Filter Domain Spasial 17 - Implementasi Contra Harmonic Mean Filter Untuk Mereduksi Noise Pada

BAB 1 PENDAHULUAN

2.6 Filter Domain Spasial 17

Istilah filter di sini sebenarnya mengacu kepada proses domain frekuensi, yaitu meloloskan (menerima) komponen frekuensi tertentu dan menghilangkan (menolak) frekuensi yang lain. Sebagai contoh, filter lolos rendah (Low Pass Filter/LPF) berarti meloloskan komponen frekuensi yang rendah. Low Pass Filter menghasilkan citra

blur (lembut/halus). Biasanya filter disebut juga sebagai mask, kernel atau window, berupa kumpulan piksel berukuran 2x2, 3x3, 5x5 piksel dan seterusnya, tergantung kebutuhan. Istilah domain spasial pada dasarnya merujuk pada bidang citra itu sendiri dan pendekatan yang digunakan pada metode ini berdasarkan atas manipulasi langsung terhadap kumpulan piksel dari sebuah citra. Pemfilteran domain spasial adalah proses manipulasi kumpulan piksel dari sebuah citra untuk menghasilkan citra baru. Pemfilteran domain spasial merupakan salah satu alat yang digunakan dalam

banyak bidang untuk berbagai aplikasi, khususnya bagian ini untuk peningkatan kualitas citra dan perbaikan citra (Sulistyo, et al. 2009).

2.6.1 Mean Filter (Filter Rata-rata)

Pada filter rata-rata, nilai intensitas setiap piksel diganti dengan rata-rata dari nilai intensitas piksel tersebut dengan piksel-piksel tetangganya. Filter rata-rata merupakan filter h dalam bentuk matriks berukuran mxn (biasanya m=n) dan nilainya sama untuk setiap elemen (Gunara et al, 2007). Ukuran mxn ini yang menentukan jumlah tetangga yang harus dilibatkan dalam perhitungan. Karena bersifat LPF maka jumlah seluruh elemen adalah satu. Secara matematis filter rata-rata dapat dituliskan sebagai berikut:

h(x,y) = 1

��, 1 ≤ x≤ m, 1 ≤ y≤ n ... (2.15) Keterangan:

h(x,y) = filter h (filter rata-rata)

n = jumlah baris pada filter h (filter rata-rata)

m = jumlah kolom pada filter h (filter rata-rata)

x = koordinat letak citra pada titik x

y = koordinat letak citra pada titik y Contoh filter rata-rata berukuran 3 x 3 adalah:

h(x,y) = �

1/9 1/9 1/9

� ... (2.16) angka 1/9 diperoleh dari persamaan h(x,y) = 1

��^{dimana m dan n adalah contoh}

dimensi citra 3x3 piksel dan diperoleh nilai h(x,y) = 1

3�3^{= 1/9}

Operasi rata-rata dapat dipandang sebagai konvolusi yaitu perkalian fungsi diskrit antara citra f(x,y) dan filter g(x,y) (pada bagian ini filter h(x,y) dimisalkan sebagai

g(x,y)).

Dalam hal ini, h(x,y) disebut sebagai konvolusi dari f(x,y) dengan respon

g(x,y). Apabila g(x,y) adalah matriks berukuran 3x3 seperti diperlihatkan pada Gambar 2.4, f(x,y) adalah piksel yang dikenai operasi beserta tetangganya, maka h(x,y)

adalah hasil dari perhitungan dari persamaan berikut:

h (x,y) = AP1 + BP2 + CP3 + DP4 + EP5 + FP6 + GP7 + HP8 + IP9 ... (2.18)

