Pewarnaan Otomatis Citra Grayscale Objek Pemandangan Dengan Conditional Generative Adversarial Networks

Dalam perkembangan teknologi, metode pewarnaan konvensional sering dianggap tidak efisien karena membutuhkan waktu dan biaya yang cukup besar. Oleh karena itu,penelitian ini bertujuan untuk mengembangkan metode pewarnaan citra grayscale menggunakan Conditional Generative Adversarial Networks (CGAN), yang mampu mempelajari pola warna dan mencocokkannya dengan citra asli. CGAN dipilih karena kemampuannya menghasilkan warna yang mendekati realitas. Penelitian ini menggunakan data sebanyak 2000 gambar pemandangan yang dibagi 2 yaitu 1000 data adalah citra berwarna dan 1000 citra grayscale yang dimana 800 data dari citra berwarna maupun grayscale menjadi data pelatihan dan 200 data dari citra berwarna maupun grayscale menjadi data validasi. Skenario uji coba yang dilakukan menggunakan tiga learning rate 0.01, 0.001, 0.0001 dan early stop, serta menambahkan 3, 5 dan 7 layer pada discriminator untuk menguji hasil yang berbeda. Evaluasi model dilakukan menggunakan Peak Signal to Noise Ratio (PSNR), generator dan discriminator loss, serta penilaian responden terhadap kualitas visual hasil pewarnaan. Hasil eksperimen menunjukkan bahwa konfigurasi model dengan penambahan 7 layer discriminator dan learning rate 0.0001 menghasilkan kinerja terbaik, dengan nilai loss generator terendah sebesar 2.0865 dan PSNR rata-rata tertinggi sebesar 24.31 dB yang menjadikannya model terbaik. Skala Likert yang didapat dari responden yang mengisi google-form mendapatkan nilai 3.64 dari total nilai 5 yang menunjukkan kualitas pewarnaan yang baik. Penelitian ini membantu pengguna dalam mewarnai citra grayscale secara otomatis dengan hasil kualitas yang baik.