PENINGKATAN RESOLUSI CITRA USG DENGAN ENHANCED SUPER RESOLUTION GENERATIVE NETWORK UNTUK MENINGKATKAN INTERPRESTASI PEMERIKSAAN DINI KELAINAN JANIN

Penelitian ini membahas implementasi Enhanced Super Resolution Generative Adversarial Networks (ESRGAN) untuk meningkatkan resolusi citra ultrasonografi (USG) guna mendukung interpretasi pemeriksaan dini kelainan janin. Dataset USG diperoleh dari Mendeley Data dan Roboflow, kemudian melalui tahap augmentasi seperti rotasi, flipping, resize, dan color jitter. Proses pelatihan menggunakan metode CRISP�DM dengan memanfaatkan GPU T4 pada Google Colaboratory. Evaluasi kualitas citra dilakukan menggunakan Peak Signal-to-Noise Ratio (PSNR), di mana nilai di atas 30 dB menunjukkan kualitas citra yang baik. Hasil penelitian menunjukkan bahwa ESRGAN mampu meningkatkan kualitas citra USG secara signifikan, terutama pada data latih beresolusi tinggi (240 px) yang menghasilkan PSNR hingga 42.51 dB. Augmentasi berupa resize dan flip terbukti paling efektif meningkatkan kualitas, sedangkan rotasi dengan sudut acak (khususnya 50°) dan color jitter justru menurunkan PSNR akibat distorsi interpolasi maupun perubahan intensitas. Dengan demikian, pemilihan resolusi data latih dan strategi augmentasi yang tepat sangat berpengaruh terhadap performa ESRGAN. Penelitian ini membuktikan potensi ESRGAN dalam membantu visualisasi citra medis, meskipun optimalisasi lebih lanjut masih diperlukan, khususnya dalam pengelolaan noise dan efisiensi pelatihan. Kata kunci: Enhanced Super Resolution Generative Adversarial Networks, Citra USG, Resolusi Tinggi, Augmentasi Data, Peak Signal-to-Noise Ratio