Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Menurut Peraturan Pemerintah Republik Indonesia Nomor 51 Tahun 2009 tentang Pekerjaan Kefarmasian, Apoteker adalah sarjana farmasi yang telah lulus sebagai Apoteker dan telah mengucapkan sumpah jabatan Apoteker. Keberadaan Apoteker sangat penting, khususnya di Apotek dan Industri Farmasi. Apoteker memiliki standar kompetensi dalam menjalankan perannya. Salah satu cara untuk mengasah kompetensi dari Apoteker adalah dengan menjalankan praktik kerja profesi bagi para calon Apoteker. Praktik Kerja Profesi Apoteker di Apotek dan Industri Farmasi merupakan rangkaian kegiatan untuk para Apoteker memahami dan belajar bagaimana peran serta kontribusinya di masyarakat. Praktik Kerja Profesi Apoteker dilakukan di Apotek Kimia Farma No. 456 Cinere dan di PT Harsen Laboratories. Setelah dilakukan praktik kerja profesi, diharapkan para calon Apoteker mampu untuk menyiapkan diri dan memiliki bekal untuk menjadi tenaga kesehatan Indonesia yang bermanfaat bagi nusa dan bangsa.  ......According to Peraturan Pemerintah Republik Indonesia Nomor 51 Tahun 2009 about Pekerjaan Kefarmasian, a pharmacist is a bachelor of pharmacy who has graduated as a pharmacist and has taken the oath of its position. The existence of a pharmacist is very important, especially in the Drugstore and Pharmaceutical Industry. Pharmacists have competency standards in carrying out their roles. One way to hone the competence of a pharmacist is to carry out professional work practices for prospective pharmacists. The “Praktik Kerja Profesi Apoteker” in the Drugstore and Pharmaceutical Industry is a series of activities for pharmacists to understand and learn how to participate in the community. The Praktik Kerja Profesi Apoteker conducted at Kimia Farma No. 456 Cinere and at PT Harsen Laboratories. After carrying out professional work practices, it is hoped that the prospective pharmacists will be able to prepare themselves and be equipped to become Indonesian health workers who are useful to the country and the nation.

Abstrak :
ABSTRACT
One of the processes requiring HPC environments is Molecular Dynamics ( MD ) . In tropical countries, the MD process is very important in the preparation of virtual screening experiments for anti-malaria search. Previous works on the virtual screening project for anti-malaria search conducted by WISDOM project uses grid infrastructure with 1,700 CPUs of various infrastructure provided in 15 countries [13]. In silico anti malaria compounds searching from Indonesian medical plants using virtual screening methods are urgently required. This can reduce the cost and time required compared to the direct searching or examining each compound by in vitro and in vivo which will spend a lot of time and expense . However, the use of thousands of processors is difficult for the researchers with limited resources in developing countries such as Indonesia. Our of previous studies using MD with GROMACS shows the improvement of the simulation time using Cluster. But that is not the case for some of our previous works with AMBER on Cluster where we did not obtain significant speed up. However, our previous works running GROMACS on GPUs provided significant speed up about 12 times faster than that run on Cluster. In this study , we build a GPU -based computing environment and have some MD simulation with AMBER. We used several computing environments such as cluster with 16 cores , GPU Geforce GTX 465 , GTX 470 , GTX 560 , GTX 680 , and GTX 780 . In addition to PfENR ( Plasmodium falciparum Enoyl acyl Carrier Protein Reductase ) enzyme , as benchmark we also conducted MD experiments on Myoglobin protein , Dihydrofolate reductase (DHFR) protein, and Ras - Raf protein . All experimental results showed that the slowest MD processes occurred on Cluster, followed in increasing order by GTX 560, GTX 465, GTX 470, GTX 680 and GTX 780. While the GPU speed up relative to cluster is about 24 , 26 , 32 , 24 , 77 and 101, respectively.

