IMPLEMENTASI METODE KOMBINASI
MEAN FILTER
DAN
MEDIAN FILTER
UNTUK MEREDUKSI
GAUSSIAN NOISE,
SALT AND PEPPER NOISE, SPECKLE NOISE,
DAN
EXPONENTIAL NOISE
PADA CITRA DIGITAL
SKRIPSI
AZHAR FADILLAH
101401093
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PEPPER NOISE, SPECKLE NOISE, DAN EXPONENTIAL NOISE PADA CITRA DIGITAL
SKRIPSI
Diajukan untuk melengkapi tugas akhir dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
AZHAR FADILLAH 101401093
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI METODE KOMBINASI MEAN FILTER DAN MEDIAN FILTER UNTUK
MEREDUKSI GAUSSIAN NOISE, SALT AND PEPPER NOISE, SPECKLE NOISE, DAN EXPONENTIAL NOISE PADA CITRA DIGITAL
Kategori : SKRIPSI
Nama : AZHAR FADILLAH
Nomor Induk Mahasiswa : 101401093
Program Studi : SARJANA (S1) ILMU KOMPUTER Departemen : ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, September 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dian Rachmawati,S.Si,M.Kom Maya Silvi Lydia, B.Sc, M.Sc NIP. 198307232009122004 NIP. 197401272002122001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI METODE KOMBINASI MEAN FILTER DAN MEDIAN FILTER UNTUK MEREDUKSI GAUSSIAN NOISE, SALT AND
PEPPER NOISE, SPECKLE NOISE, DAN EXPONENTIAL NOISE PADA CITRA DIGITAL
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, September 2014
PENGHARGAAN
Puji dan syukur ke hadirat Allah SWT, yang hanya dengan rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.
2. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer Universitas Sumatera Utara dan Dosen Pembimbing 1.
3. Ibu Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembimbing 2.
4. Bapak Syahriol Sitorus, S.Si, MIT dan Ibu Dian Wirdasari, S.Si, M.Kom selaku Dosen Pembanding.
5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, seluruh tenaga pengajar dan pegawai di Program Studi S1 Ilmu Komputer Fasilkom-TI USU.
6. Ayahanda Abdul Rahim dan Ibunda Pujiati, serta adik-adik saya Alm. Ilham Iranda, Tri Satria dan Siti Umaimah yang selalu memberikan kasih sayang dan dukungannya kepada penulis.
7. Rekan-rekan kuliah, khususnya mahasiswa S1 Ilmu Komputer stambuk 2010 yang selalu memberikan semangat dan dorongan kepada penulis selama menyelesaikan skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan skripsi ini. Akhirnya, semoga skripsi ini bermanfaat bagi pribadi, keluarga, masyarakat, organisasi dan negara.
Medan, September 2014
ABSTRAK
Penggunaan citra sebagai bentuk informasi saat ini semakin meningkat. Kualitas citra yang buruk dapat mengurangi informasi yang terkandung pada citra. Misalnya citra tersebut mengandung noise sehingga informasi yang terkandung pada citra menjadi tidak jelas. Noise pada citra digital dapat berupa Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise. Salah satu mekanisme yang digunakan untuk mengurangi noise adalah filtering. Metode Mean Filter dan Median Filter
merupakan metode yang sangat bagus dalam mereduksi berbagai macam jenis noise
jika dibandingkan dengan metode filtering lainnya. Penelitian ini mengkombinasikan kedua metode tersebut dan melakukan implementasi perbandingan antara kombinasi dari Mean Filter dan Median Filter dengan Mean Filter atau pun Median Filter untuk mereduksi Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise. Implementasi sistem menggunakan MATLAB R2012b. Hasil dari penelitan ini diperoleh bahwa citra hasil kombinasi Mean Filter dan Median Filter lebih baik untuk mereduksi Gaussian Noise dan Exponential Noise, dengan nilai rata-rata MSE=485,2 dan rata-rata PSNR=21,28db pada Gaussian Noise dan rata-rata nilai MSE=1340,87 serta rata-rata PSNR=17,73db untuk Exponential Noise dibandingkan dengan citra hasil Mean Filter atau pun Median Filter. Citra hasil kombinasi Mean Filter dan
Median Filter juga lebih baik untuk mereduksi Salt and Pepper Noise dan Speckle Noise dari pada citra hasil Median Filter. Namun citra hasil Mean Filter lebih baik dari citra hasil kombinasi Mean Filter dan Median Filter untuk mereduksi Salt and Pepper Noise dan Speckle Noise, dengan nilai rata-rata MSE=4451,28 dan rata-rata
PSNR=12,1db pada Salt and Pepper Noise dan rata-rata nilai MSE=2354,19 serta rata-rata PSNR=14,81db untuk Speckle Noise.
IMPLEMENTATION MEAN FILTER AND MEDIAN FILTER COMBINATION METHOD TO REDUCE GAUSSIAN NOISE, SALT AND PEPPER NOISE,
SPECKLE NOISE, AND EXPONENTIAL NOISE ON DIGITAL IMAGE
ABSTRACT
Nowadays, the use of image as form of information is currently increasing. Poor quality of image can reduce its information contained in image. For example, the image contains noise so the information that contained in the image are not clear. Noise on the digital image can be either Gaussian noise, Salt and Pepper Noise, Speckle Noise, and Exponential Noise. One of the mechanisms used to reduce the noise is filtering. Mean Filter method and Median Filter method are a very good method to reduce various types of noise when compared with other filtering methods. This research combines that two methods and make comparisons between the combination of Mean Filter and Median Filter between with Mean Filter or Median Filter to reduce Gaussian noise, Salt and Pepper Noise, Speckle Noise, and Exponential Noise. Implementation of this system using MATLAB R2012b. The results of this research showed that image result of combination Mean Filter and Median Filter method is better to reduce Gaussian noise and Exponential Noise, with the average value of MSE = 485,2 and the average PSNR = 21,28db on Gaussian noise and the average value of MSE = 1340.87 and the average PSNR = 17,73db on Exponential Noise, that compared with the image result of Mean filter or Median filter. The Mean Filter and Median Filter combination method image result also better to reduce Salt and Pepper Noise and Speckle Noise than the Median Filter image results. But the image result of the Mean Filter is better than the image of the combination of Mean Filter and Median Filter method to reduce Salt and Pepper Noise and Speckle Noise, with the average value of MSE = 4451.28 and the average PSNR = 12,1db on Salt and Pepper Noise and average MSE = 2354.19 and the average PSNR = 14,81db on Speckle Noise.
