IMPLEMENTASI DAN PENGUJIAN SISTEM - Implementasi dan Perbandingan Metode Harmonic-Mean Filter d

IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1 Implementasi Sistem

Setelah melakukan proses analisis dan perancangan sistem, proses selanjutnya dalam penerapan pembuatan aplikasi adalah proses implementasi dan pengujian sistem. Implementasi merupakan tahap di mana sistem melakukan fungsionalitas utamanya setelah suatu program atau perangkat lunak selesai dirancang. Sedangkan tahap pengujian merupakan tahap yang dilakukan setelah proses pengimplementasikan selesai dilakukan dan sampai proses uji coba sesuai dengan kriteria-kriteria yang diinginkan pengguna pada tahap perancangan sistem. Pada system ini terdapat 4 form yaitu form Menu Awal, form Harmonic Mean Filter, form ContraHarmonic Mean Filter, dan form Help.

4.1.1Form Menu Awal

Form Awal merupakan form yang pertama kali ditampilkan pada saat aplikasi dijalakan.Form ini berisi informasi mengenai judul skripsi, dan penulis. Berikut pada gambar 4.1 ditampilkan Form Menu Awal pada sistem ini :

Gambar 4.1 Form Awal 4.1.2Form Harmonic Mean Filter

Form Harmonic Mean Filter ini merupakan tampilan untuk melakukannya proses restorasi menggunakan Harmonic Mean Filter. Dimana citra yang dimasukkan akan dilakukan proses perubahan menjadi citra grayscale. Kemudian ditambahkan lagi noise sesuai yang diinginkan dan sesuai range yang telah ditentukan yaitu 1% - 40 %. Pilih kernel yang diinginkan . Kemudian tekan tombol push untuk proses restorasi menggunakan Harmonic Mean Filter tersebut. Berikut merupakan tampilan Form Harmonic Mean Filter dapat dilihat pada gambar 4.2 dan simulasinya pada gambar 4.3.

Gambar 4.3 Form Simulasi Harmonic Mean Filter

4.1.3Form Contra Harmonic Mean Filter

Form Contra Harmonic Mean Filter ini merupakan tampilan untuk melakukannya proses restorasi menggunakan Contra Harmonic Mean Filter. Dimana citra yang dimasukkan akan dilakukan proses perubahan menjadi citra grayscale. Kemudian ditambahkan lagi noise sesuai yang diinginkan dan sesuai range yang telah ditentukan yaitu 1% - 40 %.

Kemudian sebelum dilakukan proses restorasi , input nilai Q sesuai range yang telah di berikan -1 ≤ Q ≤ 1 dan pilih kernel yang diinginkan . Kemudian tekan tombol push untuk proses restorasi menggunakan ContraHarmonic Mean Filter tersebut.

Berikut merupakan tampilan Form ContraHarmonic Mean Filter dapat dilihat pada gambar 4.4 dan simulasinya pada gambar 4.5.

Gambar 4.5 Form Simulasi Contra Harmonic Mean Filter 4.1.4Form Help

Form Help merupakan form yang berisi tentang penjelasan dari system ini. Ini juga dapat membantu pengguna dalam menjalankan system ini. Form bantuan dapat dilihat pada gambar 4.6.

4.2 Pengujian

Pengujian sistem akan dilakukan untuk mengetahui sampai sejauh mana perbandingan kedua metode tersebut dapat dilakukan restorasi citra . Pengujian akan dilakukan pada citra digital yang berformat BMP. Citra digital yang akan diuji dengan aplikasi ini yaitu 256x256 pixel. Citra digital tersebut merupakan citra RGB. Oleh sistem nantinya akan diubah ke dalam grayscale. Citra digital yang telah ter-filter akan disimpan ke dalam format *.bmp . untuk pemrosesan menggunakan dua buah kernel, yaitu 3x3 dan5x5 pada metode Harmonic Mean Filter sedangkan metode Contra-Harmonic Mean Filter menggunakan kernel 3x3.

4.2.1Pengujian Harmonic Mean Filter

Pada pengujian Harmonic Mean Filter, hal pertama yang dilakukan setelah memilih citra yaitu mengubah citra berwarna(RGB) menjadi citra grayscale. Kemudian memberikan noise dengan batasan noise yang dapat dipilih 1%-40 %. Jenis noise yang dipilih ada dua yaitu Salt and Pepper noise dan Speckle noise. Setelah itu pilih juga kernel untuk pemerosesan citra.