Abstrak :
Penelitian ini bertujuan untuk membangun model dependency parser untuk bahasa Jawa menggunakan pendekatan cross-lingual transfer learning. Metode transfer learning dipilih untuk mengatasi kurangnya dataset yang tersedia untuk proses training model pada bahasa Jawa yang merupakan low-resource language. Model dibangun menggunakan arsitektur encoder-decoder, tepatnya menggunakan gabungan dari self-attention encoder dan deep biaffine decoder. Terdapat tiga skenario yang diuji yaitu model tanpa transfer learning, model dengan transfer learning, dan model dengan hierarchical transfer learning. Metode transfer learning menggunakan bahasa Indonesia, bahasa Korea, bahasa Kroasia, dan bahasa Inggris sebagai source language. Sementara metode hierarchical transfer learning menggunakan bahasa Prancis, bahasa Italia, dan bahasa Inggris sebagai source language tahap satu, serta bahasa Indonesia sebagai source language tahap dua (intermediary language). Penelitian ini juga mengujikan empat word embedding yaitu fastText, BERT Jawa, RoBERTa Jawa, dan multilingual BERT. Hasilnya metode transfer learning secara efektif mampu menaikkan performa model sebesar 10%, di mana model tanpa transfer learning yang memiliki performa awal unlabeled attachment score (UAS) sebesar 75.87% dan labeled attachment score (LAS) sebesar 69.04% mampu ditingkatkan performanya hingga mencapai 85.84% pada UAS dan 79.22% pada LAS. Skenario hierarchical transfer learning mendapatkan hasil yang lebih baik daripada transfer learning biasa, namun perbedaannya tidak cukup signifikan. ......This research aims to develop a Javanese dependency parser model using a cross-lingual transfer learning approach. The transfer learning method was chosen to overcome the lack of available datasets for the model training process in Javanese, a low-resource language. The model uses an encoder-decoder architecture, precisely combining a self-attention encoder and a deep biaffine decoder. Three scenarios are experimented with: a model without transfer learning, a model with transfer learning, and a model with hierarchical transfer learning. The transfer learning process uses Indonesian, Korean, Croatian, and English as source languages. In contrast, the hierarchical transfer learning process uses French, Italian, and English as the first-stage source languages and Indonesian as the second-stage source language (intermediary language). This research also experimented with four word embedding types: fastText, Javanese BERT, Javanese RoBERTa, and multilingual BERT. The results show that the transfer learning method effectively improves the model’s performance by 10%, where the model without transfer learning has an initial unlabeled attachment score (UAS) performance of 75.87% and labeled attachment score (LAS) of 69.04% can be increased to 85.84% in UAS and 79.22% in LAS. Hierarchical transfer learning has a slightly better result than standard transfer learning, but the difference is insignificant.

Abstrak :
Citra berkabut disebabkan oleh partikel mikro di udara yang menyerap atau memantulkan gelombang elektromagnetik. Hasil citra yang didapat akan buram atau kehilangan informasi secara detail. Penelitian ini bertujuan untuk menganalisis pengaruh kabut terhadap citra hyperspectral termasuk wavelength dependence, perubahan hue, dan ekstraksi informasi warna. Selain itu, penelitian ini akan membandingkan hasil dehazing pada citra spektral berkabut dengan citra spektral yang ditransformasi menjadi citra RGB. Hasil penelitian menunjukkan bahwa pengaruh kabut pada citra spektral adalah wavelength dependent. Selanjutnya perubahan kabut hampir sama sekali tidak signifikan perubahan pada hue tetapi perubahan terlihat dengan jelas pada intensitas citra. Visualisasi warna citra hyperspectral perlu dilakukan koreksi terhadap jarak wavelength untuk menghasilkan citra RGB yang baik. Selain itu, hasil dehazing pada citra hyperspectral lalu divisualisasi warna dengan metode CLTR berhasil memulihkan warna pada citra dibandingkan dehazing terhadap citra RGB. ......Hazy images are caused by microparticles in the air absorbing or reflecting electromagnetic waves. The resulting image will be blurry or lose detailed information. This study analyzes the effect of fog on the hyperspectral image, including wavelength-dependence, hue changes and color information extraction. This study will also compare the results of dehazing on a hazy hyperspectral image with a spectral image transformed into an RGB image. The results showed that the effect of fog on the spectral image is wavelength dependence. Furthermore, the change in fog is almost completely insignificant for the shift in hue. Still, the difference is clearly visible in the intensity of the image. Hyperspectral image color visualization needs to be corrected to the distance wavelength to produce an excellent RGB image. Besides, the results of dehazing on a hyperspectral image and then visualized by the CLTR method succeeded in restoring the color in the image compared to dehazing against an RGB image.

