PERBANDINGAN PERFORMA DENOISING AUTOENCODER DAN WAVELET TRANSFORM DALAM DENOISING NOISE SPECKLE PADA CITRA ASTRONOMI GAMBAR BINTANG

Priarista, Mahadi Ocsidio (2025) PERBANDINGAN PERFORMA DENOISING AUTOENCODER DAN WAVELET TRANSFORM DALAM DENOISING NOISE SPECKLE PADA CITRA ASTRONOMI GAMBAR BINTANG. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (220kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (806kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (295kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (382kB)
	Text (BAB V) BAB V.pdf Download (85kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (208kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4343.zip Restricted to Repository staff only Download (7MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (707kB)

Abstract

Speckle noise merupakan salah satu gangguan utama dalam pengolahan citra astronomi yang dapat mengurangi kualitas dan akurasi analisis gambar bintang. Gangguan ini mengaburkan detail penting dan mempersulit interpretasi hasil pengamatan. Metode tradisional seperti Wavelet Transform (WT) sering digunakan untuk mengurangi speckle noise, tetapi memiliki keterbatasan dalam menangani noise dengan intensitas tinggi. Di sisi lain, metode berbasis deep learning, seperti Denoising Autoencoder (DAE), menawarkan pendekatan yang lebih adaptif. Penelitian ini bertujuan untuk membandingkan performa WT dan DAE dalam menghilangkan speckle noise pada citra bintang, menggunakan metrik evaluasi Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM). Penelitian ini menggunakan dataset citra bintang dari Sloan Digital Sky Survey (SDSS) yang telah ditambahkan speckle noise dengan tingkat bervariasi (0.01, 0.2, dan 0.5). Model DAE dilatih menggunakan arsitektur encoder-decoder, sedangkan WT diterapkan dengan metode soft thresholding pada transformasi wavelet tingkat tiga. Evaluasi dilakukan dengan mengukur kualitas hasil denoising berdasarkan PSNR dan SSIM untuk setiap metode. Hasil penelitian menunjukkan bahwa WT lebih unggul pada noise rendah dengan PSNR 59.104 dB dan SSIM 0.99 pada noise 0.01. Namun, kinerjanya menurun pada noise tinggi. Sebaliknya, DAE lebih stabil dalam menangani speckle noise yang lebih besar, dengan rata-rata PSNR 40.04 dB dan SSIM 0.94 pada noise 0.2 dan 0.5. Kesimpulannya, DAE lebih adaptif untuk citra astronomi dengan noise tinggi, sedangkan WT lebih sesuai untuk kondisi noise rendah. Hasil penelitian ini dapat dimanfaatkan dalam bidang astronomi untuk meningkatkan kualitas citra observasi.

Actions (login required)

View Item