tampilan citra hasil. Sebaliknya, semakin kecil nilai PSNR, maka semakin buruk pula hasil yang diperoleh pada tampilan citra hasil. Secara Matematis, nilai PSNR dapat dinyatakan dengan persamaan berikut :
...(10) Tidak seperti MSE, nilai PSNR yang lebih besar mengindikasikan bahwa kualitas tersebut lebih baik.
) 255 ( 10 * 20 MSE Log PSNR =
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis sistem merupakan suatu tahapan awal yang harus dilakukan untuk membantu memahami suatu masalah yang dibutuhkan oleh sistem. Hal ini dilakukan agar sistem yang dibuat dapat diketahui permasalahan-permasalahan yang ada sehingga dapat membantu di dalam proses perancangan model suatu sistem yang akan dibangun dan nantinya akan diimplementasikan sehingga sistem tersebut berguna.
3.1.1 Analisis Masalah
Pendeteksian tepi gambar pada citra asli adalah hal yang biasa. Permasalahan dalam perancangan sistem ini yaitu melakukan deteksi tepi pada citra yang telah rusak akibat noise yaitu, Gaussian Noise dan Salt and Pepper Noise yang telah diberikan. Operator yang digunakan untuk melakukan pendeteksian tepi terhadap citra adalah Laplacian of Gaussian, dimana pada operator ini terdapat teknik Gaussian smoothing untuk melemahkan noise. Tetapi kualitas citra sangat begantung pada proses pendeteksian tepi sehingga perlu teknik filtering untuk mempertajam kualitas citra yaitu seperti High Boost Filtering. Masalah yang muncul ialah teknik deteksi tepi yang manakah yang baik untuk diimplementasikan pada citra yang memiliki noise.
Diagram ishikawa adalah sebuah alat grafis yang digunakan untuk mengidentifikasi, mengeksplorasi dan menggambarkan suatu masalah serta sebab dan akibat dari masalah tersebut. Penyebab dan dampak dari permasalahan tersebut diperlihatkan dalam diagram ishikawa pada gambar 3.1.
Gambar 3.1 Diagram Ishikawa
Diagram Ishikawa yang ditunjukan pada Gambar 3.1 terbagi atas dua bagian yaitu head dan bone. Bone terdiri dari 4 aspek yaitu Material, Metode, User dan Machine. Material adalah yang diperlukan dalam menjalankan sistem yaitu citra berwarna dengan format (.bmp) dan noise yaitu Gaussian noise dan Salt and Pepper noise, Method adalah bagaimana proses deteksi dilakukan yaitu dengan menggunakan operator LoG dan operator LoG kombinasi High Boost filtering, User adalah pengguna dari sistem tersebut, dan Machine dari deteksi tepi citra yaitu mendeteksi citra yang memiliki noise dengan baik. Head dari sistem ini yaitu melakukan deteksi tepi citra dan melakukan perbandingan dari hasil deteksi tepi citra tersebut.
3.1.2 Analisis Persyaratan
Analisis persyaratan ini meliputi analisis persyaratan fungsional (functional requirement) dan analisis persyaratan non-fungsional (nonfunctional requirement). 3.1.2.1Persyaratan Fungsional
Persyaratan fungsional adalah segala deskripsi mengenai aktivitas dan layanan yang harus disediakan oleh suatu sistem. Dalam proses perbandingan hasil pendeteksian tepi pada citra digital yang telah diberi noise dengan menggunakan Laplacian of Gaussian dengan Laplacian of Gaussian kombinasi High-Boost filtering terdapat beberapa hal yang menjadi persyaratan fungsional yang harus dipenuhi, antara lain :
1. Sistem hanya menerima citra berwarna dengan format (.bmp) berukuran 300x300 piksel.
2. Sistem akan meng-generatenoise yang dipilh oleh user antara Gaussian noise atau Salt-pepper noise dengan persentasi noise dalam range 10% – 50 %. 3. Sistem hanya memproses nilai A dengan rentang 0,00 – 2,00 pada metode
High Boost Filtering.
4. Sistem hanya mendeteksi tepi citra dengan metode Laplacian of Gaussian dan Laplacian of Gaussian kombinasi High Boost Filtering.
5. Sistem dapat menghitung Mean Squared Error (MSE), Peak Signal to Noise Rasio (PSNR) dan Running Time sebagai pembanding proses waktu kerja pada bagian citra tertentu.