Abstrak :
Metode daltonization merupakan salah satu metode image enhancement yang dapat membantu persepsi citra bagi orang-orang yang memiliki buta warna merah. Proses daltonization adalah sebuah proses untuk mengubah warna pada citra menjadi warna yang dapat dibedakan oleh orang-orang yang memiliki buta warna. Pada penelitian ini algoritma daltonization diaplikasikan terhadap berbagai kategori citra berwarna, yaitu Ishihara Test, objek sehari-hari, dan permainan komputer. Pada penelitian ini, kami mengimplementasikan optimisasi pada algoritma daltonization dan membandingkan hasilnya dengan algoritma sebelum dioptimisasi. Hasil penelitian ini menunjukkan berdasarkan dari nilai ∆E color difference algoritma hasil modifikasi berhasil dalam membuat perbedaan warna pada citra bagi orang-orang yang memiliki buta warna merah dibandingkan algoritma awal. Selain itu, berdasarkan nilai Mean Opinion Score (MOS) dengan skala Absolute Category Rating (ACR) performa dari algoritma-algoritma ini terbagi dua. Algoritma daltonization hasil modifikasi meraih nilai lebih tinggi untuk responden yang memiliki buta warna merah total atau Protanopia. Untuk responden yang memiliki buta warna merah parsial atau Protanomali, algoritma daltonization yang telah dioptimisasi masih menemui kendala dalam meningkatkan kualitas citra objek sehari-hari dan permainan komputer, namun sudah berhasil membantu mereka dalam membedakan citra Ishihara Test. ......Daltonization is one methods that is helpful in aiding color image perception for people with red color vision deficiency (CVD). Daltonization is a process to change colors in an image to colors that can be differentiated by people with CVD. In this study, a previously proposed daltonization algorithm was applied to various types of images, i.e., Ishihara Test, daily life objects, and game screenshots. The daltonization algorithm was then optimized and its results were compared to the daltonization algorithm before being optimized. The results showed that based on ∆E color difference, the optimized daltonization algorithm was successful in increasing the color differences to a notable difference for people with red CVD compared to its initial version. Furthermore, the results by Mean Opinion Score (MOS) and Absolute Category Rating (ACR) scale showed that the optimized daltonization algorithm obtained a higher score, meaning it was preferred by respondents with full red CVD or Protanopia. For respondents with partial red CVD or Protanomaly, the optimized algorithm met difficulties in enhancing the daily life objects and game screenshots images, but was effective in helping them to differentiate colors in Ishihara Test images.