Dari persamaan tersebut terlihat bahwa titik pusat jendela konvolusi yang merupakan piksel yang akan dimodifikasi nilainya bersesuaian dengan titik E dan faktor pemberat A, B, C, D, E, …, I pada matriks konvolusi adalah nilai dari g[-k,-l], dengan k,l = -1, 0, +1. Dalam manipulasi citra untuk menghasilkan citra yang baru, konvolusi berarti komputasi dari jumlah pembobotan terhadap piksel-piksel pada citra. Maka respon g[x,y] dapat disebut juga cetakan konvolusi, karena hasil dari operasi konvolusi sangat tergantung pada g[x,y]. Setiap nilai piksel pada citra nilai h[i,j] dihitung dengan memetakan cetakan konvolusi ke piksel [i,j] dalam citra asal, kemudian ditambahkan kepada jumlah pembobotan piksel-piksel tetangganya dimana nilai pembobotan bersesuaian dengan cetakan konvolusi. Operasi ini diilustrasikan dalam Gambar 2.6 menggunakan cetakan konvolusi 3x3. Untuk menjaga agar hasil perhitungan nilai intensitas yang baru tidak melebihi nilai maksimum yang dapat ditampung, maka faktor pembobot dari cetakan konvolusi (A, B, C, …, I) merupakan bilangan-bilangan pecahan yang jumlahnya satu. Konvolusi bersifat invariant (lokasi piksel tidak mempengaruhi hasil operasi), karena filter pembobotan yang digunakan sama pada seluruh bagian citra (Syarifuddin, 2003).

Gambar 2.6 Contoh matriks 3x3 untuk konvolusi

Berikut merupakan gambaran proses reduksi noise dengan filter rata-rata secara konvolusi. Contoh: Citra keabuan f(x,y) yang berukuran 10x8 memiliki 8 skala keabuan dari sebuah filter rata-rata g(x,y) yang berukuran 3x3 sebagai berikut:

... (2.19) Pilih f(x,y) ukuran 3x3, dimulai dari pojok kiri atas. Kemudian, hitung konvolusinya dengan filter h(x,y).

Tabel 2.3 Nilai konfolusi dengan filter h(x,y).

Hasil konvolusi g(x,y) adalah:

9^{[(1x5) + (2x3)+ (1x4)+ (1x2) + (1x1) + (1x6) + (1x3) + (1x0)] = 3}

Jadi nilai piksel 2 diganti oleh 3, tempatkan pada matriks yang baru, hasilnya adalah: Tabel 2.4 Hasil konfolusi dengan filter h(x,y).

Tabel 2.5 Nilai pergeseran dengan filter h(x,y).

Hasil konvolusinya adalah:

9^{[(1x3) + (1x3)+ (1x0)+ (1x2) + (1x1) + (1x3) + (1x3) + (1x0)] = 2}

Jadi nilai piksel 1 diganti dengan 2, kemudian tempatkan pada matriks yang baru. Tabel 2.6 Matriks hasil konfolusi

Proses perhitungan kemudian dilakukan terus hingga f(x,y) ukuran 3x3 sampai pada ujung kanan bawah hasilnya adalah:

Berikut ini merupakan contoh lain dari penggunaan filter rata-rata F(x,y) pada potongan gambar dalam bentuk matriks berikut:

Apabila digambarkan maka akan tampak sebagai berikut:

Dengan menggunakan filter rata-rata 3x3, maka proses filter dilakukan dengan cara menghitung konvolusi dari kernel filter rata-rata 3x3 dan H, maka diperoleh:

Y = H Xor F Y = � 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 � Xor � 1 1 1 1 1 4 1 1 1 1 1 1 1 1 3 1 �=� 7/9 1 1 4/9 1 12/9 12/9 6/9 1 14/9 12/9 8/9 4/9 8/9 8/9 6/9 �

Bila digambarkan maka hasil filter rata-rata dapat dilihat seperti Gambar 2.7 sebagai berikut:

Gambar 2.7 Hasil Filter Rata-rata

Hasilnya terdapat titik-titik yang berbeda (dianggap sebagai noise) akan dikurangi hingga mendekati nilai dominan. Salah satu efek dari hasil filter ini adalah efek blur. 2.6.2 Contra Harmonic Mean Filter

Contra Harmonic Mean Filter bekerja dengan baik pada tipe salt noise, tetapi tidak untuk pepper noise. Filter ini juga bekerja dengan baik pada jenis noise yang lain seperti noise Gaussian (Prasetyo, 2011). Contra Harmonic Mean Filter

merupakan solusi untuk menyelesaikan kasus bila derau additive berupa derau salt & pepper. Filter ini dirumuskan dengan:

... (2.20) dimana:

(s,t) = kordinat windowsub-image S_xy = region citra

g(s,t) = nilai citra terkorupsi pada kordinat sub-image Q = order filter

Misalkan diberikan contoh matriks citra sebagai berikut (Sutoyo et al, 2009): 5 5 4 7 2 6 1 4 1 Bila Q=1, maka: F (x,y) = 52+52+42+72+22+62+12+42+12 5+5+4+7+2+6+1+4+1 ≈ 4,9 = 4 sehingga bagian dari citra ini berubah menjadi:

5 5 4

7 4 6

1 4 1

Keterbatasan tentu dimiliki oleh filter ini adalah tidak bisa menghilangkan derau salt dan pepper secara bersamaan. Salt hanya dapat dihilangkan bila Q bernilai negatif, sedangkan bila Q bernilai positif maka akan bekerja untuk derau pepper. Q disebut juga dengan orde filter. Misalkan nilai Q = 0, maka bisa dibuktikan bahwa rumusnya akan berubah menjadi rumus Arithmetic filter. Sedangkan bila Q = -1 filter akan berubah menjadi Harmonic filter.

2.7 Mean Squared Error (MSE) dan Peak Signal to Noise Ration (PSNR)

Perbedaan dua buah citra dapat dihitung dengan menghitung nilai MSE (Mean Squared Error) dan PSNR (Peak Signal to Noise Ratio). PSNR adalah perbandingan antara nilai maksimum dari sinyal yang diukur dengan besarnya noise yang berpengaruh pada citra tersebut (Megalingam, 2010). PSNR digunakan untuk mengetahui kualitas (validasi) citra hasil kompresi. Untuk menentukan PSNR, terlebih dahulu harus ditentukan nilai rata-rata kuadrat dari error (MSE - Mean Square Error) (Munir, 2004).

MSE dan PSNR dapat dihitung dengan persamaan (1) dan (2). Pada persamaan (1), I (x,y) adalah nilai grey-level citra asli di posisi (x,y), I’ adalah nilai derajat keabuan citra setelah diproses pada posisi (x,y), X dan Y adalah ukuran panjang dan lebar. Pada persamaan (2), m adalah nilai maksimum yang mungkin dimiliki oleh sebuah pixel. Sebagai contoh, untuk data citra 8 bit, nilai maksimumnya adalah 255 (Munir, 2004). MSE = 1 ��∑ ∑_� _�[�(�,�)− �^′(�,�)] ² ... (2.21) PSNR = 10 log �² ��^{... (2.22)}

1.1 Latar Belakang

Pemanfaatan teknologi digital pada bidang pengolahan citra sudah semakin berkembang, hal ini dapat dilihat dengan banyaknya software atau perangkat lunak dalam bidang pengolahan citra seperti Adobe Photoshop, ACDSee dan perangkat lunak yang lainnya. Pengolahan citra secara digital adalah memproses suatu citra sehingga menghasilkan citra lain yang lebih baik kualitasnya. Dalam proses perbaikan citra terdapat berbagai metode di antaranya coding, scaling, sampling dan filtering dan metode yang lainnya.

Untuk perbaikan citra seperti ini, dapat dilakukan dengan teknik perbaikan citra. Teknik perbaikan yang diperlukan pada citra yang memiliki noise adalah dengan menghilangkan noise dari citra tersebut dengan metode-metode yang dapat digunakan untuk menghilangkan noise. Pada dasarnya setiap sistem pencitraan dapat menyebabkan terjadinya noise pada citra yang dihasilkan. Noise pada citra tersebut pada umumnya terdistribusi secara normal atau gaussian (Rachmad, 2008).

Pengurangan noise atau denoise adalah salah satu proses dalam peningkatan kualitas citra (image enhancement) yang termasuk langkah awal dalam image processing. Peningkatan kualitas citra adalah proses mendapatkan citra yang lebih mudah diinterpretasikan oleh mata manusia. Pada proses ini, ciri-ciri tertentu yang terdapat di dalam citra lebih diperjelas kemunculannya (Syarifuddin, 2003).

Noise Gaussian merupakan model noise yang mengikuti distribusi normal standar dengan rata-rata 0 dan standar deviasi 1. Efek gaussian noise adalah munculnya titik-titik berwarna yang jumlahnya sama dengan persentase noise. Noise Speckle merupakan model noise yang memberikan warna hitam pada titik yang terkena noise, sedangkan noise salt and pepper tampak seperti taburan garam karena memberikan warna putih pada titik yang terkena noise (Murinto, et al. 2007).

