manusia, berbasis web,
menggunakan teknologi computer vision ?
2. Bagaimana implementasi salah satu domain artificial intelligence, yaitu
computer vision, dalam membuat image reconstruction wajah manusia,
berbasis web?
3. Bagaimana merancang dan membangun web, menggunakan anvil.works?

1.3 Batasan Masalah

Berdasarkan latar belakang di atas, di dapatkan batasan masalah sebagai
berikut:
1. Pada proyek kerja praktik ini, berfokus pada program image reconstruction
berbasis web, yang dibuat menggunakan bahasa pemrograman python.
2. Kodingan program, hanya menggunakan salah satu domain artificial
intelligence, yaitu computer vision.
3. Hasil output berupa perbandingan antara input gambar wajah yang belum
direkonstruksi dengan yang sudah direkonstruksi.
4. Pembuatan program dilakukan di google colab. Dan deployment program,
menggunakan anvil.works.

1.4 Tujuan
Dalam mengikuti program MBKM AI Mastery Program pada perusahaan
PT Orbit Future Academy, terdapat beberapa tujuan yang akan dicapai, diantaranya
sebagai berikut:
a. Mampu memahami tentang artificial intelligence, pemanfaatannya, hingga
sampai cara menerapkannya.
b. Mampu memahami pentingnya data dalam artificial intelligence.
c. Mahasiswa memperoleh sertifikat kompetensi dari Mitra
 4

d. Mengembangkan dan menggali talenta maupun kompetensi mahasiswa,

baik itu dari soft skills dan hard skills agar siap menghadapi dunia kerja.
e. Meningkatkan pengetahuan, keterampilan, inovasi, serta sikap atau etika
mahasiswa, sehingga dapat meningkatkan kesiapan mahasiswa pada dunia
kerja.
f. Mampu mengimplementasikan ilmu yang telah diberikan selama
pembelajaran studi independen di kehidupan sehari-hari.

1.5 Metodologi
Metodologi penelitian yang digunakan adalah metodologi merancang dan
membangun, dalam kegiatan kerja praktik ini, saya mengumpulkan data melalui 2
tahap, yaitu:
1. Data Acquisition
Pada proses pembuatan program pada kerja praktik, penulis mengerjakanya
bersama tim yang ada di MBKM PT.Orbit Future Academy, sebanyak 3 anggota,
termasuk penulis sendiri. Awal mulanya, penulis dan tim, mengumpulkan dataset
input dan data target. Saya bertugas mengumpulkan 1000 dataset wajah manusia
yang diperoleh melalui web Kaggle. Kemudian, rekan satu tim penulis, yaitu Windy
dan Dimas membuat data target, yaitu wajah manusia versi anime melalui aplikasi
capcut. Selanjutnya, penulis juga memiliki jobdesc untuk membuat kode program,
memulai untuk membuat programnya, dimana data input dan data target, serta data
test telah di resize dengan ukuran yang sama, yiatu (256,256). Selain itu, antara data
input dan data target, telah disesuaikan secara berurutan antara wajah original dan
wajah versi anime atau kartun.
Namun, hasil program yang diperoleh tersebut gagal saat menggunakan
metode autoencoder. Oleh karena itu, kami menemukan solusi dengan
menggunakan Flickr-Faces-HQ (FFHQ), yang merupakan kumpulan dataset
gambar yang berisi gambar wajah manusia berkualitas tinggi. Disediakan oleh
NVIDIA di bawah lisensi Creative Commons BY-NC-SA 4.0. Memiliki 70.000
gambar PNG pada resolusi 1024×1024 yang menampilkan beragam usia, etnis, latar
belakang gambar, dan aksesori seperti topi dan kacamata. Berikut link Dataset dari
 5

FFHQ, https://drive.google.com/drive/folders/1u2xu7bSrWxrbUxk-dT-
UvEJq8IjdmNTP?usp=sharing
2. Data Exploration
Karena saya dan tim kerja praktik saya di PT. Orbit Ventura Indonesia
menggunakan dataset dari Flickr-Faces-HQ (FFHQ), yang dimana FFHQ
merupakan kumpulan dataset gambar yang berisi gambar wajah manusia yang
berkualitas tinggi. Disediakan oleh NVIDIA dengan di bawah lisensi Creative
Commons BY-NC-SA 4.0. FFHQ memiliki 70.000 gambar PNG pada resolusi
1024×1024 yang menampilkan beragam usia, etnis, latar belakang gambar, dan
aksesori seperti topi dan kacamata. Maka dari itu, dataset ini sudah secara otomatis
dilakukan data exploration dari sumbernya, yaitu FFHQ.

1.6 Sistematika Penulisan

Adapun sistematika penulisan nya sebagai berikut:

BAB I PENDAHULUAN
Bab ini merupakan bagian yang berisi mengenai latar belakang penulisan,
rumusan masalah, batasan masalah, maksud dan tujuan penelitian, metodologi, dan
sistematika penulisan.

BAB II LANDASAN TEORI

Pada bab ini menjelaskan tentang landasan teori yang menjelaskan tentang
teori umum yang berkaitan dengan judul, teori program yang berhubungan dengan
aplikasi yang dibangun, teori khusus yaitu berkaitan dengan istilah-istilah yang
dipakai dalam pembuatan website image reconstruction yang diberi nama Anime
Face, sebagai dasar penulisan laporan kerja praktik.

