Perpustakaan Digital ITB

Citra astronomi (astronomical image) memiliki peran yang krusial dalam pengamatan astronomi (baik untuk identifikasi, analisis, maupun visualisasi). Namun, kualitas citra sering terdegradasi oleh berbagai masalah, salah satunya distraksi derau noise. Derau noise dapat muncul akibat berbagai faktor, seperti sifat intrinsik dan proses elektronik instrumen observasi, kondisi atmosfer, fluktuasi latar belakang, dan lain sebagainya. Oleh karena itu, diperlukan pendekatan untuk mengurangi noise pada citra astronomi agar dihasilkan citra yang lebih baik. Neural network merupakan subset dari pembelajaran mesin (machine learning) dan inti dari algoritma pembelajaran mesing mendalam (deep learning). Cara kerja neural network yaitu dengan mereplikasi cara kerja otak manusia yang terdiri dari berbagai neuron untuk mempelajari serta memahami suatu hal, termasuk identifikasi noise pada gambar. Secara garis besar, cara kerja model berbasis neural network dalam mengurangi noise adalah dengan mengidentifikasi noise pada citra dan menghasilkan citra yang lebih bersih. Pada tugas akhir ini, dilakukan proses denoising pada citra gugus galaksi Stephan’s Quintet (koordinat ? 22:36:07.99 dan ? +33:57:53.1) dari Hubble Space Telescope (HST) menggunakan metode Denoising Convolutional Neural Network (DnCNN) dengan data training set berasal dari pemodelan GALFIT. Hasil denoising tersebut kemudian dibandingkan dengan citra galaksi yang sama dari instrumen yang lebih canggih, yaitu James Webb Space Telescope (JWST). Tujuan perbandingan ini adalah untuk mengevaluasi kemampuan metode DnCNN dalam meningkatkan kualitas citra melalui pengurangan noise. Evaluasi ini dilakukan secara kuantitatif dengan melakukan estimasi nilai Peak Signal-to-Noise Ratio (PSNR), Naturalness Image Quality Evaluator (NIQE), dan analisis profil S´ersic. Selain itu, dilakukan juga peninjauan tingkat kesalah error dari model yang sudah dilatih menggunakan loss function Mean Squared Error. Lalu, dilakukan juga evaluasi kualitatif performa model melalui perbandingan residual dan perbandingan visual melalui detektor alami (mata pengamat) berdasarkan hasil inferensi model.