IMPLEMENTASI DAN PERBANDINGAN METODE
GEOMETRIC
MEAN FILTER
DAN
ALPHA-TRIMMED MEAN FILTER
UNTUK MEREDUKSI
EXPONENTIAL NOISE
PADA CITRA DIGITAL
SKRIPSI
AULIZA NANDA NASUTION
101401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI DAN PERBANDINGAN METODE GEOMETRIC MEAN FILTER
DAN ALPHA-TRIMMED MEAN FILTER UNTUK MEREDUKSI
EXPONENTIAL NOISE PADA CITRA DIGITAL
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Ilmu Komputer
AULIZA NANDA NASUTION 101401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI DAN PERBANDINGAN METODE GEOMETRIC MEAN FILTER DAN ALPHA-
TRIMMED MEAN FILTER UNTUK MEREDUKSI
EXPONENTIAL NOISE PADA CITRA DIGITAL
Kategori : SKRIPSI
Nama : AULIZA NANDA NASUTION
Nomor Induk Mahasiswa : 101401010
Program Studi : SARJANA (S1) ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, 15 Juli 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
M. Andri Budiman, S.T., M.Comp.Sc, MEM Maya Silvi Lydia, B.Sc, M.Sc NIP. 197510082008011011 NIP. 197401272002121001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI DAN PERBANDINGAN METODE GEOMETRIC MEAN
FILTER DAN ALPHA-TRIMMED MEAN FILTER UNTUK MEREDUKSI
EXPONENTIAL NOISE PADA CITRA DIGITAL
SKRIPSI
Saya menyatakan bahwa skripsi ini hasil karya saya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 15 Juli 2014
PENGHARGAAN
Puji syukur kehadirat Allah SWT atas segala rahmat dan karunia-Nya sehingga
penulis dapat menyelesaikan skripsi ini dalam waktu yang telah ditentukan sebagai
salah satu syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu
Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera
Utara. Serta shalawat dan salam penulis hadiahkan kepada Nabi Besar Muhammad
SAW.
Dengan selesainya tugas akhir ini, penulis mengucapkan terima kasih kepada :
1. Bapak Dr. Poltak Sihombing, M.Kom sebagai Ketua Program Studi S1 Ilmu Komputer.
2. Ibu Maya Silvi Lydia, B.Sc, M.Sc sebagai dosen pembimbing 1 dan Sekretaris
Program Studi Ilmu Komputer, dan Bapak Mohammad Andri Budiman, S.T.,
M.Comp.Sc, MEM sebagai dosen pembimbing 2 yang telah meluangkan
waktu, tenaga, dan pikiran serta dalam membimbing, memotivasi, dan
menyemangati penulis agar dapat menyelesaikan skripsi ini.
3. Bapak Syahriol Sitorus, S.Si, MIT sebagai dosen penguji 1 dan Ibu Dian
Rachmawati, S.Si, M.Kom sebagai dosen penguji 2 yang telah memberikan
kritik serta saran yang membangun untuk penyelesaian skripsi ini.
4. Dekan, Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi,
dan staf pegawai di program studi S1 Ilmu Komputer USU.
5. Orangtua tercinta Ayahanda Syaiful Bahri Nasution dan Ibunda Satinah yang
telah memberikan kasih sayang, doa, semangat serta dukungan moril dan
materil.
6. Keluarga tercinta kakak Ifna Riski Nasution dan adik penulis Ahmad Syafriza
Nasution, Elsa Fadillah Nasution, dan Ashilla Fitri Nasution serta keluarga
7. Pahri Zuhri, Amd.Sos, yang selalu memberikan dukungan, motivasi, perhatian,
dan doa kepada penulis.
8. Keluarga besar Bapak M.Hendrianto, Ibu Paini, Wiji Kharisma dan
Abang-Kakak.
9. Teman-teman seperjuangan mahasiswa S1 Ilmu Komputer stambuk 2010
khususnya Ca8in Corps Fanny Fairina N, Zulwita Hariyati, Annissa Fadilla,
Uswatun Hasanah, Nurul Ulfah Primadini, Devina Pratiwi Halim, Aulia Akbar
Harahap, dan Bernard Tarigan.
10. Adik-adik junior stambuk 2011 Annisa Olivia dan Dini Islami, serta sahabat
terbaik penulis Sitti Kardina, S.Si yang telah memberikan motivasi kepada penulis.
11. Seluruh pihak yang terlibat langsung maupun tidak langsung yang tidak dapat
penulis ucapkan satu persatu yang telah membantu penulis dalam
menyelesaikan skripsi ini.
Penulis menyadari bahwa masih banyak kekurangan maupun kesalahan dalam
penulisan skripsi ini. Oleh karena itu penulis mengharapkan kritik dan saran
yang bersifat membangun demi kesempurnaan skripsi ini. Akhir kata, semoga
skripsi ini dapat bermanfaat bagi penulis dan pembaca, khususnya rekan-rekan
mahasiswa/i lainnya yang mengikuti perkuliahan di Universitas Sumatera
Utara. Terima Kasih.
Medan, 15 Juli 2014
ABSTRAK
Pada citra digital sering kali terdapat beberapa gangguan yang dinamakan noise. Jenis
noise seperti laser yang ada pada citra digital dinamakan exponential noise. Noise ini
biasa terjadi akibat adanya efek pencahayaan yang tidak merata maupun kontras citra
yang terlalu tinggi ataupun yang terlalu rendah. Dengan adanya noise dapat
menyebabkan informasi yang ada pada citra menjadi berkurang dan sulit untuk
diinterpretasikan. Filtering merupakan teknik untuk mereduksi noise. Metode yang
akan digunakan untuk mereduksi noise yaitu geometric mean filter dan alpha-trimmed
mean filter. Probabilitas noise yang diberikan yaitu 0.01 sampai 0.05 pada tiap
kelompok citra. Hasil penelitian pada reduksi undefined noise ditambah exponential
noise maupun pada reduksi hanya exponential noise menunjukkan nilai MSE lebih
kecil dan nilai PSNR lebih besar selalu berada pada metode alpha-trimmed mean filter
khusus untuk d = 0 dan d = 1. Namun untuk pengujian reduksi hanya exponential
noise selalu memiliki nilai MSE lebih kecil dan nilai PSNR lebih besar daripada
pengujian reduksi undefined noise ditambah exponential noise. Maka dapat
disimpulkan bahwa metode alpha-trimmed mean filter untuk d = 0 dan d = 1 lebih
baik untuk melakukan reduksi noise, dan pengujian untuk reduksi exponential noise
lebih baik daripada pengujian untuk reduksi noise bebas ditambah exponential noise.
Kata kunci : Geometric mean filter, Alpha-trimmed mean filter, Citra digital,
Exponential noise, Mean Squared Error (MSE), Peak Signal-to-Noise Ratio
IMPLEMENTATION AND COMPARISON OF GEOMETRIC MEAN FILTER AND ALPHA-TRIMMED MEAN FILTER TO REDUCE
EXPONENTIAL NOISE IN DIGITAL IMAGES
ABSTRACT
On digital image there are often several disturbance that are called noise. This type of
noise which is like a laser on the digital image is called exponential noise. This noise
is common due to uneven lighting effects as well as the contrast of an image that is
too high or too low. The presence of noise, can cause the information in the image
being reduced and difficult to interpret. Filtering is a technique to reduce noise. The
method to be used for the noise reduction are geometric mean filter and
alpha-trimmed mean filter. The probability of a given noise i.e. 0.01 up to 0.05 for every
image group. Research is results on the reduction of undefined noise and exponential
noise as well as the reduction of exponential noise only show the value of MSE which
is smaller and the value of PSNR is bigger always in the method alpha-trimmed mean
filters exclusively for d = 0 and d = 1. However, reduction of exponential noise has
smaller value of MSE and the value of PSNR is bigger than reduction of undefined
noise and exponential noise. Hence it can be inferred that alpha-trimmed mean filters
for d = 0 and d = 1 is better to do the reduction of noise, and reduction of exponential
noise only is better than reduction undefined noise and exponential noise.
DAFTAR ISI
Hal.