3.1.2.2Persyaratan Non-Fungsional
Persyaratan non-fungsional adalah beberapa persyaratan yang harus dilakukan oleh sistem. Beberapa persyaratan non-fungsional yang dirancang untuk sistem ini adalah sebagai berikut :
1. Performa
Sistem yang akan dibangun harus dapat menunjukkan hasil deteksi tepi yang telah diproses.
2. Mudah dipelajari dan digunakan (user friendly)
Sistem yang akan dibangun harus sederhana dan mudah dipelajari serta mudah dioperasikan oleh pengguna (user).
3. Dokumentasi
Sistem yang akan dibangun dapat menyimpan citra noise dan citra hasil dari proses deteksi tepi.
4. Kontrol
Sistem yang akan dibangun harus dapat memunculkan pesan error apabila tidak sesuai syarat yang ditetapkan sistem.
5. Hemat Biaya
Sistem yang akan dibangun tidak memerlukan perangkat tambahan dalam proses eksekusinya sehingga tidak mengeluarkan biaya tambahan.
6. Manajemen kualitas
Sistem yang dibangun harus memiliki kualitas yang baik yaitu dapat melakukan proses pendeteksian tepi dan dapat menghitung nilai MSE, PSNR dan Running time secara tepat dan akurat.
3.1.3 Analisis Proses
Dalam sistem ini akan dilakukan proses pendeteksian tepi menggunakan operator Laplacian of Gaussian dengan operator Laplacian of Gaussian kombinasi High-Boost Filtering. Citra inputan yang akan diproses adalah citra berwarna yang terlebih dahulu akan diberikan noise Gaussian atau Salt & Pepper dengan pilihan nilai probabilitas 10% hingga 50%. Setelah itu maka dilakukan proses deteksi tepi. Selanjutnya dilakukan perhitungan MSE, PSNR,Running time dan penyimpanan citra hasil.
3.2 Pemodelan
Pada bagian ini digunakan Unified Modeling Language (UML) sebagai bahasa spesifikasi standar suatu model yang berfungsi untuk membantu merancang sistem tersebut. Model UML yang digunakan dalam penelitian ini yaitu use case diagram, sequence diagram, dan activity diagram.
3.2.1 Use Case Diagram
Use case diagram adalah rangkaian/uraian sekelompok yang saling terkait dan membentuk sistem secara teratur yang dilakukan atau diawasi oleh sebuah aktor. Use case diagram berfungsi untuk menggambarkan interaksi tipikal antara pengguna sistem dengan sistem itu sendiri, dengan anggota sebuah narasi tentang bagaimana sistem tersebut digunakan. Use case diagram pada sistem perbandingan hasil deteksi tepi dapat dilihat pada Gambar 3.2.
Gambar 3.2 Use Case Diagram Pada use case ini terdapat actor yang memiliki pilihan untuk :
a. Memilih Home adalah menu tampilan awal sistem.
b. Memilih Pengujian adalah menu yang memiliki bagian menjalankan proses pengolahan citra dalam pendeteksian tepi menggunakan metode Laplacian of Gaussian dengan Laplacian of Gaussian kombinasi High-Boost filtering. c. Memilih Hasil adalah menu yang menampilkan hasil perbandingan antara hasil
pendeteksian tepi.
d. Memilih Help adalah menu petunjuk penggunaan sistem.
e. Memilih About adalah menu untuk melihat profil pembuat sistem.
Berikut ini merupakan tabel dokumen naratif dari use caseHome yang dapat dilihat pada tabel 3.1
Tabel 3.1 Dokumentasi Naratif Use CaseHome
Nama Use case Home
Actor Pengguna
Description Use case ini menjalankan tampilan awal digunakan dari
Pre-Condition Aplikasi siap untuk menerima inputan. Typical
course of event
Kegiatan pengguna Respon sistem
1. Menekan tombol Home 2. Menampilkan tampilan
awal dari pilihan home
Alternatecourse Aksi Aktor Respon sistem
Post condition Sistem telah melakukan proses pemilihan menu home
Berikut ini merupakan tabel dokumen naratif dari use case Pengujian yang dapat dilihat pada tabel 3.2
Tabel 3.2 Dokumentasi Naratif Use Case Pengujian
Nama Use case Pengujian
Actor Pengguna
Description Use case ini menjalankan proses pendeteksian tepi yang akan
digunakan dari sistem ini
Pre-Condition Aplikasi siap untuk menerima inputan.
