PEMANFAATAN SELF-ATTENTION GENERATIVE ADVERSARIAL NETWORK (SAGAN) DALAM UPAYA RESTORASI DIGITAL MANUSKRIP KUNO YANG RUSAK

Manuskrip kuno merupakan salah satu bentuk warisan budaya yang memiliki nilai historis tinggi, namun rentan mengalami kerusakan fisik akibat usia, kelembaban, atau penyimpanan yang tidak ideal. Restorasi digital menjadi pendekatan yang relevan untuk memulihkan keterbacaan manuskrip dan memperpanjang masa hidupnya secara visual. Penelitian ini mengusulkan pemanfaatan Self-Attention Generative Adversarial Network (SAGAN) sebagai metode restorasi citra manuskrip kuno. Arsitektur SAGAN dipilih karena kemampuannya dalam menangkap relasi spasial jarak jauh melalui mekanisme self-attention, yang penting dalam proses pemulihan area citra yang rusak. Pada model ini, arsitektur U-Net digunakan sebagai generator untuk mempertahankan detail lokal dan struktur global citra, sedangkan PatchGAN digunakan sebagai discriminator guna mengevaluasi realisme citra pada level patch lokal. Dataset yang digunakan terdiri dari 7.200 citra manuskrip beraksara Jawa dengan kerusakan sintetis berupa bercak, lubang, teks pudar, dan tinta tembus. Model dilatih menggunakan tiga skenario pengaturan learning rate, yaitu fixed, exponential decay, dan cosine decay. Evaluasi dilakukan menggunakan metrik Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM). Hasil pengujian menunjukkan bahwa skenario cosine decay menghasilkan performa terbaik dengan nilai PSNR mencapai 30.84 dB dan SSIM 0.9929 pada akhir pelatihan, serta skor tinggi pada pengujian berbagai jenis kerusakan, seperti bercak (22.69 dB, 0.9719), tinta tembus (22.37 dB, 0.9564), teks pudar (16.12 dB, 0.9407), dan berlubang (11.46 dB, 0.8913). Dengan demikian, penggunaan SAGAN dengan pendekatan learning rate yang dinamis terbukti efektif dalam meningkatkan kualitas visual dan struktural manuskrip kuno yang rusak.