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel x
Daftar Gambar xii
Daftar Lampiran xiv
Bab I Pendahuluan
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
Bab II Landasan Teori
2.1 Citra 6
2.2 Citra Digital 6
2.2.1 Jenis Citra 7
2.2.1.1 Citra Biner 7
2.2.1.2 Citra Grayscale 8
2.2.1.3 Citra RGB 8
2.2.2 Citra Bitmap 9
2.2.3 Pixel (Picture Elements) 10
2.3 Noise 10
2.3.1 Gaussian Noise 11
2.3.2 Salt And Pepper Noise 11
2.3.3 Speckle Noise 11
2.3.4 Exponential Noise 11
2.4 Filtering 12
2.4.2 Median Filter 14 2.4.3 Metode Kombinasi Mean Filter dan Median Filter 15
2.5 Mean Square Error (MSE) 17
2.6 Peak Signal To Noise Ratio(PSNR) 18
2.7 Penelitian yang Relevan 19
Bab III Analisis dan Perancangan
3.1 Analisis Sistem 21
3.1.1 Analisis Masalah 21
3.1.2 Analisis Persyaratan 22
3.1.2.1 Persyaratan Fungsional 22
3.1.2.2 Persyaratan Nonfungsional 23
3.1.3 Analisis Proses 23
3.1.3.1 Use Case Diagram 24
3.1.3.2 Squence Diagram 25
3.1.3.3 Actifity Diagram 26
3.1.3.4 Flowchart Sistem 28
3.2 Pseudocode Program 29
3.2.1 Pseudocode Gaussian Noise 29
3.2.2 Pseudocode Salt and Pepper Noise 30
3.2.3 Pseudocode Speckle Noise 30
3.2.4 Pseudocode Exponential Noise 31
3.2.5 Pseudocode Mean Filter 31
3.2.6 Pseudocode Median Filter 33
3.2.7 Pseudocode Kombinasi Mean Filter dan Median Filter 34
3.2.8 Pseudocode MSE 35
3.2.9 Pseudocode PSNR 35
3.3 Perancangan Sistem 36
3.3.1 Form Home 36
3.3.2 Form Implementasi 37
3.3.3 Form Perbandingan 40
3.3.4 Form About 41
3.3.5 Form Help 42
Bab IV Implementasi dan Pengujian
4.1 Implementasi 44
4.1.1 Form Home 44
4.1.2 Form Implementasi 45
4.1.3 Form Perbandingan 46
4.1.4 Form About 46
4.1.5 Form Help 47
4.2 Pengujian 48
4.2.1 Pengujian Form Implementasi 48 4.2.1.1 Proses Generate Noise pada Form Implementasi 50 4.2.1.2 Proses Kombinasi Mean dan Median Filter pada Form
Implementasi 51
4.2.2.1 Proses Generate Noise pada Form Perbandingan 53 4.2.2.2 Proses Mean Filtering Pada Form Perbandingan 54 4.2.2.3 Proses Median Filtering Pada Form Perbandingan 55 4.2.2.4 ProsesKombinasi Mean dan Median Filtering Pada Form
Perbandingan 56
4.3 Hasil Pengujian 57
4.3.1 Hasil Pengujian Form Implementasi 57 4.3.2 HasilPengujian Form Perbandingan 66 Bab V Kesimpulan dan Saran
5.1 Kesimpulan 77
5.2 Saran 78
DAFTAR TABEL
Halaman
Tabel 3.1 Keterangan Gambar Rancangan Interface Form Home 37 Tabel 3.2 Keterangan Gambar Rancangan Interface Form Implementasi 37 Tabel 3.3 Keterangan Gambar Rancangan Interface Form Perbandingan 40 Tabel 3.4 Keterangan Gambar Rancangan Interface Form About 42 Tabel 3.5 Keterangan Gambar Rancangan Interface Form Help 43 Tabel 4.1 Perbandingan Hasil Reduksi Noise dengan Kombinasi Mean dan
Median Filtering Terhadap Citra Ber-noise dengan Probabilitas
10% 58
Tabel 4.2 Perbandingan Hasil Reduksi Noise dengan Kombinasi Mean dan
Median Filtering Terhadap Citra Ber-noise dengan Probabilitas
20% 59
Tabel 4.3 Perbandingan Hasil Reduksi Noise dengan Kombinasi Mean dan
Median Filtering Terhadap Citra Ber-noise dengan Probabilitas
30% 61
Tabel 4.4 Perbandingan Hasil Reduksi Noise dengan Kombinasi Mean dan
Median Filtering Terhadap Citra Ber-noise dengan Probabilitas
40% 62
Tabel 4.5 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Kombinasi Mean dan Median Filtering
Terhadap Gaussian Noise 64
Tabel 4.6 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Kombinasi Mean dan Median Filtering
Terhadap Salt and Pepper Noise 64
Tabel 4.7 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Kombinasi Mean dan Median Filtering
Terhadap Speckle Noise 65
Tabel 4.8 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Kombinasi Mean dan Median Filtering
Terhadap Exponential Noise 65
Tabel 4.9 Perbandingan Hasil Filtering Terhadap Citra ber-noise Gaussian
dengan Probabilitas Berbeda 66
Tabel 4.10 Perbandingan Hasil Filtering Terhadap Citra ber-noise Salt and
Pepper dengan Probabilitas Berbeda 68
Tabel 4.11 Perbandingan Hasil Filtering Terhadap Citra ber-noise Speckle
dengan Probabilitas Berbeda 69
Tabel 4.12 Perbandingan Hasil Filtering Terhadap Citra ber-noise Exponential
dengan Probabilitas Berbeda 71
Tabel 4.13 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Mean Filtering Terhadap Gaussian Noise 72 Tabel 4.14 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil
Tabel 4.15 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Kombinasi Mean dan Median Filtering
Terhadap Gaussian Noise 73
Tabel 4.16 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Mean Filtering Terhadap Salt and Pepper
Noise 74
Tabel 4.17 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Median Filtering Terhadap Salt and Pepper
Noise 74
Tabel 4.18 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Kombinasi Mean dan Median Filtering
Terhadap Salt and Pepper Noise 75
Tabel 4.19 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Mean Filtering Terhadap Speckle Noise 75 Tabel 4.20 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil
Reduksi Noise dengan Median Filtering Terhadap Speckle Noise 75 Tabel 4.21 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil
Reduksi Noise dengan Kombinasi Mean dan Median Filtering
Terhadap Speckle Noise 76
Tabel 4.22 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Mean Filtering Terhadap Exponential Noise 76 Tabel 4.23 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil
Reduksi Noise dengan Median Filtering Terhadap Exponential
Noise 77
Tabel 4.24 Perbandingan Rata-rata Nilai MSE, PSNR, dan Runtime Hasil Reduksi Noise dengan Kombinasi Mean dan Median Filtering
DAFTAR GAMBAR
Halaman
Gambar 2.1 Contoh Citra Biner 7
Gambar 2.2 Contoh Citra Grayscale 8
Gambar 2.3 Contoh Citra RGB 9
Gambar 2.4 fadil.bmp 10
Gambar 2.5 (a) Citra asli, (b) Gaussian Noise, (c) Salt and Pepper Noise, (d)
SpeckleNoise dan (e) Exponential Noise 12 Gambar 2.6 Pemilihan kernel 3x3 dan Operasi Mean Filter 13 Gambar 2.7 Penempatan hasil Mean Filter Untuk Kernel 3x3 Pertama 13 Gambar 2.8 Pemilihan kernel 3x3 dan Operasi Median Filter 14 Gambar 2.9 Penempatan hasil Median Filter Untuk Kernel 3x3 Pertama 15 Gambar 2.10 Pemilihan kernel 3x3 dan Operasi Metode Kombinasi Mean
Filter danMedian Filter 16
Gambar 2.11 Penempatan Hasil Kombinasi Metode Mean Filter dan Median
Filter Untuk Kernel 3x3 Pertama 17
Gambar 3.1 Diagram Ishikawa 22
Gambar 3.2 Use Case Diagram Sistem 24
Gambar 3.3 Squence Diagram Tahap Pertama 25
Gambar 3.4 Squence Diagram Tahap Kedua 26
Gambar 3.5 Actifity Diagram 27
Gambar 3.6 Flowchart Sistem 28
Gambar 3.7 Pseudocode Gaussian Noise 29
Gambar 3.8 Pseudocode Salt And Pepper Noise 30
Gambar 3.9 Pseudocode Speckle Noise 30
Gambar 3.10 Pseudocode Exponential Noise 31
Gambar 3.11 Pseudocode Mean Filter 32
Gambar 3.12 Pseudocode Median Filter 33
Gambar 3.13 Pseudocode Kombinasi dari Mean Filter dan Median Filter 34
Gambar 3.14 Pseudocode MSE 35
Gambar 3.15 Pseudocode PSNR 35
Gambar 3.16 Rancangan Interface Form Home 36 Gambar 3.17 Rancangan Interface Form Implementasi 37 Gambar 3.18 Rancangan Interface Form Perbandingan 40 Gambar 3.19 Rancangan Interface Form About 42 Gambar 3.20 Rancangan Interface Form Help 43
Gambar 4.1 Form Home 45
Gambar 4.2 Form Implementasi 45
Gambar 4.3 Form Perbandingan 46
Gambar 4.4 Form About 47