Adapun gambaran sistem ini dapat dilihat pada gambar 4.7 berikut ini:

Pada pengujian sistem ini akan melakukan beberapa pengujian , diantara lain : Pengujian Ukuran Citra terhadap jenis noise serta persentasi noise.dan kernel yang digunakan.

4.2.1.1 Pengujian salt & pepper noise terhadap ukuran citra dan masing-masing kernel pada Harmonic Mean Filter.

Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1%, 10% , 20 % ,30% dan 40% dan ukuran gambar 256x256 piksel.

Tabel 4.1 Ukuran Citra 256x256 piksel , kernel 3x3 terhadap persentasi noise Persentasi

Noise

Proses Generate noise (Citra Terkena Noise)

Proses Filtering (Citra Hasil) 1 % MSE : 230.894 RMSE : 15.1952 PSNR : 24.4967 dB Running time : 0.078 s MSE : 27325.3 RMSE : 165.304 PSNR : 3.76516 dB Running time : 0.312 s

10% MSE : 2138.23 RMSE : 46.241 PSNR : 14.8303 dB Running time : 0.093 s MSE : 27313.3 RMSE : 165.267 PSNR : 3.76707 dB Running time : 0.37 s 20 % MSE : 4386.3 RMSE : 66.2291 PSNR : 11.7098 dB Running time : 0.078 s MSE : 27297 RMSE : 165.218 PSNR : 3.76966 dB Running time : 0.3276 s

Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1%-40% .Sebagaimana terlihat pada tabel 4.1. noise yang tergenerate 1 % memiliki nilai MSE sebesar 230.894 ,RMSE sebesar 15.1952 dan PSNR sebesar 24.4967 dB , citra yang terkena generate noise 1% melakukan proses filtering

30 % MSE : 6633.61 RMSE : 81.447 PSNR : 9.91331dB Running time : 0.078 s MSE : 27278.3 RMSE : 165.161 PSNR : 3.77263 dB Running time : 0.343 s 40 % MSE : 8950.25 RMSE : 94.6058 PSNR : 8.61254 dB Running time : 0.062 s MSE : 27254.8 RMSE : 165.09 PSNR : 3.77638 dB Running time : 0.358 s

kemudian memiliki nilai MSE sebesar 27325.3 ,RMSE sebesar 165.304 dan PSNR sebesar 3.76516 dB. noise yang tergenerate 10 % memiliki nilai MSE sebesar 2138.23,RMSE sebesar 46.241 dan PSNR sebesar 14.8303 dB , citra yang terkena generate noise 10% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27313.3,RMSE sebesar 165.267 dan PSNR sebesar 3.76707 dB. noise yang tergenerate 20 % memiliki nilai MSE sebesar 4386.3 ,RMSE sebesar 66.2291 dan PSNR sebesar 11.7098 dB , citra yang terkena generate noise 20% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27297, RMSE sebesar 168.218 dan PSNR sebesar 3.76966 dB. noise yang tergenerate 30 % memiliki nilai MSE sebesar 6633.61, RMSE sebesar 81.447 dan PSNR sebesar 9.9133 dB , citra yang terkena generate noise 30% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27278.3, RMSE sebesar 165.161 dan PSNR sebesar 3.77263 dB. noise yang tergenerate 40 % memiliki nilai MSE sebesar 8950.25, RMSE sebesar 94.6058 dan PSNR sebesar 8.61524 dB , citra yang terkena generate noise 40% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27254.8, RMSE sebesar 165.09 dan PSNR sebesar 3.77638 dB.

Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan menggunakan kernel 3x3 dan 5x5 dan mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel. Dapat dilihat gambar 4.8 grafik sebelum dilakukan filtering dengan salt & Pepper noise.

Dapat dilihat pada gambar 4.8 , nilai MSE yang digenerate noise sebesar 1% adalah 231.762 , 10% adalah 2217.88 , 20% adalah 4486.37 , 30% adalah 6626.85 dan 40 % adalah 8791.32. secara grafik dilihat bahwa nilai MSE semakin meningkat apabila di generate noise yang bernilai besar. Nilai RMSE yang digenerate noise sebesar 1% adalah 15.2237 ,10% adalah 47.0944 , 20% adalah 66.9807, 30% adalah 81.4055 dan 40% adalah 93.7621. Nilai PSNR yang digenerate noise sebesar 1% adalah 24.4804 dB, 10% adalah 14.6714 dB, 20% adalah 11.6119 dB, 30% adalah 9,91773 dB dan 40% adalah 8.69026 dB.