BAB III TINJAUAN UMUM PERUSAHAAN

Pada bab ini menjelaskan mengenai sejarah perusahaan tempat penulis
melakukan kerja praktik, struktur organisasi serta visi misi perusahaan.
 6

BAB IV URAIAN SISTEM

Berisi tentang pekerjaan yang telah dilakukan di perusahaan selama Kerja
Praktik. Bab ini membahas tentang uraian materi, kegiatan kerja praktik yang
dilakukan, perangkat keras dan perangkat lunak yang digunakan.

BAB V PENUTUP
Bab ini terdiri dari kesimpulan dan saran yang berisikan hal – hal terpenting
yang dibahas dan kemudian dijadikan kesimpulan. Bab ini juga berisi saran-saran
yang dimungkinkan untuk pengembangan perangkat lunak selanjutnya.

1.7 Relevansi
Relevansi dari kegiatan kerja praktik ini adalah untuk mengetahui dan
memahami tentang artificial intelligence, pemanfaatannya hingga sampai cara
menerapkannya, dan membuat program aplikasi/web di komputer maupun android,
dengan mengimplementasikan teknologi artificial intelligence. Selain itu, mampu
memahami pentingnya data dalam artificial intelligence.
 BAB II

LANDASAN TEORI

2.1 Python
Python adalah salah satu bahasa pemrograman yang dapat digunakan di
berbagai platform dengan filosofi perancangan yang berfokus pada tingkat
keterbacaan kode dan merupakan salah satu bahasa populer yang berkaitan dengan
artificial intelligence. Keunggulan Python yang bersifat interpretatif juga banyak
digunakan untuk prototyping, scripting dalam pengelolaan infrastruktur, hingga
pembuatan website berskala besar.

2.2 Artificial Intelligence

Artificial intelligence merupakan sistem komputer yang bisa melakukan
pekerjaan-pekerjaan yang umumnya memerlukan tenaga manusia atau kecerdasan
manusia untuk menyelesaikan pekerjaan tersebut. Tujuan dari artificial intelligence
dalam kehidupan manusia adalah untuk memudahkan dan mempercepat pekerjaan
manusia. Pemanfaatan dan penerapan artificial intelligence bisa beragam, mulai
dari penerapan artificial intelligence dalam bidang bisnis, profesi, juga industri.
Bentuk pemanfaatannya bisa berupa assistant layanan, mesin pengingat data, serta
bisa juga sebagai pembantu pengambilan keputusan bisnis. Di dalam Artificial
intelligence, terdapat beberapa cabang, yaitu:
1. Machine learning, Machine learning adalah studi mengenai algoritma
komputer yang dapat meningkatkan kinerja program komputer secara
otomatis melalui data sebelumnya. Cara kerja machine learning adalah
dengan mengumpulkan, memeriksa, dan membandingkan data berukuran
kecil hingga besar untuk menemukan pola dan mengeksplorasi
perbedaanya. Machine learning dibagi menjadi tiga jenis, yaitu supervised
learning, unsupervised learning, dan reinforcement learning.

7
 8

a. Supervised learning adalah algoritma yang digunakan untuk

menemukan pola dalam data masukan yang diberi label sehingga
memungkinkan kita menghasilkan data keluaran yang benar secara
efektif. Di dalam supervised learning, data training telah diberi label.
Algoritma akan memprediksi output dari input, contoh algoritma:
1. Klasifikasi (memetakan masukan ke label keluaran)
2. Regresi (memetakan masukan ke keluaran berkelanjutan)

b. Unsupervised learning adalah algoritma machine learning yang

umumnya digunakan untuk mempelajari struktur karakteristik data
kita tanpa menggunakan label yang disediakan secara eksplisit. Di
dalam unsupervised learning, data training tidak berlabel. Algoritma
mempelajari struktur karakteristik dari data masukan(input), contoh
algoritma:
1. Clustering (mempelajari hubungan antara fitur individu)
2. Dimensional Reduction (metode untuk mengurangi fitur)

c. Reinforcement learning, merupakan algoritma yang bertujuan untuk

mengambil tindakan yang akan memaksimalkan output dan
meminimalkan resiko dengan cara mengamati dan mengumpulkan
interaksi dengan environment-nya.

2. Deep learning, merupakan bagian dari machine learning dan artificial

intelligence di bidang pembelajaran representasi data. Efektif digunakan di
pembelajaran pola atau pattern. Deep learning merupakan model belajar
untuk melakukan tugas klasifikasi langsung dari gambar, teks, atau suara.
Deep learning biasanya diimplementasikan dengan menggunakan neural
network architecture.
Di dalam bidang ilmu artificial intelligence, terdapat 3 domain utama, yang
masing-masing memiliki fungsi yang berbeda, ketiga domain tersebut, yaitu:
 9

1) Data Science, merupakan salah satu domain artificial intelligence yang

dipelajari untuk melakukan pengolahan data dengan tujuan menciptakan
strategi bisnis, membantu pengambilan keputusan, dan lain sebagainya.
2) Natural Language Processing, merupakan salah satu domain artificial
intelligence yang dipelajari untuk membuat komputer dapat memahami
bahasa manusia dalam bentuk tertulis (teks) dan verbal (ucapan).
3) Computer Vision, merupakan salah satu domain artificial intelligence yang
dipelajari untuk membuat komputer dapat memproses, menganalisa, dan
memahami citra (images). Dimana data citra, bisa berasal dari banyak
sumber, seperti video, depth image, medical scanner, satellite sensor, dan
lain sebagainya.