Abstrak :
Citra buram atau blur dapat terjadi akibat gerakan objek, lensa kamera alat akuisisi yang kehilangan fokus, atau getaran saat akuisisi citra. Buram membuat citra menjadi kurang tajam dan tidak fokus pada beberapa bagian pada citra. Buram pada citra mengakibatkan terjadinya penurunan kualitas dan informasi citra sehingga menyebabkan penurunan performa aplikasi computer vision seperti deteksi objek, identifikasi objek, dan klasifikasi. Hal tersebut membuat banyak dikembangkan penelitian restorasi citra buram untuk mengembalikan kualitas citra yang terdegradasi, mulai dari penggunaan metode konvensional hingga metode berbasis pembelajaran mesin. Pada penelitian ini, penulis menggunakan model Swin Transformer UNet dalam merestorasi citra buram. Model ini berbasis Swin Transformer yang diintegrasikan dengan arsitektur UNet. Data citra yang digunakan dalam penelitian ini adalah dataset buram Dual-pixel Defocus Debluring(DPDD) dan Real Depth Of Field(RealDOF). Analisis dilakukan terhadap hasil restorasi citra model secara kuantitatif dan kualitatif. Selain itu, , penulis juga melaksanakan analisis cross dataset untuk melihat kemampuan generalisasi model. Hasil restorasi dibandingkan dengan hasil restorasi model Iterative Filter Adaptive Network(IFAN) yang dianggap sebagai state-of-the-art dalam merestorasi citra buram. Evaluasi hasil restorasi Swin Transformer UNet menunjukkan bahwa model tersebut berhasil mendeteksi daerah buram pada citra dengan baik namun hasil restorasi yang didapat belum sebaik hasil restorasi pada model IFAN dalam merestorasi citra buram pada dataset yang digunakan. ......Blurred images can occur from the motion of the photographed object, the camera lens of the acquisition tool losing focus, or vibration during image acquisition. Blurring makes the image less sharp and unfocused on some parts of the image. Blur in images results in a decrease in image quality and information, causing a decrease in the performance of computer vision tasks such as object detection, object identification, and classification. This has led to the development of many deblurring image restoration studies to restore the quality of degraded images or image restoration, ranging from the use of conventional methods to machine learning-based methods. In this research, the author uses the Swin Transformer UNet model to restore blurry images. This model is based on Swin Transformer integrated with UNet architecture. The images used in this research come from the Dual-pixel Defocus Debluring (DPDD) and Real Depth Of Field (RealDOF) blur image datasets. The image restoration results are analyzed quantitatively and qualitatively. Additionally, the author also conducts a cross-dataset analysis to see the generalization potential of the model. The restoration results were compared with the restoration results of the Iterative Filter Adaptive Network (IFAN) model which is considered as state-of-the-art in image deblurring. The evaluation of the Swin Transformer UNet restoration model shows that the model successfully detects blurred regions in the image well but the restoration results obtained are not as good as the restoration results in the IFAN model in restoring blurred images on the dataset used.

Abstrak :
Kabut merupakan fenomena atmosfer di mana asap, debu dan partikel kering lainnya berada di atmosfer. Kabut ini tentunya dapat memunculkan efek blur dan buram pada citra sehingga dapat mengurangi informasi yang terkandung di dalamnya. Hal ini dapat menyebabkan penurunan performa dari permasalahan pembelajaran mesin, seperti identifikasi dan klasifikasi. Image dehazing merupakan suatu proses yang bertujuan untuk memulihkan gambar yang jelas dari gambar yang rusak oleh kabut atau asap. Terdapat berbagai metode image dehazing yang telah dikembangkan, baik yang berbasiskan pixel intensity dan deep learning. Salah satu metode deep learning yang telah dikembangkan sebelumnya untuk image dehazing adalah Mod PDR-Net. Pada penelitian ini, penulis mengajukan suatu deep network untuk image dehazing baru dengan menggunakan Mod PDR-Net di dalam suatu Conditional Generative Adversarial Network. Data yang digunakan dalam penelitian ini adalah dataset standar citra berkabut luar ruangan. Untuk mengetahui kualitas dari hasil image dehazing yang didapat, penulis membandingkan hasil metode usulan dengan Mod PDR-Net original dan didapatkan bahwa metode usulan memiliki hasil yang lebih baik dibandingkan dengan Mod PDR-Net berdasarkan metrik yang digunakan, yaitu SSIM, RMSE, Delta E, dan BRISQUE dengan nilai berturut-turut sebesar 0.785, 0.109, 9.750. dan 28.375. ......Haze is an atmospheric phenomenon where smoke, dust, and other dry particles are present in the atmosphere. Haze can create blurring effects in captured images, resulting in reduced information contained in the image. This can lead to performance degradation from machine learning problems, such as identification and classification. Image dehazing is a process that aims to recover a clear image from a hazy image. Various image dehazing methods have been developed, both based on the pixel intensity and deep learning. One of the deep learning methods that has been previously developed for image dehazing is Mod PDR-Net. In this study, the author proposes a deep network for image dehazing by using Mod PDR-Net in a Conditional Generative Adversarial Network. The data used in this study consists of a standard dataset of outdoor hazy images. In order to determine the quality of the obtained image dehazing results, the author compared the result of the proposed method with the original Mod PDR-Net and found that the proposed method has better results than the Mod PDR-Net based on the metric used, namely SSIM, RMSE, !E, and BRISQUE with values respectively 0.785, 0.109, 9.750. and 28.375.

