BAB III METODOLOGI PENELITIAN
3.4. Skenario Pengujian
3.4.2. Skenario Pengujian Operasi Morfologi Opening
1. Data citra yang berekstensi .jpg kemudian di masukkan ke dalam sistem.
2. Sistem mengkonversi citra warna (RGB) menjadi citra abu-abu (grayscale) terlebih dahulu untuk mendapatkan nilai batas ambang.
3. Citra abu-abu di konversi menjadi citra hitam-putih (binary) dengan menggunakan nilai batas ambang yang telah di dapatkan.
4. Tentukan window filter m x n pada pilihan pop-up yang tersedia dan akan digunakan untuk mereduksi derau.
Kemudian masuk ke operasi erosi dan dilanjutkan dengan operasi dilasi dimana iterasi operasi dilasi dilakukan sebanyak iterasi erosi. Itu adalah proses operasi opening.
5. Setelah proses operasi Opening maka akan didapatkan citra hasil. Kemudian dapat diproses untuk menghitung nilai MSE dan nilai PSNR.
6. Hasil reduksi yang tetap berupa citra biner ditampilkan pada GUI beserta nilai MSE dan nilai PSNR.
7. Lalu dapat disimpulkan bahwa metode ini efektif atau tidak untuk proses reduksi derau pada daun lontar tersebut dengan melihat nilai MSE dan nilai PSNR.
29
BAB IV
ANALISIS DAN IMPLEMENTASI SISTEM
Pada penelitian tugas akhir ini membandingan dua metode untuk mereduksi noise yaitu Metode Median Filter dan Operasi Morfologi Opening. Hasil masing-masing citra yang telah di reduksi akan di bandingkan dengan cara menghitung niai akurasinya. Kemudian dapat di simpulkan manakah metode yang lebih efektif digunakan dalam mereduksi derau pada citra biner.
4.1. Implementasi User Interface
Terdapat dua push-button pada form NoiseReductionGUI.m yaitu
‘Open’ digunakan untuk membaca data citra dan ‘Process’ digunakan untuk binerisasi citra dan mereduksi derau pada citra dengan metode Median Filtering dan operasi Morfologi Opening. Hasilnya masing-masing akan di tampilkan pada masing-masing axes yang tersedia.
Terdapat pop-down menu yang digunakan pada proses filtering yaitu pop-down yang digunakan user untuk memilih window m x n untuk proses reduksi diataranya 3 x 3, 5 x 5 dan 7 x 7. Setiap hasil dari proses reduksi derau akan memiliki nilai Mean Square Error (MSE) dan nilai Peak Signal to Noise Ratio (PSNR). Hasil PSNR tersebut digunakan untuk menentukan persentase tentang kualitas perbaikan citra dengan menggunakan MSE untuk mempermudah menghitung hasil PSNR.
Gambar 4.1 Tampilan Form NoiseReductionGUI.m
4.2. Implementasi Pre-Processing 4.2.1. Implementasi Open Image
Pada gambar 4.1 terdapat push-button ‘Open’ dengan menggunakan function uigetfile yang berfungsi untuk membaca citra dalam berbagai tipe data. Citra yang di pilih akan di tampilkan pada axes1 untuk kemudian citra di proses binerisasi dan derau pada citra akan di reduksi.
Gambar 4.2 Source Codes push-button untuk ‘Open’
Gambar 4.3 Tampilan Form Open
Gambar 4.4 Tampilan Form setelah Menambahkan Original Image
4.2.2. Implementasi Binarization
Untuk dapat mengubah citra berwarna (RGB) menjadi citra hitam-putih (binary) dapat menggunakan function yang tersedia pada Matlab yaitu im2bw. Dan untuk mendapatkan hasil konversi citra berwana menjadi citra hitam-putih yang baik adalah dengan menggunakan nilai ambang batas (threshold) atau dengan kata lain ini adalah binerisasi dengan metode Otsu yaitu dengan menggunakan fungsi graythresh yang disediakan juga oleh Matlab. Nilai ambang di dapatkan saat mengkonversi citra berwarna menjadi citra abu-abu (grayscale). Citra hasil binerisasi ditampilkan pada axes2 bersama dengan citra asli.
