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

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.