2.3 Face Detection

Face detection, merupakan teknologi komputer yang digunakan dalam
berbagai aplikasi yang mengidentifikasi wajah manusia dalam gambar digital. Face
detection menggunakan filter yang dihasilkan komputer untuk mengubah gambar
wajah menjadi ekspresi numerik yang dapat dibandingkan untuk menentukan
kesamaannya. Filter ini biasanya dihasilkan dengan menggunakan deep learning,
yang menggunakan artificial neural networks untuk memproses data.
Algoritma face detection biasanya dimulai dengan mencari mata manusia,
yang merupakan salah satu fitur termudah untuk dideteksi. Algoritma kemudian
lanjut mendeteksi alis, mulut, dagu, hidung, dan lubang hidung.

2.4 Google Colab

Google colab atau google colaboratory adalah sebuah fasilitas web online,
yang dibuat oleh google, yang digunakan untuk menulis dan mengeksekusi bahasa
pemrograman Python di browser, tanpa memerlukan konfigurasi, akses gratis ke
GPU, dan berbagi kode program dengan mudah melaluli google drive.
Google colab dapat membantu kebutuhan kolaborasi tim. Di mana notebook
yang akan dibuat nantinya juga dapat diedit secara bersamaan oleh anggota tim lain,
seperti halnya menyunting dokumen di google documents.
 10

Keuntungan terbesar dari google colab adalah bahwa ia memiliki kumpulan

built-in-library machine learning paling populer yang dapat dimuat dengan mudah
dalam notebook.

2.5 Generative Adversarial Network

Generative Adversarial Network adalah sebuah arsitektur artificial neural
networks yang bertujuan untuk membentuk atau membangkitkan suatu data yang
benar-benar baru, dari tidak ada menjadi ada. Umumnya target utama dari GAN
adalah data gambar/citra. Secara singkat, jaringan GAN dilatih untuk mampu
membangkitkan suatu gambar baru berdasarkan kumpulan gambar yang telah ia
lihat sebelumnya selama proses training.
Secara umum arsitektur GAN terdiri dari 2 jaringan yang disebut sebagai
jaringan generator dan discriminator. Bentuk jaringan generator dapat dilihat
berkebalikan dengan struktur jaringan saraf pada umumnya. Jaringan generator
menerima input sebuah vektor angka z, kemudian mengubahnya menjadi output
gambar tiga dimensi. Vektor input z umumnya dibangkitkan secara acak, lalu dari
angka sembarang tersebut generator membangkitkan gambar yang juga sembarang.
Jaringan discriminator merupakan jaringan klasifikasi biner yang menerima
input gambar tiga dimensi dan mengeluarkan klasifikasi menyatakan input gambar
adalah gambar asli dari dataset atau merupakan gambar buatan generator.
discriminator dilatih dengan sekumpulan data yang dibangkitkan oleh generator,
dan sekumpulan data dari dataset, dan dilatih untuk bisa membedakan keduanya.
Gambar-gambar generator yang berhasil dikenali discriminator sebagai
gambar “palsu”, akan dikembalikan sebagai feedback pada jaringan generator.
Tugas generator kini adalah dilatih untuk bisa membuat sekumpulan gambar palsu,
yang saat dilihat oleh discriminator, discriminator tidak bisa membedakan antara
asli dan palsunya.

2.6 Anvil.works
Anvil.works adalah sebuah fasilitas untuk membangun aplikasi web, hanya
dengan menggunakan bahasa Python. Dengan menggunakan anvil.works, kode
 11

program python yang ada di dalam google colab, dapat dengan mudah di deploy
menjadi sebuah web, dengan cara menghubungkan kodingan back end yang ada di
google colab, dengan web yang sudah dibuat di anvil.works.
 BAB III

TINJAUAN UMUM PERUSAHAAN

3.1 Sejarah Perusahaan PT. Orbit Ventura Indonesia

PT. Orbit Ventura Indonesia adalah perusahaan yang bergerak di bidang
pendidikan dan pelatihan, khususnya di bidang ilmu teknologi dan ketenagakerjaan.

Gambar 3. 1 Logo PT. Orbit Ventura Indonesia

PT. Orbit Ventura Indonesia didirikan pada tahun 2016 dengan tujuan untuk
meningkatkan kualitas hidup melalui inovasi, pendidikan, dan pelatihan
keterampilan. Brand Orbit merupakan kelanjutan dari warisan Almarhum Dr. Hasri
Ainun Habibie dan Almarhum Prof. Dr. Ing. B.J. Habibie, Presiden ke-3 Republik
Indonesia. Keduanya telah menjadi penggerak dalam mendukung perkembangan
Pendidikan, Inovasi dan Teknologi di Indonesia.
PT. Orbit Ventura Indonesia adalah inisiatif Skills-for-Future-Jobs oleh PT
Orbit Ventura Indonesia. PT. Orbit Ventura Indonesia mengkurasi dan melokalkan
program & kursus internasional untuk peningkatan keterampilan dan keterampilan
ulang pemuda dan tenaga kerja menuju Pekerjaan Masa Depan.
PT. Orbit Ventura Indonesia menawarkan kursus bersertifikat industri
dalam Kecerdasan Buatan, Kewirausahaan Startup, Keterampilan Pendidik,
Literasi Digital, Kecakapan Hidup, dan banyak lagi. Program saat ini tersedia untuk
usia 12 – 60 tahun dan ditujukan untuk Pencari Kerja dan Pencipta Kerja di masa
depan. PT. Orbit Ventura Indonesia merupakan mitra pendidikan Pemerintah
Indonesia, khususnya Kementerian Pendidikan, Kebudayaan, Riset & Teknologi,
Kementerian Koperasi & UKM dan Kementerian Agama. PT. Orbit Ventura

12
 13

Indonesia saat ini memberikan program ke 170+ universitas dan telah meluncurkan
program keterampilan nasional untuk sektor K12 Sekolah & Madrasah, yang
ditujukan untuk menjangkau 10.000 sekolah, 1 juta guru dan 5 juta siswa selama 5
tahun.
PT. Orbit Ventura Indonesia juga membentuk forum nasional bernama
Indonesia Education Forum, sebuah forum bulanan yang mendiskusikan solusi
dari tantangan yang dihadapi sektor Pendidikan, dengan melibatkan berbagai
pemangku kepentingan, termasuk Kemendikbudristek dan perusahaan global.