Gambar 4.5 Source Codes untuk Proses Binerisasi
Gambar 4.6 Tampilan Form Original Image dan Binary Image
4.3. Implementasi Metode Median Filtering
Citra berwarna (RGB) yang telah diubah menjadi citra hitam-putih (binary) kemudian citra hasil tersebut digunakan dalam proses Median Filtering menggunakan fungsi medfilt2 yang telah tersedia pada Matlab untuk dilakukan proses mereduksi derau. Proses ini dilakukan dengan cara mencari nilai tengah piksel yang telah dengan m x n ketetanggaan, kemudian nilai tengah tersebut digunakan untuk mengganti nilai piksel tengah citra baru. Setelah proses reduksi selesai maka citra baru setelah
reduksi dan pikel citra sebelum direduksi digunakan untuk mendapatkan nilai MSE dan nilai PSNR. Kedua hasil tersebut merupakan perhitungan untuk menentukan apakah proses reduksi dengan menggunakan metode Median Filtering ini memberikan hasil yang baik atau tidak.
4.3.1. Implementasi Median Filtering
Gambar 4.7 Source Codes untuk Proses Median Filtering
4.3.2. Implementasi Nilai MSE dan Nilai PSNR Median Filtering
Gambar 4.8 Source Codes Nilai MSE dan PSNR untuk Median Filtering
4.3.3. Implementasi Output Nilai MSE dan Nilai PSNR Median Filter
Gambar 4.9 Source Codes Output Nilai MSE dan Nilai PSNR untuk Median Filtering
4.4. Implementasi Operasi Morfologi Opening
Selain dengan menggunakan metode Median filtering, metode kedua yang dapat digunakan untuk proses reduksi derau adalah Operasi Morfologi Opening atau Operasi Pembukaan dengan menggunakan fungsi imopen yang telah tersedia pada Matlab. Citra yang digunakan dalam proses reduksi ini adalah citra yang sama dengan yang digunakan pada proses reduksi Median Filtering yakni citra berwarna (RGB) yang telah diubah ke citra hitam-putih (binary). Proses pertama yang dilakukan pada operasi ini adalah Operasi Erosi kemudian dilanjutkan dengan Operasi Dilasi.
Operasi Erosi adalah proses menghapus piksel sesuai dengan elemen penyusun m x n sehingga obyek akan menjadi terkikis dan ukurannya menjadi lebih kecil dari sebelumnya. Kemudian setelah operasi Erosi, kemudian dilanjutkan dengan operasi Dilasi sebanyak iterasi pada proses Erosi. Proses Dilasi merupakan proses mengembalikan ukuran obyek seperti semula. Setelah proses reduksi menggunakan Operasi Opening selesai maka citra baru setelah reduksi dan pikel citra sebelum direduksi digunakan untuk mendapatkan nilai MSE dan nilai PSNR. Kedua hasil tersebut merupakan perhitungan untuk menentukan apakah proses reduksi dengan menggunakan metode Morfologi Opening ini memberikan hasil yang baik atau tidak.
4.4.1. Implementasi Morfologi Opening
Gambar 4.10 Source Codes Main Program Morfologi Opening
4.4.2. Implementasi Nilai MSE dan Nilai PSNR Morfologi Opening
Gambar 4.11 Source Code Nilai MSE dan PSNR untuk Morfologi Opening
4.4.3. Implementasi Output Nilai MSE dan Nilai PSNR Morfologi Opening
Gambar 4.12 Source Code Output Nilai MSE dan PSNR untuk Morfologi Opening
4.5. Tampilan Output NoiseReductionGUI.m
Pada gambar 4.17 merupakan tampilan akhir yang akan muncul jika user sudah input citra dengan menggunakan push-button ‘Open’ dan sudah memilih window filter yang diinginkan lalu sudah memproses dengan push-button ‘Process’. Citra hasil akan muncul pada kolom sesuai dengan nama pada masing - masing axes dan hasil perhitungan MSE dan PSNR juga akan ditampilkan.