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Tabel xi
Daftar Gambar xiii
Daftar Lampiran xvi
BAB 1 PENDAHULUAN
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Batasan Masalah 3
1.4. Tujuan Penelitian 4
1.5. Manfaat Penelitian 4
1.6. Metode Penelitian 4
1.7. Sistematika Penulisan 5
BAB 2 LANDASAN TEORI
2.1. Pengertian Citra Digital 6
2.2. Pengolahan Citra Digital 7
2.3. Jenis-jenis Citra Digital 7
2.3.1. Citra biner 8
2.3.2. Citra grayscale 8
2.3.3. Citra warna 8
2.4. Noise 8
2.4.1. Pengertian noise 8
2.4.2. Exponential noise 9
2.5. Restorasi Citra 10
2.5.2. Alpha-trimmed mean filter 12
2.6. Pengukuran Kinerja Restorasi Citra 13
2.6.1. Mean squared error (MSE) 13
2.6.2. Peak signal-to-noise ratio (PSNR) 14
2.7. Relevansi Penelitian 14
BAB 3 ANALISIS DAN PERANCANGAN
3.1. Analisis Sistem 16
3.1.1. Diagram Ishikawa 16
3.1.2. Analisis fungsional 17
3.1.2.1. Analisis masukan 17
3.1.2.2. Analisis keluaran 17
3.1.2.3. Proses membaca nilai piksel 18
3.1.2.4. Proses penambahan noise 18
3.1.2.5. Konvolusi matriks citra metode geometric mean filter 19
3.1.2.6. Konvolusi matriks citra metode alpha-trimmed mean 20
filter
3.1.2.7. Proses menghitung nilai MSE 21
3.1.2.8. Proses menghitung nilai PSNR 22
3.1.3. Analisis non fungsional 23
3.2. Perancangan Sistem 23
3.2.1.Unified Modeling Language (UML) 23
3.2.1.1. Use case diagram 24
3.2.1.2. Activity diagram 27
3.2.1.3. Sequence diagram 30
3.2.2.Pseudocode 33
3.2.3.Flowchart sistem 37
3.2.4.Perancangan antarmuka 40
3.2.4.1. Form menu utama 40
3.2.4.2. Form reduction undefined noise + exponential noise 41
3.2.4.3. Form reduction exponential noise 43
3.2.4.4. Form help 45
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem 47
4.1.1. Spesifikasi perangkat keras 47
4.1.2. Spesifikasi perangkat lunak 47
4.2. Tampilan Antarmuka 48
4.2.1. Tampilan form menu utama 48
4.2.2. Tampilan form reduction undefined noise + exponential noise 48
4.2.3. Tampilan form reduction exponential noise 49
4.2.4. Tampilan form help 50
4.2.5. Tampilan form about 51
4.3. Pengujian Sistem 51
4.3.1.Pengujian black box 52
4.3.1.1. Rencana pengujian 52
4.3.1.2. Kasus dan hasil pengujian alpha 52
4.3.1.3. Kesimpulan hasil pengujian alpha 53
4.3.1.4. Kasus dan hasil pengujian betha 54
4.3.1.5. Kesimpulan hasil pengujian betha 54
4.3.2.Pengujian reduction undefined noise + exponential noise 52
4.3.3. Pengujian reduction exponential noise 61
4.4. Hasil Pengujian 63
4.4.1. Hasil pengujian reduction undefined noise + exponential 63
noise
4.4.2. Hasil pengujian reduction exponential noise 70
4.4.3. Perbandingan metode geometric mean filter dan alpha- 78
trimmed mean filter
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan 89
5.2. Saran 91
DAFTAR TABEL
Hal.
3.1 Spesifikasi Use CaseReduction Undefined Noise + Exponential noise 25 3.2 Spesifikasi Use CaseReduction Exponential Noise 26
4.1 Rencana Pengujian 52
4.2 Pengujian Hasil Input Citra oleh User 52
4.3 Pengujian Hasil Citra dengan Noise 53
4.4 Pengujian Hasil Proses Filter 53
4.5 Hasil Kuisoner 54
4.6 Hasil Reduksi Noise pada Citra Berkontras Gelap dengan Metode 65
Geometric Mean Filter
4.7 Hasil Reduksi Noise pada Citra Berkontras Gelap dengan Metode Alpha- 66
Trimmed Mean Filter
4.8 Hasil Reduksi Noise pada Citra Berkontras Terang dengan Metode 67
Geometric Mean Filter
4.9 Hasil Reduksi Noise pada Citra Berkontras Terang dengan Metode Alpha- 68
Trimmed Mean Filter
4.10 Hasil Reduksi Noise pada Citra Beragam Warna dengan Metode 69
Geometric Mean Filter
4.11 Hasil Reduksi Noise pada Citra Beragam Warna dengan Metode Alpha- 70
Trimmed Mean Filter
4.12 Hasil Reduksi Noise pada Citra Berkontras Gelap dengan Metode 72
Geometric Mean Filter
4.13 Hasil Reduksi Noise pada Citra Berkontras Gelap dengan Metode Alpha- 73
Trimmed Mean Filter
4.14 Hasil Reduksi Noise pada Citra Berkontras Terang dengan Metode 74
Geometric Mean Filter
4.15 Hasil Reduksi Noise pada Citra Berkontras Terang dengan Metode Alpha- 75
4.16 Hasil Reduksi Noise pada Citra Beragam Warna dengan Metode 76
Geometric Mean Filter
4.17 Hasil Reduksi Noise pada Citra Beragam Warna dengan Metode Alpha- 77
Trimmed Mean Filter
4.18 Perbandingan MSE MetodeGMF dan ATMF untuk Reduksi Undefined 79
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Gelap
4.19 Perbandingan PSNR MetodeGMF dan ATMF untuk Reduksi Undefined 79
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Gelap
4.20 Perbandingan Runtime MetodeGMF dan ATMF untuk Reduksi Undefined 80
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Gelap
4.21 Perbandingan MSE MetodeGMF dan ATMF untuk Reduksi Undefined 80
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Terang
4.22 Perbandingan PSNR MetodeGMF dan ATMF untuk Reduksi Undefined 81
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Terang
4.23 Perbandingan Runtime MetodeGMF dan ATMF untuk Reduksi Undefined 81
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Terang
4.24 Perbandingan MSE MetodeGMF dan ATMF untuk Reduksi Undefined 82
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Beragam Warna
4.25 Perbandingan PSNR MetodeGMF dan ATMF untuk Reduksi Undefined 82
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Beragam Warna
4.26 Perbandingan Runtime MetodeGMF dan ATMF untuk Reduksi Undefined 83
Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
DAFTAR GAMBAR
Hal.