Gambar 4.5 Form Help 47
Gambar 4.6 mister_azhar.bmp 48
Gambar 4.8 Tampilan Proses Generate Noise pada Form Implementasi 50 Gambar 4.9 Tampilan ProsesKombinasi Mean Filter dan Median Filter pada
Form Implementasi 51
Gambar 4.10 Tampilan Proses Input Citra pada Form Perbandingan 52 Gambar 4.11 Citra Hasil Input-an Tampil 53 Gambar 4.12 Tampilan Proses Generate Noise pada Form Perbandingan 54 Gambar 4.13 Tampilan Proses Mean Filtering pada Form Perbandingan 55 Gambar 4.14 Tampilan Proses Median Filtering pada Form Perbandingan 56 Gambar 4.15 Tampilan ProsesKombinasi dari Mean Filter dan Median Filter
DAFTAR LAMPIRAN
Halaman
A. Listing Program A-1
ABSTRAK
Penggunaan citra sebagai bentuk informasi saat ini semakin meningkat. Kualitas citra yang buruk dapat mengurangi informasi yang terkandung pada citra. Misalnya citra tersebut mengandung noise sehingga informasi yang terkandung pada citra menjadi tidak jelas. Noise pada citra digital dapat berupa Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise. Salah satu mekanisme yang digunakan untuk mengurangi noise adalah filtering. Metode Mean Filter dan Median Filter
merupakan metode yang sangat bagus dalam mereduksi berbagai macam jenis noise
jika dibandingkan dengan metode filtering lainnya. Penelitian ini mengkombinasikan kedua metode tersebut dan melakukan implementasi perbandingan antara kombinasi dari Mean Filter dan Median Filter dengan Mean Filter atau pun Median Filter untuk mereduksi Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise. Implementasi sistem menggunakan MATLAB R2012b. Hasil dari penelitan ini diperoleh bahwa citra hasil kombinasi Mean Filter dan Median Filter lebih baik untuk mereduksi Gaussian Noise dan Exponential Noise, dengan nilai rata-rata MSE=485,2 dan rata-rata PSNR=21,28db pada Gaussian Noise dan rata-rata nilai MSE=1340,87 serta rata-rata PSNR=17,73db untuk Exponential Noise dibandingkan dengan citra hasil Mean Filter atau pun Median Filter. Citra hasil kombinasi Mean Filter dan
Median Filter juga lebih baik untuk mereduksi Salt and Pepper Noise dan Speckle Noise dari pada citra hasil Median Filter. Namun citra hasil Mean Filter lebih baik dari citra hasil kombinasi Mean Filter dan Median Filter untuk mereduksi Salt and Pepper Noise dan Speckle Noise, dengan nilai rata-rata MSE=4451,28 dan rata-rata
PSNR=12,1db pada Salt and Pepper Noise dan rata-rata nilai MSE=2354,19 serta rata-rata PSNR=14,81db untuk Speckle Noise.
IMPLEMENTATION MEAN FILTER AND MEDIAN FILTER COMBINATION METHOD TO REDUCE GAUSSIAN NOISE, SALT AND PEPPER NOISE,
SPECKLE NOISE, AND EXPONENTIAL NOISE ON DIGITAL IMAGE
ABSTRACT
Nowadays, the use of image as form of information is currently increasing. Poor quality of image can reduce its information contained in image. For example, the image contains noise so the information that contained in the image are not clear. Noise on the digital image can be either Gaussian noise, Salt and Pepper Noise, Speckle Noise, and Exponential Noise. One of the mechanisms used to reduce the noise is filtering. Mean Filter method and Median Filter method are a very good method to reduce various types of noise when compared with other filtering methods. This research combines that two methods and make comparisons between the combination of Mean Filter and Median Filter between with Mean Filter or Median Filter to reduce Gaussian noise, Salt and Pepper Noise, Speckle Noise, and Exponential Noise. Implementation of this system using MATLAB R2012b. The results of this research showed that image result of combination Mean Filter and Median Filter method is better to reduce Gaussian noise and Exponential Noise, with the average value of MSE = 485,2 and the average PSNR = 21,28db on Gaussian noise and the average value of MSE = 1340.87 and the average PSNR = 17,73db on Exponential Noise, that compared with the image result of Mean filter or Median filter. The Mean Filter and Median Filter combination method image result also better to reduce Salt and Pepper Noise and Speckle Noise than the Median Filter image results. But the image result of the Mean Filter is better than the image of the combination of Mean Filter and Median Filter method to reduce Salt and Pepper Noise and Speckle Noise, with the average value of MSE = 4451.28 and the average PSNR = 12,1db on Salt and Pepper Noise and average MSE = 2354.19 and the average PSNR = 14,81db on Speckle Noise.
BAB I
PENDAHULUAN
1.1 Latar Belakang
Penggunaan citra sebagai bentuk informasi saat ini semakin meningkat. Kualitas citra
yang disajikan sangat mempengaruhi informasi yang diberikan, sehingga pada waktu
proses pengambilan dan pengolahan terhadap citra harus dilakukan dengan teknik
yang baik dan benar. Citra mempunyai karakteristik yang tidak dimiliki oleh data
teks, yaitu citra kaya dengan informasi. Meskipun citra kaya akan informasi,
seringkali citra mengalami penurunan mutu (degradasi), baik seperti cacat, derau (noise), warnanya terlalu kontras atau kurang tajam, kabur (blurring) dan lainnya. Seiring perkembangan zaman pengolahan citra semakin berkembang terutama dalam
mengatasi noise.
Beberapa jenis noise yang umum dijumpai adalah Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise. Gaussian Noise merupakan model noise yang mengikuti distribusi normal standar dengan rata-rata 0 dan standar deviasi 1. Efek dari Gaussian Noise ini pada gambar adalah munculnya titik-titik berwarna yang jumlahnya sama dengan persentase noise. Salt and Pepper Noise
adalah bentuk noise yang biasanya terlihat titik-titik hitam dan putih pada citra seperti tebaran garam dan merica. Speckle Noise merupakan model noise yang memberikan warna hitam pada titik yang terkena noise. Exponential Noise biasanya disebut dengan
Pengurangan noise atau denoise merupakan suatu proses untuk mereduksi atau mengurangi noise pada sebuah citra digital dalam meningkatkan kualitas citra (image enhancement) yang merupakan langkah awal dalam image processing. Salah satu metode yang digunakan untuk mereduksi noise atau denoise tersebut adalah dengan melakukan filtering pada citra digital contohnya, yaitu dengan menggunakan Mean Filter dan Median Filter. Mean Filter biasanya disebut sebagai filter penghalus (smoothing filters). Filter ini biasa digunakan untuk mengaburkan (blurring) citra untuk mereduksi noise. Sementara itu, Median Filter memberikan kemampuan untuk pengurangan noise yang sangat bagus dengan memperhatikan bluring. Pada bagian tertentu Median Filter juga baik untuk menghilangkan Salt and pepper Noise karena sifat median yang menjauhi hitam dan putih. Adapun penelitian sebelumnya tentang
teknik filtering diantaranya :
1. Menurut (Santoso, Isman, 2013), Noise pada citra digital dapat berupa periodic noise yang secara visual tampak terdapat garis-garis pada citra yang penyebarannya merata.Salah satu mekanisme yang digunakan untuk mengurangi
noise adalah filter. Periodic Noise dapat dikurangi dengan menggunakan
Selective Filter. Adapun metode filter yang digunakan penulis untuk proses pengurangan noise adalah dengan menggunakan Optimum Notch Filter dan Band Reject Filter yang keduanya merupakan jenis dari selective filter [9].