Gambar 4.13 Output form NoiseReductionGUI.m
4.6. Analisa Hasil
Data yang digunakan dalam pengujian menggunakan metode Median Filter dan Operasi Morfologi Opening sebanyak 20 data citra manuskrip Aksara Jawa. Pada pengujian sejumlah data tersebut, data yang akan di dapat adalah nilai Mean Square Error (MSE) dan nilai Peak Signal to Noise Ratio (PSNR). Nilai MSE digunakan sebagai tolak ukur untuk menentukan metode reduksi derau tersebut efektif atau tidak, sedangnya nilai PSNR merupakan rata – rata akar kuadrat dari nilai derau. Berikut adalah hasil pengujian data Manuskrip Aksara Jawa pada kedua metode:
Tabel 4.1 Nilai MSE dan PSNR DataCitra1.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.2 Nilai MSE dan PSNR DataCitra2.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.3 Nilai MSE dan PSNR DataCitra3.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Median Filter
0,018391 39,9591
5 0,030694 34,8369
7 0,038551 32,5577
3
Morfologi Opening
0,017665 40,3619
5 0,035131 33,4866
7 0,053342 29,3103
Tabel 4.4 Nilai MSE dan PSNR DataCitra4.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.5 Nilai MSE dan PSNR DataCitra5.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.6 Nilai MSE dan PSNR DataCitra6.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Median Filter
0,018614 39,8286
5 0,030028 35,0564
7 0,035475 33,3894
3
Morfologi Opening
0,018652 39,8179
5 0,035984 33,2467
7 0,051386 29,684
Tabel 4.7 Nilai MSE dan PSNR DataCitra7.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.8 Nilai MSE dan PSNR DataCitra8.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.9 Nilai MSE dan PSNR DataCitra9.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Median Filter
0,013653 42,9382
5 0,022811 37,805
7 0,028252 35,666
3 Morfologi Opening 0,013861 42,7867
5 0,026333 36,3691
7 0,037849 32,7414
Tabel 4.10 Nilai MSE dan PSNR DataCitra10.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Median Filter
0,025649 36,65325
5 0,04344 31,3639
7 0,054591 29,0788
3
Morfologi Opening
0,024897 36,9301
5 0,052098 29,5463
7 0,080365 25,117
Tabel 4.11 Nilai MSE dan PSNR DataCitra11.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.12 Nilai MSE dan PSNR DataCitra12.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Median Filter
0,021052 38,6074
5 0,034722 33,6038
7 0,042859 31,4985
3
Morfologi Opening
0,022096 38,1236
5 0,04258 31,5637
7 0,062586 27,7122
Tabel 4.13 Nilai MSE dan PSNR DataCitra13.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.14 Nilai MSE dan PSNR DataCitra14.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.15 Nilai MSE dan PSNR DataCitra15.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Median Filter
0,018406 39,9509
5 0,030723 34,8273
7 0,0386 32,5449
3
Morfologi Opening
0,017659 40,3652
5 0,035098 33,4961
7 0,053328 29,3129
Tabel 4.16 Nilai MSE dan PSNR DataCitra16.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.17 Nilai MSE dan PSNR DataCitra17.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.18 Nilai MSE dan PSNR DataCitra18.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Median Filter
0,020036 39,1022
5 0,032854 34,157
7 0,04077 32,1694
3
Morfologi Opening
0,020691 38,7808
5 0,040143 32,1532
7 0,058768 28,3416
Tabel 4.19 Nilai MSE dan PSNR DataCitra19.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Tabel 4.20 Nilai MSE dan PSNR DataCitra20.jpg
Window Operasi Nilai MSE Nilai PSNR
3
Dari metode Median Filtering dan operasi morfologi Opening yang digunakan untuk menguji ke-20 data diatas telah di dapatkan hasil nilai MSE dan nilai PSNR. Nilai MSE dan nilai PSNR merupakan tahap proses akhir untuk menentukan apakah metode tersebut efektif digunakan atau tidak. Pada dasarnya nilai MSE dan nilai PSNR juga memiliki ketentuan untuk menyimpulkan apakah metode yang digunakan efektif atau tidak. Nilai MSE dan nilai PSNR sangat berkaitan yakni semakin kecil nilai MSE, maka semakin besar nilai PSNR sehingga hasil reduksi derau menjadi baik dan begitu juga sebaliknya.
