KINERJA RETINEX SKALA TUNGGAL DAN MULTISKALA PADA PENINGKATAN KUALITAS VISUAL CITRA GELAP

Marlina; Bambang Irawan; Ahmad Faqih; Arif Rinaldi Dikananda; Fathurrohman .

Authors

Marlina STMIK IKMI Cirebon, Indonesia
Bambang Irawan STMIK IKMI Cirebon, Indonesia
Ahmad Faqih STMIK IKMI Cirebon, Indonesia
Arif Rinaldi Dikananda STMIK IKMI Cirebon, Indonesia
Fathurrohman . STMIK IKMI Cirebon, Indonesia

Keywords:

Algoritma Retinex, Peningkatan Gambar, Citra cahaya rendah, Deteksi Hama, Penyakit Buah Jambu, CNN Multi-Skala, Multi-Resolusi, Klasifikasi Citra, Deep Learning.

Abstract

Peningkatan kualitas visual pada citra bercahaya rendah menjadi tantangan penting dalam pengolahan citra digital, terutama ketika citra digunakan untuk klasifikasi atau deteksi objek otomatis. Dalam pertanian digital, deteksi hama berbasis Convolutional Neural Network (CNN) sering mengalami penurunan akurasi karena pencahayaan rendah membuat fitur visual objek kurang terlihat. Untuk mengatasi hal tersebut, penelitian ini menerapkan algoritma peningkatan citra Retinex, yaitu Single Scale Retinex (SSR) dan Multi Scale Retinex (MSR), sebagai tahap praproses pada citra hama yang disimulasikan dalam kondisi low-light. Citra hasil peningkatan kemudian diklasifikasikan menggunakan arsitektur MobileNetV2 dengan pendekatan transfer learning. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan loss untuk menilai efektivitas SSR dan MSR dalam meningkatkan performa model. Hasil penelitian diharapkan menunjukkan bahwa algoritma Retinex mampu memperbaiki kualitas visual citra gelap dan meningkatkan akurasi klasifikasi. Temuan ini diharapkan mendukung pengembangan sistem deteksi hama otomatis yang lebih adaptif terhadap variasi pencahayaan lapangan.

References

Z. Li, Y. Yang, and Y. Wang, “A survey of image preprocessing methods for deep learning,” J. Imaging, vol. 7, no. 5, p. 78, 2021, doi: 10.3390/jimaging7050078.

K. G. Lore, A. Akintayo, and S. Sarkar, “LLNet: A deep autoencoder approach to natural low-light image enhancement,” Pattern Recognit., vol. 61, pp. 650–662, 2021, doi: 10.1016/j.patcog.2021.107674.

L. Ma, Y. Zhang, and J. Wu, “Comprehensive evaluation of Retinex-based algorithms for low-light image enhancement in real-world scenarios,” Signal Process. Image Commun., vol. 105, p. 116715, 2022, doi: 10.1016/j.image.2022.116715.

Z. Liu, J. Zhang, and Z. Tang, “Benchmarking low-light image enhancement methods: Synthetic and real-world data,” J. Vis. Commun. Image Represent., vol. 78, p. 103102, 2021, doi: 10.1016/j.jvcir.2021.103102.

A. Rahman, M. Islam, and M. Hasan, “A comparative study on Retinex-based enhancement methods for low-light image,” ICT Express, vol. 8, no. 1, pp. 36–42, 2022, doi: 10.1016/j.icte.2021.05.004.

Y. Liu, H. Zhang, and L. Zhao, “A deep learning-based method for pest detection using the IP102 dataset,” Comput. Electron. Agric., vol. 184, p. 106064, 2021, doi: 10.1016/j.compag.2021.106064.