ANALISA STRATEGIS DALAM PROSES GENERATE IMAGE-TO-VIDEO PADA PLATFORM AI GENERATIF UNTUK OPTIMALISASI KUALITAS VIDEO

Authors

  • Imam Ainudin Pirmansah Universitas Amikom Yogyakarta
  • Dhimas Adi Satria Universitas Amikom Yogyakarta
  • Rifai Ahmad Musthofa Universitas Amikom Yogyakarta

DOI:

https://doi.org/10.24076/joism.2025v7i1.2131

Keywords:

generative AI, image-to-video, video quality, comparative analysis, benchmarking, PSNR, SSIM

Abstract

Perkembangan pesat kecerdasan buatan generatif (AI) telah mentransformasi proses pembuatan konten digital, khususnya dalam menghasilkan video dari gambar statis. Meskipun telah hadir berbagai platform AI image-to-video seperti Kling, Runway, Pixverse, dan Hailuo, hingga kini belum ada benchmarking komprehensif dan sistematis terkait kinerja serta kualitas output dari platform-platform tersebut. Penelitian ini menyajikan analisis komparatif terhadap keempat platform guna mengoptimalkan kualitas video untuk kebutuhan kreatif maupun profesional. Pendekatan kuantitatif dan kualitatif digunakan melalui pengukuran waktu proses, resolusi, frame rate, Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM), serta penilaian berbasis skala Likert oleh panelis ahli. Hasil eksperimen menunjukkan bahwa Runway secara konsisten menghasilkan kualitas visual dan sinematografi terbaik, Kling unggul dalam stabilitas karakter dan efisiensi biaya, Hailuo menonjol pada detail tekstur, sementara Pixverse menawarkan workflow tercepat. Temuan ini memberikan panduan praktis bagi pengguna, pengembang, dan pelaku industri dalam memilih dan mengoptimalkan platform AI image-to-video.

References

[1] M. Kristianto, D. Yuono, F. Teknik, U. Tarumanagara, F. Teknik, and U. Tarumanagara, “Interaksi manusia dan ai sebagai pendekatan desain ruang kreatif,” vol. 5, no. 2, pp. 1699–1710, 2023, doi: 10.24912/stupa.v5i2.24310.

[2] O. Article, “Future of animation with artificial intelligence,” vol. 4, no. December, pp. 180–187, 2023, doi: 10.29121/shodhkosh.v4.i2SE.2023.5.

[3] Y. Chen, Y. Wang, T. Yu, and Y. Pan, “The Effect of AI on Animation Production Efficiency : An Empirical Investigation Through the Network Data Envelopment Analysis,” 2024.

[4] X. Liu, X. Xiang, Z. Li, and Y. Wang, “A Survey of AI-Generated Video Evaluation,” pp. 1–59.

[5] A. Ghildyal, S. Member, Y. Chen, S. Zadtootaghaj, and N. B. Senior, “Quality Prediction of AI Generated Images and Videos : Emerging Trends and Opportunities,” pp. 1–16.

[6] A. Susanto, D. Sinaga, I. Utomo, and W. Mulyono, “PSNR and SSIM Performance Analysis of Schur Decomposition for Imperceptible Steganography,” vol. 11, no. 3, pp. 803–810, 2024, doi: 10.15294/sji.v11i3.9561.

[7] L. Zhao, X. Peng, Y. Tian, M. Kapadia, and D. N. Metaxas, “Towards Image-to-Video Translation : A Structure-Aware Approach via Multi-stage Generative Adversarial Networks,” Int. J. Comput. Vis., 2020, doi: 10.1007/s11263-020-01328-9.

[8] F. Fan, C. Luo, W. Gao, and J. Zhan, “BenchCouncil Transactions on Benchmarks , Standards and Evaluations AIGCBench : Comprehensive evaluation of image-to-video content generated by AI,” BenchCouncil Trans. Benchmarks, Stand. Eval., vol. 3, no. 4, p. 100152, 2024, doi: 10.1016/j.tbench.2024.100152.

[9] F. Syahputra et al., “Evaluasi Efektivitas Ai Generatif Dalam Membantu Guru Menyusun Materi Pembelajaran Di Indonesia,” vol. 3, no. 3, pp. 265–271, 2025.

[10] Y. Tang et al., “Generative AI for Cel-Animation : A Survey,” pp. 1–20.

[11] A. Q. Measurement, O. F. Video, P. Application, and U. Ssim, “PENGUKURAN KUALITAS APLIKASI PEMUTAR VIDEO MENGGUNAKAN METODE,” pp. 501–508, 2020.

[12] I. A. Detection, “Tinjauan Literatur Sistematik tentang Structural Similarity Index Measure untuk Deteksi Anomali Gambar,” vol. 7, no. 2, 2020.

Downloads

Published

2025-06-16

Issue

Section

Articles

Most read articles by the same author(s)