ANALISIS ESTETIKA POSTER DIGITAL MENGGUNAKAN DEEP LEARNING BERBASIS CNN

Abstract

Poster digital merupakan media komunikasi visual yang tidak hanya berfungsi menyampaikan informasi, tetapi juga mengandalkan aspek estetika untuk menarik perhatian dan membangun persepsi audiens. Penilaian estetika poster selama ini umumnya bersifat subjektif, sehingga diperlukan pendekatan yang lebih objektif dan terukur. Penelitian ini bertujuan untuk menganalisis kualitas estetika poster digital menggunakan pendekatan Deep Learning berbasis Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 melalui teknik transfer learning. Dataset penelitian berasal dari Kaggle Poster Aesthetic Dataset yang berisi poster digital dengan label kategori estetika. Data dibagi menjadi data pelatihan, validasi, dan pengujian, serta diproses melalui tahapan pra-pemrosesan berupa resizing, normalisasi, dan augmentasi data. Model CNN digunakan untuk mengekstraksi fitur visual bertingkat, mulai dari warna, tepi, dan tekstur hingga komposisi, fokus visual, dan keseimbangan desain. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai tingkat akurasi di atas 86%, dengan performa yang stabil dalam mengklasifikasikan kualitas estetika poster digital. Analisis terhadap tiga poster uji menunjukkan bahwa CNN mampu mengidentifikasi perbedaan karakter visual secara konsisten. Poster dengan komposisi seimbang, variasi warna harmonis, dan fokus visual jelas memperoleh skor estetika lebih tinggi. Hasil penelitian ini membuktikan bahwa CNN efektif sebagai alat bantu evaluasi estetika poster digital secara objektif dan berpotensi mendukung praktik Desain Komunikasi Visual.