Berdasarkan hasil pengujian dengan kedua metode tersebut didapatkan hasil rata – rata serta persentase nilai MSE dan nilai PSNR untuk setiap window filter adalah sebagai berikut:
1. Rata – Rata Nilai MSE dan Nilai PSNR
Dari pengujian 20 data gambar citra didapatkan nilai MSE dan nilai PSNR dari setiap window filter pada masing – masing metode. Untuk dapat melihat perbandingan hasil kedua metode tersebut dengan cara menggunakan nilai rata – rata dan diubah ke dalam bentuk grafik sebagai berikut:
Tabel 4.21 Rata – Rata Nilai MSE
Gambar 4.14 Perbandingan Rata – Rata Nilai MSE Rata – Rata Nilai MSE
Metode Median Filtering Morfologi Opening
Window
3 x 3 0,0166507 0,01654586
5 x 5 0,02779015 0,0324473 7 x 7 0,03432165 0,04781795
Tabel 4.22 Rata – Rata Nilai PSNR Rata – Rata Nilai PSNR
Metode Median Filtering Morfologi Opening
Window
3 x 3 41,2707415 41,4210225
5 x 5 36,11486 34,6592025
7 x 7 34,0167 30,316155
Gambar 4.15 Perbandingan Rata – Rata Nilai PSNR
2. Persentase Nilai MSE dan Nilai PSNR
Perbandingan kedua metode juga dapat diubah dalam bentuk persentase yang didapatkan dengan cara Nilai Rata – Rata / Jumlah Data x 100%. Hasil dari persentase ini tidak mempengaruhi dan tidak merubah nilai sebab menggunakan nilai rata – rata pada Tabel 4.22 kemudian dapat dituliskan sebagai berikut:
Tabel 4.23 Persentase Nilai PSNR
Gambar 4.16 Perbandingan Persentase Nilai MSE
Tabel 4.24 Persentase Nilai PSNR Persentase Nilai PSNR
Metode Median Filtering Morfologi Opening
Window
3 x 3 4127,07% 4142,10%
5 x 5 3611,49% 3465,92%
7 x 7 3401,67% 3031,62%
Persentase Nilai MSE
Metode Median Filtering Morfologi Opening
Window
3 x 3 1,6651% 1,6546%
5 x 5 2,7790% 3,2447%
7 x 7 3,4322% 4,7818%
Gambar 4.17 Perbandingan Persentase Nilai PSNR
Pada dua jenis grafik diatas terlihat bahwa nilai MSE metode Median Filtering lebih kecil daripada metode metode Morfologi Opening, sedangkan nilai PSNR metode Median Filtering lebih besar daripada Morfologi Opening. Dari kedua hasil tersebut didapatkan kesimpulan bahwa metode Median Filtering lebih efektif digunakan dalam proses reduksi derau pada citra biner Manuskrip Aksara Jawa.
58
BAB V PENUTUP
5.1. Kesimpulan
Berdasarkan hasil yang diperoleh dari proses reduksi derau menggunakan metode Median Filtering dan Morfologi Opening dengan window filter yang berbeda – beda diperoleh kesimpulan sebagai berikut:
1. Window Filter yang digunakan pada kedua metode tersebut adalah 3 x 3, 5 x 5, 7 x 7. Semakin besar window filter yang digunakan, citra hasil reduksi yang didapatkan menjadi berkurang ketajamannya.
Setelah proses reduksi derau, didapatkan hasil nilai MSE dan nilai PSNR yaitu nilai MSE untuk kedua metode tersebut adalah semakin besar, sedangkan nilai PSNR untuk kedua metode tersebut justru semakin kecil. Jika nilai MSE semakin kecil, maka nilai PSNR semakin besar dan citra hasil reduksi menjadi baik. Sehingga metode tersebut menjadi efektif dalam mereduksi derau.
2. Seperti yang disebutkan pada poin pertama semakin kecil nilai MSE, maka nilai PSNR semakin besar dan citra hasil redusik menjadi lebih baik. Pada perbandingan nilai MSE antara kedua metode terlihat bahwa nilai MSE metode Median Filtering adalah lebih kecil daripada metode Morfologi Opening. Kemudian untuk nilai PSNR metode Median Filtering adalah lebih besar daripada metode Morfologi Opening. Dari situ dapat disimpulkan bahwa Metode Median Filtering lebih efektif digunakan dalam reduksi derau.
5.2. Saran
Saran yang penulis berikan adalah reduksi derau ini dapat dikembangkan dan dibandingkan dengan menggunakan metode lainnya.
Metode Median Filtering masih dapat dikembangkan lagi dan dibandingkan dengan metode lain untuk dapat mendapatkan hasil reduksi derau yang otomatis dapat menampilkan perbedaan manakah metode yang lebih efektif digunakan dalam mereduksi derau.
Untuk mendapatkan hasil reduksi derau yang baik, nilai MSE yang diharapkan adalah semakin kecil dan nilai PSNR yang diharapkan adalah semakin besar. Kesimpulan untuk metode yang lebih efektif digunakan pada penelitian ini adalah metode Median Filtering. Metode tersebut juga dapat dibandingkan dengan metode yang lain untuk dapat mengetahui metode yang lebih efektif daripada Median Filtering atau tidak.