Abstrak :
Dalam pengambilan citra, dapat terjadi penurunan kualitas akibat kondisi lingkungan sekitar. Salah satu kondisi penyebab penurunan kualitas tersebut adalah kondisi hujan, yang menyebabkan citra dengan tetesan air hujan. Dewasa ini, pendekatan deep learning dapat menjadi solusi, dengan banyaknya model yang mampu melakukan restorasi citra dengan tetesan air hujan (raindrop removal). Akan tetapi, banyak model yang hanya mampu menyelesaikan kasus spesifik dan tergantung pada data melalui metode supervised. Sebagai alternatif, terdapat model yang berpotensi dalam kasus ini adalah Zero-Shot Denoising Diffusion Null Model. Zero-Shot Denoising Diffusion Null Model adalah model yang bisa menyelesaikan kasus umum dengan tetap berperforma baik dengan pendekatan zero-shot, yaitu tanpa optimisasi dan pelatihan data. Sayangnya, sejauh ini Zero-Shot DDNM masih terbatas pada masalah linier, sementara itu masalah raindrop removal adalah masalah non-linier. Penelitian ini bertujuan untuk mengukur kemampuan metode Zero-Shot Denoising Diffusion Null Model dalam menyelesaikan masalah non-linier seperti raindrop removal. Untuk membantu memodelkan masalah raindrop removal ini pada Zero-Shot Denoising Diffusion Null Model, dibutuhkan input tambahan berupa raindrop mask. Pada penelitian ini, raindrop mask diperoleh menggunakan Attentive Generative Adversarial Network kemudian dilakukan thresholding dengan nilai 0.5 yang digunakan bersama dengan operator degradasi untuk melakukan deblurring with mask untuk mencari hasil restorasi terbaik. Data citra yang digunakan dalam penelitian ini adalah dataset citra dengan tetesan air hujan di luar ruang. Selain itu diterapkan juga beberapa strategi tambahan yaitu time-travel trick. Hasil restorasi citra dengan tetesan air hujan menunjukkan hasil paling baik dalam metrik Structural Similarity Index Measure yaitu simplified denoising with mask dengan time-travel trick, sedangkan hasil paling baik dalam metrik Peak Signal-to-Noise Ratio yaitu menggunakan simplified denoising with mask. ......When taking an image, there can be a decrease in quality due to the surrounding conditions. One of the causes of this decrease in quality is rain, resulting in raindrops in the image. These days, there are many deep learning approached to solve raindrop removal. However, many of the models that perform well for raindrop removal are only able to solve specific cases based on the available data through supervised methods. A potential model capable of more general cases is the Zero-Shot Denoising Diffusion Null Model. Zero-Shot Denoising Diffusion Null Model has the capacity to solve common cases while still performing well in a zero-shot manner, that is, without data optimization and training. However, the model is limited to linear problems, while raindrop removal is a non-linear problem. This study aims to measure the ability of the zero-shot method in solving the non-linear problems of raindrop removal. To help model the raindrop removal task, it is necessary to generate raindrop masks that indicate the location of raindrops in the image. In this research, the raindrop masks are generated using Attentive Generative Adversarial Network then are thresholded with 0.5 value that are used with an adjusted degradation operator for deblurring with masks to find the best restoration results. Additionally, some strategies are implemented such as time-travel trick. The image data used in this study was an image dataset with raindrops outside the room. The result of raindrop removal shows the best results in the Structural Similarity Index Measure metric is simplified denoising with mask and time-travel trick, while the best result in the Peak Signal-to-Noise Ratio metric is using simplified denoising with mask.