Dapat dilihat gambar 4.9 grafik sesudah dilakukan filtering dengan menggunakan kernel 3x3.

Gambar 4.9 grafik sesudah dilakukan filtering menggunakan kernel 3x3 Dapat dilihat pada gambar 4.9 , nilai MSE yang digenerate noise sebesar 1% adalah 27325.3 , 10% adalah 27312.6 , 20% adalah 27296.1, 30% adalah 27277.9 dan 40 % adalah 27257.1. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.304 ,10% adalah 165.262, 20% adalah 165.215, 30% adalah 165.16 dan 40% adalah 165.097. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76516 dB, 10% adalah 3.76717 dB, 20% adalah 3.7698 dB, 30% adalah 3.77269 dB dan 40% adalah 3.77601 dB.

Dapat dilihat gambar 4.10 grafik sesudah dilakukan filtering dengan menggunakan kernel 5x5.

Gambar 4.10 grafik sesudah dilakukan filtering menggunakan kernel 5x5 Dapat dilihat pada gambar 4.10 , nilai MSE yang digenerate noise sebesar 1% adalah 27326.5 , 10% adalah 27314.1 , 20% adalah 27298, 30% adalah 27280.2 dan 40 % adalah 27259.8. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.307 ,10% adalah 165.27, 20% adalah 165.221, 30% adalah 165.167 dan 40% adalah 165.105. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76516 dB, 10% adalah 3.76693 dB, 20% adalah 3.7695 dB, 30% adalah 3.77233 dB dan 40% adalah 3.77557 dB.

Dapat dilihat pada kedua tabel diatas bahwa nilai MSE,RMSE dan PSNR yang bagus terletak pada kernel 3x3 dengan ukuran piksel 256 x256.

4.2.1.2 Pengujian Speckle noise terhadap ukuran citra dan masing-masing kernel pada Harmonic Mean Filter.

Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1%, 10% , 20 % ,30% dan 40% dan ukuran gambar 256x256 piksel. Untuk melihat kualitas citra pada metode Harmonic Mean Filter yang akan dibandingkan dengan metode Contra Harmonic Mean Filter.

Tabel 4.2 Ukuran Citra 128 x 128 piksel , kernel 3x3 terhadap persentasi noise Persentasi

Noise

Proses Generate noise (Citra Terkena Noise)

Proses Filtering (Citra Hasil) 1% MSE : 27288.5 RMSE : 165.192 PSNR : 3.771 dB Running time : 0.04680 s MSE : 27294.5 RMSE : 165.211 PSNR : 3.77004 dB Running Time : 0.124801 s 10 % MSE : 27288.6 RMSE : 165.193 PSNR : 3.771 dB Running time : 0.07800 s MSE : 27314.9 RMSE : 165.272 PSNR : 3.76681 dB Running Time : 0.124801 s

20% MSE : 27288.8 RMSE : 165.193 PSNR : 3.77095 dB Running time : 0.07800 s MSE : 27343.6 RMSE : 165.359 PSNR : 3.76225 dB Running Time : 0.124801 s 30% MSE : 27288.6 RMSE : 165.193 PSNR : 3.77099 dB Running time : 0.07800 s MSE : 27381.1 RMSE : 165.49 PSNR : 3.75535 dB Running time : 0.1248 s 40 % MSE : 27288.3 RMSE : 165.192 PSNR : 3.77103 dB Running time : 0.0624 s MSE : 27745.7 RMSE : 166.57 PSNR : 3.69885 dB Running time : 0.109201 s

Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1%-40% .Sebagaimana terlihat pada tabel 4.2. noise yang tergenerate 1 % memiliki nilai MSE sebesar 27288.5 ,RMSE sebesar 165.192 dan PSNR sebesar 3.771 dB , citra yang terkena generate noise 1% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27294.5,RMSE sebesar 165.211 dan PSNR sebesar 3.77004 dB. noise yang tergenerate 10 % memiliki nilai MSE sebesar 27288.6,RMSE sebesar 165.193 dan PSNR sebesar 3.771 dB , citra yang terkena generate noise 10% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27314.9, RMSE sebesar 165.272 dan PSNR sebesar 3.76681 dB. noise yang tergenerate 20 % memiliki nilai MSE sebesar 27288.8, RMSE sebesar 165.193 dan PSNR sebesar 3.77095 dB , citra yang terkena generate noise 20% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27343.6, RMSE sebesar 165.359 dan PSNR sebesar 3.76225 dB. noise yang tergenerate 30 % memiliki nilai MSE sebesar 27288.6, RMSE sebesar 165.193 dan PSNR sebesar 3.77099 dB , citra yang terkena generate noise 30% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27381.1, RMSE sebesar 165.49 dan PSNR sebesar 3.75535 dB. noise yang tergenerate 40 % memiliki nilai MSE sebesar 27288.3, RMSE sebesar 165.192 dan PSNR sebesar 3.77103 dB , citra yang terkena generate noise 40% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27745.7, RMSE sebesar 166.57 dan PSNR sebesar 3.69885 dB.

Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan menggunakan kernel 3x3 dan 5x5 dan mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel. Dapat dilihat gambar 4.11 grafik sebelum dilakukan filtering dengan Speckle noise.

Gambar 4.11 grafik sebelum dilakukan filtering

Dapat dilihat pada gambar 4.11 , nilai MSE yang digenerate noise sebesar 1% adalah 27324.5 , 10% adalah 27323.9 , 20% adalah 27323.9 , 30% adalah 27324.2 dan 40 % adalah 27324.4. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.301 ,10% adalah 165.3 , 20% adalah 165.299, 30% adalah 165.3 dan 40% adalah 165.301. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76528 dB, 10% adalah 3.76537 dB, 20% adalah 3.76538 dB, 30% adalah 3.76533 dB dan 40% adalah 3.7653 dB.

Dapat dilihat gambar 4.12 grafik sesudah dilakukan filtering dengan menggunakan kernel 3x3.

Dapat dilihat pada gambar 4.9 , nilai MSE yang digenerate noise sebesar 1% adalah 27328.9 , 10% adalah 27348.8, 20% adalah 27377.7, 30% adalah 27422.4 dan 40 % adalah 79022. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.315, 10% adalah 165.375, 20% adalah 165.462, 30% adalah 165.597 dan 40% adalah 281.109. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76458 dB, 10% adalah 3.76142 dB, 20% adalah 3.75684 dB, 30% adalah 3.74975 dB dan 40% adalah -0.846 dB.

Dapat dilihat gambar 4.13 grafik sesudah dilakukan filtering dengan menggunakan kernel 5x5.

Gambar 4.13 grafik sesudah dilakukan filtering menggunakan kernel 5x5 Dapat dilihat pada gambar 4.13 , nilai MSE yang digenerate noise sebesar 1% adalah 27330.2, 10% adalah 27350.4, 20% adalah 27379.7, 30% adalah 27428.1 dan 40 % adalah 31238.4. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.318, 10% adalah 165.379, 20% adalah 165.468, 30% adalah 165.61 dan 40% adalah 176.744. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76438 dB, 10% adalah 3.76117 dB, 20% adalah 3.75651 dB, 30% adalah 3.74909 dB dan 40% adalah 3.18392 dB.

Dapat dilihat pada kedua tabel diatas bahwa nilai MSE,RMSE dan PSNR yang bagus terletak pada kernel 3x3 dengan ukuran piksel 256 x256.

4.2.2Pengujian Contra-Harmonic Mean Filter

Pada pengujian Contra-Harmonic Mean Filter, hal pertama yang dilakukan setelah memilih citra yaitu mengubah citra berwarna(RGB) menjadi citra grayscale. Kemudian memberikan noise dengan batasan noise yang dapat dipilih 1% - 40 %. Jenis noise yang dipilih ada dua yaitu Salt and Pepper noise dan Speckle noise. Setelah itu pilih juga kernel untuk pemerosesan citra dan pilih nilai Q yang dimasukkan antara -1 ≤ Q ≤ 1.

Adapun gambaran sistem ini dapat dilihat pada gambar 4.14 berikut ini:

Gambar 4.14 Gambaran Sistem Contra-Harmonic Mean Filter

Pada pengujian sistem ini akan melakukan beberapa pengujian , diantara lain : Pengujian Ukuran Citra terhadap jenis noise serta persentasi noise.dan kernel yang digunakan.