Pada penelitian (Murinto et al, 2007) dilakukan pengurangan noise untuk meningkatkan mutu citra menggunakan metode Intensity Filtering dan High Pass Frequency Filtering, yang kemudian hasil akhirnya dianalisis. Dijelaskan karakteristik dari metode High Pass Frequency Filtering, serta analisis kelebihan dan kekurangannya. Hasil penelitian menunjukkan reduksi noise menggunakan metode

High Pass Frequency Filtering lebih baik dalam mengurangi noise pada citra dibandingkan dengan metode lain namun memerlukan timing-run yang lama.

Dalam penelitian lain yang dilakukan oleh (Rachmad, A. 2008), sistem yang dibuat membahas mengenai cara pembersihan noise dengan mengetahui jenis noise yang menggabung dalam citra menggunakan metode intensity filtering. Setelah mengetahui jenis noise ini barulah dilakukan proses pembersihan derau yang cocok dengan noise tersebut. Salah satu pembersihan noise adalah dengan mendeteksi intensitas dari setiap titik di layar. Cara lain pembersihan noise adalah dengan menganalisis jumlah noise yang ada pada gambar. Dalam hal ini kita asumsikan bahwa titik-titik noise yang berintensitas sama memiliki jumlah yang hampir sama.

Noise yang terdapat pada citra digital dapat dikurangi atau dihilangkan dengan berbagai macam metode. Beberapa metode-metode yang dapat digunakan untuk mengatasi masalah noise antara lain:

- Median filter penelitian dilakukan oleh (Sulistyo, 2009) - Gaussian filter dilakukan pada penelitian (Jannah, 2008) - Filter rata-rata penelitian dilakukan oleh (Syarifuddin, 2003) - Filter bandpass dan bandstop pada buku karangan (Prasetyo, 2011)

- Harmonic Mean filter serta Contra Harmonic Filter pada penelitian (Somasundaram & Pritha N.A. 2010)

Dan berbagai macam metode lainnya dimana pada penelitian ini digunakan metode

Contra HarmonicFilter untuk mereduksi noise.

Berdasarkan hal di atas maka penulis berniat membuat suatu penelitian yang berjudul “Implementasi Contra HarmonicMean Filter Untuk Mereduksi Noise Pada Citra Digital”.

1.2 Rumusan Masalah

Adapun rumusan masalah dalam penelitian adalah pada citra digital hasil pencitraan (capture) sering sekali ditemukan gangguan berupa distorsi cahaya, noise maupun gangguan lainnya yang menyebabkan objek-objek pada citra kurang jelas ataupun kabur.

1.3 Batasan Masalah

Ruang lingkup pada penelitian ini dibatasi pada hal-hal sebagai berikut: 1. Tidak membahas perubahan size citra hasil reduksi.

2. Tidak membahas citra grayscale. 1.4 Tujuan Penelitian

Adapun tujuan penelitian ini adalah untuk mengimplementasikan Contra Harmonic Mean Filter dalam mengurangi noise Gaussian yang terdapat pada suatu citra digital

dan melihat hasil kualitas citra setelah mengalami reduksi noise. 1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah didapatkannya citra yang kualitasnya lebih baik setelah dilakukan reduksi noise dengan Contra Harmonic Mean Filter.

1.6 Metode Penelitian

Dalam penelitian ini, tahapan-tahapan yang akan dilalui adalah sebagai berikut: a. Studi Literatur

Metode ini diawali dengan terlebih dahulu melakukan pembelajaran literatur pada sejumlah buku, artikel, paper, jurnal, makalah, maupun situs internet mengenai pembahasan citra, noise, filter noise serta metode mean filter untuk mengurangi

b. Analisis

Pada tahap ini dilakukan analisis terhadap jenis noise yang akan dipakai yaitu

noise salt dan pepper, kemudian melakukan analisis terhadap cara kerja dari metode Contra Harmonic Mean Filter dan kemudian melakukan analisis terhadap hasil studi literatur yang diperoleh sehingga menjadi suatu informasi.

c. Perancangan Perangkat Lunak

Pada tahap ini, digunakan seluruh hasil analisa terhadap studi literatur yang dilakukan untuk merancang perangkat lunak yang akan dihasilkan. Dalam tahapan ini juga dilakukan perancangan model antarmuka serta proses kerja sistem untuk memudahkan dalam proses implementasi.

d. Implementasi dan Pengujian Sistem

Pada tahap ini dilakukan pemasukan data serta memproses data untuk mendapatkan hasil apakah sudah sesuai dengan yang diharapkan. Pengujian adalah dengan melakukan perbandingan hasil sebelum dan sesudah proses noise

dihilangkan dari suatu citra digital dan melihat apakah kualitas citra setelah mengalami perbaikan noise hampir sama dengan kualitas citra asalnya.

