Perpustakaan Digital ITB

Raden Saleh merupakan pelopor pelukis menggunakan teknik gaya barat pertama di Indonesia. Salah satu aliran gaya lukis yang Raden Saleh kuasai adalah naturalis. Lukisan aliran Raden Saleh ini cenderung mudah ditiru oleh para pelukis dengan keahlian yang berpengalaman. Hal ini yang dimanfaatkan pemalsu untuk membuat karya lukis palsu. Selama ini, para ahli mendeteksi keaslian lukisan dengan uji forensik atau secara visual melalui metode kritik seni. Uji forensik membutuhkan biaya yang mahal dan merusak lukisan. Metode kritik seni menilai dengan mendeskripsikan objek-objek yang terlihat dalam lukisan. Metode kritik seni ini bersifat subjektif dan sulit dilakukan bagi pihak yang baru dalam dunia seni. Oleh karena itu, tugas akhir ini membangun model yang dapat mendeteksi keaslian lukisan dengan penilaian kuantitatif dan memberikan persentase keaslian lukisan. Karya Raden Saleh sulit untuk ditemukan di Indonesia. Selama ini, penelitian deteksi keaslian lukisan menggunakan pendekatan klasifikasi. Pendekatan ini memiliki kekurangan karena jumlah data dan pelatihan ulang. Pendekatan similaritas diajukan untuk menangani masalah ini. Model dalam pendekatan similaritas yang diajukan adalah Prototypical Networks dengan model encoder Vision Transformer (ViT) dari Segment Anything (SAM). Prototypical Networks memprediksi dengan membuat cluster dari data dan menghitung jarak titik pusat cluster terhadap data masukan. Model encoder ini dipilih supaya model dapat mempelajari objek-objek dalam lukisan. Model dievaluasi dengan cross validation dan metrik evaluasi akurasi serta f0.5-score untuk meminimalkan kasus lukisan palsu yang diprediksi asli oleh model. Data lukisan asli berasal dari foto lukisan Galeri Nasional Indonesia dan gambar dari situs Balai Lelang Christie di Singapura. Data lukisan palsu dibuat secara sintetis melalui Stable Diffusion karena sulit menemukan karya palsu Raden Saleh di Indonesia. Model prototypical network menghasilkan akurasi latih 63%, akurasi validasi 66%, dan f0.5-score 0.72 terhadap cross validation dan akurasi uji 66.66%, dan f0.5-score 0.71 terhadap data uji lukisan baru. Parameter yang penting dalam mendeteksi keaslian lukisan menggunakan Prototypical Networks adalah sudut pengambilan gambar dan parameter latih learning rate.