Peningkatan Kualitas Citra Dokumen Dengan Metode Real-ESRGAN, Classic Enhancement, dan Deblur dan Shapern

Abstract

Kualitas citra dokumen yang rendah sering menjadi kendala dalam proses digitalisasi, terutama pada dokumen hasil tangkapan kamera yang mengalami gangguan seperti blur, noise, dan pencahayaan tidak merata. Kondisi tersebut dapat menurunkan tingkat keterbacaan teks serta akurasi pada sistem Optical Character Recognition (OCR). Penelitian ini bertujuan untuk meningkatkan kualitas citra dokumen dengan mengimplementasikan dan membandingkan tiga metode: Classic Enhancement (CLAHE + Bilateral Filter), Deblur & Sharpen (pengurangan Gaussian blur + penajaman Laplacian), dan super-resolution menggunakan Real-ESRGAN. Penelitian menggunakan dataset yang dikumpulkan secara lokal, memproses citra melalui pipeline terstruktur (unggah, konversi, peningkatan, dan evaluasi), serta menilai hasil dengan metrik kualitas citra (PSNR, SSIM, Entropi) dan metrik kinerja OCR (Character Error Rate, Word Error Rate). Hasil menunjukkan bahwa setiap metode memiliki keunggulan berbeda: Classic Enhancement memberikan stabilitas struktural tertinggi (SSIM), Real-ESRGAN mencapai peningkatan detail dan ketajaman terbaik (PSNR), terutama untuk dokumen kaya warna, sementara Deblur & Sharpen memberikan peningkatan paling seimbang untuk citra dengan warna minim. Secara keseluruhan, semua metode berhasil meningkatkan kualitas visual dokumen, dengan kombinasi teknik yang adaptif direkomendasikan untuk pra-pemrosesan optimal. Dengan menggunakan website desain yang interaktif dan menarik dengan Bahasa pemrograman Python yang di integrasikan ke Gradio.Live versi 4.19.2 sehingga menjadi website open access memudahkan semua orang bisa mengakses website ini.