ABSTRAK Nama : Mikhael Program Studi : Ilmu Komputer Judul : Perbandingan Pix2pix dan Pix2pixHD untuk Estimasi Kedalaman Relatif dari Citra Berkabut Citra berkabut merupakan citra yang ditangkap dalam lingkungan berkabut. Kabut pada citra berkabut menyebabkan efek scattering dan absorption yang mengakibatkan berkurangnya kontras dan detail pada citra. Hal ini menyebabkan kendala pada aplikasi computer vision, seperti estimasi kedalaman. Estimasi kedalaman relatif merupakan salah satu permasalahan computer vision paling fundamental dan dapat dilakukan dengan menggunakan arsitektur deep learning untuk image-to-image translation. Salah satu arsitektur image-to-image translation yang populer adalah conditional General Adversarial Network (cGAN). Penelitian ini membandingkan dua buah arsitektur cGAN, yakni pix2pix dan pix2pixHD, untuk estimasi kedalaman relatif citra berkabut. Penelitian dilakukan menggunakan dataset citra berkabut alami. Performa dari kedua arsitektur diuji menggunakan 3 buah metrik evaluasi: Root Mean Square Error (RMSE), Peak Signal to Noise Ratio (PSNR), dan Structural Similarity Index (SSIM). Hasil eksperimen menunjukkan bahwa arsitektur pix2pixHD memiliki hasil evaluasi yang lebih baik dengan rata-rata nilai RMSE sebesar 0.398, PSNR sebesar 28.486, dan SSIM sebesar 0.961. Kata kunci: citra berkabut, estimasi kedalaman relatif, peak signal to noise ratio, pix2pix, pix2pixHD, root mean square error, structural similarity index