<![CDATA[Kerusakan digital pada citra dapat menghilangkan detail penting dan menurunkan kualitas visual. Penelitian ini bertujuan mengembangkan sistem restorasi citra berbasis Pix2Pix Generative Adversarial Networkss (GAN) dengan U-Net sebagai Generator dan PatchGAN sebagai Discriminator. Dataset yang digunakan adalah CelebA-HQ beresolusi 256×256 pixel yang dimodifikasi menjadi tiga tingkat kerusakan yaitu ringan, sedang, dan berat. Proses pelatihan dilakukan selama 100 epoch menggunakan optimizer Adam dengan penyesuaian rasio pembaruan Generator–Discriminator (1:1, 2:1, dan 3:1) untuk menjaga stabilitas model. Evaluasi dilakukan menggunakan Structural Similarity Index Measure (SSIM) dan Peak Signal-to-Noise Ratio (PSNR). Hasil menunjukkan model mampu mencapai SSIM 0,9226 dan PSNR 32,68 dB, yang menandakan keberhasilan dalam mempertahankan struktur spasial serta meningkatkan kualitas visual citra hasil restorasi. Pengujian pada tiga kategori kerusakan menunjukkan tingkat keberhasilan rata-rata di atas 90% pada kerusakan ringan dan sedang, serta 85–90% pada kerusakan berat, meskipun detail halus seperti hidung dan rambut belum sepenuhnya sempurna. Dibandingkan metode konvensional, pendekatan GAN terbukti lebih efektif dalam menghasilkan citra yang realistis dan natural. Selain itu, sistem diimplementasikan dalam bentuk aplikasi web yang memudahkan pengguna melakukan unggah, restorasi, dan unduh citra secara praktis. Dengan demikian, penelitian ini menyimpulkan bahwa pendekatan Pix2Pix berbasis GAN efektif untuk pemulihan citra digital dan memiliki potensi untuk dikembangkan lebih lanjut pada berbagai domain citra termasuk medis maupun arsip sejarah digital. ]]>
Copyrights © 2025