3.2 Visi dan Misi Perusahaan

Visi:
Memberikan pembelajaran berbasis keterampilan transformatif terbaik untuk para
pencari kerja & pencipta lapangan kerja.

Misi:
1. Membangun jaringan Orbit Transformation Center (OTC) secara
nasional untuk menyampaikan kurikulum keterampilan masa depan
berbasis sertifikasi melalui Platform Konten Digital.
2. Secara proaktif bekerja dengan pemerintah & organisasi dengan
mengubah tenaga kerja mereka agar sesuai dengan perubahan pekerjaan
yang terjadi karena Industri 4.0.
3. Melatih pemuda dengan keterampilan kewirausahaan & mencocokkan
mereka dengan peluang masa depan yang muncul di berbagai industri.
4. Menghubungkan jaringan inkubator dan akselerator yang dikurasi ke
industri, investor, dan ekosistem start-up global.
 14

Struktur organisasi PT. Orbit Ventura Indonesia dapat dilihat pada Gambar 3.2.

Gambar 3. 2 Struktur Organisasi PT. Orbit Ventura Indonesia

Key Partnership PT. Orbit Ventura Indonesia dapat dilihat pada Gambar 3.3.

Gambar 3. 3 Key Partnership PT. Orbit Ventura Indonesia

 BAB IV

URAIAN SISTEM

4.1 Perancangan Sistem

Proses pengerjaan projek image recrontuction wajah manusia, diberi nama
projek Anime Face, projek Anime Face ini dilakukan secara tim atau berkelompok
dengan jumlah anggota 3 orang. Kerja praktik yang dikerjakan adalah berdasar pada
domain-domain AI Mastery yang telah dipelajari selama melaksanakan kegiatan
MSIB di Orbit Future Academy. Tim penulis pada kerja praktik “Anime Face”
menerapkan domain Computer Vision.
Pertama-tama penulis dan tim melakukan diskusi mengenai kerja praktik
yang akan dilaksanakan, mulai dari pembagian tugas (job desc), pembagian dataset
yang akan digunakan sebagai input, serta timeline pengerjaan tiap anggota. Tim
menggunakan dataset Flickr-Faces-HQ (FFHQ), yang merupakan kumpulan
dataset gambar yang berisi gambar wajah manusia berkualitas tinggi. Dataset ini
disediakan oleh NVIDIA di bawah lisensi Creative Commons BY-NC-SA 4.0.
Memiliki 70.000 gambar PNG pada resolusi 1024×1024 yang menampilkan
beragam usia, etnis, latar belakang gambar, dan aksesori seperti topi dan kacamata.
Tahap selanjutnya, menetapkan model. Model yang digunakan pada tugas
akhir ini adalah mode tingkat advance, yang dimana model ini telah dilatih oleh
beberapa peneliti, diantaranya adalah bryandlee, Xing Han Lu, AK391, dan Sxela
Alex. Kami memperoleh modelnya berasal dari link github bryandlee. Sedangkan,
untuk face detector, kami menggunakan dlib’s HOG face detector model.

4.2 Rancangan Aplikasi

Data Acquisition
Pada proses pembuatan program ini, awal mula penulis dan tim
mengumpulkan dataset input dan data target, yang dimana saya mengumpulkan

15
 16

1000 dataset wajah manusia yang diperoleh melalui web Kaggle. Kemudian, Windy
dan Dimas selaku anggota tim saya lainnya membuat data target, yaitu wajah
manusia versi anime melalui aplikasi capcut. Selanjutnya, Farhan Ramadhan, yaitu
saya sendiri, yang memiliki jobdesc untuk membuat kode program, memulai untuk
membuat programnya, dimana data input dan data target, serta data test telah di
resize dengan ukuran yang sama, yiatu (256,256). Selain itu, antara data input dan
data target, telah disesuaikan secara berurutan antara wajah original dan wajah versi
anime atau kartun.
Namun, hasil program yang diperoleh tersebut gagal saat menggunakan
metode autoencoder. Oleh karena itu, kami menemukan solusi dengan
menggunakan Flickr-Faces-HQ (FFHQ), yang merupakan kumpulan dataset
gambar yang berisi gambar wajah manusia berkualitas tinggi. Disediakan oleh
NVIDIA di bawah lisensi Creative Commons BY-NC-SA 4.0. Memiliki 70.000
gambar PNG pada resolusi 1024×1024 yang menampilkan beragam usia, etnis, latar
belakang gambar, dan aksesori seperti topi dan kacamata.

