Detail Cantuman

Penelitian ini membahas implementasi dan evaluasi restorasi citra wajah berbasis deep learning pada kondisi noise Gaussian, dengan tujuan memulihkan citra terdegradasi agar mendekati citra asli. Restorasi citra wajah penting karena kualitas citra sangat memengaruhi akurasi pada aplikasi identitas, biometrik, dan pengenalan otomatis. Penelitian dilakukan menggunakan 100 citra wajah dari dataset CelebA-HQ berukuran 256 ? 256 piksel yang dibagi menjadi 70% data latih, 15% data validasi, dan 15% data uji. Citra kemudian diberi Additive White Gaussian Noise (AWGN) dengan parameter ??=0,1, lalu dilatih menggunakan empat arsitektur, yaitu Simple CNN, CNN + U-Net, DnCNN + U-Net, dan DnCNN + ResNet. Proses pelatihan menggunakan fungsi loss Mean Squared Error (MSE) dan optimizer Adam. Evaluasi dilakukan secara kuantitatif dengan metrik PSNR, SSIM, dan runtime, serta secara kualitatif melalui pengamatan visual terhadap citra hasil restorasi. Hasil penelitian menunjukkan bahwa seluruh model mampu meningkatkan kualitas citra dari kondisi noisy yang memiliki rata-rata PSNR 20,52?20,53 dB dan SSIM 0,3040?0,3106. Model Simple CNN memberikan performa terbaik dengan PSNR rata-rata 32,34 dB, SSIM 0,8759, dan runtime 0,0073 detik per gambar. CNN + U-Net menghasilkan PSNR 30,27 dB dan SSIM 0,8709, DnCNN + U-Net memperoleh PSNR 31,28 dB dan SSIM 0,8579, sedangkan DnCNN + ResNet menghasilkan PSNR 28,49 dB dan SSIM 0,7112. Secara visual, hasil restorasi dari Simple CNN tampak paling mendekati citra ground truth dalam menjaga kebersihan citra dan detail wajah. Dengan demikian, model Simple CNN terbukti paling efektif dan efisien untuk restorasi citra wajah pada kondisi noise Gaussian dalam penelitian ini.