1.7 Sistematika Penulisan

Sistematika penulisan skripsi ini adalah sebagai berikut:

BAB 1 PENDAHULUAN membahas latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian serta sistematika penulisan. BAB 2 LANDASAN TEORI membahas tentang landasan teori tentang citra, noise

citra, algoritma Contra Harmonic Mean Filter, bahasa pemrograman MATLAB 2009, flow chart serta data flow diagram (DFD).

BAB 3 ANALISIS DAN PERANCANGAN pembahasan mengenai pembacaan citra, reduksi noise dengan algoritma Contra Harmonic Mean Filter, flow chart

sistem, data flow diagram serta perancangan antar muka aplikasi (user interface).

BAB 4 IMPLEMENTASI DAN PENGUJIAN membahas tentang implementasi dari perancangan sistem yang dirancang pada BAB 3.

BAB 5 KESIMPULAN DAN SARAN merupakan kesimpulan dari semua pembahasan yang ada dengan saran-saran yang ditujukan bagi para pembaca atau pengembang.

vii ABSTRAK

Banyak gangguan yang dapat terjadi pada citra hasil rekaman kamera digital, seperti lensa tidak fokus, muncul bintik-bintik yang disebabkan oleh proses capture yang tidak sempurna, pencahayaan yang tidak merata mengakibatkan intensitas tidak seragam, kontras citra terlalu rendah sehingga objek sulit dipisahkan dari latar belakangnya atau gangguan yang disebabkan oleh kotoran yang menempel pada citra dan lain sebagainya. Salah satu gangguan pada citra adalah noise berupa bintik-bintik yang dapat mengurangi keindahan sebuah citra. Efek noise terhadap sebuah citra berbeda-beda tergantung jenis noise-nya, karena ada yang mempengaruhi tampilan citra dan ada juga yang tidak begitu mempengaruhi. Salah satu teknik yang digunakan untuk mereduksi noise adalah filter yang melakukan pemisahan noise dari objek-objek pada citra. Algoritma yang digunakan pada penelitian ini adalah Contra Harmonic Mean Filter yang melakukan reduksi pada noise dengan cara mengganti nilai piksel dengan nilai tengah (rata-rata) intensitas piksel citra yang mengandung noise. Hasil pengujian diperoleh dengan menampilkan tiga citra hasil reduksi noise dan nilai PSNR yang bervariasi rata-rata adalah 8.528.

ABSTRACT

Many disorders that can occur digital camera image recordings.Such as the lens does not focus, appear spots caused by the capture process is not perfect, uneven lighting intensity which not uniform, and the image contrast is too low so it is difficult to separate objects from the background or disruption that caused by dirt on the image. One of image disturbance is in the form of spots that can reduce the beauty of image. The effects of noise to an image varies depending on the type of the noise, because some affects the image display and some are not so affecting. One of technique that used to reduce noise is a noise filter that performs the separation of objects in image. The algorithm that used in this experiment is Contra Harmonic Mean Filter that performs noise reduction by replacing the pixel value with the median value (average) intensity pixel image containing noise. The test results obtained with the three images show the results of noise reduction and PSNR values varying average is 8,528.

