PERBAIKAN KUALITAS CITRA REMOTE SENSING DENGAN METODE SUPER RESOLUTION GENERATIVE ADVERSARIAL NETWORK DAN TRANSFER LEARNING RESNET-101

Penelitian ini bertujuan untuk menerapkan metode Super Resolution Generative
Adversarial Network (SRGAN) yang dikombinasikan dengan pendekatan transfer
learning ResNet-101 dalam meningkatkan resolusi citra penginderaan jauh. Data yang
digunakan berupa citra satelit Landsat 8 OLI pada kawasan Hutan Taman Buru Ko’mara,
Kabupaten Takalar, Provinsi Sulawesi Selatan, dengan periode pengamatan tahun 2013–
2025. Tahapan penelitian meliputi pra-pemrosesan citra menggunakan QGIS,
pembentukan dataset citra resolusi rendah dan resolusi tinggi, pelatihan model SRGAN,
serta evaluasi hasil peningkatan kualitas citra. Evaluasi kinerja model dilakukan
menggunakan metrik Peak Signal to Noise Ratio (PSNR), Mean Squared Error (MSE),
dan Mean Absolute Error (MAE), disertai dengan analisis visual terhadap hasil citra.
Hasil penelitian menunjukkan bahwa penerapan metode SRGAN belum mampu
meningkatkan nilai PSNR dibandingkan citra asli, di mana nilai PSNR hasil super�resolution mengalami penurunan yang cukup signifikan. Secara visual, citra hasil
SRGAN masih mengandung noise dan belum menunjukkan perbaikan detail yang
optimal. Kondisi ini dipengaruhi oleh penerapan transfer learning ResNet-101 yang
belum optimal dalam memanfaatkan pengetahuan dari data latih sebelumnya, sehingga
proses pembelajaran fitur spasial pada citra penginderaan jauh belum berjalan secara
maksimal. Meskipun demikian, metode SRGAN tetap berhasil meningkatkan resolusi
citra secara spasial hingga empat kali lipat dari ukuran citra awal. Hasil ini menunjukkan
bahwa metode SRGAN efektif dalam meningkatkan ukuran resolusi citra, namun masih
memiliki keterbatasan dalam meningkatkan kualitas visual dan metrik kuantitatif pada
data penginderaan jauh Landsat 8. Oleh karena itu, diperlukan pengembangan lebih lanjut
pada aspek arsitektur model, strategi transfer learning, serta pengaturan hyperparameter
agar kualitas citra hasil super-resolution dapat ditingkatkan.
Kata kunci: SRGAN, Transfer Learning, ResNet-101, Penginderaan Jauh, Interpolasi,
Tutupan Lahan