Typical course of event
Kegiatan pengguna Respon sistem
1. Menekan tombol
Pengujian
3. Memilih gambar yang ingin diolah (*.bmp) dengan menekan tombol
Browse
2. Menampilkan isi dari pilihan pengujian
4. Sistem akan merespon dengan masuk ke direktori penyimpanan citra
5. Menampilkan citra yang
telah dipilih oleh
pengguna 6. Selanjutnya
menambahkan salah satu noise pada citra dengan memilih ukuran noise (dalam range 10%, 20%, 30%, 40%, 50%) pada
daftar noise yang
diinginkan, lalu klik salah satu radio button
dalam memilih jenis
noise
8. Klik tombol Save untuk
menyimpan citra yang telah diberi noise
7. Sistem akan menampilkan
hasil noise yang
diinginkan pada citra
9. Sistem akan merespon dengan masuk ke direktori penyimpanan citra
10. Selanjutnya proses untuk mendeteksi tepi dengan klik salah satu radio
button untuk menentukan
operator dalam
mendeteksi tepi (tentukan nilai A antara 0-2 untuk operator deteksi tepi
Laplacian of Gaussian
kombinasi High-Boost
filtering)
11. Sistem akan menampilkan hasil citra deteksi tepi
12. Menekan button
Calculate untuk
menghitung nilai MSE, PSNR dan Running Time
13. Menampilkan nilai MSE, PSNR dan Running Time
Alternatecourse Aksi Aktor Respon sistem
Post condition Sistem telah melakukan proses pendeteksian tepi citra
Berikut ini merupakan tabel dokumen naratif dari use case Hasil yang dapat dilihat pada tabel 3.3
Tabel 3.3 Dokumentasi Naratif Use Case Hasil
Nama Use case Hasil
Actor Pengguna
Description Use case ini menampilkan hasil dari pengujian sistem
Pre-Condition Aplikasi siap untuk menerima inputan.
Typical course of
event
Kegiatan pengguna Respon sistem
1. Menekan tombol Open
pada bagian Citra asli 2. Sistem dengan masuk ke direktori akan merespon penyimpanan citra
3. Menampilkan citra asli, nama file citra dan ukuran citra yang telah dipilih oleh pengguna
4. Menekan tombol Open
pada bagian Citra noise
5. Sistem akan merespon
dengan masuk ke direktori penyimpanan citra
6. Menampilkan citra noise dan citra hasil deteksi tepi
dengan menggunakan
operator Laplacian of
Gaussian dan Laplacian of
Gaussian kombinasi High
Boost filtering yang telah
dipilih oleh pengguna serta menampilkan jenis noise,
probabilitas noise, MSE,
PSNR dan running time.
Alternatecourse Aksi Aktor Respon sistem
Post condition Sistem telah melakukan proses menampilkan hasil pengujian Berikut ini merupakan tabel dokumen naratif dari use case Help yang dapat dilihat pada tabel 3.4
Tabel 3.4 Dokumentasi Naratif Use CaseHelp
Nama Use case Help
Actor Pengguna
Description Use case ini menjelaskan cara penggunaan dari system ini.
Pre-Condition Aplikasi siap untuk menerima inputan.
Typical course of event
Kegiatan pengguna Respon system
1. Menekan menu
Help
2. Menampilkan isi dari Help tersebut.
Alternatecourse Aksi Aktor Respon sistem
Post condition Sistem telah melakukan proses pemilihan menu Help
Berikut ini merupakan tabel dokumen naratif dari use caseAbout yang dapat dilihat pada tabel 3.5
Tabel 3.5 Dokumentasi Naratif Use CaseAbout
Nama Use case About
Actor Pengguna
Description Use case ini menampilkan profil dari pembuat sistem
Pre-Condition Aplikasi siap untuk menerima inputan.
Typical course of event
Kegiatan pengguna Respon system
1. Menekan menu About. 2. Menampilkan isi dari About tersebut.
Alternatecourse Aksi Aktor Respon sistem
3.2.2 Sequence Diagram
Sequence diagram (diagram urutan) adalah suatu diagram yang menampilkan interaksi-interaksi antar sejumlah objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Sequence diagram digunakan untuk menunjukkan gambaran skenario atau rangkaian langkah-langkah yang dilakukan sebagai sebuah respon dari suatu kejadian/event untuk menghasilkan output apa yang dihasilkan. Sequence diagram pada sistem perbandingan hasil deteksi tepi dapat dilihat pada Gambar 3.3.