2.1 Posisi Letak Piksel 7
2.2 Blok Diagram Pengolahan Citra 7
2.3 Citra dengan Exponential Noise 9
2.4 Grafik Exponential Noise 10
2.5 Contoh Noise Eksponensial Negatif 10
2.6 Contoh Noise Filtering 11
2.7 Piksel Citra Awal 11
2.8 Piksel Citra Hasil 12
2.9 Piksel Awal 13
2.10 Hasil Filter dengan d = 1 13
3.1 Diagram Ishikawa Permasalahan 16
3.2 Representasi Piksel Pada Citra 18
3.3 Matriks Citra dengan Penambahan Noise 18
3.4 Matriks Citra Pada Blok 1 19
3.5 Matriks Citra Blok 1 Hasil Reduksi Metode Geometric Mean Filter 19
3.6 Matriks Blok Citra 1 Sebelum Digeser 19
3.7 Matriks Blok Citra 1 Setelah Digeser 20
3.8 Matriks Citra Pada Blok 1 20
3.9 Matriks Citra Blok 1 Hasil Reduksi Metode Alpha-Trimmed Mean Filter 21
3.10 Matriks Citra Sebelum Reduksi Noise 21
3.11 Matriks Citra Setelah Reduksi Noise 22
3.12 Use Case Diagram Sistem 24
3.13 Activity DiagramReduction Undefined Noise + Exponential Noise 28
3.14 Activity DiagramReduction Exponential Noise 29
3.15 Sequence DiagramReduction Undefined Noise + Exponential Noise 31
3.16 Sequence DiagramExponential Noise 32
3.17 Flowchart Metode Geometric Mean Filter 38
3.19 Rancangan Form Menu Utama 40
3.20 Rancangan FormReduction Undefined Noise + Exponential Noise 41
3.21 Rancangan Form Reduction Exponential Noise 43
3.22 Rancangan Form Help 45
3.23 Rancangan Form About 46
4.1 Tampilan Menu Utama 48
4.2 Tampilan Reduction Undefined Noise + Exponential Noise 49
4.3 Tampilan Reduction Exponential Noise 49
4.4 Tampilan Menu Help 50
4.5 Tampilan Menu About 51
4.6 Hasil Pemilihan Citra Bernoise 55
4.7 Hasil Generate Noise dengan Probabilitas 0.01 56
4.8 Peringatan Bila Probabilitas Belum Dipilih 56
4.9 Processing Bar Tombol Reduce Noise 56
4.10 Hasil Reduce Noise 57
4.11 Proses Menyimpan Citra Hasil Reduksi 57
4.12 Peringatan File Berhasil Disimpan 58
4.13 Help Dialog Apabila Nilai d Belum Dipilih 58
4.14 Hasil Reduksi Noise Metode Alpha-Trimmed Mean Filterd = 0 59
4.15 Hasil Reduksi Noise Metode Alpha-Trimmed Mean Filterd = 1 59
4.16 Hasil Reduksi Noise Metode Alpha-Trimmed Mean Filterd = 8 60
4.17 Dialog Box Kembali Ke Menu Utama 60
4.18 Hasil Reduksi Noise Metode Geometric Mean Filter 61
4.19 Hasil Reduksi Noise Metode Alpha-Trimmed Mean Filterd = 0 62
4.20 Hasil Reduksi Noise Metode Alpha-Trimmed Mean Filterd = 1 62
4.21 Hasil Reduksi Noise Metode Alpha-Trimmed Mean Filterd = 8 63
4.22 Grafik Perbandingan MSE Metode GMF dan ATMF untuk Reduksi 84
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Berkontras Gelap
4.23 Grafik Perbandingan PSNR Metode GMF dan ATMF untuk Reduksi 84
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Berkontras Gelap
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Berkontras Gelap
4.25 Grafik Perbandingan MSE Metode GMF dan ATMF untuk Reduksi 85
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Berkontras Terang
4.26 Grafik Perbandingan PSNR Metode GMF dan ATMF untuk Reduksi 86
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Berkontras Terang
4.27 Grafik Perbandingan Runtime Metode GMF dan ATMF untuk Reduksi 86
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Berkontras Terang
4.28 Grafik Perbandingan MSE Metode GMF dan ATMF untuk Reduksi 87
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Beragam Warna
4.29 Grafik Perbandingan PSNR Metode GMF dan ATMF untuk Reduksi 87
Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Beragam Warna
4.30 Grafik Perbandingan Runtime Metode GMF dan ATMF untuk Reduksi 88
Undefined Noise + Exponential Noise dengan Reduksi Exponential
DAFTAR LAMPIRAN
Hal.
ABSTRAK
Pada citra digital sering kali terdapat beberapa gangguan yang dinamakan noise. Jenis
noise seperti laser yang ada pada citra digital dinamakan exponential noise. Noise ini
biasa terjadi akibat adanya efek pencahayaan yang tidak merata maupun kontras citra
yang terlalu tinggi ataupun yang terlalu rendah. Dengan adanya noise dapat
menyebabkan informasi yang ada pada citra menjadi berkurang dan sulit untuk
diinterpretasikan. Filtering merupakan teknik untuk mereduksi noise. Metode yang
akan digunakan untuk mereduksi noise yaitu geometric mean filter dan alpha-trimmed
mean filter. Probabilitas noise yang diberikan yaitu 0.01 sampai 0.05 pada tiap
kelompok citra. Hasil penelitian pada reduksi undefined noise ditambah exponential
noise maupun pada reduksi hanya exponential noise menunjukkan nilai MSE lebih
kecil dan nilai PSNR lebih besar selalu berada pada metode alpha-trimmed mean filter
khusus untuk d = 0 dan d = 1. Namun untuk pengujian reduksi hanya exponential
noise selalu memiliki nilai MSE lebih kecil dan nilai PSNR lebih besar daripada
pengujian reduksi undefined noise ditambah exponential noise. Maka dapat
disimpulkan bahwa metode alpha-trimmed mean filter untuk d = 0 dan d = 1 lebih
baik untuk melakukan reduksi noise, dan pengujian untuk reduksi exponential noise
lebih baik daripada pengujian untuk reduksi noise bebas ditambah exponential noise.
Kata kunci : Geometric mean filter, Alpha-trimmed mean filter, Citra digital,
Exponential noise, Mean Squared Error (MSE), Peak Signal-to-Noise Ratio
IMPLEMENTATION AND COMPARISON OF GEOMETRIC MEAN FILTER AND ALPHA-TRIMMED MEAN FILTER TO REDUCE
EXPONENTIAL NOISE IN DIGITAL IMAGES
ABSTRACT
On digital image there are often several disturbance that are called noise. This type of
noise which is like a laser on the digital image is called exponential noise. This noise
is common due to uneven lighting effects as well as the contrast of an image that is
too high or too low. The presence of noise, can cause the information in the image
being reduced and difficult to interpret. Filtering is a technique to reduce noise. The
method to be used for the noise reduction are geometric mean filter and
alpha-trimmed mean filter. The probability of a given noise i.e. 0.01 up to 0.05 for every
image group. Research is results on the reduction of undefined noise and exponential
noise as well as the reduction of exponential noise only show the value of MSE which
is smaller and the value of PSNR is bigger always in the method alpha-trimmed mean
filters exclusively for d = 0 and d = 1. However, reduction of exponential noise has
smaller value of MSE and the value of PSNR is bigger than reduction of undefined
noise and exponential noise. Hence it can be inferred that alpha-trimmed mean filters
for d = 0 and d = 1 is better to do the reduction of noise, and reduction of exponential
noise only is better than reduction undefined noise and exponential noise.
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Pada saat ini penggunaan sebuah citra sangat meningkat untuk digunakan pada
berbagai kebutuhan. Hal ini dikarenakan banyak sekali kelebihan yang ada pada citra
digital seperti dapat memberikan suatu informasi melalui gambar dan kemudahan
dalam pengolahan data gambar. Namun terkadang sering kali terdapat beberapa
gangguan yang mungkin bisa saja terjadi pada citra digital, seperti timbulnya
bintik-bintik yang disebabkan oleh proses capture yang tidak sempurna, adanya pencahayaan
yang tidak merata mengakibatkan intensitas tidak seragam, kontras citra terlalu rendah
sehingga objek sulit untuk dipisahkan dari latar belakangnya, ataupun adanya
gangguan yang disebabkan oleh kotoran-kotoran yang menempel pada citra, dan lain
sebagainya. Setiap gangguan yang terdapat pada citra dinamakan noise [9].
Pada citra digital terdapat jenis noise seperti laser yang dinamakan exponential
noise. Noise ini biasa terjadi akibat adanya efek pencahayaan yang tidak merata
maupun kontras citra yang terlalu tinggi ataupun yang terlalu rendah. Dengan adanya
noise seperti exponential noise ini, dapat menyebabkan informasi yang ada pada citra
menjadi berkurang dan sulit untuk diinterpretasikan. Sehingga, citra yang
mengandung noise memerlukan adanya langkah-langkah perbaikan agar dapat
digunakan secara maksimal. Salah satu langkah perbaikan itu adalah dengan teknik
filtering atau melakukan reduksi noise.
