Abstrak
Sebagian besar metode penghilangan derau salt-and-pepper masih memanfaatkan pendekatan median filter. Akan tetapi, hasil pemulihan yang didapatkan masih belum bisa menyiasati kekurangan median filter untuk menghilangkan noise pada kontaminasi tinggi. Oleh karena itu, penelitian ini mengusulkan metode pemulihan kontaminasi salt-and-pepper yang sepenuhnya menggunakan pendekatan convolutional neural network (CNN). CNN diimplementasikan menggunakan kerangka kerja residual learning dengan pre-activation residual unit agar pelatihan neural network dapat lebih cepat mencapai konvergen. Proses denoising diformulasikan sebagai image translation problem yang mentransformasikan citra terkontaminasi (noisy image) mejadi citra yang bebas kontaminasi (denoised image) dan dilakukan tanpa menggunakan pra-pemrosesan citra. Oleh karena itu, arsitektur neural network hanya membutuhkan citra yang terkontaminasi sebagai input dan menghasilkan output berupa citra yang telah terpulihkan (denoised image). Berdasarkan hasil eksperimen, rata-rata nilai PSNR yang didapatkan mampu melampaui nilai PSNR usulan-usulan metode denoising sebelumnya pada tiap rasio noise yang dipertimbangkan. Terlebih pada pengujian menggunakan citra Kodak Image Dataset, arsitektur yang dikembangkan memperoleh peningkatan nilai PSNR hingga 7 dB dari usulan metode sebelumnya pada rasio noise 30%. Secara visual, arsitektur yang diusulkan dapat menyajikan pemulihan citra dengan sangat baik.
Keywords : Image Denoising, Salt And Pepper Noise, Convolutional Neural Networks, Residual Learning, Deep Learning.
