Perpustakaan Digital ITB

Super Resolusi Citra Tunggal (SRCT) berbasis pembelajaran mendalam merupakan salah satu metode pemrosesan citra yang kini kerap diteliti untuk mengatasi permasalahan peningkatan kualitas citra. SRCT memiliki keuntungan dari metode super resolusi lainnya dikarenakan minimnya kebutuhan jumlah citra input dan beban komputasi yang ringan. Salah satu bidang aplikasi SRCT yang memiliki potensi untuk pendalaman adalah pada citra medis, dimana pada penelitian ini objek utama merupakan citra sinar-X dental panoramik, yang memiliki beberapa limitasi pada resolusi dan kualitas citra. Pada penelitian ini, dilakukan implementasi SRCT pada citra sinar-X dental panoramik dengan pendekatan berbasis Efficient Sub-Pixel Convolutional Neural Network (ESPCN). Algoritma SRCT yang diimplementasikan terbagi menjadi tiga tahap yakni pra-pemrosesan citra, pelatihan model, dan pengujian model. Base model yang digunakan berupa pengembangan dari ESPCN dengan 4 lapisan konvolusi dan fungsi aktivasi jenis RelU, seiring dengan pengujian dilakukan pula parameter tuning dan pelatihan ulang untuk mendapat model akhir dengan performa terbaik. Pada tahap pelatihan, digunakan dataset latih berupa citra Dental Panoramic X-ray bersumber dari domain publik dan pada tahap pengujian, kemampuan model diuji dengan dataset citra sinar-X dental panoramik yang diperoleh dari narasumber Fakultas Kedokteran Gigi Universitas Padjadjaran. Evaluasi performa model pada pelatihan dan pengujian dilakukan menggunakan perbandingan nilai Peak Signal-to-Noise Ratio (PSNR), Structural Similarity (SSIM), dan Structural Disimilarity (DSSIM) citra prediksi model terhadap citra ground truth. Pada model terbaik, didapatkan nilai PSNR rata-rata 38,8 dB dengan rata-rata kenaikan kualitas citra sebesar 2% pada 20 citra dataset pengujian berbanding nilai PSNR rata-rata 38,2 dB citra pembanding atau benchmark. Citra hasil prediksi model memiliki nilai rata-rata SSIM 0,96 dan DSSIM 0,019 terhadap citra ground truth.