Jenis filtering atau reduksi noise terbagi menjadi domain spasial dan domain
frekuensi. Teknik pemrosesan domain frekuensi merupakan teknik berdasarkan
perubahan transformasi fourier pada citra. Sedangkan teknik pemrosesan domain
Pada penelitian ini akan dibahas reduksi noise domain spasial. Pada domain
spasial, terdapat jenis linear filter dan nonlinear filter [9]. Untuk penelitian ini, akan
dibahas mengenai nonlinear filter. Nonlinear filter terdapat jenis Mean Filter dan
Order-Statistics Filters. Mean filter merupakan salah satu nonlinear filter yang
berfungsi untuk memperhalus dan menghilangkan noise pada suatu citra yang bekerja
dengan menggantikan intensitas nilai piksel dengan rata-rata dari nilai piksel tersebut
dengan nilai piksel-piksel tetangganya [12]. Metode-metode Mean filter meliputi
arithmetic mean filter, geometric mean filter, harmonic mean filter, dan
contra-harmonic meanfilter [9]. Pada penelitian ini akan dibahas mengenai geometric mean
filter. Order-Statictics Filters merupakan filter spasial yang hasil responsnya
berdasarkan pengurutan nilai piksel yang dilingkupi oleh filter [9]. Sedangkan
metode-metode Orders-Statisics Filters meliputi median filter, maximum filter,
minimum filter, midpoint filter, adaptive median filter, dan alpha-trimmed mean filter
[3]. Pada penelitian ini akan dibahas mengenai alpha-trimmed mean filter.
Exponential noise yang akan dibahas pada penelitian ini adalah jenis noise
truecolor yang terjadi karena karakteristik Fungsi Probabilitas Kepadatan (Probability
Density Function atau PDF) yang ditambahkan pada citra untuk implementasi dan
perbandingan metode geometric mean filter dan alpha-trimmed mean filter.
Berdasarkan skripsi Wiliyana bahwa metode geometric mean filter lebih baik
untuk melakukan reduksi noise dibandingkan dengan metode arithmetic mean filter
[12]. Penelitian oleh V.R.Vijaykumar et al, menyimpulkan bahwa metode yang baik
dalam mereduksi noise adalah jenis nonlinear filter yaitu termasuk salah satunya
metode alpha-trimmed mean filter [11]. Penelitian oleh R. Srinivas et al,
menyimpulkan bahwa metode alpha-trimmed mean filter tidak termasuk jenis metode
yang baik dan efisien di antara metode-metode yang diteliti untuk mereduksi noise
dengan probabilitas 10%-60% [8].
Berdasarkan latar belakang di atas, maka penulis akan mencoba melakukan
penelitian dengan judul “Implementasi dan Perbandingan Metode Geometric Mean
Filter dan Alpha-Trimmed Mean Filter untuk Mereduksi Exponential Noise pada
1.2. Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah:
1. Bagaimana hasil implementasi dan perbandingan hasil reduksi noise pada citra
digital yang telah terdegradasi noise bebas kemudian ditambahkan exponential
noise dengan menggunakan metode Geometric Mean Filter dan Alpha-Trimmed
Mean Filter.
2. Bagaimana hasil implementasi dan perbandingan hasil reduksi noise pada citra
digital yang tidak terdegradasi noise kemudian ditambahkan exponential noise
dengan menggunakan metode Geometric Mean Filter dan Alpha-Trimmed Mean
Filter.
3. Bagaimana perbandingan antara proses reduksi pada citra digital yang telah
terdegradasi noise bebas kemudian ditambahkan exponential noise dengan citra
digital yang tidak terdegradasi noise kemudian ditambahkan exponential noise.
1.3. Batasan Masalah
Dalam penelitian ini, dilakukan beberapa batasan sebagai berikut:
1. File citra yang direduksi noise-nya adalah berformat (*.bmp).
2. Tools atau bahasa pemrograman yang digunakan adalah Matlab R2012a.
3. Parameter untuk pengukuran kinerja metode filtering adalah Mean Squared Error
(MSE), Peak Signal-to-Noise Ratio (PSNR) dan runtime.
4. Citra truecolor yang akan direduksi noise-nya adalahcitra yang terdegradasi noise
bebas ditambah exponential noise yang disebabkan oleh penambahan noise
dengan probabilitas 1% - 5%. Dancitra yang tidak yang terdegradasi noise bebas
namun ditambahkan exponential noise 1% - 5%. Citra yang terdegradasi noise
bebas atau undefined noise adalah citra yang telah ditambah noise seperti salt and
pepper noise, speckle noise, gaussian noise, uniform noise ataupun jenis noise
lainnyadengan menggunakan sistem lain.
5. Citra yang akan direduksi terbagi menjadi 3 (tiga) kelompok yaitu citra berkontras
1.4. Tujuan Penelitian
Penelitian ini bertujuan untuk:
1. Mengimplementasikan dan mengetahui perbandingan hasil reduksi noise pada citra
yang telah terdegradasi noise bebas kemudian ditambahkan exponential noise
menggunakan metode Geometric Mean Filter dan Alpha-Trimmed Mean Filter.
2. Mengimplementasikan dan mengetahui perbandingan hasil reduksi noise pada citra
yang tidak terdegradasi noise kemudian ditambahkan exponential noise
menggunakan metode Geometric Mean Filter dan Alpha-Trimmed Mean Filter.
3. Mengetahui perbandingan antara proses reduksi pada citra digital yang telah
terdegradasi noise bebas kemudian ditambahkan exponential noise dengan citra
digital yang tidak terdegradasi noise kemudian ditambahkan exponential noise.
1.5. Manfaat Penelitian
Manfaat penelitian ini adalah menghasilkan perangkat lunak untuk mereduksi
exponential noise pada citra digital yang ditambahkan noise ini dan mereduksi noise
yang telah ada pada citra.
1.6. Metode Penelitian
Metode penelitian yang dilakukan dalam penelitian ini adalah:
1. Studi Literatur
Pada tahap ini, penulisan skripsi diawali dengan pembelajaran terhadap buku-buku,
artikel-artikel, paper, e-book, situs internet, maupun hasil penelitian yang
membahas tentang pengolahan citra digital terkait dengan geometric mean filter,
alpha-trimmed mean filter, exponential noise, MSE, PSNR.
2. Analisis dan Perancangan
Pada tahap ini dilakukan analisis masalah dan kebutuhan yang diperlukan untuk
menyelesaikan tugas akhir ini berdasarkan rumusan dan batasan masalah yang ada,
disertai perancangan flowchart, antar muka dan perancangan sistem.
3. Implementasi
4. Pengujian
Pada tahap ini dilakukan pengujian terhadap sistem berdasarkan hasil analisis data
dan perancangan sistem.
5. Dokumentasi
Pada tahap ini dilakukan penyusunan laporan berdasarkan hasil analisis dan
perancangan sistem dengan format penyusunan laporan untuk mendukung skripsi
ini.
1.7. Sistematika Penulisan Bab 1 : PENDAHULUAN
Bab ini berisi pembahasan masalah umum yang meliputi latar belakang pemilihan
judul, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian,
metode penelitian, dan sistematika penulisan. Bab 2 : LANDASAN TEORI
Bab ini membahas tentang landasan teori citra digital, pengolahan citra digital,
jenis-jenis citra, noise, exponential noise, metode Geometric Mean Filter, metode
Alpha-Trimmed Mean Filter, Mean Squared Error (MSE), dan Peak Signal-to-Noise Ratio
(PSNR).
Bab 3 : ANALISIS DAN PERANCANGAN
Bab ini membahas mengenai perhitungan nilai piksel citra, reduksi noise, flowchart
sistem serta perancangan antar muka pengguna.
Bab 4 : IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas tentang implementasi dan pengujian perangkat lunak.
Bab 5 : KESIMPULAN DAN SARAN
Bab ini dilakukan pembuatan kesimpulan-kesimpulan yang merupakan rangkuman
dari hasil penelitian yang telah dilakukan dan saran yang perlu diperhatikan
BAB 2
LANDASAN TEORI
2.1. Pengertian Citra Digital
Citra digital merupakan sebuah fungsi intensitas cahaya f(x,y), dimana harga x dan y
merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik (x,y)
merupakan tingkat kecemerlangan atau intensitas cahaya citra pada titik tersebut.
Citra digital adalah suatu matriks dimana indeks baris dan kolomnya
menyatakan suatu titik pada citra tersebut dan elemen matriksnya yang disebut
sebagai elemen gambar atau piksel menyatakan tingkat keabuan pada titik tersebut.
