PENINGKATAN PERFORMA GENERATIVE ADVERSARIAL NETWORK (GAN) DALAM PEWARNAAN CITRA GRAYSCALE

Pewarnaan citra adalah salah satu implementasi deep learning yang merupakan proses pemberian warna terhadap citra berskala. Visual citra berwarna jauh lebih menarik serta informasi yang disampaikan dari citra berwarna lebih lengkap jika dibandingkan dengan visual citra grayscale. Ini merupakan tugas yang rumit karena objek citra dapat memiliki warna yang berbeda, namun dengan adanya AI dan deep learning semua tugas tersebut dapat diotomatisasi dengan mudah. Penelitian ini dilakukan untuk mendapatkan sebuah model terbaik yang dapat mengubah suatu citra grayscale menjadi citra berwarna. Proses tersebut menggunakan algoritma GAN serta mengimplementasikan arsitektur U-Net berdasarkan model yang telah dilatih sebelumnya (pretrained model) namun memakai tiga backbone dari torchvision, yaitu ResNet18, MobileNet V3-Small, dan MobileNet V3-Large sebagai generator GAN. Penelitian ini memakai nilai batch size dan learning rate yang bervariasi guna untuk mencari nilai yang dapat menghasilkan error terendah. Model dilatih dengan menggunakan 10.000 citra dari COCO dataset. Dari hasil penelitian ini didapatkan bahwa model yang menggunakan backbone MobileNet v3-Large dengan batch size 20 dan learning rate 2x10-4 untuk generator GAN dan 2x10-4 untuk diskriminator merupakan model terbaik dengan akurasi yang didapatkan sebesar 95,35% pada saat pelatihan model. Namun pada saat pengujian model, didapatkan bahwa model yang menggunakan backbone ResNet18 dengan batch size 20 dan learning rate 2x10-4 untuk generator GAN dan 2x10-4 untuk diskriminator merupakan model terbaik dengan akurasi yang didapatkan sebesar 93,88%. Selanjutnya, dilakukan pengukuran jarak rata-rata antar titik pada line chart dari 350 citra yang digunakan pada pengujian model dan didapatkan hasil bahwa jarak rata-rata terendah adalah jarak antara citra asli dengan citra hasil prediksi menggunakan backbone ResNet18 batch size 20 yaitu sebesar 0,176537