4.2.2.1 Pengujian salt & pepper noise terhadap ukuran citra dan masing-masing kernel pada Contra-Harmonic Mean Filter.

Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1%, 10% , 20 % ,30% dan 40% dan ukuran gambar 256x256 piksel dengan Q = 0 .

Tabel 4.3 Ukuran Citra 256x256 piksel , kernel 3x3 terhadap persentasi noise Persentasi

Noise

Proses Generate noise (Citra Terkena Noise)

Proses Filtering (Citra Hasil) 1 % MSE : 230.894 RMSE : 15.1952 PSNR : 24.4967 dB Running time : 0.078 s MSE : 27326.2 RMSE : 165.306 PSNR : 3.76501 dB Running time : 0.4836603s 10% MSE : 2138.23 MSE : 27331.9

RMSE : 46.241 PSNR : 14.8303 dB Running time : 0.093 s RMSE : 165.324 PSNR : 3.7641 dB Running time : 0.468003s 20 % MSE : 4386.3 RMSE : 66.2291 PSNR : 11.7098 dB Running time : 0.078 s MSE : 27338.3 RMSE : 165.343 PSNR : 3.76308 dB Running time : 0.499203s 30 % MSE : 6633.61 RMSE : 81.447 PSNR : 9.91331 dB Running time : 0.078 s MSE : 27345.4 RMSE : 165.364 PSNR : 3.76197 dB Running time : 0.546003s

Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1%-40% dan menginputkan nilai order filter(Q) sebesar nol(0). Sebagaimana terlihat pada tabel 4.3. noise yang tergenerate 1 % memiliki nilai MSE sebesar 230.894, RMSE sebesar 15.1952 dan PSNR sebesar 24.4967 dB , citra yang terkena generate noise 1% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27326.2, RMSE sebesar 165.306 dan PSNR sebesar 3.76501 dB. noise yang tergenerate 10 % memiliki nilai MSE sebesar 2138.23, RMSE sebesar 46.241 dan PSNR sebesar 14.8303 dB , citra yang terkena generate noise 10% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27331.9, RMSE sebesar 165.324 dan PSNR sebesar 3.7641 dB. noise yang tergenerate 20 % memiliki nilai MSE sebesar 4386.3, RMSE sebesar 66.2291 dan PSNR sebesar 11.7098 dB , citra yang terkena generate noise 20% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27338.3, RMSE sebesar 165.343 dan PSNR sebesar 3.76308 dB. noise yang tergenerate 30 % memiliki nilai MSE sebesar 6633.61, RMSE sebesar 81.447 dan PSNR sebesar 9.9133 dB , citra yang terkena generate noise 30% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27345.4, RMSE sebesar 165.364 dan PSNR sebesar 3.76197 dB. noise yang tergenerate 40 % memiliki nilai

40 % MSE : 8950.25 RMSE : 94.6058 PSNR : 8.61254 dB Running time : 0.062 s MSE : 27350.7 RMSE : 165.381 PSNR : 3.761 dB Running time : 0.530403s

MSE sebesar 8950.25, RMSE sebesar 94.6058 dan PSNR sebesar 8.61524 dB , citra yang terkena generate noise 40% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27350.7, RMSE sebesar 165.381 dan PSNR sebesar 3.761 dB.

Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel dan nilai order filter (Q) sebesar -1≥Q≤1. Dapat dilihat gambar 4.15 grafik sebelum dilakukan filtering dengan salt & Pepper noise.

Gambar 4.15 grafik sebelum dilakukan filtering

Dapat dilihat pada gambar 4.15 , nilai MSE yang digenerate noise sebesar 1% adalah 231.762 , 10% adalah 2217.88 , 20% adalah 4486.37 , 30% adalah 6626.85 dan 40 % adalah 8791.32. secara grafik dilihat bahwa nilai MSE semakin meningkat apabila di generate noise yang bernilai besar. Nilai RMSE yang digenerate noise sebesar 1% adalah 15.2237 ,10% adalah 47.0944 , 20% adalah 66.9807, 30% adalah 81.4055 dan 40% adalah 93.7621. Nilai PSNR yang digenerate noise sebesar 1% adalah 24.4804 dB, 10% adalah 14.6714 dB, 20% adalah 11.6119 dB, 30% adalah 9,91773 dB dan 40% adalah 8.69026 dB.

filter(Q) adalah -1. Dapat dilihat gambar 4.16 grafik sebelum dilakukan filtering dengan salt & Pepper noise.

