Pengaruh perbedaan resolusi terhadap kinerja Super-Resolution Generative Adversarial Network (SRGAN) dalam merestorasi citra wajah

Zulfani, Hisyam Arief (2026) Pengaruh perbedaan resolusi terhadap kinerja Super-Resolution Generative Adversarial Network (SRGAN) dalam merestorasi citra wajah. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (121kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (181kB) | Preview
Preview	Text (SUKET BEBAS PLAGIASI) 3_skbebasplagiarism.pdf Download (266kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (214kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (247kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (441kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (319kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (543kB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (158kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (181kB) | Request a copy
	Text (LAMPIAN) 11_lampiran.pdf Restricted to Repository staff only Download (109kB) | Request a copy

Abstract

Super-Resolution Generative Adversarial Network (SRGAN) merupakan pendekatan berbasis deep learning yang efektif untuk meningkatkan resolusi citra wajah. Penelitian ini menganalisis kinerja tiga model SRGAN yang dilatih menggunakan dataset LFW, CelebA, dan FFHQ, yang memiliki tingkat kompleksitas data berbeda. Pelatihan diawali dengan pretraining generator menggunakan Mean Squared Error (MSE), kemudian dilanjutkan dengan pelatihan adversarial yang dievaluasi menggunakan Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM). Hasil pretraining menunjukkan penurunan nilai MSE yang konsisten pada seluruh dataset, menandakan proses pembelajaran yang stabil. Dataset LFW mencapai konvergensi tercepat dengan nilai MSE terendah, CelebA menunjukkan kompleksitas menengah dengan penurunan MSE yang stabil, sedangkan FFHQ memiliki nilai MSE tertinggi akibat resolusi dan detail tekstur yang lebih kompleks. Pada tahap SRGAN, model LFW memberikan performa terbaik dengan PSNR 35,46 dB dan SSIM 0,9603. CelebA menghasilkan performa menengah dengan PSNR tertinggi 27,96 dB dan SSIM 0,8157, sementara FFHQ mencapai PSNR tertinggi 24,78 dB dengan SSIM hingga 0,8318. Hasil ini menunjukkan bahwa kompleksitas dataset berpengaruh signifikan terhadap performa SRGAN, di mana dataset yang lebih sederhana menghasilkan kualitas rekonstruksi yang lebih tinggi, sedangkan dataset beresolusi tinggi memerlukan strategi pelatihan dan sumber daya komputasi yang lebih optimal.

Actions (login required)

View Item