60
DAFTAR PUSTAKA
Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.
Edisi Pertama. Yogyakarta: Graha Ilmu.
Brownrigg D. R. K. 1984. The Weighted Median Filter. Communication of the ACM. Vol. 27, No. 8, pp. 807 - 818 Available from:
https://dl.acm.org/doi/abs/10.1145/358198.358222 [Accessed: 2 Dec 2017]
Gonzales, R.C., and Woods, R.E. 2002. Digital Image Processing with Matlab:
2nd edition. New Jersey: Prentice Hall.
Handoyo, Stefanus Kasih. (2017). Transliterasi Nama Jalan Beraksara Jawa.
Skripsi S1 Teknik Informatika Fakultas Sains dan Teknologi.
Yogyakarta: Universitas Sanata Dharma.
Hasan S. M. Al-Khaffaf. 1., Abdullah Z. Talib, Rosalina Abdul Salam.
“Removing Salt-and-Pepper Noise from Binary Images of Engineering Drawings”, School of Computer Sciences, Universiti Sains Malaysia, 11800 USM Penang, Malaysia hasan, azht.
Hwang, H., dan R A Haddad. 1995. Adaptive Median Filters: New Algorithms and Result. IEEE Trans. Image Processing. Vol. 4, No. 4, pp. 499 – 502.
Available from:
https://ieeexplore.ieee.org/document/370679/metrics#metrics [Accessed:
2 Dec 2017]
Kadir, Abdul dan Adhi Sudanto. 2012. Teori dan Aplikasi Pengolahan Citra.
Yogyakarta: Andi Offset.
Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta: Andi Offset [Online]
Available from:
https://books.google.co.id/books?id=NectMutqXJAC&printsec=frontcov er&hl=id#v=onepage&q&f=false. [Accessed 30 Oct 2017]
R., Munir. 2004. Pengolahan Citra dengan Pendekatan Algomitrik. Bandung:
Informatika.
Rahmatullah, Kautsar Rusydi. (2017). Binerisasi Manuskrip Nusantara Menggunakan Algoritma Niblack. Skripsi S1 Teknik Informatika Fakultas Sains dan Teknologi. Yogyakarta: Universitas Sanata Dharma.
S., Shrestha. 2014. Image Denoising Using New Adaptive Based Median Filter.
An International Journal (SIPIJ), Vol. 5, No. 4.
T., Chen dan H. R. Wu. 2001. Adaptive Impulse Detection using Center –
Weighted Median Filters. IEEE Signal Processing Letters. Vol. 8, No.1, Available from: Citra Digital. Yogyakarta: Lintang Pustaka Utama.
W., Ben. 2006. Fast Median and Bilateral Filtering. ACM Transactions on Graphics. Vol. 25, No. 3, pp. 519 – 526. Available from:
https://dl.acm.org/doi/10.1145/1141911.1141918 [Accessed 14 Nov 2017]
Zhang, S., M. A. Karim. 2002. A New Impulse Detector for Switching Median Filter. IEEE Signal Processing Letters. Vol. 9, No. 9, pp. 360 - 366.
Available from: https://ieeexplore.ieee.org/document/1058205 [Accessed: 20 Nov 2017]
62
LAMPIRAN
1. Hasil Reduksi Derau DataCitra1.jpg
2. Hasil Reduksi Derau DataCitra2.jpg
3. Hasil Reduksi Derau DataCitra3.jpg
4. Hasil Reduksi Derau DataCitra4.jpg
5. Hasil Reduksi Derau DataCitra5.jpg
6. Hasil Reduksi Derau DataCitra6.jpg
7. Hasil Reduksi Derau DataCitra7.jpg
8. Hasil Reduksi Derau DataCitra8.jpg
9. Hasil Reduksi Derau DataCitra9.jpg
10. Hasil Reduksi Derau DataCitra10.jpg
11. Hasil Reduksi Derau DataCitra11.jpg
12. Hasil Reduksi Derau DataCitra12.jpg
13. Hasil Reduksi Derau DataCitra13.jpg
14. Hasil Reduksi Derau DataCitra14.jpg
15. Hasil Reduksi Derau DataCitra15.jpg
16. Hasil Reduksi Derau DataCitra16.jpg
17. Hasil Reduksi Derau DataCitra17.jpg
18. Hasil Reduksi Derau DataCitra18.jpg
19. Hasil Reduksi Derau DataCitra19.jpg
20. Hasil Reduksi Derau DataCitra20.jpg