Implementasi ESPCN untuk Meningkatkan Kualitas Foto dan Akurasi Model Klasifikasi Menggunakan CNN

Authors

  • Andre Daegal Universitas Teknologi Yogyakarta
  • Rianto Rianto Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.61769/jurtel.v18i1.559

Keywords:

akurasi, CNN, kualitas foto, OpenCV, super resolution, accuration, photo quality

Abstract

Dalam pelaksanaan penelitian sering kali dijumpai hambatan media pendukung untuk menunjang berlangsungnya observasi dan eksperimen yang diteliti. Terutama pada kasus penelitian yang melibatkan foto, tidak sedikit permasalahan kualitas yang menggunakan kamera menunjukkan hasil yang tidak ideal, seperti timbul remang-remang, titik-titik berwarna yang mengganggu, maupun gangguan lainnya. Sejalan dengan perkembangan teknologi yang saat ini melaju pesat, persoalan tersebut mampu diatasi dengan pemrograman komputer melalui Opensource Computer Vision Library (OpenCV). OpenCV ini merupakan modul pemrograman yang di dalamnya terkandung berbagai fitur. salah satunya meningkatkan kualitas gambar dengan super resolution. Dalam praktiknya, foto yang memiliki kualitas rendah akan ditingkatkan kualitas gambarnya menggunakan model efficient subpixel convolutional neural network (ESPCN). Untuk mendukung sarana pengujian, algoritme deep learning yang digunakan yaitu convolutional neural network (CNN). CNN bekerja untuk mendapatkan persentase akurasi foto yang diteliti sebagai representasi hasil akhir pengujian. Pengujian ini bertujuan untuk meningkatkan kualitas foto yang rendah dengan model ESPCN untuk dibandingkan akurasinya dengan foto orisinal. Hasil pengujiannya yaitu penerapan ESPCN terhadap foto kualitas rendah. Hasil pengujian akurasinya lebih tinggi daripada foto orisinal dengan selisih 1,2%. Foto orisinal memiliki akurasi 90,6%, sedangkan foto yang ditingkatkan kualitasnya memiliki akurasi 91,8%. Hasil akhir tersebut menunjukkan bahwa foto dengan kualitas rendah dapat ditingkatkan kualitasnya menggunakan ESPCN hingga dapat menghasilkan akurasi yang lebih baik.

 

In conducting research, there are often obstacles to supporting media to support the observations and experiments under study. Especially in the case of research involving photos, not a few quality problems that use cameras show results that are not ideal, such as dimness, disturbing-colored dots, or other disturbances. In line with the rapid development of technology today, these problems can be overcome by computer programming through the Opensource Computer Vision Library (OpenCV). OpenCV is a programming module that contains various features, one of which is improving image quality with super-resolution. In practice, photos that have low quality will be enhanced using the efficient subpixel convolutional neural network (ESPCN) model. The deep learning algorithm used is a convolutional neural network (CNN) to support the testing means. CNN works to obtain the percentage accuracy of the photos under study as a representation of the final test results. This test aims to improve the low quality of photos with the ESPCN model to compare the accuracy with the original photos. The test result is the application of ESPCN to low-quality photos. The test result is higher accuracy than the original photo with a difference of 1.2%. The original photo had an accuracy of 90.6%, while the enhanced photo had an accuracy of 91.8%. The final result shows that low-quality photos can be upscaled using ESPCN to produce better accuracy.

Author Biographies

Andre Daegal, Universitas Teknologi Yogyakarta

Program Studi Sains Data, Fakultas Sains dan Teknologi

Rianto Rianto, Universitas Teknologi Yogyakarta

Program Studi Sains Data, Fakultas Sains dan Teknologi

References

S. Anwar, S. Khan, dan N. Barnes, “A deep journey into super-resolution: a survey,” ACM Comput. Surv., vol. 53, no. 3, hlm. 1–21, 2020, doi: 10.1145/3390462.

Z. Chu, dkk., “A generalizable smple resolution augmentation method for mechanical fault diagnosis based on ESPCN,” J. Sensors, vol. 2021, 2021, doi: 10.1155/2021/7496007.

P. N. Michelini, Y. Lu, dan X. Jiang, “Edge-SR: super-resolution for the masses,” Pros. - 2022 IEEE/CVF Winter Conf. Appl. Comput. Vision, WACV 2022, hlm. 4019–4028, 2022, doi: 10.1109/WACV51458.2022.00407.

S. Zhang, G. Liang, S. Pan, dan L. Zheng, “A fast medical image super resolution method based on deep learning network,” IEEE Access, vol. 7, hlm. 12319–12327, 2019, doi: 10.1109/ACCESS.2018.2871626.