2. Menurut (Wiliyana, 2012), Untuk mengatasi noise pada sebuah citra digital perlu dilakukan usaha untuk memperbaiki kualitas citra. Salah satunya dengan filtering
citra baik secara linear maupun non-linear. Mean filter merupakan salah satu
filtering linear yang berfungsi untuk memperhalus dan menghilangkan noise pada suatu citra yang bekerja dengan menggantikan intensitas nilai pixel dengan rata-rata dari nilai pixel tersebut dengan nilai pixel-pixel tetangganya [12].
3. Menurut (Tuti, Adi Prihatini, 2010), Pengurangan noise atau denoise merupakan suatu proses untuk mereduksi atau mengurangi noise pada sebuah citra digital dalam meningkatkan kualitas citra (image enhancement) yang merupakan langkah awal dalam image processing. Salah satu metode yang digunakan untuk mereduksi noise atau denoise tersebut adalah dengan melakukan filtering pada citra digital salah satunya, yaitu dengan menggunakan Low Pass Filter (LPF) atau
Smoothing Filter [8].
dikirim dari satu komputer ke komputer lainnya. Reduksi noise itu sendiri terbagi
menjadi dua yaitu Intensity Filtering dan Frequency Filtering [11].
Dari pemaparan teknik filtering diatas, maka penulis tertarik mengangkat suatu metode baru untuk mengatasi masalah-masalah noise pada citra yaitu
“Implementasi Metode Kombinasi Mean Filter dan Median Filter Untuk Mereduksi Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan
Exponential Noise Pada Citra Digital”.
1.2 Rumusan Masalah
Adapun masalah yang akan dibahas dalam penelitian ini adalah bagaimana
menghasilkan citra yang terbebas dari noise dengan metode filtering. Kemudian bagaimana melakukan perbandingan hasil perbaikan kualitas citra pada suatu metode
filtering dengan hasil perbaikan kualitas citra pada metode filtering lainnya.
1.3 Batasan Masalah
Batasan masalah yang dapat diambil dari latar belakang di atas adalah:
1. Citra digital yang digunakan adalah Citra berwarna dan menggunakan
format .*BMP dengan ukuran dimensi maksimal 300 x 300 pixel.
2. Noise yang digunakan untuk perbandingan adalah Gaussian Noise, Salt and Pepper Noise, Speckle Noise dan Exponential Noise, dengan probabilitas noise
1% - 50%.
3. Parameter untuk analisis adalah Mean Squared Error (MSE), Peak Signal to Noise Rasio (PSNR) sebelum terkena noise dan setelah mengalami reduksi noise
dan Running Time pada saat reduksi noise.
4. Menggunakan kernel 3x3 dari matriks nilai pixel citra. 5. Aplikasi yang digunakan adalah Matlab R2012b.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah mengimplementasikan metode kombinasi Mean Filter
dan Median Filter untuk mereduksi noise pada citra yang terkena Gaussian Noise,
perbandingan citra hasil Mean Filter dan Median Filter dengan Mean Filter atau pun
Median Filter.
1.5 Manfaat Penelitian
Penelitian ini diharapkan mampu menciptakan suatu solusi berupa aplikasi dan
informasi bagaimana cara mereduksi noise pada citra digital dan memberikan kemudahan untuk memperbaiki kualitas citra menjadi citra yang lebih bagus. Melalui
penelitian ini juga dapat diketahui bagaimana perbandingan kualitas citra hasil reduksi
noise dengan metode Mean Filter, Median Filter, serta kombinasi dari Mean Filter
dan Median Filter.
1.6 Metodologi Penelitian
Penelitian ini menerapkan beberapa metode penelitian sebagai berikut:
1. Studi Literatur
Pada tahap ini dilakukan pengumpulan referensi yang diperlukan dalam
penelitian. Hal ini dilakukan untuk memperoleh informasi dan data yang
diperlukan untuk penulisan skripsi ini. Referensi yang digunakan dapat berupa
buku, jurnal, artikel, situs internet yang berkaitan dengan noise dan filtering. 2. Analisis dan Perancangan
Dengan adanya rumusan dan batasan masalah, kebutuhan perancangan dianalisis
disertai pembuatan flowchart, Unified Modeling Language (UML), Design Interface.
3. Implementasi
Implementasi dilakukan dengan menampilkan ke user hasil yang berbasis Graphic User Interface (GUI) tentang hasil filtering pada citra yang terkena Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise dengan metode Mean Filter, Median Filter, dan kombinasi Mean Filter dengan Median Filter.
4. Pengujian
Pengujian dilakukan dengan memberikan matriks kernel 3x3 pada metode
Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise kemudian dihitung nilai MSE, PSNR dan Running Time.
5. Dokumentasi dan Laporan Akhir
Setelah implementasi, maka penulis akan membuat dokumentasi atau laporan tiap
tahap dari program yang penulis rancang.
1.7 Sistematika Penulisan
Sistematika penulisan skripsi ini terdiri dari beberapa bagian utama, yaitu:
BAB I PENDAHULUAN
Bab ini menjelaskan latar belakang judul skripsi ”Implementasi
Metode Kombinasi Mean Filter dan Median Filter Untuk Mereduksi
Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan
Exponential Noise Pada Citra Digital”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian dan
sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini berisi tentang penjelasan singkat mengenai definisi dari
pengolahan citra digital, noise dan metode Mean Filter, Median Filter, serta kombinasi dari Mean Filter dengan Median Filter.
BAB III ANALISIS DAN PERANCANGAN
Bab ini membahas analisis terhadap masalah penelitian dan
perancangan terhadap sistem yang akan dibangun.
BAB IV IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang pembuatan sistem dan coding sesuai dengan analisis dan perancangan, kemudian melakukan pengujian sistem., serta pembahasan hasil pengujian dan analisisnya.
Bab ini memuat kesimpulan dari keseluruhan uraian bab-bab
sebelumnya dan saran berdasarkan hasil pengujian yang diharapkan
BAB II
LANDASAN TEORI
2.1 Citra
Citra merupakan salah satu komponen multimedia yang memegang peranan sangat
penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi,
namun sering kali citra yang dimiliki mengalami penurunan mutu, misalnya
mengandung cacat atau noise. Tentu saja citra semacam ini menjadi lebih sulit untuk diinterpretasikan karena informasi yang disampaikan oleh citra tersebut menjadi
berkurang.
Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial dan amplitudo f di titik koordinat (x,y)
dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Indeks baris
dan kolom (x,y) dari sebuah pixel dinyatakan dalam bilangan bulat [3].
2.2 Citra Digital
Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y adalah koordinat spasial dan harga fungsi tersebut pada setiap titik (x,y) yang 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 pixel
Sebuah pixel merupakan sampel dari pemandangan yang mengandung intensitas citra yang dinyatakan dalam bilangan bulat. Untuk menunjukkan lokasi
suatu pixel, 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 pixel dimana m adalah kolom dan n adalah baris. Untuk menunjukkan tingkat pencahayaan suatu pixel, seringkali digunakan bilangan bulat yang besarnya 8 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 [1].
2.2.1 Jenis Citra
Suatu pixel memiliki nilai dalam rentang tertentu, mulai dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis
warnanya. Namun secara umum jangkauannya adalah 0 – 255, citra dengan
penggambaran seperti ini digolongkan ke dalam citra integer. Berikut adalah
jenis-jenis citra berdasarkan nilai pixel-nya.
2.2.1.1 Citra Biner
Citra biner merupakan citra yang telah melalui proses pemisahan pixel-pixel
berdasarkan derajat keabuan yang dimiliki. Citra biner adalah citra yang hanya
direpresentasikan nilai tiap pixel-nya dalam satu bit (satu nilai binary). Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam dan putih. Salah satu contoh dari gambar biner dapat dilihat pada Gambar 2.1.