MEREDUKSI NOISE PADA CITRA DIGITAL

SKRIPSI

NITIKA 101421045

PROGRAM STUDI ESKTENSI S-1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

Judul : IMPLEMENTASI CONTRA HARMONIC MEAN FILTER

UNTUK MEREDUKSI NOISE PADA CITRA DIGITAL Kategori : SKRIPSI

Nama : NITIKA

NIM : 101421045

Program Studi : EKSTENSI S-1 ILMU KOMPUTER

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing II Pembimbing I

Drs. Agus Salim Harahap, M.Si Prof. Dr, Opim Salim Sitompul, M.Sc NIP : 195408281981031004 NIP. 196108171987011001

Diketahui/disetujui oleh :

Program Studi S1 Ilmu Komputer Ketua

Dr. Poltak Sihombing, M.Kom NIP. 196203171991031001

IMPLEMENTASI CONTRA HARMONICMEAN FILTER UNTUK MEREDUKSI NOISE PADA CITRA DIGITAL

Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, Desember 2015

Nitika

Puji dan syukur kehadirat Tuhan YME karena atas segala rahmat dan karunia-Nya penulis dapat menyelesaikan skripsi ini dalam waktu yang telah ditetapkan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer, Program Studi Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, serta terimakasih yang sebesarnya kepada pihak yang telah mendukung penyelesaian skripsi ini terutama orang tua.

Pada kesempatan ini, penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada :

1. Bapak Prof. Drs. Subhilhar, MA., Ph.D selaku Plt. Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Muhammad Zarlis, M.Kom selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Sumatera Utara.

3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu Komputer dan sebagai dosen penguji I yang telah memberikan kritik dan saran yang berguna bagi penulis

4. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer.

5. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku dosen pembimbing I yang telah meluangkan waktu, tenaga, dan pikiran dalam membimbing, mengarahkan, menasehati, memotivasi, dan menyemangati penulis agar dapat menyelesaikan skripsi ini.

6. Bapak Drs. Agus Salim Harahap, M.Si, selaku pembimbing II yang telah meluangkan waktu, tenaga, dan pikiran dalam membimbing, mengarahkan, menasehati, memotivasi, dan menyemangati penulis agar dapat menyelesaikan skripsi ini.

7. Ibu Dian Rachmawati, S.Si., M.Kom sebagai dosen penguji II yang telah memberikan kritik dan saran yang berguna bagi penulis.

8. Seluruh staf pengajar dan pegawai Fakultas Ilmu Komputer dan Teknologi Informasi.

mendukung penulis dengan penuh kasih sayang dan kesabaran yang tak terhingga.

10. Adik tersayang Priyanka yang telah memberikan doa, dukungan, dan perhatian kepada saya.

11. Teman – teman seperjuangan mahasiswa S1 Ekstensi Ilmu Komputer stambuk 2010 yang selalu memberi dukungan.

12. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu menyelesaikan skripsi ini. Penulis menyadari bahwa skripsi ini masih banyak kekurangan. Oleh karena itu penulis menerima kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Semoga skripsi ini dapat bermanfaat bagi penulis dan pembaca, khususnya rekan-rekan mahasiswa lainnya yang mengikuti perkuliahan di Universitas Sumatera Utara.

Medan, Desember 2015 Penulis

vii ABSTRAK

ABSTRACT

Persetujuan ii Pernyataan iii Penghargaan v Abstrak vii Abstract viii Daftar isi ix

Daftar tabel xii

Daftar gambar xiii

BAB 1 PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 3 1.3 Batasan Masalah 3 1.4 Tujuan Penelitian 3 1.5 Manfaat Penelitian 3 1.6 Metodologi Penelitian 3 1.7 Sistematika Penulisan 4 BAB 2 LANDASAN TEORI 6 2.1 Definisi Pengolahan Citra 6 2.1.1 Klasifikasi Pengolahan Citra 7

2.2 Citra Digital 8 2.2.1 Definisi Citra Digital 9 2.2.2 Jenis – jenis Citra Digital 13 2.3 Format File Citra Bitmap 14 2.4 Noise 15 2.5 Membangkitkan Noise Gaussian 16

2.6 Filter Domain Spasial 17 2.6.1 Mean Filter (Filter Rata-rata) 18

2.7.2 Perbedaan Matlab Dengan Software Pemograman Lain 23

2.7.3 Aplikasi Matlab 23

2.7.4 Perkembangan Matlab 24

BAB 3 ANALISIS DAN PERANCANGAN 25

3.1 Analisis 25

3.1.1 Membaca Nilai Piksel 26

3.1.2 Menghitung Nilai RGB 27

Dalam dokumen Implementasi Contra Harmonic Mean Filter Untuk Mereduksi Noise Pada Citra Digital (Halaman 53-79)