Data Exploration
Data exploration pada penelitian ini diperoleh pada tahap data acquisition.
Tim kami menggunakan Flickr-Faces-HQ (FFHQ), yang dimana FFHQ
merupakan kumpulan dataset gambar yang berisi gambar wajah manusia yang
berkualitas tinggi. Dataset ini disediakan oleh NVIDIA dengan di bawah lisensi
Creative Commons BY-NC-SA 4.0. FFHQ memiliki 70.000 gambar PNG pada
resolusi 1024×1024 yang menampilkan beragam usia, etnis, latar belakang gambar,
dan aksesori seperti topi dan kacamata.

Modelling
Memasuki tahap modelling, pada awalnya kami menggunakan autoencoder
dengan arsitektur model yang tertera pada lampiran Gambar 4.1.

Gambar 4. 1 Modelling
(Gambar dapat dilihat di lampiran)
 17

Pada tahap ini, kami telah mencapai akurasi sebesar 90,16% dan loss sebesar
5% dapat dilihat pada Gambar 4.2 berikut:

Gambar 4. 2 Akurasi dan loss

Namun, hasil prediksi yang diperoleh melalui proses kodingan, dengan

menggunakan modelling autoencoder adalah sebagai berikut:

Gambar 4. 3 Hasil Prediksi

Maka dari itu, kami memutuskan untuk menggunakan Generative

Adversarial Networks (GAN) untuk mengatasi permasalahan tersebut. Dimana
anggota tim saya, yaitu Farhan Ramadhan yang memiliki jobdesc untuk melakukan
kodingan program, memilih untuk menggunakan model GAN Face2paint yang
 18

telah tersedia di Github. Modelling pada metode GAN ini menggunakan library
atau package torch.
Pada tahap model, sebelum membuat generator-nya, pertama-tama terlebih
dahulu membuat class ConvNormLReLU() dengan parameter nn.Sequential, yang
dengan artian, prosesnya akan berjalan secara mengalir dari atas ke bawah. Dan di
dalam class ConvNormLReLU(), di buat pad_layer, yang berisi “zero”, “same”,
dan “reflect”.

Gambar 4. 4 Syntax
(Gambar dapat dilihat di lampiran)

Pada Gambar 4.4, def__init__(self) berfungsi agar setiap kali class

ConvNormLReLU() dipanggil, maka pad_layer() yang akan pertama kali
dijalankan. Di sini in_ch memiliki arti input channel, sedangkan out_ch memiliki
arti output channel. Kemudian, kernel_size = 3 menunjukkan apabila dimensi dari
kernel adalah 3, artinya setiap kali melakukan konvolusi, maka 3x3 matrix di input
data dikalikan dengan 3x3 di filter. Lalu untuk stride = 1 memiliki maksud satu
matriks yang dilompati. Untuk bagian Pad_mode=”reflect” menunjukkan bahwa
pads dengan reflection vektor dicerminkan pada nilai pertama dan terakhir vektor
di sepanjang setiap sumbu.
Di dalam pad_layer() diberikan nn.ZeroPad2d, yang dimana paddingnya
berupa angka nol (0). Lalu nn.Replicationpad2d, yaitu padding-nya berupa angka
replika dari angka-angka original yang ada di dalam matriks, serta
nn.Reflectionpad2d, yaitu padding-nya berupa angka hasil pencerminan angka
original di dalam matriks.
Pada kodingan super(ConvNormLReLU, self).__init__(). Yang mengambil
method dari “super class” ConvNormLReLU(). Berfungsi agar setiap kali class
ConvNormLReLU() digunakan, maka secara otomatis akan dijalankan
pad_layer[pad_mode](padding) dari def __init__ yang dimana dengan urutan
paling awal bisa diambil, nn.Conv2d(), nn.GroupNorm(), nn.LeakyReLU(). Di sini,
menggunakan nn.Conv2d, karena kita akan melakukan 2D Image Processing.
 19

Untuk nn.GroupNorm(), memiliki fungsi sebagai pooling layer, yaitu mengurangi

jumlah parameter, tetapi informasi terpenting dari bagian tersebut tetap diambil.
Kemudian yang terakhir nn.LeaktReLU(), adalah activation layer dengan
negative_slope=0.2.
Selanjutnya pada class InvertedResBlock(nn.Module), untuk Parameter
nn.Module, menunjukkan bahwa modul juga dapat berisi modul lain, yang
memungkinkan untuk menyarankannya dalam tree structure. Selain itu, juga dapat
menetapkan submodul sebagai atribut biasa.

Gambar 4. 5 Syntax
(Gambar dapat dilihat di lampiran)

Dalam Gambar 4.5, def__init__(self) berfungsi agar setiap kali class

InvertedResBlock() dipanggil, maka super(InvertedResBlock, self).__init__()
digunakan. Hal ini berfungsi untuk mengambil method dari “super class”
InvertedResBlock(). Kemudian, in_ch menunjukkan input channel, sedangkan
out_ch menunjukkan output channel. Kodingan bottleneck =
int(round(in_ch*expansion_ratio)) berfungsi untuk memperdalam network yang
membuat deep learning mempelajari data lebih detail dengan memperlebar hidden
layer, serta membuat deep learning mempelajari varians data lebih dalam. Setelah
itu, dilakukan proses bottleneck, Conv2d, dan pooling/normalisasi secara
berurutan. Syntax def forward(self, input) memiliki fungsi agar jika in_ch ==
out_ch, maka output dari program adalah input + output yang telah diproses melalui
berbagai layer yang sudah dijelaskan diatas.
Arsitektur dari model GAN yang kami gunakan memiliki arsitektur yang
terdiri dari 5 blok dan 1 output layer. Dimana kami memang hanya menggunakan
generator saja, tanpa menggunakan discriminator.

