Kerusakan digital pada citra dapat mengakibatkan hilangnya informasi visual penting, sehingga diperlukan metode pemulihan yang mampu mengembalikan struktur dan detail citra secara optimal. Penelitian ini bertujuan untuk merancang sistem restorasi citra menggunakan pendekatan Generative Adversarial Networks (GANs) dengan arsitektur Pix2Pix, yang mengombinasikan U-Net sebagai Generator dan PatchGAN sebagai Discriminator. Data pelatihan bersumber dari dataset CelebA-HQ resized yang telah dimodifikasi untuk merepresentasikan tiga kategori tingkat kerusakan, yaitu ringan, sedang, dan berat, dengan ukuran citra 256×256 pixel. Proses pelatihan berlangsung selama 100 epoch, dengan penyesuaian rasio pembaruan antara Generator dan Discriminator pada setiap fase pelatihan guna menjaga kestabilan konvergensi model. Evaluasi kinerja dilakukan menggunakan metrik Structural Similarity Index Measure (SSIM) dan Peak Signal-to-Noise Ratio (PSNR), di mana model mencapai nilai SSIM tertinggi sebesar 0,9226 dan PSNR sebesar 32,6895 dB. Hasil ini menunjukkan kemampuan model dalam menghasilkan citra restorasi yang menyerupai citra asli, baik dari segi struktur maupun kualitas visual. Pengujian pada berbagai tingkat kerusakan menunjukkan bahwa model bekerja secara optimal pada kerusakan ringan dan sedang, serta tetap memberikan hasil yang layak pada kerusakan berat. Sistem ini juga telah diterapkan dalam bentuk aplikasi web yang ramah pengguna, sehingga memudahkan proses unggah, restorasi, dan pengunduhan citra. Kesimpulannya, pendekatan Pix2Pix berbasis GAN terbukti efektif untuk tugas restorasi citra dan memiliki potensi untuk dikembangkan pada kasus serupa di masa depan.
Kata Kunci : Restorasi Citra, Generative Adversarial Networks, Pix2Pix, SSIM, PSNR