2.2.1.2 Citra Grayscale
Citra grayscale menggunakan warna tingkatan keabuan. Warna abu-abu merupakan satu-satunya warna pada ruang RGB dengan komponen merah, hijau, dan biru yang
mempunyai nilai intensitas yang sama. Citra grayscale memiliki kedalaman warna 8
bit (256 kombinasi warna keabuan). Salah satu contoh gambar dari citra grayscale
dapat dilihat pada Gambar 2.2. Banyaknya warna yang ada tergantung pada jumlah bit
yang disediakan di memori untuk menampung kebutuhan warna ini [7].
Gambar 2.2 Contoh Citra Grayscale
2.2.1.3 Citra RGB (Red, Green, and Blue)
Citra berwarna atau biasa dinamakan citra RGB, merupakan jenis citra yang
menyajikan warna dalam bentuk komponen R (red), G (green), dan B (blue). Setiap komponen warna menggunakan 8 bit (nilainya berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan warna yang bisa disajikan mencapai 255 x 255 x 255
atau 16.581.375 warna. Itu sebabnya format ini dinamakan true color karena memiliki jumlah warna yang cukup besar [9]. Contoh salah satu gambar dari citra RGB dapat
Gambar 2.3 Contoh Citra RGB
2.2.2 Citra Bitmap
Pada format bitmap, citra disimpan sebagai suatu matriks dimana masing-masing elemennya digunakan untuk menyimpan informasi warna untuk setiap pixel. Jumlah warna yang dapat disimpan ditentukan dengan satuan bit per pixel. Semakin besar ukuran bit per pixel dari suatu gambar semakin banyak pula jumlah warna yang dapat disimpan. Format bitmap ini cocok digunakan untuk menyimpan citra digital yang memiliki banyak variasi dalam bentuk maupun warnanya.
Citra bitmap adalah susunan bit-bit warna untuk tiap pixel yang membentuk pola tertentu. Pola-pola warna ini menyajikan informasi yang dapat dipahami sesuai
dengan persepsi indera penglihatan manusia. Format file ini merupakan format grafis yang fleksibel untuk platform Windows sehingga dapat dibaca oleh program grafis manapun. Citra bitmap direpresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan bilangan biner atau sistem bilangan lain. Citra ini memiliki kelebihan
untuk manipulasi warna dan tampilan bitmap mampu menunjukkan kehalusan gradasi bayangan dan warna dari sebuah citra. Gambar 2.4 merupakan salah satu contoh
Gambar 2.4 fadil.bmp
2.2.3 Pixel (Picture Elements)
Pixel (Picture Elements) adalah nilai tiap-tiap entri matriks pada bitmap. Rentang nilai-nilai pixel ini dipengaruhi oleh banyaknya warna yang dapat ditampilkan. Jika suatu bitmap dapat menampilkan 256 warna maka nilai-nilai pixel-nya dibatasi dari 0 hingga 255. Suatu citra bitmap akan mampu menampilkan warna lebih banyak, karena bitmap mempunyai kerapatan pixel yang tinggi [8].
2.3 Noise
Noise pada citra tidak hanya terjadi karena ketidaksempurnaan dalam proses
capturing, tetapi bisa juga disebabkan oleh kotoran-kotoran yang terjadi pada citra. Noise muncul biasanya sebagai akibat dari pembelokan pixel yang tidak baik. Gangguan tersebut umumnya berupa variasi intensitas suatu pixel yang tidak berkorelasi dengan pixel-pixel tetangganya. Secara visual, gangguan mudah dilihat oleh mata karena tampak berbeda dengan pixel tetangganya. Pixel yang mengalami gangguan umumnya memiliki frekuensi tinggi. Komponen citra yang berfrekuensi
2.3.1 Gaussian Noise
Gaussian Noise merupakan jenis noise yang mengikuti distribusi normal standar dengan rata-rata 0 dan standard deviasi 1. Gaussian Noise dapat dibangkitkan dengan cara membangkitkan bilangan acak dengan nilai berkisar antara 0 dan 1. Kemudian
pada titik-titik yang terkena noise, nilai fungsi citra ditambahkan dengan noise yang ada. Efek dari Gaussian Noise pada citra adalah munculnya titik-titik berwarna yang jumlahnya sama dengan persentase noise [8].
2.3.2 Salt and Pepper Noise
Salt and Pepper Noise biasa dinamakan sebagai noise impuls positif dan negatif.
Noise ini disebabkan karena terjadinya error bit dalam pengiriman data, pixel-pixel
yang tidak berfungsi dan kerusakan pada lokasi memori. Bentuk noise ini berupa
bintik-bintik hitam atau putih di dalam citra [3].
2.3.3 Speckle Noise
Speckle Noise merupakan model noise yang memberikan warna hitam pada titik yang terkena noise. Speckle Noise dapat dibangkitkan dengan membangkitkan bilangan 0 (warna hitam) pada titik-titik yang secara probabilitas lebih kecil dari nilai
probabilitas noise [8].
2.3.4 Exponential Noise
Exponential Noise sering disebut juga dengan noise eksponensial negatif yang merupakan jenis noise yang dihasilkan oleh laser yang koheren ketika citra diperoleh, sehingga noise ini sering disebut sebagai bercak laser [3].
y x S t s
t
s
g
n
m
y
x
f
,
,
,
.
1
,
ˆ
Gambar 2.5 (a) Citra asli, (b) Gaussian Noise, (c) Salt and Pepper Noise, (d)
Speckle Noise dan (e) Exponential Noise
2.4 Filtering
Filtering adalah suatu proses pengambilan sebagian sinyal dari frekuensi tertentu, dan membuang sinyal pada frekuensi yang lain. Dalam pengolahan citra, respon
perambatan filter memberikan gambaran bagaimana pixel-pixel pada citra diproses. Teknik filtering ini pada umumnya bertujuan untuk menghilangkan noise yang terdapat dalam citra dan juga untuk menghaluskan citra [1].
2.4.1 Mean Filter
Mean Filter adalah intensitas pada beberapa pixel lokal dimana setiap pixel akan digantikan nilainya dengan rata-rata dari nilai intensitas pixel tersebut dengan pixel
-pixel tetangganya, dan jumlah pixel tetangga yang dilibatkan tergantung pada filter
yang dirancang. Secara matematis, hal ini dapat dinyatakan dengan persamaan:
[image:30.595.145.487.69.308.2]Keterangan :
f ’(x,y) : hasil meanfilter
m.n : ukuran panjang dan lebar window g (s,t) : sub-image Sxy
Sxy : window daerah yang diliputi oleh filter
[image:31.595.124.508.257.463.2]Dari contoh Gambar 2.6 dilakukan proses Mean Filter dengan kernel 3x3. Untuk menghitung nilai f’(x,y) dilakukan pemilihan g(s, t) dengan kernel 3x3 yang dimulai dari sudut kiri atas.
Gambar 2.6 Pemilihan kernel 3x3 dan Operasi Mean Filter
Hasil Mean Filter pada g(1,1) adalah f’(1,1) = 67, sehingga 74 diganti dengan 67, ditempatkan pada matriks yang baru, hasilnya dapat diperlihatkan seperti pada
Gambar 2.7 berikut.
y x S t s
t
s
g
median
y
x
f
, ,
,
,
ˆ
Jadi, nilai 74 pada g(1, 1) diubah menjadi 67 pada f ’(1, 1). Proses berikutnya adalah menggeser g(1, 1) dengan kernel 3x3 satu pixel ke kanan menjadi g(1, 2), kemudian dicari nilai mean dari pixel-pixel tersebut. Begitu juga dengan proses selanjutnya, operasi yang ditunjukkan pada Gambar 2.7 dilanjutkan sampai proses
filtering selesai.