Indeks baris dan kolom (x,y) dari sebuah piksel dinyatakan dalam bilangan bulat
(integer). Sebuah piksel merupakan sampel dari pemandangan yang mengandung
intensitas citra yang dinyatakan dalam bilangan bulat. Untuk menunjukkan lokasi
suatu piksel, koordinat (0,0) digunakan untuk posisi kiri atas dalam bidang citra, dan
koordinat (m-1,n-1) digunakan untuk posisi kanan bawah dalam citra berukuran m x n
piksel dimana m adalah kolom dan n adalah baris.
Untuk menunjukkan tingkat pencahayaan suatu piksel, seringkali digunakan
bilangan bulat yang besarnya delapan bit dengan lebar selang nilai 0-255 dimana 0
untuk warna hitam, 255 untuk warna putih, dan tingkat abu-abu berada di antara nilai
0 dan 255 [10]. Penjelasan posisi letak piksel dapat dilihat pada gambar 2.1.
Gambar 2.1 Posisi Letak Piksel
2.2. Pengolahan Citra Digital
Image processing atau sering disebut pengolahan citra digital merupakan suatu proses
filter gambar asli menjadi gambar lain sesuai dengan keinginan kita. Misalnya, kita
mendapatkan suatu gambar yang terlalu gelap. Dengan image processing, kita dapat
memprosesnya agar mendapatkan gambar yang jelas [7]. Secara garis besar, gambar
blok diagramnya dapat dilihat pada gambar 2.2.
Gambar 2.2 Blok Diagram Pengolahan Citra
2.3. Jenis-jenis Citra Digital
Ada banyak cara untuk menyimpan citra digital di dalam memori. Cara penyimpanan
menentukan jenis citra digital yang terbentuk. Beberapa jenis citra digital yang sering
digunakan adalah citra biner, citra grayscale, dan citra warna. Gambar
Asli Gambar
Hasil Proses
2.3.1. Citra biner
Citra biner disebut juga citra monokrom. Banyak warna citra biner ada 2, yaitu hitam
dan putih. Dibutuhkan 1 bit memori untuk menyimpan kedua warna ini. Setiap piksel
pada citra bernilai 0 untuk hitam dan 1 untuk putih.
2.3.2. Citra grayscale
Citra warna grayscale menggunakan warna tingkatan warna abu-abu. Warna abu-abu
merupaka satu-satunya warna pada ruang RGB dengan komponen merah, hijau, dan
biru memepunyai intensitas yang sama. Banyaknya warna pada citra ini tergantung
pada jumlah bit yang akan disediakan di memori untuk menampung kebutuhan warna
ini. Citra dengan skala keabuan empat bit maka jumlah kemungkinan warnanya
adalah 24 = 16 warna dengan kemungkinan warna 0 (min) sampai 15 (max).
2.3.3. Citra warna
Setiap piksel yang terdapat pada citra warna mewakili warna yang merupakan
kombinasi dari tiga warna dasar (RGB = Red Green Blue). Setiap warna dasar
menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna memiliki gradasi
sebanyak 255 warna. Berarti setiap piksel memiliki kombinasi warna sebanyak 28x
28x 28 = 16 juta warna lebih. Itulah sebabnya format ini dinamakan true color karena
memiliki jumlah warna yang cukup besar.
Penyimpanan citra true color di dalam memori berbeda dengan citra
grayscale. Setiap piksel dari citra grayscale 256 gradasi warna diwakili oleh 1 byte.
Sedangkan 1 piksel citra true color diwakili oleh 3 byte, dimana masing-masing byte
merepresentasikan warna merah (Red), hijau (Green), dan biru (Blue) [9].
2.4. Noise
2.4.1. Pengertian noise
Noise adalah suatu gangguan yang disebabkan oleh penyimpanan data digital yang
dapat disebabkan oleh gangguan fisik (optik) pada alat penangkap citra misalnya
kotoran debu yang menempel pada lensa foto maupun akibat proses pengolahan yang
tidak sesuai [7].
2.4.2. Exponential noise
Exponential Noise merupakan jenis noise yang dihasilkan oleh laser yang koheren
ketika citra diperoleh. Oleh karena itu, noise ini sering disebut sebagai bercak laser
(Myler and Weeks, 1993) [4]. PDF-nya berupa:
�(�) =���−��,����� 0 ≤ �
0,������< 0 ………….…..(2.1)
� > 0. Rata-ratanya berupa:
�= 1� ………..……..(2.2)
varians berupa:
�2 = 1
�2 ………....(2.3)
Pembangkit exponential noise dilakukan dengan menggunakan rumus:
� = −1�ln(1− ����) ……….………..(2.4)
Keterangan :
z = nilai keabuan
rand = bilangan random
Citra dengan exponential noise dapat dilihat pada gambar 2.3. Grafik
exponential noise dapat dilihat pada gambar 2.4. Contoh noise eksponensial negatif
dapat dilihat pada gambar 2.5.
Gambar 2.4 Grafik Exponential Noise
Gambar 2.5 Contoh Noise Eksponensial Negatif
2.5. Restorasi Citra
Restorasi citra digital adalah suatu teknik yang memperhatikan bagaimana
mengurangi perubahan bentuk dan penurunan kualitas citra yang diawali selama
pembentukan citra tersebut (pitas, 1993) [9]. Gonzalez dan Wood mendefinisikan citra
sebagai proses yang berusaha merekontruksi atau mengembalikan suatu citra yang
mengalami degradasi [1]. Jadi, restorasi merupakan teknik yang berorientasi pada
pemodelan degradasi dan menerapkan proses invers dalam rangka merekontruksi pada
Gambar 2.6 Contoh Noise Filtering
2.5.1. Geometric mean filter
Sebuah citra diperbaiki dengan menggunakan geometric mean filter yang diberikan
oleh persamaan:
fˆ(�,�)=�∏(�,�)�����(�,�)� 1
�� ………..(2.5)
�,�= koordinat pixel pada citra
�� = dimensi citra (pixel)
s,t = nilai intensitas pixel
Р= perkalian nilai ����� yang terkena filter
Setiap piksel yang diperbaiki oleh hasil kali masing-masing piksel dalam
subimage window, kemudian dipangkatkan dengan 1/��.
Misalkan ��� adalah subimage dari sebuah citra dan ��� berukuran 3�3 yang
mempunyai nilai-nilai intensitas seperti pada gambar 2.7.
5 5 4
7 2 6
1 4 1
fˆ(�,�)= (5�5�4�7�2�6�1�4�1)31�3= (33600) 1
9 = 3,18 = 3
Sehingga bagian dari citra berubah menjadi seperti pada gambar 2.8.
5 5 4
7 3 6
1 4 1
Gambar 2.8 Piksel Citra Hasil [9]
2.5.2. Alpha-trimmed mean filter
Filter ini mengganti nilai sebuah piksel dengan nilai rata-rata dari dalam subimage di
bawah jendela ketetanggaan ukuran mxn setelah dikurangi nilai terkecil dan nilai
terbesar, seperti persamaan berikut:
fˆ(�,�)= ��−�1 ∑(�,�)���,���(�,�) ………..(2.6)
�,� = koordinat pixel pada citra
�� = dimensi citra (pixel)
� = nilai inputan 0 - 8
s,t = nilai intensitas pixel
∑ = penjumlahan nilai ����� yang terkena filter
Dimana 0≤ � ≤ (�� −1). Jika � = 0, filter ini bekerja seperti arithmetic
mean filter. Jika � = (�� −1), filter ini menjadi median filter. Untuk nilai � yang
lain, filter ini berguna untuk mereduksi noise pada citra yang terdegradasi berbagai
Citra piksel awal seperti pada gambar 2.9, dengan hasil filter untuk d = 2
seperti pada gambar 2.10.