Gambar 4. 6 Arsitektur model GAN

(Gambar dapat dilihat di lampiran)
 20

Load Model
Memasuki tahap kodingan program aplikasi “Anime Face”. Disini Penulis
memilih untuk menggunakan model yang telah di train dan sudah memiliki akurasi
yang cukup akurat. Berikut adalah kodingan beserta penjelasan yang telah ditulis
langsung di dalam kodingan tersebut.

Gambar 4. 7 Load Model

(Gambar dapat dilihat di lampiran)

Load Dataset FFHQ-style alignment dan membuat Face Detector

Tahap selanjutnya melakukan kodingan untuk bisa melakukan face detector
dan load dataset dari FFHQ. Face detector berfungsi agar nantinya program dapat
dengan mudah mengidentifikasi bagian-bagian wajah seperti mata, hidung, bibir,
pipi, dan dagu. Lalu, setelah diidentifikasi, maka program jadi lebih mudah dalam
mengubah wajah pengguna menjadi wajah mereka versi anime atau kartun. Berikut
adalah kodingan beserta penjelasanya:

Gambar 4. 8 Load Dataset FFHQ-style Alignment dan Membuat Face Detector

(Gambar dapat dilihat di lampiran)

Membuat Fungsi
Untuk membantu mengkonversi gambar yang memiliki tipe data dan format
yang berbeda, diperlukan membuat fungsi terlebih dahulu [1].

Gambar 4. 9 Membuat Fungsi yang Membantu Mengkonversi Gambar yang

Memiliki Tipe Data dan Format yang Berbeda

(Gambar dapat dilihat di lampiran)

 21

Menyiapkan Webcam Image

Menjalankan kode pada gambar yang diambil dari webcam. Dengan
memanfaatkan kode di dalam Google Colab's Code. Menggunakan code snippet
untuk Camera Capture, yang dapat memanfaatkan komputer webcam.

Gambar 4. 10 Menyiapkan Webcam

(Gambar dapat dilihat di lampiran)

Mengambil Foto dan Mengubahnya Otomatis Menjadi Kartun

atau Anime
Pada tahap selanjutnya untuk mengubah wajah menjadi versi anime dengan
secara otomatis dilakukan dengan melalui kodingan pada Gambar 4.11.

Gambar 4. 11 Mengambil Foto dan Mengubahnya Otomatis Menjadi Anime atau

Kartun

Pertama-tama dilakukan dengan syntax filename =

take_photo('foto.jpg').convert("RGB") untuk mengambil foto yang dimana secara
otomatis warna foto juga akan berubah dan terkonversi menjadi warna Red, Green,
Blue (RGB). Pewarnaan RGB ini biasa digunakan untuk grafis computer.
Kemudian, pada syntax display(Image(filename)) digunakan untuk menampilkan
hasil image yang telah terkonversi tersebut. Namun akan terjadi kesalahan jika
 22

pengguna tidak memiliki webcam. Untuk memberikan izin halaman untuk

mengaksesnya dilakukan dengan syntax print(str(err)).

Evaluation
Pada awal pengerjaan kerja praktik ini, kami menggunakan metode
autoencoder untuk menjalankan modelling kerja praktik ini. Dalam proses
pengerjaan, kami sudah mendapatkan akurasi sebesar 90,16% dan loss sebesar 5%.
Akan tetapi, hasil prediksi yang diperoleh tidak sesuai dengan baik seperti gambar
dibawah ini.

Gambar 4. 12 Hasil Prediksi Menggunakan Model Autoencoder

Untuk mengatasi permasalahan tersebut, kami memutuskan untuk

menggunakan modelling Generative Adversarial Networks (GAN). Dalam proses
penggunaan model GAN yang diperoleh dari github, pada akhirnya hasil program
yang diperoleh tersebut akurat dan mencapai apa yang tim kami ingingkan, seperti
contoh pada gambar di bawah ini.
 23

Gambar 4. 13 Hasil Prediksi dengan Menggunakan Model GAN

Deployment
Memasuki tahap deployment, anggota tim saya, yaitu Penulis melakukan
deployment dengan menggunakan “anvil.works” dikarenakan anvil.works dapat
dengan mudah membuat web dan kedepannya web yang telah dibuat dapat langsung
dihubungkan dengan kodingan back end yang telah tersedia di google colab. Untuk
menghubungkan antara google colab dengan web yang sudah dibuat di anvil.works.
Pertama-tama, klik ikon pengaturan di anvil.works, lalu pilih “uplink”.

Gambar 4. 14 Tampilan Pengaturan pada anvil.works

 24

Kedua, salin kodingan berikut, kemudian Run di kodingan back end yang
ada dalam google colab.

Gambar 4. 15 Syntax

Ketiga, membuat kodingan seperti pada gambar 4.16, yang nantinya

digunakan oleh web dalam melakukan image recrontuction dari wajah manusia
normal, menjadi wajah versi anime atau kartun.

Gambar 4. 16 Syntax untuk Melakukan Image Recontuction

(Gambar dapat dilihat di lampiran)

Keempat, dilanjutkan menggunakan kodingan anvil.server.wait_forever()

untuk membuat google colab sebagai server dari web kami. Terakhir, di dalam web
yang telah dibuat dengan menggunakan anvil.work, anggota tim saya membuat
kodingan sebagai mana tertera pada gambar 4.17, agar web dapat melakukan
upload image dari lokal computer. Lalu secara otomatis akan melakukan image
recrontuction dari wajah manusia normal, menjadi wajah versi anime atau kartun.