Gambar 3.3 Sequence Diagram 3.2.3 Activity Diagram
Activity Diagram mengilustrasikan berbagai proses dan urutan aktivitas dalam system yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin tejadi, dan bagaimana mereka berakhir. Activity diagram juga dapat
menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Berikut ini merupakan activity diagram pada sistem yang akan dirancang. Activity diagram pada sistem perbandingan hasil deteksi tepi dapat dilihat pada Gambar 3.4
Gambar 3.4 Activity Diagram 3.3 Pseudocode Program
Pseudocode adalah algoritma yang diterjemahkan dari bahasa pemrograman komputer yang menggunakan struktur sederhana dari beberapa bahasa pemograman tetapi bahasa
tersebut hanya ditujukan agar dapat lebih mudah dimengerti manusia. Tujuan penggunaan utama dari pseudocode adalah untuk memudahkan manusia dalam memahami prinsip-prinsip dari suatu algoritma pada bahasa pemrograman.
3.3.1 Pseudocode Gaussian Noise
Tabel 3.6 PseudocodeGaussian Noise
1. Bitmap image <- new Bitmap
2. x <- image.Width
3. y <- image.Height
4. proba <- inputan user
5. Random rnd <- new Random()
6. getGaussianNumber()
7. np <- (GaussianNumber * proba) + (piksel[i+j])
Keterangan :
1. Membaca inputan citra bitmap. 2. Mengambil nilai lebar piksel citra. 3. Mengambil nilai panjang piksel citra. 4. Memberi nilai probabilitas noise. 5. Mengambil nilai random.
6. Mengambil nilai GaussianNumber untuk membangkitkan noise. 7. Membangkitkan noise Gaussian.
3.3.2. Pseudocode Salt and Pepper Noise
Tabel 3.7 PseudocodeSalt and Pepper Noise
1. Bitmap image <- new Bitmap
2. x <- image.Width
3. y <- image.Height
4. proba <- inputan user
5. Random rnd <- new Random()
6. x1 <- Random (0,(x-1)) y1 <- Random (0,(y-1)) 7. val <- Random (1-10) 8. if val to 5 (generate pepper(x1,y1,(255,0,0,0)) else (generate salt(x1,y1,(255,255,255,255)) Keterangan :
1. Membaca inputan citra bitmap. 2. Mengambil nilai lebar piksel citra.
3. Mengambil nilai panjang piksel citra. 4. Memberi nilai probabilitas noise. 5. Mengambil nilai random.
6. Mengambil nilai random untuk menentukan letak noise. 7. Mengambil nilai random untuk memilih salt atau pepper. 8. Membangkitkan noise Salt and Pepper.
3.3.3 Pseudocode Laplacian of Gaussian
Tabel 3.8 PseudocodeLaplacian of Gaussian
1. Bitmap Image <- new Bitmap(citra noise) 2. citra LoG <- deteksi tepi LoG (citra noise) Keterangan :
1. Membaca inputan citra yang sudah diberi noise.
2. Deteksi tepi citra dengan operator Laplacian of Gaussian. 3.3.4 Pseudocode High Boost Filtering
Tabel 3.9 PseudocodeHigh Boost Filtering
Keterangan :
1. Membaca inputan citra yang sudah diberi noise.
2. Menginisialisasi variabel dengan baris piksel (x) dan kolom piksel (y). 3. Mengambil nilai A untuk filtering antara 0,0 – 2,0.
4. Membaca matriks dengan fomat 3x3 dan melakukan perhitungan Hasil dengan menambahkan hasil perhitungan Hasil dengan nilai Hasil sebelumnya dan selanjutnya menghitung nilai High Boost filtering yaitu perkalian antara nilai A dengan piksel citra ditambah dengan nilai Hasil yang diperoleh.
1. Bitmap Image <- new Bitmap(citra noise)
2. Hasil <- 0 row <- x column <- y 3. A <- (0-2) 4. for i <- 0<3 column <-y for j <- 0<3
Hasil += pikselCitra[row,column] * nilaiTapisHighBoost[i,j] column++, row++
3.3.5 Pseudocode nilai MSE dan PSNR
Tabel 3.10 Pseudocode nilai MSE dan PSNR
1. [M N] <- size(citra)
2. error <- citra_awal - citra_noise
3. MSE <- sum(sum(error .* error)) / (M * N)
4. PSNR <- 10*log(255*255/MSE) / log(10)
Keterangan :
1. Deklarasi ukuran matriks citra kolom adalah M dan baris adalah N. 2. Deklarasi nilai error.
3. Hitung nilai MSE. 4. Hitung nilai PSNR.
3.4 Perancangan Sistem 3.4.1 Flowchart Sistem
Flowchart merupakan sebuah bagan dengan simbol-simbol tertentu yang menggambarkan urutan proses secara mendetail dan hubungan antara suatu proses dengan proses lainnya dalam suatu program. Flowchart berfungsi untuk mempermudah proses pengecekan terhadap sistem yang akan dibuat apabila ada yang terlupakan dalam analisis masalah. Berikut merupakan flowchart awal dari sistem secara umum yang nantinya akan dibangun yang dapat dilihat pada gambar 3.5.
