Effective Image Colorization Method based on Generative Adversarial Network Method and Convolutional Neural Network Method

SALFARIZI KAMIL, Moh. Edi Wibowo, S.Kom., M.Kom., Ph.D.

2022 | Skripsi | S1 ILMU KOMPUTER

Pewarnaan gambar telah digunakan melalui berbagai cara untuk mendapatkan gambar berwarna yang mendekati warna gambar aslinya. Perkembangan teknik pewarnaan gambar telah berkembang dari input manual oleh orang menggunakan alat lukis dan komputer hingga menggunakan cara yang lebih modern seperti pewarnaan gambar otomatis menggunakan kecerdasan buatan. Namun, dengan diperkenalkannya penggunaan kecerdasan buatan untuk mewarnai gambar, banyak metode pewarnaan telah dibuat, masing-masing menghasilkan gambar berwarna yang berbeda. Hasil seperti itu dapat bervariasi dari warna yang salah, warna objek yang bercampur dengan objek lain yang memiliki warna berbeda, objek yang tidak diwarnai dan banyak lagi. Oleh karena itu, penelitian ini bermaksud untuk menentukan metode antara Generative Adversarial Network (GAN) dan Convolutional Neural Network (CNN) yang menghasilkan hasil yang lebih baik dengan cara membandingkan hasilnya satu sama lain dengan menggunakan gambar yang diperoleh dari COCO maupun gambar pribadi. Dalam penelitian ini, penulis menentukan keefektifan kedua metode secara visual dan kuantitatif dengan membandingkan perbedaan nilai warna gambar asli dan gambar yang dihasilkan, dengan nilai yang lebih tinggi menentukan akurasi yang buruk dan nilai yang lebih rendah berarti akurasi yang baik. Dari penelitian ini menunjukkan bahwa GAN melakukan pewarnaan gambar 5% lebih baik dari CNN secara kuantitatif dengan nilai masing-masing 118.1481 dan 124.8074, GAN 5% lebih baik dari CNN. Secara visual GAN ��bekerja lebih baik dalam hal akurasi warna pada gambar yang dihasilkan daripada CNN

Image colorization has been used through different means to achieve a colorized image that is close to the original image colors. The development of image colorization techniques has evolved from manual input by people using painting tools to using computer tools to more modern ways such as automatic image colorization using artificial intelligence. However, with the introduction to using artificial intelligence to colorize images, many methods of colorization have been made, each producing various results. Such results can vary from colors being incorrect, a color of an object blending in with another object that has a different color, an object simply not being colorized and many more. Therefore, this research intends to determine which method between Generative Adversarial Network (GAN) and Convolutional Neural Network (CNN) produces better results by comparing the results to one another by using images obtained from COCO as well as personal images. In this research, the author determines the effectiveness of both methods visually and quantitatively by comparing the difference in color value of the original image and generated image, with higher values determining bad accuracy and lower values meaning good accuracy. From this research, it shows that GAN performs 5% better than CNN image colorization quantitatively with a value of 118.1481 and 124.8074 respectively, GAN being 5% better than CNN. Visually GAN performs better in regards to the accuracy of the colors in the generated images than CNN.

Kata Kunci : Image colorization, Generative Adversarial Network, Convolutional Neural Network