SUPER PIXEL MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK UNTUK PENINGKATAN KUALITAS CITRA

ALBERT MANUEL SIMBOLON

Informasi Umum

Kode

20.04.3721

Klasifikasi

006.42 - Computer science-Image processing

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Image Processing

Dilihat

50 kali

Informasi Lainnya

Abstraksi

Pada era digital seperti saat ini, citra digital sangat mudah untuk didapatkan, dengan banyak teknologi yang mendukung untuk mendapatkan citra digital. Umumnya citra digital diambil menggunakan perangkat elektronik seperti kamera DSLR, kamera webcam, dan kamera handphone. Kebutuhan akan citra digital yang berkualitas sangat banyak di berbagai bidang profesional seperti fotografi, industri animasi, medis, penelitian, maupun untuk kebutuhan pribadi. Namun tidak jarang citra yang dihasilkan kamera digital kurang baik kualitasnya, dikarenakan tingginya noise level pada saat proses akusisi citra seperti pengaturan ISO kamera yang terlalu tinggi, pencahayaan yang rendah dan proses transmisi. Hal tersebut dapat merusak informasi yang ada di dalam citra dan mengurangi kenyamanan saat dilihat oleh mata. Additive White Gaussian Noise (AWGN) atau biasa disebut gaussian noise. DnCNN merupakan metode CNN yang umum digunakan untuk mereduksi noise pada citra digital. Pada tugas akhir ini dirancang model sistem denoising menggunakan arsitektur DnCNN dengan 4 skenario training dengan variasi konfigurasi hyperparameter epoch dan learning rate yang berbeda. Setiap model yang sudah selesai training disimpan ke dalam file checkpoint.pth, sehingga model dapat digunakan kembali pada saat testing tanpa harus melakukan proses training yang sama. Proses testing dilakukan menggunakan data uji dari test set berupa citra noise dengan variasi noise level ?=15,35,dan 50 standar deviasi. Analisis model sistem denoising dilakukan dengan menganalisa variasi konfigurasi hyperparameter yang digunakan pada skenario training, pengaruh konfigurasi hyperparameter terhadap performansi model dari hasil PSNR dan performansi sistem denoising pada testing menggunakan data uji dengan noise level yang berbeda. Testing menggunakan checkpoint model dengan konfigurasi terbaik dan didapatkan hasil PSNR berdasarkan data uji dengan noise level yang berbeda yaitu, ?=15 PSNR 26.109, ?=35 PSNR 21.368, dan ?=50 PSNR 19.076.

Kata Kunci: DnCNN, Gaussian Noise level, Denoising, Hyperparameter, PSNR