Image denoising merupakan salah satu aspek penting dalam bidang pengolahan citra, di mana tujuan utamanya adalah menghilangkan noise dari gambar sambil mempertahankan detail. Teknik ini berguna untuk berbagai bidang, termasuk pada bidang fotografi, pengenalan pola, dan pemrosesan medis. Dalam penelitian ini, dikembangkan metode denoising berbasis model Xception GhostNetv2, yang merupakan pengembangan dari metode terkait sebelumnya seperti DRCNN, Xception, serta GhostNet untuk mendapatkan performa terbaik. Model yang diusulkan menggabungkan pointwise convolution dan depthwise convolution untuk meningkatkan efisiensi komputasi sekaligus menjaga kualitas citra. Beberapa hyperparameter seperti activation function, jumlah filters, batch normalization, dan jumlah block diuji untuk menemukan konfigurasi terbaik. Hasil penelitian menunjukkan bahwa model Xception GhostNetv2 mencapai performa lebih unggul dibandingkan model DRCNN dan model Xception. PSNR average meningkat 4.51?ri model DRCNN dan meningkat 3.22?ri model Xception. SSIM average yang lebih tinggi 4.73?ri model DRCNN dan lebih tinggi 2.63?ri model Xception. Jumlah parameter yang lebih rendah 54.88?ri model DRCNN dan lebih rendah 34.44?ri model Xception.