Abstrak :
Citra gelap (low light images) merupakan citra yang diambil pada kondisi pencahayaan yang rendah, sehingga menimbulkan noise secara acak dan distorsi warna. Noise dan distorsi ini membuat informasi pada citra berkurang yang menjadi kendala bagi sistem berbasis computer vision selanjutnya. Oleh karena itu, dapat dilakukan peningkatan kualitas citra gelap untuk meningkatkan kualitas informasi yang terkandung di dalamnya. Zero-DCE merupakan suatu model deep learning yang dikembangkan untuk melakukan peningkatan kualitas citra gelap dengan memanfaatkan struktur U-net dan perumusan loss function tanpa membutuhkan data citra berpasangan pada proses pembelajaran model. Pada penelitian ini, dilakukan berbagai eksperimen untuk mengoptimisasi performa model Zero-DCE meliputi percobaan trainable parameter weight loss, modifikasi color constancy loss, pemanfaatan bilateral filter dan proses hyperparameter tuning. Pengujian performa model optimisasi Zero-DCE dilakukan terhadap beberapa dataset, yaitu dataset LOL, SICE Part 1 dan Dark Face. Analisis dilakukan secara kuantitatif dan kualitatif pada citra hasil model optimisasi Zero-DCE dibandingkan dengan citra hasil model Zero-DCE. Pada experimen pada model Zero-DCE dengan trainable parameter weight loss, terlihat bahwa nilai optimal loss pada proses training model Zero-DCE tidak menghasilkan peningkatan kualitas citra gelap yang lebih baik. Pada eksperimen pada model dengan modifikasi color constancy loss dan hyperparameter tuning terlihat bahwa hasil model optimisasi zero-DCE lebih baik dibandingkan model Zero-DCE dalam analisis kuantitatif pada beberapa metrik. Namun jika dilakukan analisis secara kualitatif, tidak terdapat perbedaan hasil yang besar jika model dimanfaatkan dalam berbagai tugas seperti face detection dikarenakan perbedaan hanya terdapat pada adanya noise serta warna citra. Eksperimen juga berusaha meningkatkan performa lebih jauh menggunakan bilateral filter pada tahap terakhir. Pemanfaatan bilateral filter dapat disesuaikan terhadap karakteristik masukan citra. Jika citra memiliki banyak noise dan detail citra yang rendah akan lebih baik memanfaatkan post processing bilateral filter dibandingkan citra masukan yang memiliki banyak detail penting. ......A low-light image is an image that was taken in an environment that lacks sufficient lighting, resulting in random noise and color distortion. This noise and distortion results in the lack of information in the image that becomes a hindrance for later computer vision models or systems. Thus, low light image enhancement is necessary to try to recover the missing information in the image. Zero-DCE is a deep learning model designed to improve the quality of low light image by utilizing the U-net structure and loss function formulation without requiring paired image data in the model learning process. In this research, various experiments were conducted to optimize the performance of the Zero-DCE model, including adjusting the trainable parameter weight loss, modifying color constancy loss, utilizing bilateral filter, and tuning hyperparameters. The performance of the optimized Zero-DCE model was tested on several datasets, namely the LOL, SICE Part 1, and Darkface datasets. The analysis is done quantitatively and qualitatively and the image of the optimized Zero-DCE model is compared to the image of the Zero-DCE model. The experimental results show that the trainable parameter weight loss, the evaluation results showed that the optimal loss value in the training process of the Zero-DCE model does not guarantee better low-light image enhancement results. Modifying the calculation of color constancy loss calculation and tuning hyperparameter experiments show that the results of the optimized Zero-DCE model are better than the Zero-DCE model in terms of certain quantitative metrics. However, when analyzed qualitatively, there is no big difference in results particularly in tasks like face detection because the difference only exists in terms of noise presence and image color. To further enhance the image, this experiment also employed the bilateral filter at the last step. The utilization of bilateral filters can be adjusted according to the characteristics of the input image. If the image contains a lot of noise and low image detail, utilizing bilateral filter would be more beneficial compared to images with important details.