Gambar 4.16 Grafik Sesudah Filtering dengan Order Filter (Q) = -1

Dapat dilihat pada gambar 4.16 , nilai MSE yang digenerate noise sebesar 1% adalah 27365.6, 10% adalah 27503.5, 20% adalah 27534.4, 30% adalah 27539.1 dan 40 % adalah 27539.8. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.426, 10% adalah 165.842, 20% adalah 165.935, 30% adalah 165.949 dan 40% adalah 165.951. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.75875 dB, 10% adalah 3.73693 dB, 20% adalah 3.73204 dB, 30% adalah 3.7313 dB dan 40% adalah 3.7312 dB.

Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel dan nilai order filter(Q) adalah 0. Dapat dilihat gambar 4.17 grafik sebelum dilakukan filtering dengan salt & Pepper noise.

Gambar 4.17 Grafik Sesudah Filtering dengan Order Filter (Q) = 0 Dapat dilihat pada gambar 4.17 , nilai MSE yang digenerate noise sebesar 1% adalah 27326.1, 10% adalah 27332, 20% adalah 27338.8, 30% adalah 27345.8 dan 40 % adalah 27352.2. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.306, 10% adalah 165.324, 20% adalah 165.345, 30% adalah 165.366 dan 40% adalah 165.385. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76502 dB, 10% adalah 3.76409 dB, 20% adalah 3.763 dB, 30% adalah 3.76189 dB dan 40% adalah 3.76087 dB.

Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel dan nilai order filter(Q) adalah 1. Dapat dilihat gambar 4.18 grafik sebelum dilakukan filtering dengan salt & Pepper noise.

Gambar 4.18 Grafik Sesudah Filtering dengan Order Filter (Q) = 1 Dapat dilihat pada gambar 4.18 , nilai MSE yang digenerate noise sebesar 1% adalah 27323.4, 10% adalah 27315.3, 20% adalah 27360.4, 30% adalah 27298.5 dan 40 % adalah 27290.5. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.298, 10% adalah 165.273, 20% adalah 165.246, 30% adalah 165.223 dan 40% adalah 165.198. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76545 dB, 10% adalah 3.76675 dB, 20% adalah 3.76816 dB, 30% adalah 3.76841 dB dan 40% adalah 3.77068 dB.

Dapat dilihat pada Gambar 4.16, Gambar 4.17 dan Gambar 4.18 bahwa nilai order filter(Q) = nol(0) memiliki nilai MSE,RMSE dan PSNR yang lebih baik daripada nilai order filter (Q) = -1 dan 1.

4.2.2.2 Pengujian Speckle Noise terhadap ukuran citra dan masing-masing kernel pada Contra-Harmonic Mean Filter.

Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1%, 10% , 20 % ,30% dan 40% dan ukuran gambar 256x256 piksel dengan Q = 0 .

Tabel 4.4 Ukuran Citra 256x256 piksel , kernel 3x3 terhadap persentasi noise Persentasi

Noise

Proses Generate noise (Citra Terkena Noise)

Proses Filtering (Citra Hasil) 1% MSE : 27324.3 RMSE : 165.301 PSNR : 3.76532 dB Running time : 0.07800 s MSE : 27325.5 RMSE : 165.304 PSNR : 3.76512 dB Running Time : 0.530403 s 10 % MSE : 27324.3 RMSE : 165.301 PSNR : 3.76531 dB Running time : 0.07800 s MSE : 27325.3 RMSE : 165.199 PSNR : 3.77067 dB Running Time : 0.156001 s

20% MSE : 27324.5 RMSE : 165.301 PSNR : 3.76528 dB Running time : 0.07800 s MSE : 27325 RMSE : 165.196 PSNR : 3.7652 dB Running Time : 0.483606 s 30% MSE : 27324.8 RMSE : 165.302 PSNR : 3.76523 dB Running time : 0.07800 s MSE : 27325.2 RMSE : 165.303 PSNR : 3.76516 dB Running time : 0.483606 s

40 % MSE : 27324.8 RMSE : 165.302 PSNR : 3.76524 dB Running time : 0.07800 s MSE : 27325.4 RMSE : 165.304 PSNR : 3.76514 dB Running time : 0.514803 s

Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1%-40% dan menginputkan nilai order filter(Q) sebesar nol(0). Sebagaimana terlihat pada tabel 4.4. noise yang tergenerate 1 % memiliki nilai MSE sebesar 27324.3, RMSE sebesar 165.301 dan PSNR sebesar 3.76532 dB , citra yang terkena generate noise 1% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27325.5, RMSE sebesar 165.304 dan PSNR sebesar 3.76512 dB. noise yang tergenerate 10 % memiliki nilai MSE sebesar 27324.3, RMSE sebesar 165.301 dan PSNR sebesar 3.76531 dB , citra yang terkena generate noise 10% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27325.3, RMSE sebesar 165.199 dan PSNR sebesar 3.77067 dB. noise yang tergenerate 20 % memiliki nilai MSE sebesar 27324.5, RMSE sebesar 165.301 dan PSNR sebesar 3.76528 dB , citra yang terkena generate noise 20% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27325, RMSE sebesar 165.196 dan PSNR sebesar 3.7652 dB. noise yang tergenerate 30 % memiliki nilai MSE sebesar 27324.8, RMSE sebesar 165.302 dan PSNR sebesar 3.76523 dB , citra yang terkena generate noise 30% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27325.2, RMSE sebesar 165.303 dan PSNR sebesar 3.76516 dB. noise yang tergenerate 40 % memiliki nilai

MSE sebesar 27324.8, RMSE sebesar 165.302 dan PSNR sebesar 3.76524 dB , citra yang terkena generate noise 40% melakukan proses filtering kemudian memiliki nilai MSE sebesar 27325.4, RMSE sebesar 165.304 dan PSNR sebesar 3.76514 dB.

Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel dan nilai order filter (Q) sebesar -1≥Q≤1. Dapat dilihat gambar 4.19 grafik sebelum dilakukan filtering dengan speckle noise.

Gambar 4.19 grafik sebelum dilakukan filtering

Dapat dilihat pada gambar 4.19 , nilai MSE yang digenerate noise sebesar 1% adalah 27324.5 , 10% adalah 27323.9 , 20% adalah 27323.9 , 30% adalah 27324.2 dan 40 % adalah 27324.4. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.301 ,10% adalah 165.3 , 20% adalah 165.299, 30% adalah 165.3 dan 40% adalah 165.301. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76528 dB, 10% adalah 3.76537 dB, 20% adalah 3.76538 dB, 30% adalah 3.76533 dB dan 40% adalah 3.7653 dB. Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel dan nilai order filter(Q) adalah -1. Dapat dilihat gambar 4.20 grafik sebelum dilakukan filtering dengan speckle noise.

Gambar 4.20 Grafik Sesudah Filtering dengan Order Filter (Q) = -1

Dapat dilihat pada gambar 4.20 , nilai MSE yang digenerate noise sebesar 1% adalah 27328.9, 10% adalah 27349.7, 20% adalah 27378.1, 30% adalah 27422.9 dan 40 % adalah 85830. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.315, 10% adalah 165.378, 20% adalah 165.463, 30% adalah 165.599 dan 40% adalah 2929.72. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76458 dB, 10% adalah 3.76127 dB, 20% adalah 3.75678 dB, 30% adalah 3.74967 dB dan 40% adalah -21.2057 dB.

Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1%-40% dengan ukuran 256x256 piksel dan nilai order filter(Q) adalah 0. Dapat dilihat gambar 4.21 grafik sebelum dilakukan filtering dengan speckle noise.

Gambar 4.21 Grafik Sesudah Filtering dengan Order Filter (Q) = 0 Dapat dilihat pada gambar 4.21 , nilai MSE yang digenerate noise sebesar 1% adalah 27325.5, 10% adalah 27325.3, 20% adalah 27325, 30% adalah 27325.2 dan 40 % adalah 27325.4. Nilai RMSE yang digenerate noise sebesar 1% adalah 165.304,

10% adalah 165.304, 20% adalah 165.302, 30% adalah 165.303 dan 40% adalah 165.304. Nilai PSNR yang digenerate noise sebesar 1% adalah 3.76512 dB, 10% adalah 3.76515 dB, 20% adalah 3.7652 dB, 30% adalah 3.76516 dB dan 40% adalah 3.76514 dB.

Dalam dokumen Implementasi dan Perbandingan Metode Harmonic-Mean Filter dan Contraharmonic-Mean Filter untuk Mereduksi Noise Pada Citra Digital (Halaman 61-94)