Gambar 4. 17 Syntax untuk Melakukan Upload Image

(Gambar dapat dilihat di lampiran)

Dengan demikian, hasil program yang diperoleh adalah seperti pada gambar
di bawah ini.
 25

Gambar 4. 18 Tampilan Web

Gambar 4. 19 Hasil Ouput dari Web

Nama web yang peneliti dan tim buat pada kerja praktik ini adalah “Anime
Face”. Web Anime Face dibuat dikarenakan kami melihat antusias masyarakat
Indonesia dalam menyukai budaya popular Jepang, yaitu anime. Sehingga,
Indonesia tergolong dengan negara yang memiliki jumlah wibu (Pecinta budaya
Jepang) terbanyak di dunia. Web ini memiliki tujuan untuk mengubah wajah user
 26

atau pengguna menjadi wajah mereka dengan versi anime atau kartun. Target web
ini ditujukan bagi semua orang yang ingin menggunakannya. Berikut penjelasan
mengenai cara kerja web Anime Face:
1. Saat membuka web kami, yaitu “Anime Face”. User akan diperlihatkan
tombol untuk melakukan upload gambar atau foto. Setelah itu, web
tersebut akan terhubung dengan kodingan back end program kami yang
ada di google colab.
2. Disini anggota tim saya menyambungkan antara google colab dengan web-
nya menggunakan anvil.work dengan mengetikkan baris kode sebagai
berikut.

Gambar 4. 20 Syntax
(Gambar dapat dilihat di lampiran)
3. Setelah itu, gambar yang berasal dari input user akan ditandai terlebih
dahulu pada bagian-bagian penting di area wajah, seperti mata, hidung,
mulut, dan lain sebagainya dengan menggunakan model
shape_predictor_68_face_landmarks.dat yang merupakan teknologi dari
dlib’s HOG face detector.

Gambar 4. 21 Landmark pada Daerah Wajah

 27

4. Gambar yang telah diberikan landmark selanjutnya akan diproses

menggunakan model yang telah ditrain, yaitu model “face2paint”
5. Berikut kodingan untuk menghasilkan output berupa wajah versi
anime/kartun. Serta menampilkan hasil output dan membandingkanya
langsung dengan input di web.

Gambar 4. 22 Syntax untuk Menghasilkan Output

(Gambar dapat dilihat di lampiran)

6. Kemudian hasil yang diperoleh akan seperti pada gambar di bawah ini:

Gambar 4. 23 Output yang Diperoleh

Pada web “Anime Face” yang kami buat pastinya memiliki beberapa
kelebihan dan kekurangan. Kelebihan pada aplikasi ini yang pertama adalah bisa
secara otomatis mengubah wajah user menjadi wajah mereka dengan versi anime
atau kartun. Kedua, dapat langsung membandingkan antara gambar input, yaitu
gambar asli dari pengguna dan gambar output, yaitu gambar dengan versi anime
atau kartun. Ketiga, mudah dan efisien dalam menggunakannya, yaitu hanya
dengan mengunggah gambar saja.
 28

Adapun beberapa kelemahan atau kekurangan pada aplikasi ini. Pertama,

gambar output atau wajah pengguna versi anime, tidak dapat disimpan (save).
Sehingga pengguna perlu melakukan tangkap layar (screenshoot) untuk
menyimpannya kedalam galeri. Kedua, gambar hanya bisa dilakukan dengan
upload. Tidak bisa secara langsung melalui foto atau selfie di web.
 BAB V

PENUTUP

5.1 Kesimpulan
Selama kegiatan proses MBKM kali ini, saya mendapatkan kesempatan
untuk memperoleh banyak wawasan dan pengetahuan yang lebih baru dimana itu
merupakan ilmu yang sangat penting untuk masa depan dunia. Selain itu saya juga
berkesempatan untuk memperluas relasi atau koneksi yang dimana peserta MBKM
berasal dari berbagai daerah yang ada di indonesia. Pengalaman kegiatan ini sangat
berharga dan berarti karena dapat menjadi bekal persiapan sebelum menghadapi
atau memulai kehidupan di dunia kerja kedepannya. Semoga kedepannya ilmu,
wawasan, dan pengalaman praktik yang sudah didapatkan dari MBKM ini dapat
dimanfaatkan dengan sebaik mungkin untuk memperoleh prospek kerja yang sesuai
dengan minat dan bakat.
Pada Program Studi Independen penulis memiliku beberapa poin dalam Projek
Akhir ini, sebagai berikut:
1. Projek Akhir ini bernama “Anime Face” yaitu sistem cerdas bertujuan untuk
memprediksi, mendeteksi, dan pengenalan pada wajah yang dimana dapat
mengubah wajah seseorang menjadi anime atau Kartun
2. Projek ini menggunakan arsitektur deep learning, yaitu Generative
Adversarial Network (GAN) yang merupakan metode yang menghasilkan
dan membedakan gambara antara yang “nyata” dan “palsu”, dengan
menggunakan 2 jaringan yaitu Generator dan Diskriminator.
3. Pengumpulan dataset menggunakan dataset Flickr-Faces-HQ (FFHQ), yang
merupakan kumpulan dataset gambar yang berisi gambar wajah manusia
berkualitas tinggi. Dataset ini disediakan oleh NVIDIA di bawah lisensi
Creative Commons BY-NC-SA 4.0.

