Pengembangan CycleGAN Berbasis Residual Block untuk Penghilangan Kabut pada Citra

Abstract

Penurunan kualitas visual akibat kabut menjadi tantangan utama dalam berbagai aplikasi pengolahan citra, seperti kendaraan otonom dan sistem pengawasan. Untuk mengatasi hal ini, penelitian ini mengembangkan model CycleGAN dengan sepuluh modifikasi arsitektur untuk meningkatkan kemampuan penghilangan kabut (dehazing). Modifikasi mencakup penambahan residual block, dilated convolution, self-attention, serta integrasi perceptual loss dan haze-aware loss. Dataset yang digunakan terdiri dari 200 citra tidak berpasangan, dengan 100 citra berkabut dan 100 citra jernih, yang kemudian dibagi menjadi 90% data pelatihan dan 10% data pengujian. Seluruh citra diubah ukurannya menjadi 256×256 piksel dan dilakukan augmentasi untuk memperkaya data. Evaluasi dilakukan secara kuantitatif menggunakan PSNR dan secara kualitatif melalui analisis visual. Hasil menunjukkan bahwa Modifikasi 5, dengan delapan residual block dan dilated convolution,memberikan performa terbaik dengan PSNR tertinggi (8,20 dB) dan kualitas visual paling alami. Sementara itu, Modifikasi 9 menunjukkan efisiensi tinggi dengan hasil yang cukup kompetitif, cocok untuk sistem dengan sumber daya terbatas. Penelitian ini membuktikan bahwa modifikasi arsitektur CycleGAN mampu meningkatkan efektivitas dehazing secara signifikan