5 6 5 7 8
9 10 1 3 2
5 6 10 3 2
7 4 4 5 1
2 3 5 3 3
Gambar 2.9 Piksel Awal
Piksel citra tersebut kemudian akan dilakukan reduksi terhadap noise dengan
nilai inputan d = 2. Maka perhitungannya adalah :
�(2,2) = 1
(9−2)�(5 + 5 + 5 + 6 + 6 + 9 + 10) =
1
7� 46 = 6,57 = 7
Hasil filter :
5 6 5 7 8
9 7 1 3 2
5 6 10 3 2
7 4 4 5 1
2 3 5 3 3
Gambar 2.10 Hasil Filter dengan d = 2
2.6. Pengukuran Kinerja Restorasi Citra
2.6.1. Mean squared error (MSE)
Perbaikan citra pada dasarnya merupakan proses yang bersifat subjektif sehingga
parameter keberhasilannya bersifat subjektif pula. Untuk itu diperlukan adanya alat
ukur kuantitatif yang bisa digunakan untuk mengukur kinerja prosedur perbaikan citra
[9]. Semakin kecil nilai MSE maka citra hasil reduksi semakin mendekati citra
aslinya. Persamaannya:
Keterangan :
M dan N = ukuran panjang dan lebar citra.
��(�,�) = intensitas citra di titik (�,�) sebelum terkena noise.
��(�,�) = intensitas citra di titik (�,�) setelah noise dihilangkan.
2.6.2. Peak signal-to-noise ratio (PSNR)
Kualitas citra hasil reduksi juga dapat diukur secara kuantitatif dengan mengguanakan
besaran Peak Signal-to-Noise Ratio (PSNR) dengan satuan desiBel (dB). Semakin
besar nilai PSNR maka citra hasil reduksi semakin mendekati citra aslinya, dengan
kata lain semakin bagus kualitas citra hasil reduksi tersebut, dan berlaku sebaliknya.
Persamaannya:
���� = 20 ����10 � 255
√���� ………..(2.8)
2.7. Relevansi Penelitian
Berikut penelitian tentang pengolahan citra yang membahas metode geometric mean
filter ataupun alpha-trimmed mean filter:
1. Wiliyana dari Universitas Sumatera Utara mengangkat judul skripsinya
“Perbandingan Algoritma Arithmetic dengan Geometric Mean Filter untuk
Reduksi Noise pada Citra”. Tugas akhir ini memberikan kesimpulan
perbandingan antara Algoritma Arithmetic dengan Geometric Mean Filter
dalam melakukan reduksi noise pada citra. Berdasarkan penelitian ini, didapat
kesimpulan bahwa Algoritma Geometric Mean Filter lebih baik dalam
melakukan reduksi terhadap salt and paper noise dengan diberikan
probabilitas yang sama seperti pada pengujian Algoritma Arithmetic Mean
Filter. Hal ini dapat terlihat dengan adanya nilai MSE yang terdapat pada
Algoritma Geometric Mean Filter lebih kecil dibandingkan dengan Algoritma
Arithmetic Mean Filter [12].
2. Vijaykumar, V.R., et al melakukan penelitian dengan judul “Fast and Efficient
Algorithm to Remove Gaussian Noise in Digital Images”. Penelitian ini
gaussian noise. Metode yang dilakukan penelitian antara lain mean filter,
wiener filter, alpa-trimmed mean filter, K-means filter, bilateral filter dan
trilateralfilter. Penelitian dilakukan dengan menggunakan parameter MSE dan
PSNR. Berdasarkan hasil penelitian, didapat kesimpulan metode jenis
nonlinear filter paling bagus untuk melakukan reduksi noise [11].
3. Srinivas, R. & Panda, S. melakukan penelitian dengan judul “Performance
Analysis of Various Filters for Image Noise Removal in Different Noise
Environment”. Penelitian ini bertujuan untuk membandingkan metode yang
bagus dan efisien untuk mereduksi tiga tipe noise yaitu salt and pepper noise,
gaussian noise dan speckle noise dengan probabilitas 10%-60%. Dengan
metode-metode yang akan dibandingkan yaitu average filter (AF), adaptive
median filter (AMF), standard median filter (SMF) dan alpha-trimmed mean
filter (ATMF). Penelitian dilakukan dengan menggunakan parameter MSE
dan PSNR. Berdasarkan penelitian ini didapat kesimpulan bahwa standard
median filter (SMF) bagus untuk mereduksi salt and pepper noise dengan
probabilitas 50%-60%, average filter (AF) bagus untuk mereduksi salt and
pepper noise dengan probabilitas ≥ 60%, gaussian noise, dan speckle noise,
adaptive median filter (AMF) bagus untuk mereduksi gaussian noise, dan
speckle noise dengan probabilitas 10%-20%, dan alpha-trimmed mean filter
tidak termasuk jenis metode yang baik dan efisien untuk mereduksi ketiga
BAB 3
ANALISIS DAN PERANCANGAN
3.1. Analisis Sistem
Analisis sistem merupakan suatu langkah awal untuk menentukan perangkat lunak
seperti apa yang akan dihasilkan ketika akan membuat suatu perangkat lunak.
3.1.1. Diagram ishikawa
Diagram Ishikawa untuk menganalisa masalah yang akan dilakukan penyelesaian
terhadap masalah yang dikemukakan. Diagram Ishikawa pada sistem ini dapat dilihat
pada gambar 3.1.
Adanya Noise Pada Citra man
machine
method
proses capture tidak sempurna
Pencahayaan tidak merata
Lensa kamera tidak bagus ataupun rusak
Kontras citra terlalu rendah Tidak ahli mengambil gambar
Bintik-bintik pada lensa kamera
Pada gambar 3.1 ishikawa diagram dijelaskan bahwa permasalahan adanya
noise pada citra digital dapat dikelompokkan menjadi 3 (tiga) bagian yaitu dari sudut
pandang man, method, dan machine. Berdasarkan sudut pandang man masalahnya
yaitu tidak ahli mengambil gambar. Berdasarkan sudut pandang method yaitu adanya
pencahayaan yang tidak merata, proses capture yang tidak sempurna, dan kontras citra
terlalu rendah. Berdasarkan sudut pandang machine yaitu lensa kamera yang tidak
bagus ataupun rusak dan adanya bintik-bintik pada lensa kamera.
3.1.2. Analisis fungsional
Persyaratan analisis fungsional meliputi masukan, keluaran dan proses. Berikut akan
dijelaskan lebih rinci.
3.1.2.1. Analisis masukan
Masukan dari sistem untuk mereduksi noise pada citra berupa parameter-parameter
yang dibutuhkan, yaitu:
a) Gambar yang digunakan pada aplikasi ini yaitu gambar truecolor dengan
ekstensi *.bmp yang mengandung noise ataupun tidak mengandung noise
untuk melakukan perbandingan terhadap metode Geometric Mean Filter dan
Alpha-Trimmed Mean Filter.
b) Metode menggunakan kernel 3x3 untuk melakukan reduksi.
c) Pilih nilai d untuk melakukan reduksi dengan metode Alpha-Trimmed Mean
Filter.
d) Probabilitas untuk membangkitkan noise yaitu 1% sampai 5% (0.01 sampai
0.05).
e) Parameter yang digunakan untuk melakukan perbandingan terhadap kedua
metode adalah Mean Squared Error (MSE), Peak Signal-to-Noise Ratio
(PSNR) dan runtime. Jika nilai MSE kecil berarti citra hasil reduksi semakin
mendekati citra aslinya. Jika nilai PSNR besar berarti citra hasil reduksi
semakin mendekati citra aslinya dan metode yang digunakan sangat bagus.
3.1.2.2. Analisis keluaran
Keluaran dari sistem hasil reduksi noise pada citra pada perbandingan yaitu: Gambar
3.1.2.3. Proses membaca nilai piksel
Pada citra bitmap 24-bit, setiap pikselnya mengandung 24-bit kandungan warna, dan
untuk tiap warna masing-masing terdiri dari 8-bit atau 1 byte yaitu R (red), G (green),
dan B (blue). Nilai yang terkandung tiap warna yaitu antara 0 sampai 255. Contoh
sebuah citra bitmap dengan nilai R = 00110110 (biner), G = 01110111 (biner), B =
01000010 (biner).