29
 30

4. Face Detector dan Load Data set dari FFHQ untuk mengidentifikasi wajah
seperti mata, hidung, bibir, pipi dan dagu. Setelah itu program akan jadi
lebih mudah dalam mengubah wajah menjadi anime dan kartun.

5. Deployment Web mengunakan Anvil.works, Anvil merupakan sebuah situs

open source untuk membuat aplkasi maupun website dengan basis Python.

5.2 Saran
1. Sebelum memulai pengerjaan proyek diharapakan melakukan studi literatur
ataupun pendalaman materi terhadap tools dan Bahasa pemrograman yang
digunakan, agar pengerjaan tugas-tugas dan proyek lebih efisien.
2. Perlunya penulisan dokumentasi terhadap kode program dari proyek yang
sedang dikerjakan agar anggota tim lain dapat mehami arti dari kode
program yang telah kita tulis.
 DAFTAR PUSTAKA

[1] V. Zanitri, H. and S. E. Wibowo, “Pengaruh Menonton Anime Jepang Di

Internet Terhadap Perilaku Imitasi Di Kalangan Komunitas Japan Club East
Borneo Kota Samarinda,” eJournal Ilmu Komunikasi, vol. 6, no. 2, pp. 15-27,
2018.
[2] C. W. Erwindo, “Efektifitas Diplomasi Budaya Dalam Penyebaran Anime
Dan Manga Sebagai Nation Branding Jepang,” Jurnal Analisis Hubungan
Internasional, vol. 7, no. 2, 2018.
[3] R. Vinuesa, H. Azizpour, I. Leite, M. Balaam, V. Dignum, S. Domisch, A.
Felländer, S. D. Langhans, M. Tegmark and F. F. Nerini, “The role of artificial
intelligence in achieving the Sustainable Development Goals,” NATURE
COMMUNICATIONS, pp. 1-10, 2020.
[4] R. Khalida, R. W. P. Pamungkas and S. Setiawati, “Pembuatan Gambar
Sintesis dari Deskripsi Teks Dengan Algoritma Generative Adversial
Network,” Aisyah Journal Of Informatics and Electrical Engineering, vol. 2,
no. 2, pp. 111-114, 2020.
[5] A. A. Praramadhan and G. E. Saputra, “Cycle Generative Adversarial
Networks Algorithm With Style Transfer For Image Generation,” arXiv
preprint arXiv:2101.03921, 2021.
[6] K. Takayama, H. Johan and T. Nishita, “Face detection and face recognition
of cartoon characters using feature extraction,” In Image, Electronics and
Visual Computing Workshop, p. 48, 2012.
[7] L. Farokhah, “Perbandingan Metode Deteksi Wajah Menggunakan OpenCV
Haar Cascade, OpenCV Single Shot Multibox Detector(SSD)dan
DLibCNN,” urnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5,
no. 3, pp. 609-614, 2021.

31
 32

[8] J. Hellsten and T. Karras, “Github,” 27 Desember 2021. [Online]. Available:

https://github.com/NVlabs/ffhq-dataset/blob/master/download_ffhq.py.
[Accessed 20 Mei 2022].
[9] B. Dewey, IDN TIMES, 05 Desember 2019. [Online]. Available:
https://www.idntimes.com/science/experiment/bayu-d-wicaksono/negara-
dengan-jumlah-wibu-terbanyak-c1c2/9. [Accessed 01 Juni 2022].
[10] A. D. Cantika, Oketravel, 18 Maret 2022. [Online]. Available:
https://travel.okezone.com/read/2022/03/17/408/2563379/10-negara-
dengan-jumlah-wibu-terbanyak-indonesia-urutan-5-teratas?page=1.
[Accessed 01 Juni 2022].
[11] F. Satya, Telkom University, 3 Mei 2019. [Online]. Available:
https://medium.com/ailab-telu/menginvestigasi-kemampuan-generative-
adversarial-network-1d5d2351cbc0. [Accessed 20 Mei 2022].
[12] I. Jurjawi, “Implementasi Pengenalan Wajah Secara Real Time untuk Sistem
Absensi Menggunakan Metode Pembelajaran Deep Learning Dengan
Pustakan Open CV (Computer Vision),” Skripsi, 2020.
[13] L. W. Alexander, S. R. Sentinuwo and A. M. Sambul, “Implementasi
Algoritma Pengenalan Wajah Untuk Mendeteksi Visual Hacking,” E-Journal
Teknik Informatika, vol. 11, no. 1, 2017.
 LAMPIRAN

Beberapa Listing Program dan Rumus

Gambar 4. 1 Modelling
Gambar 4. 4 Syntax

Gambar 4. 5 Syntax
Gambar 4. 6 Arsitektur model GAN
Gambar 4. 7 Load Model
Gambar 4. 8 Load Dataset FFHQ-style Alignment dan Membuat Face Detector
Gambar 4. 9 Membuat Fungsi yang Membantu Mengkonversi Gambar yang
Memiliki Tipe Data dan Format yang Berbeda
Gambar 4. 10 Menyiapkan webcam
Gambar 4. 16 Syntax untuk Melakukan Image Recontuction
Gambar 4. 17 Syntax untuk Melakukan Upload Image

Gambar 4. 20 Syntax
Gambar 4. 22 Syntax untuk Menghasilkan Output
Surat Pengantar (Surat Rekomendasi MBKM-MSIB)
Surat Tugas ( SPTJM Mahasiswa)
Surat Bimbingan (Surat Verifikasi Diterima)
Absensi
Form Nilai
Dokumentasi Kerja Praktik