Abstrak :
Kabut merupakan fenomena alami yang diakibatkan oleh keberadaan partikel kecil di atmosfer. Kabut yang ada di atmosfer dapat mengurangi kontras dan mendistorsi warna hasil citra yang diambil dalam kondisi alami. Keberadaan kabut pada citra sangat mengganggu aplikasi computer vision maupun fotografi konsumen. Sebagian besar algoritma computer vision memerlukan citra yang jernih untuk dapat berfungsi dengan baik, sehingga diperlukanlah teknik untuk menghilangkan kabut dari citra. Image dehazing bertujuan untuk memulihkan citra jernih dari citra yang dirusak oleh kabut. Image dehazing dapat dilakukan menggunakan model machine learning. Dewasa ini, banyak model machine learning yang digunakan berbasiskan arsitektur Vision Transformer. Penelitian sebelumnya mengenai Vision Transformer menunjukkan bahwa model Transformer dapat berkinerja lebih baik dibandingkan model state-of-the-art ResNet untuk image recognition jika dilatih menggunakan dataset yang besar. Pada penelitian ini, model Uformer dilatih menggunakan dataset citra berkabut dengan ukuran yang besar. Dilakukan juga implementasi Restormer untuk sebagai model alternatif untuk merestorasi citra berkabut. Pengujian kinerja model Uformer dan Restormer dilakukan menggunakan dataset HAZE dan RESIDE. Analisis terhadap model dilakukan secara kualitatif, kuantitatif, dan cross-dataset. Hasil evaluasi model Uformer dan Restormer dibandingkan dengan model Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer dan Restormer menunjukkan bahwa model berbasis Transformer dapat menyaingi Mod PDR-Net Based CGAN untuk restorasi citra berkabut pada dataset testing, namun tidak dapat mengungguli model tersebut dalam pengujian cross-dataset. ...... Haze is a natural phenomenon caused by the presence of small particles in the atmosphere. Haze present in the atmosphere can reduce the contrast and distort the color of images taken under natural conditions. The presence of haze in an image is detrimental to computer vision applications and consumer photography. Most computer vision algorithms require clear images to function properly, hence the need for techniques to remove haze from images. Image dehazing aims to recover a clear image from an image corrupted by haze. Image dehazing can be done using machine learning models. Nowadays, many machine learning models used for dehazing are based on the Vision Transformer architecture. Previous research on Vision Transformer shows that the Transformer model can perform better than the state-of-the-art ResNet model for image recognition when trained using large datasets. In this research, the Uformer model is trained using large dataset of hazy images. Restormer is also implemented as an alternative model for restoring hazy images. Performance testing of the Uformer and Restormer models was conducted using the HAZE and RESIDE datasets. The models were analyzed qualitatively, quantitatively, and through cross-dataset. The evaluation results of the Uformer and Restormer models are compared with the Mod PDR-Net Based Conditional Generative Adversarial Network model. The evaluation of the Uformer and Restormer shows that Transformer-based models can rival Mod PDR-Net Based CGAN for image dehazing on the testing dataset, but cannot outperform the model in cross-dataset testing.