3.2 Representasi Piksel Pada Citra
Citra dengan nilai RGB-nya 001101100111011101000010 = 24 bit mewakili 1
piksel dari citra tersebut. Jika jumlah bit citra tersebut adalah 1.440.000 bit, maka
jumlah piksel-nya adalah 1.440.000/24 bit = 60.000 piksel. Pada penelitian ini
dilakukan reduksi noise dengan ukuran kernelnya adalah 3 x 3 piksel atau dapat
dikatakan berjumlah 9 piksel, sehingga jumlah blok adalah 1.440.000 : 9 = 160.000
blok.
3.1.2.4. Proses penambahan noise
Penambahan exponential noise dilakukan dengan menggunakan rumus. Noise
ditambahkan menggunakan bilangan random atau acak dengan nilai 0 sampai 255.
Proses penambahan noise dapat dilihat pada gambar 3.3.
Gambar 3.3 Matriks Citra dengan Penambahan Noise 141 223 196
197 110 124
120 122 133
0 223 196
197 110 124
120 0 133 0
3.1.2.5. Konvolusi matriks citra metode geometric mean filter
Pada metode ini filter yang digunakan untuk mereduksi noise adalah kernel ukuran
3 x 3 dengan rumus :
fˆ(�,�)=�∏(�,�)�����(�,�)� 1
�� ………(3.4)
Semua intensitas piksel dikalikan, kemudian dipangkatkan dengan 1/mn.
Berikut contohnya dapat dilihat pada gambar 3.4 dan gambar 3.5.
Gambar 3.4 Matriks Citra Pada Blok 1
Hasil filter yang terbentuk = (0*223*196*197*110*124*120*0*133)1/9 = 0
Gambar 3.5 Matriks Citra Blok 1 Hasil Reduksi Metode Geometric Mean Filter
Hal ini dilakukan terus pada tiap blok citra yang telah dibagi menjadi 9 piksel pada
tiap blok citra. Penentuan blok citra 2 dan seterusnya dilakukan dengan menggeser 1
kolom ke kanan bila masih berada pada posisi baris yang sama. Berikut ilustrasinya.
Gambar 3.6 Matriks Blok Citra 1 Sebelum Digeser
0 223 196
197 110 124
120 0 133
0 223 196
197 0 124
120 0 133
0 223 196
197 0 124
Gambar 3.7 Matriks Blok Citra 1 Setelah Digeser
3.1.2.6. Konvolusi matriks citra metode alpha-trimmed mean filter
Pada metode ini filter yang digunakan untuk mereduksi noise adalah kernel ukuran
3 x 3 dengan rumus. Filter ini mengganti nilai sebuah piksel dengan nilai rata-rata
dari dalam subimage di bawah jendela ketetanggaan ukuran mxn setelah dikurangi
nilai terkecil dan nilai terbesar, dengan rumus:
fˆ(�,�)= ��−�1 ∑(�,�)���,���(�,�) ………..(3.5)
Dimana 0≤ � ≤ (�� −1). Jika � = 0, filter ini bekerja seperti arithmetic
mean filter. Jika � = (�� −1), filter ini menjadi median filter. Semua intensitas
piksel pada blok 1 (9 piksel) diurutkan terlebih dahulu untuk mencari nilai piksel
terkecil dan terbesar agar perhitungan dapat dilakukan dengan mengurangi kedua nilai
tersebut. Contoh reduksi dengan nilai � = 2 dapat dilihat pada gambar 3.8.
Gambar 3.8 Matriks Citra Pada Blok 1
Setelah diurutkan intensitas pikselnya dan dikurangi dengan intensitas terkecil
dan terbesar, maka hasil perhitungan menjadi:
����� = 1
(9−2)�(0 + 110 + 120 + 124 + 133 + 196 + 197) =
1
7� 880
= 125,71 = 126
0 223 196 X
197 0 124 X
120 0 133 X
0 223 196
197 110 124
Gambar 3.9 Matriks Citra Blok 1 Hasil Reduksi Metode Alpha-Trimmed Mean Filter
Langkah selanjutnya adalah sama halnya seperti pada geometric mean filter
yaitu menggeser menggeser 1 kolom ke kanan bila masih berada pada posisi baris
yang sama. Hal ini terus dilakukan hingga mencapai baris dan kolom yang terakhir.
3.1.2.7.Proses menghitung nilai MSE
Perbaikan citra pada dasarnya merupakan proses yang bersifat subjektif sehingga
parameter keberhasilannya bersifat subjektif pula. MSE citra hasil reduksi noise
adalah rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil reduksi
noise. Semakin kecil nilai MSE maka citra hasil reduksi semakin mendekati citra
aslinya. Persamaannya:
��� = 1
��� ∑ ∑ (��(�,�)− ��(�,�))
2
� �=1
�
�=1 ………..(3.6)
Keterangan :
M dan N = ukuran panjang dan lebar citra.
��(�,�) = intensitas citra di titik (�,�) sebelum terkena noise.
��(�,�) = intensitas citra di titik (�,�) setelah noise dihilangkan.
Gambar 3.10 Matriks Citra Sebelum Reduksi Noise 0 223 196
197 126 124
120 0 133
0 223 196
197 110 124
Gambar 3.11 Matriks Citra Setelah Reduksi Noise
3.1.2.8. Proses menghitung nilai PSNR
Semakin besar nilai PSNR maka citra hasil reduksi semakin mendekati citra aslinya,
dengan kata lain semakin bagus kualitas citra hasil reduksi tersebut, dan berlaku
sebaliknya. Persamaannya:
���� = 20 ����10 �
255
√���� ………..(3.7)
Dengan nilai MSE yang telah didapatkan, maka PSNR-nya adalah :
PSNR = 20 ����10 � 255
√1344� = 16,8468 = 17
0 223 196
197 0 124
3.1.3. Analisis non fungsional
Persyaratan analisis non fungsional meliputi performa, mudah untuk digunakan (user
friendly), hemat biaya, dokumentasi, manajemen kualitas, dan kontrol.
1. Performa
Sistem yang dibangun harus dapat mengimplementasikan metode geometric
mean filter dan alpha-trimmed mean filter, dan menunjukkan hasil
perbandingannya dengan MSE dan PSNR.
2. Mudah digunakan (user friendly)
Sistem yang dibangun harus sederhana agar mudah digunakan oleh pengguna
(user). Sistem yang memiliki interface yang menarik dan memiliki cara
penggunaan yang mudah dalam pengoperasian sistem.
3. Hemat biaya
Sistem yang dibangun tidak memerlukan perangkat tambahan ataupun
perangkat pendukung lainnya yang dapat mengeluarkan biaya.
4. Dokumentasi
Sistem yang dibangun menunjukkan waktu pemrosesan data (running time)
penyimpanan citra yang telah dilakukan reduksi noise.
5. Manajemen kualitas
Sistem yang dibangun harus dapat menghasilkan citra dengan kualitas yang
baik ataupun yang mendekati citra aslinya.
6. Kontrol
Sistem yang dibangun memiliki tombol-tombol yang enable secara berurutan
sesuai dengan tahap-tahap reduksi. Dengan kata lain, apabila tahap awal yaitu
browse citra belum dilakukan, maka tombol lain masih dalam status disable.
3.2. Perancangan Sistem
3.2.1. Unified Modeling Language (UML)
UML adalah pemodelan suatu sistem yang menentukan visualisasi, konstruksi, dan
mendokumentasikan bagian dari informasi yang digunakan atau dihasilkan dalam
suatu proses pembuatan perangkat lunak (software).
UML mendefinisikan diagram-diagram untuk menjelaskan pembuatan
1. Use case diagram
2. Activity diagram
3. Sequence diagram
3.2.1.1. Use case diagram
Use case diagram adalah suatu diagram yang mendeskripsikan interaksi antara user
(pengguna) sebuah sistem dengan suatu sistem tersendiri melalui sebuah cerita
bagaimana sebuah sistem dipakai. Use case diagram terdiri dari sebuah aktor dan
interaksi yang dilakukannya, aktor tersebut dapat berupa manusia, perangkat keras,
sistem lain, ataupun yang berinteraksi dengan sistem. Use case diagram sistem ini
dapat dilihat pada gambar 3.12.
