Translasi Citra Malam Menjadi Citra Siang Menggunakan Deep Convolutional Generative Adversarial Network

Abstract

Abstrak Banyak penelitian yang sedang berfokus untuk pengolahan citra pada keadaan cahaya rendah atau minim, agar bisa menghasilkan citra yang bagus dan jelas. Maka penelitian ini bertujuan untuk mentranslasikan citra yang diambil pada keadaan minim cahaya atau pada malam hari sekalipun dapat menghasilkan suatu citra yang jelas atau seperti citra dengan kualitas cahaya bagus atau diambil pada kondisi siang hari. Untuk mewujudkannya, penelitian ini menggunakan dua kategori dataset, yaitu citra yang diambil dengan dengan keadaan siang dan dataset dengan keadaan malam hari yang kemudian dataset tersebut dilatih menggunakan DCGAN (Generative Adverserial Network). Dengan metode ini, mesin akan dilatih dengan masukan awal adalah citra malam, kemudian akan masuk ke generator GAN untuk selanjutnya diproses sehingga menghasilkan suatu citra siang hari dan kemudian dibandingkan, apakah hasilnya sudah mirip dengan citra siang hari yang terdapat pada discriminator GAN. Kemudian model dievaluasi dengan menghitung nilai dari SSIM atau akurasi dan nilai loss-nya menggunakan L2 untuk menentukan apakah performa DCGAN yang dibangun telah mendapat hasil yang baik atau tidak. Kata kunci: computer vision, DCGAN, discriminator, generator, citra, dataset Abstract A lot of research is currently focused on image processing in low or low light conditions, in order to produce good and clear images. So this study aims to translate images taken in low light conditions or even at night to produce a clear image or like an image with good light quality or taken in daytime conditions. To make it happen, this study uses two categories of datasets, namely images, which is taken with day conditions and datasets with night conditions which are then trained using DCGAN (Generative Adverserial Network). With this method, the machine will be trained with the initial input is a night image, then it will enter the GAN generator for further processing so that it produces a daytime image and then compare, whether the results are similar to the daytime image found on the GAN discriminator. Then the model is evaluated by calculating the value of the SSIM or its loss value using L2 to determine whether the DCGAN performance that was built has got good results or not. Keywords: computer vision, DCGAN, discriminator, generator, image, dataset