2.4.2 Median Filter
Median Filter sangat populer dalam pengolahan citra. Filter ini mengganti nilai pixel
dengan median dari nilai intensitas dalam tetangga dari pixel tersebut. Secara matematis, MedianFilter dapat dinotasikan seperti berikut:
…….……..…………..(2)
Keterangan :
f ’(x,y) : hasil medianfilter g (s,t) : sub-image Sxy
Sxy : window daerah yang diliputi oleh filter
Contoh citra yang diperlihatkan pada Gambar 2.8 dilakukan proses Median Filter menggunakan kernel 3x3. Untuk menghitung nilai f’(x,y) dilakukan pemilihan
[image:32.595.115.517.531.746.2]g(s, t) yang dimulai dari sudut kiri atas.
2
,
,
.
1
,
ˆ
, , , ,
st Sx y st Sxyt
s
g
median
t
s
g
n
m
y
x
f
Hasil Median Filter pada g(1,1) adalah f’(1,1) = 66, sehingga 74 diganti dengan 66, ditempatkan pada matriks yang baru, hasilnya dapat diperlihatkan seperti
pada Gambar 2.9 berikut.
Gambar 2.9 Penempatan hasil Median Filter untuk kernel 3x3 pertama
Jadi, nilai 74 pada g(1, 1) diubah menjadi 66 pada f ’(1, 1). Proses berikutnya adalah menggeser g(, 1) dengan kernel 3x3 satu pixel ke kanan menjadi g(1, 2), kemudian dicari nilai median dari pixel-pixel tersebut. Begitu juga dengan proses selanjutnya, operasi yang ditunjukkan pada Gambar 2.9 dilanjutkan sampai proses
filtering selesai.
Median Filter terkenal untuk mereduksi jenis tertentu dari random noise.
Median Filter memberikan kemampuan untuk pengurangan noise yang sangat bagus dengan memperhatikan bluring. Pada bagian tertentu Median Filter juga baik untuk menghilangkan Salt and Pepper Noise karena sifat median yang menjauhi warna hitam dan putih.
2.4.3 Metode Kombinasi Mean Filter dan Median filter
Metode ini merupakan hasil kombinasi dari metode Mean Filter dan Median Filter, dimana pixel akan digantikan nilainya dengan rata-rata dari nilai intensitas
pixel kemudian dijumlahkan dengan nilai median dari setiap pixel-pixel tetangganya, setelah itu dibagi 2. Secara matematis, hal ini dapat dinyatakan dengan persamaan:
Keterangan :
f ’(x,y) : hasil kombinasi meanfilter-median filter m.n : ukuran panjang dan lebar window g (s,t) : sub-image Sxy
Sxy : window daerah yang diliputi oleh filter
Contoh citra yang diperlihatkan pada Gambar 2.10 dilakukan proses filtering
dengan menggunakan metode kombinasi Mean Filter dan Median Filter
menggunakan kernel 3x3. Untuk menghitung nilai f’(x, y) dilakukan pemilihan g(s, t)
[image:34.595.111.527.279.589.2]yang dimulai dari sudut kiri atas.
Gambar 2.10 Pemilihan kernel 3x3 dan operasi metode kombinasi Mean Filter
dan Median Filter
Hasil Median Filter pada g(1,1) adalah f’(1,1) = 67, sehingga 74 diganti dengan 67, ditempatkan pada matriks yang baru, hasilnya dapat diperlihatkan
Gambar 2.11 Penempatan hasil kombinasi metode Mean Filter dan
Median Filter untuk kernel 3x3 pertama
Jadi, nilai 74 pada g(1, 1) diubah menjadi 67 pada f ’(1, 1). Kemudian menggeser g(1,1) dengan kernel 3x3 satu pixel ke kanan menjadi g(1, 2), kemudian dicari nilai mean dan median dari pixel-pixel tersebut. Lalu jumlah dari nilai mean dan
median tersebut dibagi 2. Begitu juga dengan proses berikutnya, operasi yang ditunjukkan pada Gambar 2.11 dilanjutkan sampai proses filtering selesai.
2.5 Mean Square Error (MSE)
Penilaian kualitas citra dilakukan dengan cara penilaian secara objektif dengan
menggunakan besaran MSE dan PSNR kedua besaran tersebut membandingkan pixel-pixel pada posisi yang sama dari dua citra yang berbeda.
MSE adalah rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil pengolahan yang secara matematis dapat di rumuskan pada persamaan 4:
………..(4) Keterangan :
MSE : nilai Mean Squared Error
f(x,y) : Intensitas citra asli
f’(x,y): Intensitas citra hasil filter
10 1
0
2
,
ˆ
,
1
mi n
j
y
x
f
y
x
f
mn
2.6 Peak Signal to Noise Ratio (PSNR)
PSNR merupakan nilai perbandingan antara harga maksimum warna pada citra hasil
filtering dengan kuantitas gangguan (noise), yang dinyatakan dalam satuan desibel
(dB), noise yang dimaksud adalah akar rata-rata kuadrat nilai kesalahan ( MSE ). Secara matematis, nilai PSNR dapat dirumuskan pada persamaan 5 :
……….(5) Keterangan :
PSNR: nilai Peak Signal to Noise Ratio MSE : nilai Mean Squared Error
255 : nilai skala keabuan citra
Pengamatan baik tidaknya suatu pendekatan untuk melakukan perbaikan citra
biasa dilakukan dengan menggunakan mata (visual). Namun, cara seperti itu bersifat subjektif. Agar biasa diukur secara kuantitatif, keberhasilan reduksi noise dapat dilakukan dengan menghitung nilai MSE dan PSNR. Semakin kecil nilai MSE, maka kualitas citra semakin baik. Sebaliknya semakin besar nilai PSNR, maka semakin baik pula kualitas citra tersebut.
)
255
(
10
*
20
MSE
Log
2.7 Penelitian yang Relevan
Berikut penelitian tentang Pengolahan Citra yang membahas tentang teknik filtering: 1. Dalam penelitian oleh Santoso, I (2013). Noise pada citra digital dapat berupa
periodic noise yang secara visual tampak terdapat garis-garis pada citra yang penyebarannya merata. Salah satu mekanisme yang digunakan untuk mengurangi
noise adalah filter. Periodic Noise dapat dikurangi dengan menggunakan Selective Filter. Adapun metode filter yang digunakan penulis untuk proses pengurangan
noise adalah dengan menggunakan Optimum Notch Filter dan Band Reject Filter
yang keduanya merupakan jenis dari selective filter [9].
2. Pada Penelitian oleh Wiliyana (2012). Untuk mengatasi noise pada sebuah citra digital perlu dilakukan usaha untuk memperbaiki kualitas citra.Salah satunya
dengan filtering citra baik secara linear maupun non-linear. Mean filter
merupakan salah satu filtering linear yang berfungsi untuk memperhalus dan menghilangkan noise pada suatu citra yang bekerja dengan menggantikan intensitas nilai pixel dengan rata-rata dari nilai pixel tersebut dengan nilai pixel-pixel tetangganya [12].
3. Dalam Penelitian Siregar, Muhammad Arifin (2009). Noise adalah gangguan-gangguan/bintik-bintik pada gambar yang terjadi pada saat gambar tersebut
dikirim dari satu komputer ke komputer lainnya. Reduksi noise itu sendiri terbagi
menjadi dua yaitu Intensity Filtering dan Frequency Filtering [11].
4. Berdasarkan penelitian oleh Prihatini, Tuti Adi (2010). Pengurangan noise atau
denoise merupakan suatu proses untuk mereduksi atau mengurangi noise pada sebuah citra digital dalam meningkatkan kualitas citra (image enhancement) yang merupakan langkah awal dalam image processing. Salah satu metode yang digunakan untuk mereduksi noise atau denoise tersebut adalah dengan melakukan
filtering pada citra digital salah satunya, yaitu dengan menggunakan Low Pass Filter (LPF) atau Smoothing Filter [8].