Y
Y
mulai
input cit ra asli (.bmp)
Noise gausssian? Generate
gaussian noise
Generat e salt & pepper noise
Operat or Laplacian of Gaussian?
Cit ra asli dengan noise
Generate Laplacian of Gaussian operat or
N
Gambar 3.5 Flowchart sistem secara umum
Input citra asli berwarna dengan format citra .bmp ke dalam sistem, kemudian tentukan noise yang akan digunakan antara gaussian noise dengan salt and pepper noise. Setelah dilakukan pemilihan noise maka tentukan persentase noise yang akan diterapkan mulai dari 10% hingga 50% .
Setelah itu didapatkan hasil citra asli dengan noise dimana citra asli dengan noise inilah yang akan di deteksi tepi. Kemudian dilakukan pemilihan operator deteksi tepi antara operator Laplacian of Gaussian dengan Laplacian of Gaussian kombinasi High-Boost Filtering.
Setelah dilakukan pemilihan operator deteksi tepi maka operator tersebut diterapkan kepada citra asli yang memiliki noise tadi, maka didapatlah citra hasil deteksi tepi. Kemudian dari citra hasil deteksi tepi dihitung nilai PSNR dan MSE nya, setelah dihitung hasil dari MSE dan PSNR ditampilkan.
Hal yang sama pun dilakukan untuk noise yang belum terpilih dan operator yang belum terpilih, maka dari hasil yang didapat yaitu nilai PSNR, MSE dan running time serta citra hasil deteksi tepi akan dilakukan perbandingan tersebut. Perbandingan tersebut menentukan metode manakah yang lebih baik untuk pendeteksian tepi sebuah citra berdasarkan ketentuan idealnya sebuah deteksi tepi.
Tampilkan M SE dan PSNR Cit r a hasil det eksi t epi
selesai
Generate High boost filt ering + Laplacian of Gaussian operat or
Sub FlowchartLaplacian of Gaussian :
Gambar 3.6 Flowchart Laplacian of Gaussian
Proses pendeteksian tepi menggunakan operator Laplacian of Gaussian dimulai dengan mengaburkan noise yang ada pada citra dengan filter Gaussian smoothing. Setelah noise dikaburkan maka dilakukan pendeteksian tepi dengan operator Laplacian, lalu menemukan nilai zero-crossing untuk menentukan batas antara garis hitam dan putih dan menentukan threshold dengan membandingkan variasi lokal pada titik piksel citra. Jika Jika ambang batas telah terlampaui, maka dinyatakan sebagai tepi dan didapat citra hasil deteksi tepi.
Sub Flowchart High Boost Filtering :
Proses untuk filter menggunakan metode high boost dimana pertama sekali tentukan matriks 3x3 yang akan difilter, lalu tentukan nilai A yang berfungsi sebagai intensitas kecerahan pemfilteran dengan rentang dari 0,00 - 2,00. Kemudian, tentukan nilai matriks [H] yaitu matriks highpass yang diperoleh dari beberapa ketetapan dengan pengurangan matriks allpass – matriks lowpass, serta tentukan matriks [K] yang merupakan matriks allpass. Kenudian dilakukan proses penghitungan dengan mencari nilai matriks high boost dengan mengkalikan nilai A yang dikurang dengan nilai 1, dimana hasil pengurangan dikalikan dengan matriks [K] dan ditambah dengan matriks [H]. Kemudian lanjut ke dalam proses filter dengan menambahkan piksel citra matriks 3x3 dengan hasil yang telah diperoleh dari perhitungan matriks high boost dan diperoleh matriks citra 3x3 yang telah difilter.