System
reduksi citra awal bernoise atau tidak
bernoise
User
<<depends on>>
mengambil citra bernoise/tidak benoise
menambahkan exponential noise
mereduksi noise «uses»
<<depends on>>
menyimpan citra hasil reduksi
membandingkan hasil MSE dan PSNR «uses»
«uses»
<<depends on>>
<<depends on>> «uses»
«uses»
1. Spesifikasi use casereduction undefined noise + exponential noise
Spesifikasi use case untuk reduksi dengan noise bebas dan exponential noise dapat
dilihat pada tabel 3.1.
Tabel 3.1 Spesifikasi Use CaseReduction Undefined Noise + Exponential Noise
Name Reduction with Undefined Noise + Exponential noise
Actors User
Trigger User memilih menu Reduction with Undefined Noise +
Exponential noise
Preconditions User menggunakan aplikasi reduksi noise menggunakan metode geometric mean filter dan alpha-trimmed mean filter
Post Conditions
User mendapatkan citra hasil reduksi, nilai MSE, PSNR,
menyimpan citra hasil reduksi dan membandingkan kedua
metode berdasarkan nilai MSE dan PSNR.
Success Scenario
1. User memilih menu Reduction with Undefined Noise +
Exponential noise.
2. Sistem menampilkan halaman Reduction with Undefined
Noise + Exponential noise untuk kedua metode.
3. User mengisi form metode geometric mean filter terlebih
dahulu.
4. User mengeksekusi tombol browse dan memilih citra yang
telah bernoise.
5. Sistem menampilkan citra awal dan meng-enable-kan
tombol generate noise.
6. User memilih probabilitas noise dan mengeksekusi tombol
generate noise.
7. Sistem menampilkan citra dengan noise yang di-generate
dan meng-enable-kantombol reduce noise.
8. User mengeksekusi tombol reduce noise.
9. Sistem menampilkan citra hasil reduksi noise, nilai MSE,
Tabel 3.1 Spesifikasi Use CaseReduction Undefined Noise + Exponential Noise
(Lanjutan)
Success Scenario 10. User menyimpan citra yang telah direduksi.
11. User memilih probabilitas noise dan mengeksekusi
tombol generate noise.
12. Sistem menampilkan citra dengan noise yang di-generate
dan meng-enable-kantombol reduce noise.
13. User memilih nilai d dan mengeksekusi tombol reduce
noise.
14. Sistem menampilkan citra hasil reduksi noise, nilai MSE,
PSNR, running time, meng-enable-kan tombol save.
15. User menyimpan citra yang telah direduksi.
16. User membandingkan kedua metode berdasarkan nilai
MSE dan PSNR.
Alternative Flows -
2. Spesifikasi use casereduction exponential noise
Spesifikasi use case untuk reduksi exponential noise dapat dilihat pada tabel 3.2.
Tabel 3.2 Spesifikasi Use CaseReduction Exponential Noise
Name Reduction Exponential noise
Actors User
Trigger User memilih menu Reduction Exponential noise
Preconditions User menggunakan aplikasi reduksi noise menggunakan metode geometric mean filter dan alpha-trimmed mean filter
Post Conditions
User mendapatkan citra hasil reduksi, nilai MSE, PSNR,
menyimpan citra hasil reduksi dan membandingkan kedua
metode berdasarkan nilai MSE dan PSNR.
Success Scenario
1. User memilih menu Reduction Exponential Noise.
2. Sistem menampilkan halaman Reduction Exponential
Tabel 3.2 Spesifikasi Use CaseReduction Exponential Noise (Lanjutan)
Success Scenario
3. User mengisi form metode geometric mean filter terlebih
dahulu.
4. User mengeksekusi tombol browse dan memilih citra
yang tidak bernoise.
5. Sistem menampilkan citra awal dan meng-enable-kan
tombol generate noise.
6. User memilih probabilitas noise dan mengeksekusi
tombol generate noise.
7. Sistem menampilkan citra dengan noise yang di-generate
dan meng-enable-kantombol reduce noise.
8. User mengeksekusi tombol reduce noise.
9. Sistem menampilkan citra hasil reduksi noise, nilai MSE,
PSNR, running time, meng-enable-kan tombol save.
10. User menyimpan citra yang telah direduksi.
11. User memilih probabilitas noise dan mengeksekusi
tombol generate noise.
12. Sistem menampilkan citra dengan noise yang di-generate
dan meng-enable-kantombol reduce noise.
13. User memilih nilai d dan mengeksekusi tombol reduce
noise.
14. Sistem menampilkan citra hasil reduksi noise, nilai MSE,
PSNR, running time, meng-enable-kan tombol save.
15. User menyimpan citra yang telah direduksi.
16. User membandingkan kedua metode berdasarkan nilai
MSE dan PSNR.
Alternative Flows -
3.2.1.2. Activity diagram
Activity diagram mendeskripsikan proses mengenai alur kerja atau aktivitas dalam
sistem yang sedang dirancang, dimana sebagian besar state adalah action dan sebagian
besar transisi di-trigger, atau dengan kata lain menggambarkan jalur aktivitas dari
1. Activity diagramreduction undefined noise + exponential noise
Activity diagramreduction undefined noise + exponential noise dapat dilihat pada
gambar 3.13.
Reduction anonymous noise + exponential noise
memilih citra bernoise(*.bmp) geometric mean filter
membandingkan niai MSE dan PSNR memilih probabilitas noise
alpha-trimmed mean filter
selesai
Kembali ke home
menambahkan exponential noise
menampilkan citra hasil reduksi, MSE, PSNR, runtime mereduksi noise
menyimpan citra hasil reduksi
USER SYSTEM
menampilkan citra bernoise
menampilkan citra bernoise+exponential noise
Gambar 3.13 Activity DiagramReduction Undefined Noise + Exponential Noise
Penjelasan alur aktivitasnya adalah sebagai berikut :
1. User memilih menu reduction undefined noise + exponential noise.User
menggunakan metode geometric mean filter atau alpha-trimmed mean filter
untuk melakukan reduksi noise.User memilih citra bernoise (*.bmp).
3. User memilih probabilitas noise. User menambahkan exponential noise. User
melakukan reduksi noise.
4. System menampilkan citra hasil reduksi noise, nilai MSE, PSNR, dan running
time.
5. User membandingkan metode yang paling bagus dengan melihat nilai MSE
dan PSNR. User menyimpan citra hasil reduksi.
2. Activity diagramreduction exponential noise
Activity diagramreduction exponential noise dapat dilihat pada gambar 3.14.
Reduction exponential noise
memilih citra tanpa noise(*.bmp) geometric mean filter
membandingkan niai MSE dan PSNR memilih probabilitas noise
alpha-trimmed mean filter
selesai
Kembali ke home
menambahkan exponential noise
menampilkan citra hasil reduksi, MSE, PSNR, runtime mereduksi noise
menyimpan citra hasil reduksi
USER SYSTEM
menampilkan citra
menampilkan citra dengan exponential noise
Penjelasan alur aktivitasnya adalah sebagai berikut :
1. User memilih menu reduction exponential noise.User menggunakan metode
geometric mean filter atau alpha-trimmed mean filter untuk melakukan reduksi
noise.User memilih citra tanpa noise (*.bmp).
2. System menampilkan citra.
3. User memilih probabilitas noise. User menambahkan exponential noise. User
melakukan reduksi noise.
4. System menampilkan citra hasil reduksi noise, nilai MSE, PSNR, dan running
time.
5. User membandingkan metode yang paling bagus dengan melihat nilai MSE
dan PSNR. User menyimpan citra hasil reduksi.
3.2.1.3. Sequence diagram
Diagram yang menggambarkan interaksi objek dengan objek lainnya melalui pesan
yang dieksekusi berdasarkan kasusnya. Diagram ini mengilustrasikan bagaimana
pesan dikirim dan diterima antara objek-objek secara berurutan.
1. Sequence diagramreduction undefined noise + exponential noise
Sequence diagram untuk reduction undefined noise + exponential noise dapat