5. Berdasarkan penelitian oleh Murinto et al (2012). Citra sering kali mengalami penurunan mutu (degradasi). Hal ini akan menyebabkan citra sulit diinterpretasi.
Dengan memperbaiki tampilan citra yang mengalami gangguan (noise), diperoleh citra yang mutunya baik dan mudah diinterpretasikan. Salah satu manipulasi
citra ada bebarapa metode yang digunakan untuk memproses citra, diantaranya
metode 2D median filter dan multilevel median filter [14].
6. Dalam penelitian Handoko, W.T et al (2011). Citra memegang peranan sangat penting sebagai bentuk informasi. Namun terkadang timbul gangguan pada citra
yang disebut noise sehingga menyebabkan kualitas citra yang diterima menjadi
turun atau tidak sesuai dengan citra aslinya. Noise dapat berupa additive Gaussian noise dan additive Laplacian noise. Salah satu manipulasi perbaikan mutu citra adalah dengan proses Denoise pada citra. Metode yang digunakan adalah wavelet tresholding analysis. Sedangkan Wavelet yang digunakan untuk mereduksi noise
BAB III
ANALISIS DAN PERANCANGAN
3.1 Analisis Sistem
Analisis sistem merupakan tahapan yang dilakukan untuk menghasilkan pemahaman
yang menyeluruh terhadap kebutuhan sistem sehingga diperoleh tugas-tugas yang
akan dikerjakan sistem. Analisis sistem terdiri dari fase-fase berbeda yang
mendeskripsikan pengembangan sistem. Dalam tugas akhir ini, ada tiga fase analisis
yaitu: analisis masalah, analisis persyaratan dan analisis proses. Analisis masalah
bertujuan untuk memahami kelayakan masalah. Analisis persyaratan dilakukan untuk
menjelaskan fungsi-fungsi yang ditawarkan dan mampu dikerjakan sistem. Sedangkan
analisis proses untuk memodelkan tingkah laku sistem.
3.1.1 Analisis Masalah
Masalah yang akan diselesaikan dengan menggunakan sistem ini adalah perbaikan
pada citra digital yang terkena Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise menjadi citra yang lebih bagus dengan melakukan filtering
pada citra tersebut. Dalam sistem ini citra yang terkena noise-noise tersebut akan direduksi dengan menggunakan teknik kombinasi dari Mean Filter dan Median filter.
Untuk mengidentifikasi masalah tersebut digunakan diagram Ishikawa
(fishbone diagram). Diagram Ishikawa adalah sebuah alat grafis yang digunakan untuk mengeksplorasi dan menampilkan pendapat tentang komponen inti suatu
kondisi di dalam organisasi. Diagram ini juga dapat menyusuri sumber-sumber
Gambar 3.1 Diagram Ishikawa
3.1.2 Analisis Persyaratan
Analisis persyaratan terbagi dua bagian, yaitu persyaratan fungsional dan persyaratan
nonfungsional. Persyaratan fungsional mendeskripsikan aktivitas yang disediakan
suatu sistem. Sedangkan Persyaratan nonfungsional mendeskripsikan fitur,
karakteristik dan batasan lainnya.
3.1.2.1 Persyaratan Fungsional
Dalam sistem perbaikan citra yang terkena noise pada citra digital dengan metode kombinasi Mean Filter dan Median Fiter ini terdapat beberapa hal yang menjadi persyaratan fungsional yang harus dipenuhi, antara lain :
1. Citra digital yang digunakan adalah Citra berwarna dan menggunakan
format .*BMP dengan ukuran dimensi maksimal 300 x 300 pixel.
2. Noise yang digunakan untuk perbandingan adalah Gaussian Noise, Salt and PepperNoise, Speckle Noise dan Exponential Noise, dengan probabilitas noise 1% - 50%.
3. Parameter untuk analisis adalah Mean Squared Error (MSE), Peak Signal to Noise Rasio (PSNR) sebelum terkena noise dan setelah mengalami reduksi noise dan
4. Menggunakan kernel 3x3 dari matriks nilai pixel citra. 5. Aplikasi yang digunakan adalah Matlab R2012b.
3.1.2.2 Persyaratan Nonfungsional
Kebutuhan nonfungsional mencakup karakteristik berikut:
1. Performa
Sistem yang akan dibangun harus dapat menunjukkan hasil dari proses
pembangkitan noise pada citra dan proses reduksi noise pada citra digital yang terkena noise.
2. Mudah dipelajari dan digunakan
Sistem yang akan dibangun memiliki tampilan yang user friendly sehingga penggunadapat mengakses sistem dengan mudah.
3. Hemat biaya
Sistem yang dibangun tidak memerlukan perangkat tambahan ataupun perangkat
pendukung lainnya yang dapat mengeluarkan biaya.
4. Dokumentasi
Sistem yang dibangun dapat menyimpan citra digital yang merupakan hasil
reduksi noise dari citra yang memiliki noise dengan format file *.bmp. 5. Kontrol
Sistem yang akan dibangun memiliki kontrol berupa enable and disable, yaitu ketika citra belum di-input maka tombol fungsi pada sistem dalam keadaan tidak aktif atau disable, setelah citra di-input, maka tombol fungsi tertentu yang merupakan bagian dari fungsi generate noise ataupun reduksi noise akan aktif.
3.1.3 Analisis Proses
Dalam sistem ini, teknik filtering yang digunakan untuk mereduksi noise pada citra digital adalah metode kombinasi Mean Filter dan Median Filter. Terdapat 4 jenis
mengganti nilai pusat pixel dengan nilai rata-rata dari nilai intensitas pixel citra tersebut. Proses Median Filter mencari nilai median matriks 3x3 dari nilai pixel citra, kemudian mengganti nilai pusat pixel dengan nilai median dari nilai intensitas pixel
citra yang telah diurutkan. Proses metode kombinasi Mean Filter dan Median Filter mencari nilai tengah antara Mean dan Median Filter , kemudian mengganti nilai pusat
pixel dengan nilai hasil dari perhitungan tersebut.
1. Use Case Diagram
Use Case Diagram adalah sebuah diagram yang dapat merepresentasikan interaksi yang terjadi antara user dengan sistem. Use Case Diagram mendeskripsikan interaksi tipikal antara pengguna sistem dengan sistem itu sendiri, dengan member sebuah
narasi tentang bagaimana sistem tersebut digunakan. Use Case Diagram dari sistem yang akan dibangun dapat ditunjukkan pada Gambar 3.2.
2. Squance Diagram
Squence Diagram merupakan diagram yang menunjukkan bagaimana kelompok-kelompok objek saling berkolaborasi dalam beberapa behavior. Squence diagram
secara khusus, menjabarkan behavior sebuah skenario tunggal. Diagram tersebut menunjukkan sejumlah objek contoh dan pesan-pesan yang melewat objek-objek
tersebut didalam use case [8]. Gambar 3.3 berikut ini merupakan Sequence Diagram
tahap pertama dari sistem yang akan dibangun.
Gambar 3.3 Squence Diagram Tahap Pertama
Pada tahap pertama proses yang berlangsung adalah implementasi metode
kombinasi Mean Filter dan Median Filter dalam mereduksi Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise. Pada tahap ini, proses pertama yang dilakukan adalah meng-input citra, kemudian men-generate noise pada citra yang di-inputkan, setelah itu melakukan filtering untuk mereduksi noise pada citra.
Pada tahap kedua proses yang berlangsung adalah perbandingan metode
kombinasi Mean Filter dan Median Filter dengan Mean Filter atau Median Filter
sebelum dikombinasikan dalam mereduksi Gaussian Noise, Salt and Pepper Noise,
Speckle Noise, dan Exponential Noise. Gambar 3.4 berikut ini merupakan Sequence Diagram tahap kedua dari sistem yang akan dibangun.
