EVALUASI KOMPARATIF METODE PENINGKATAN CITRA EnlightenGAN DAN CLAHE UNTUK DETEKSI MARKA JALAN PADA MALAM HARI

Keselamatan berkendara pada kondisi minim cahaya sangat bergantung padaketerbacaan marka jalan, baik oleh pengemudi maupun sistem Advanced Driver Assistance System (ADAS). Penelitian ini bertujuan untuk membandingkan efektivitas metode peningkatan citra klasik berbasis histogram, yaitu Contrast Limited Adaptive Histogram Equalization (CLAHE), dengan metode deep learning berbasis Generative Adversarial Network (GAN), yaitu EnlightenGAN, sebagai tahap pra-proses dalam meningkatkan kinerja deteksi marka jalan pada kondisi minim cahaya menggunakan model YOLOv8 varian large (YOLOv8l).
Dataset yang digunakan adalah Taiwan Road Marking Sign Dataset at Night (TRMSDN) dengan 3.569 citra dan 12 kelas marka jalan. Tiga model dilatih secara terpisah menggunakan dataset original, dataset hasil enhancement CLAHE, dan EnlightenGAN dengan konfigurasi yang identik, kemudian dievaluasi menggunakan metrik precision, recall, mAP@50, dan uji paired t-test.
Hasil penelitian menunjukkan bahwa metode CLAHE dan EnlightenGAN memberikan pengaruh yang bervariasi terhadap performa deteksi marka jalan pada kondisi minim cahaya menggunakan YOLOv8l. EnlightenGAN memperoleh nilai mAP@50 tertinggi sebesar 0,687, diikuti dataset original sebesar 0,683 dan CLAHE sebesar 0,680. Selain itu, EnlightenGAN menghasilkan precision tertinggi, sedangkan CLAHE memiliki recall tertinggi. Namun, hasil paired t-test menunjukkan bahwa sebagian besar perbedaan performa antar metode tidak signifikan secara statistik pada tingkat signifikansi α = 0,05 akibat tingginya variasi performa antar seed.