Perpustakaan Digital ITB

Kualitas citra hasil akuisisi menggunakan Transmission Electron Microscope (TEM) sering mengalami degradasi akibat tegangan percepatan rendah, aberasi sferis, dan noise dari sistem deteksi, yang secara langsung menurunkan resolusi spasial dan keakuratan analisis morfologi. Untuk mengatasi permasalahan ini, penelitian ini mengevaluasi pendekatan super-resolusi berbasis deep learning dengan arsitektur Convolutional Neural Network yang dilatih melalui skema Generative Adversarial Network (GAN), guna merekonstruksi citra resolusi tinggi dari citra resolusi rendah. Pelatihan model dilakukan sepenuhnya menggunakan citra sintetis yang diperoleh dari degradasi citra resolusi tinggi menggunakan kernel Gaussian dan sinc-Gaussian, guna mensimulasikan proses degradasi sistem TEM. Evaluasi performa dilakukan pada dua skema data uji, yakni skema data sintetis dan skema data riil dari akuisisi TEM terhadap sampel grating standar. Hasil pengujian pada data sintetis menunjukkan peningkatan performa signifikan, ditandai oleh peningkatan SSIM dari 0,6912 menjadi 0,9447, peningkatan frekuensi cut-off pada FRC dari 0,2942 menjadi 0,3079 siklus/piksel, dan F1-Score deteksi tepi dari 0,5710 menjadi 0,6407. Meskipun demikian, terdapat sedikit penurunan PSNR dari 29,0338 dB menjadi 28,4699 dB akibat penyesuaian intensitas lokal. Namun, saat diterapkan pada data riil, performa model tidak menunjukkan peningkatan signifikan. SSIM meningkat dari 0,3755 menjadi 0,4420, PSNR meningkat dari 17,5916 dB menjadi 19,0114 dB, dan F1-Score hanya naik dari 0,2554 menjadi 0,2759. Evaluasi visual juga tidak menunjukkan peningkatan kontras batas struktur yang nyata. Temuan ini menegaskan bahwa pelatihan dengan degradasi sintetis saja belum cukup merepresentasikan kompleksitas degradasi nyata pada sistem TEM, sehingga diperlukan pendekatan yang mempertimbangkan karakteristik citra riil untuk meningkatkan generalisasi model.