Gambar 3.4 Squence Diagram Tahap Kedua
3. Activity Diagram
Activity Diagram adalah teknik untuk menggambarkan logika procedural atau jalur kerja sistem. Diagram ini menggambarkan berbagai alur kerja dalam sistem yang
sedang dirancang, bagaimana masing-masing alur kerja berawal, decision yang mungkin terjadi, dan bagaimana aktifitas atau alur kerja berakhir. Activity Diagram
juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa
eksekusi. Dalam beberapa hal, diagram ini memainkan peran mirip sebuah diagram
alir. Activity Diagram memungkinkan siapapun yang melakukan proses untuk memilih urutan dalam melakukannya. Dengan kata lain diagram hanya menyebutkan
aturan-aturan rangkaian dasar yang harus diikuti [8]. Gambar 3.5 berikut ini
Perbandingan Implementasi
Citra Bernoise Citra Tanpa Noise Input Citra
Input Citra
Generate Noise
Filtering
Gaussian Noise
Salt and Pepper
Speckle Noise
Exponential Noise
Tampil Citra terkena Noise
Mean Filter Median Filter Kombinasi Mean
dan Median Filter
Hitung MSE danPSNR Hitung MSE
danPSNR
Tampil nilai MSE dan PSNR
Tampil nilai MSE dan PSNR Tampil hasil
filtering Generate Noise
Gaussian Noise
Salt and Pepper
Speckle Noise Exponential Noise Tampil Citra terkena Noise Hitung MSE danPSNR
Tampil nilai MSE dan PSNR
Tampil hasil filtering
Hitung MSE danPSNR
Tampil nilai MSE dan PSNR Kombinasi Mean dan Median Filter
I = gaussian
I = no gaussian
I = salt & pepper
I = no salt & pepper
I = speckle
I = no speckle
I = exponential switch noise
I = no noise I = noise
switch inputan
switch noise
I = no gaussian
I = no salt & pepper
I = no speckle I = gaussian
I = salt & pepper
I = speckle
I = exponential
Switch Menu
4. Flowchart Sistem
Flowchart merupakan gambar atau bagan yang memperlihatkan urutan dan hubungan antar proses beserta pernyataannya. Gambaran ini dinyatakan dengan simbol. Dengan
demikian setiap simbol menggambarkan proses tertentu. Sedangkan antara proses
digambarkan dengan garis penghubung. Gambar 3.6 berikut ini merupakan Flowchart
dari sistem yang akan dibangun.
Input Citra Tanpa Noise
(.bmp) Generate Gaussian, Salt &
Pepper, Speckle, dan Exponential Noise
Citra dengan Noise Hitung MSE dan PSNR Citra dengan
Noise
Mean Filter Proses Mean Filter
Citra dengan noise tereduksi Hitung MSE dan PSNR Citra dengan
noise Tereduksi
Selesai
Median Filter Proses Median Filter
Kombinasi Mean dan Median Filter
Proses Kombinasi Mean dan Median Filter yes no yes yes no Tampilkan nilai MSE dan
PSNR
Tampilkan nilai MSE dan
PSNR Input Citra Bernoise? Input Citra Bernoise (.bmp) Filtering yes no no Pilih Form Perbandingan? Mulai Perbandingan Implementasi Input Citra Tanpa Noise (.bmp) Generate Gaussian, Salt &
Pepper, Speckle, dan Exponential Noise
Citra dengan Noise Hitung MSE dan PSNR Citra dengan
Noise Tampilkan nilai MSE dan
PSNR Proses KombinasiMean
dan Median Filter
Citra dengan noise tereduksi Hitung MSE dan PSNR Citra dengan
noise Tereduksi
Tampilkan nilai MSE dan
PSNR
yes no
3.2 Pseudocode Program
Pseudocode merupakan algoritma yang diterjemahkan dari bahasa pemrograman yang sulit dimengerti manusia menjadi bahasa yang lebih mudah dimengerti manusia.
Pseudocode bertujuan untuk memudahkan manusia dalam memahami prinsip-prinsip dari suatu algoritma pada bahasa pemrograman. Berikut adalah pseudocode dari
Gaussian Noise, Salt and Pepper Noise, Speckle Noise, Exponential Noise, Mean Filter, Median Filter, kombinasi Mean dengan Median Filter,MSE dan PSNR.
3.2.1 Pseudocode Gaussian Noise
Gaussian Noise merupakan jenis noise yang mengikuti distribusi normal standar dengan rata-rata 0 dan standar deviasi 1. Gaussian Noise dibangkitkan dengan cara membangkitkan bilangan acak dengan nilai berkisar antara 0 dan 1. Gaussian noise
diperoleh dengan menambahkan citra asli dengan rumus pembangkit Gaussian Noise.
Pseudocode Gaussian Noise dapat dilihat pada gambar 3.7.
Gambar 3.7 Pseudocode Gaussian Noise
Keterangan:
1. Menginisialisasi inpu-tan citra dengan nama yang berbeda
2. Menetapkan nilai deviasi yang digunakan untuk men-generate noise
3. Menetapkan nilai mean yang digunakan untuk men-generate noise
4. Membaca matriks pada citra yang di-input-kan 5. Men-generate Gaussian noise
1. citra <- citraAsli 2. deviasi <- 0.1; 3. mean <- 0;
4. citra <-im2double(citra);
3.2.2 Pseudocode Salt And Pepper Noise
Salt and Pepper Noise dapat dibangkitkan dengan cara membangkitkan bilangan 255 (warna putih) dan bilangan 0 (warna hitam) pada titik-titik yang secara probabilitas lebih kecil dari nilai probabilitas noise. Pseudocode Salt and Pepper Noise dapat dilihat pada gambar 3.8.
Gambar 3.8 Pseudocode Salt and Pepper Noise
Keterangan:
1. Menginisialisasi input-an citra dengan nama yang berbeda
2. Menetapkan nilai probabilitas yang digunakan untuk men-generate noise
3. Membaca matriks pada citra yang di-input-kan
4. Menginisialisasi citra yang telah diinisialisasi sebelumnya
5. Membangkitkan bilangan acak pada nilai matriks citra
6. Men-generate noise Pepper (berwarna hitam) 7. Men-generate noise Salt (berwarna Putih)
3.2.3 Pseudocode Speckle Noise
Speckle Noise merupakan model noise yang memberikan warna hitam pada titik yang terkena noise. Proses pembangkitan Speckle noise sangat bergantung pada probabilitas noise dan bilangan acak. Pseudocode Speckle Noise dapat dilihat pada gambar 3.9.
Gambar 3.9 Pseudocode Speckle Noise
1. citra <- citraAsli 2. probabilitas <- 0.1; 3. citra <-im2double(citra); 4. Generate <- citra;
5. bilAcak <- rand(size(citra));
6. Generate(bilAcak < probabilitas/2) <- 0;
7. Generate(bilAcak >= probabilitas/2 & bilAcak < probabilitas) <- 255;
1. citra <- citraAsli 2. probabilitas <- 0.1;
3. citra <- im2double(citra);
Keterangan:
1. Menginisialisasi input-an citra dengan nama yang berbeda
2. Menetapkan nilai probabilitas yang digunakan untuk men-generate noise
3. Membaca matriks pada citra yang di-input-kan
4. Men-generate Speckle noise
3.2.4 Pseudocode Exponential Noise
Exponential Noise merupakan noise yang diperoleh dengan menambahkan citra asli dengan rumus pembangkit Speckle noise. Proses pembangkitan Exponential noise
sangat bergantung pada probabilitas noise dan bilangan acak. Pseudocode Exponential Noise dapat dilihat pada gambar 3.10.
Gambar 3.10 Pseudocode Exponential Noise
Keterangan:
1. Menginisialisasi input-an citra dengan nama yang berbeda
2. Menetapkan nilai probabilitas yang digun