R. Ravikumar dan V. Arulmozhi, “Digital image processing-a quick review,” Int. J. Intell. Comput. Technol., vol. 2, no. 2, hlm. 16–24, 2019.

F. F. Maulana dan N. Rochmawati, “Klasifikasi citra buah menggunakan convolutional neural network,” J. Informatics Comput. Sci., vol. 1, no. 02, hlm. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.

C. Chazar dan B. Erawan, “Machine learning diagnosis kanker payudara menggunakan algoritme support vector machine,” Inf. (Jurnal Inform. dan Sist. Informasi), vol. 12, no. 1, hlm. 67–80, 2020, doi: 10.37424/informasi.v12i1.48.

N. Giarsyani, A. F. Hidayatullah, dan R. Rahmadi, “Komparasi algoritme machine learning dan deep learning untuk named entity recognition (studi kasus: data kebencanaan),” J. Inform. Rekayasa Elektron., vol. 3, no. 1, hlm. 48–57, 2020, doi: 10.20961/ijai.v4i2.41317.

B. W. Kurniadi, H. Prasetyo, G. L. Ahmad, B. Aditya Wibisono, dan D. Sandya Prasvita, “Analisis perbandingan algoritme SVM dan CNN untuk klasifikasi buah,” dalam Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (Senamika), 2021, vol. 2, no. 2, hlm. 1–11.

S. Sinaga, “Pengaruh motivasi dan pengalaman kerja terhadap produktivitas kerja karyawan pada PT Trikarya Cemerlang Medan,” J. Ilm. Metadata, vol. 2, no. 2, hlm. 159–169, 2020, doi: 10.47652/metadata.v2i2.28.

Y. Fitrianto, Dasar-Dasar Digital Imaging. Semarang: Yayasan Prima Agus Teknik, 2021.

A. Stanley, "Penerapan kode Huffman dalam proses kompresi dan dekompresi format gambar JPEG", Makalah IF2120 Matematika Diskrit-Sem. I Tahun 2018, 2018.

X. Hou, dkk., “Learning based image transformation using convolutional neural networks,” IEEE Access, vol. 6, hlm. 49779–49792, 2018, doi: 10.1109/ACCESS.2018.2868733.

T. R. Ravi, K. Kuhikar, Y. Kalambe, A. Wagh, dan U. Deshkar, “Well detection using image processing,” J. Res. Eng. Appl. Sci., vol. 5, no. 4, hlm. 142–145, 2020, doi: 10.46565/jreas.2020.v05i04.004.

H. Adusumalli, D. Kalyani, dan R. K. Sri, “Face mask detection using OpenCV,” dalam 2021 Third International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV), 2021, hlm. 1304–1309. doi: 10.1109/ICICV50876.2021.9388375.

B. Hardiansyah, A. P. Armin, dan A. B. Yunanda, “Rekonstruksi citra pada super resolusi menggunakan interpolasi bicubic,” Integer J. Inf. Technol., vol. 4, no. 2, hlm. 1–12, 2019, doi: 10.31284/j.integer.2019.v4i2.684.

B. Garber, A. Grossman, dan S. Johnson-Yu, “Image Super-Resolution via a Convolutional Neural Network,” 2020.

P. A. Nugroho, I. Fenriana, dan R. Arijanto, “Implementasi deep learning menggunakan convolutional neural network (CNN) pada ekspresi manusia,” J. Algor Data Syst., vol. 2, no. 1, hlm. 12–21, 2020, doi: 10.31253/algor.v2i1.

A. A. Sulaeman dan A. Susilo, “Implementasi convolutional neural network untuk klasifikasi Covid-19,” Sigma- J. Teknol. Pelita Bangsa, vol. 13, no. 2, hlm. 113–118, 2022.

D. Efendi, J. Jasril, S. Sanjaya, F. Syafria, dan E. Budianita, “Penerapan algoritme convolutional neural network arsitektur ResNet-50 untuk klasifikasi citra daging sapi dan babi,” Jurikom (Jurnal Ris. Komputer), vol. 9, no. 3, hlm. 607–614, 2022, doi: 10.30865/jurikom.v9i3.4176.

P. Zhou, J. Feng, C. Ma, C. Xiong, S. Hoi, dan E. Weinan, “Towards theoretically understanding why SGD generalizes better than ADAM in deep learning,” dalam 34th Conference on Neural Information Processing Systems (NeurIPS 2020), 2020, vol. 2020-Decem, no. 1, hlm. 19–21.

Published

2023-09-28

Issue

Section

Articles