Sub Flowchart MSE dan PSNR:
Gambar 3.8 Flowchart MSE dan PSNR
Proses menghitung nilai MSE dan PSNR diperoleh dengan pertama sekali menentukan matriks m,n dari citra awal dan citra yang telah diperbaiki. Selanjutnya mencari nilai error dengan melakukan pengurangan nilai matriks citra awal dengan citra filter. Kemudian nilai error tersebut diolah dalam rumus MSE dan PSNR yang tertera pada flowchart diatas untuk mencari seberapa baik kualitas citra filter tersebut.
3.4.2 Perancangan Antarmuka (Interface)
Proses perancangan antarmuka (interface) dari sebuah sistem adalah proses yang cukup penting. Perancangan antarmuka (interface) ini bertujuan untuk memudahkan interaksi antara manusia dengan komputer sehingga manusia dapat menggunakan sistem dengan baik dan mudah untuk digunakan, sehingga sebuah antarmuka harus dirancang dengan memperhatikan faktor pengguna. Sistem ini dirancang dalam 5 form, yaitu formHome, form Pengujian, form Hasil, form Help dan form About. 3.4.2.1Form Home
Form Home merupakan tampilan utama dalam sistem yang akan muncul pertama kalinya ketika program dieksekusi. Berikut merupakan tampilan form home dapat dilihat pada Gambar 3.9 dibawah ini :
Gambar 3.9 Form Home Keterangan :
1. Menu Bar memiliki lima menu yaitu menu Pengujian, Hasil, Help, About, dan Exit.
2. Judul Percobaan. 3. Nama dan Nim Penulis. 4. LOGO Fasilkom-Ti. 5. Program studi.
3.4.2.2 Form Pengujian
Form Pengujian merupakan tampilan proses yang akan dilakukan dalam sistem yaitu untuk membangkitkan noise pada citra dan melakukan pendeteksian tepi pada citra. Berikut merupakan tampilan form Pengujian dapat dilihat pada Gambar 3.10 dibawah ini :
Gambar 3.10 Form Menu Pengujian Keterangan :
1. Menu Bar memiliki lima menu yaitu menu Home, Hasil, Help, About, Exit. 2. Picture box untuk menampilkan citra awal.
3. Picture box untuk menampilkan citra bernoise.
4. Picture box untuk menampilkan citra hasil deteksi tepi.
5. Tombol Browse untuk mencari citra yang akan di input dalam format .bmp 6. Tombol Clear Image untuk menghapus citra .bmp apabila tidak sesuai dengan
yang diinginkan user.
7. Combo box untuk memilih persentasi noise yang akan dibangkitkan (10% - 50%).
8. Radio button untuk memilih Gaussian noise. 9. Radio buttton untuk memilih Salt and Pepper noise.
11.Text box untuk mendeklarasikan nilai A untuk inputan pada high boost filtering.
12.Radio button untuk memilih operator deteksi tepi Laplacian of Gaussian. 13.Radio button untuk memilih operator deteksi tepi Laplacian of Gaussian
kombinasi high boost filtering.
14.Tombol Calculate untuk menghitung nilai MSE, PSNR dan running time. 15.Text box untuk menampilkan nilai hasil MSE.
16.Text box untuk menampilkan nilai hasil PSNR. 17.Text box untuk menampilkan nilai hasil running time.
18.Tombol Save untuk menyimpan citra hasil deteksi tepi ke dalam file direktori. 19.Tombol Reset untuk menghapus semua isi file yang telah di proses.
3.4.2.3 Form Menu Hasil
Form Hasil merupakan tampilan perbandingan dari citra asli, citra bernoise dan citra hasil dari deteksi tepi citra. Berikut merupakan tampilan form Hasil dapat dilihat pada Gambar 3.11 dibawah ini :
Gambar 3.11 Form Menu Hasil Keterangan :
1. Menu Bar memiliki lima menu yaitu menu Home, Hasil, Help, About, dan Exit. 2. Text box untuk menampilkan nama file citra.
3. Text box untuk menampilkan ukuran gambar dari citra. 4. Text box untuk menampilkan jenis noise pada citra noise.
5. Text box untuk menampilkan probabilitas noise gambar dari citra noise. 6. Picture box untuk menampilkan citra awal.
7. Picture box untuk menampilkan citra noise.
8. Picture box untuk menampilkan citra hasil deteksi tepi Laplacian of Gaussian. 9. Picture box untuk menampilkan citra hasil deteksi tepi Laplacian of Gaussian
kombinasi high boost filtering.
10.Tombol Open untuk mengambil citra awal dari file direktori.
11.Tombol Open untuk mengambil citra noise, citra hasil deteksi tepi Laplacian of