HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS PADA CITRA DIGITAL
SKRIPSI
LORENT OLIVER BARUS 101401034
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS PADA CITRA DIGITAL
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Ilmu Komputer
LORENT OLIVER BARUS 101401034
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI KOMBINASI
ARITHMETIC MEAN FILTER DAN HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS PADA CITRA DIGITAL
Kategori : SKRIPSI
Nama : LORENT OLIVER BARUS
Nomor Induk Mahasiswa : 101401034
Program Studi : SARJANA (S1) ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di
Medan, Januari 2015
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Siti Dara Fadilla, S.Si, MT Dian Rachmawati, S.Si, M.Kom NIP 197705162005012001 NIP 198307232009122004
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI KOMBINASI ARITHMETIC MEAN FILTER DAN HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS 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, Januari 2015
Lorent Oliver Barus
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan karunia-Nya sehingga penulis dapat menyelesaikan 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. Tuhan Yesus Kristus yang sangat luar biasa yang selalu menyertai penulis setiap saat dalam menyelesaikan skripsi ini
2. Bapak saya Johan Barus dan Ibu saya Rosmawati br Bangun yang menjadi semangat hidup penulis untuk sukses dan selalu memberikan dukungan yang sangat luar biasa serta doa kepada penulis dalam menyelesaikan skripsi ini
3. Kakak saya Bella Rina Fitriany Barus dan Effrina Yuli Wijaya Barus yang selalu memberikan dukungan, doa dan bantuan kepada penulis dalam menyelesaikan skripsi ini
4. Bapak Prof.Dr.dr.Syahril Pasaribu, DTM&H, MSc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara
5. Bapak Prof.Dr.Muhammad Zarlis, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara dan dosen penguji I yang telah memberikan kritik, saran dan dukungan dalam menyelesaikan skripsi ini
6. Bapak Dr.Poltak Sihombing, M.Kom, selaku ketua Program studi S1 Ilmu Komputer Universitas Sumatera Utara
7. Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku Sekretaris Program studi S1 Ilmu Komputer Universitas Sumatera Utara dan sebagai dosen pembimbing akademik
8. Bapak M. Andri Budiman, ST, M.Comp.Sc, MEM, selaku dosen penguji II yang memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini
10.Ibu Siti Dara Fadilla, S.Si, MT, selaku dosen pembimbing II yang memberikan saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini
11.Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI USU
12.Sahabat saya Anggia, Kristian, Jem, Sri, Bermanta dan Ris yang memberi semangat dan motivasi kepada penulis
13.Teman-teman saya khususnya LOGIC, bang suki, bang liman, bang jo, bang ijonk, bang angga, bang dave, bang muek, bang lagger, bang septian, yansen, hengky, rivai, johanes, kurniawan, gunalan, timothy, ardi, mahesa, andika, dan sora yang memberi inspirasi dan semangat kepada penulis
14.Teman-teman kuliah saya semua stambuk 2010, Andhika, Amel, Devina, Westy, Sunfirst, Lenora, Tetti, Janwandi, dan teman-teman lainnya yang memberikan dukungan kepada penulis
15.Junior saya khususnya Andrus yang telah memberikan dukungan, inspirasi, dan berbagi ilmu kepada penulis dalam menyelesaikan skripsi ini
16.Junior saya Evi, Evelin, Satya, Toni, Endang, Jay, Yenni, Juwita, Jeklin, Ita, Witty, Mey yang memberikan dukungan dan semangat kepada penulis
17.Dan yang terkhusus untuk Vexil, Lexil, dan Luvis, yang selalu memberi dukungan, semangat dan menemani penulis dalam menyelesaikan skripsi ini.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna untuk itu penulias menerima kritik dan saran yang membangun untuk menyempurnakan skripsi ini. Dan semoga Tuhan Yang Maha Esa memberikan berkat dan karunia kepada seluruh pihak yang membantu penulis dalam menyelesaikan skripsi ini
Medan, Januari 2015
ABSTRAK
Penurunan kualitas citra sering ditemukan pada citra digital. Noise merupakan salah satu contoh terjadinya penurunan kualitas citra disebabkan oleh gangguan pada teknik
pengambilan citra. Noise Gaussian dan noise Salt-and-Pepper adalah noise yang sering ditemukan pada citra digital. Untuk memperbaiki citra yang mempunyai noise
digunakan suatu metode filtering, salah satu contohnya adalah Arithmetic Mean Filter. Arithmetic Mean Filter merupakan metode filtering yang mengubah semua nilai titik tengah pada seluruh blok area citra dan membuat citra menjadi halus. Citra halus
dapat menyebabkan tampilan objek pada citra menjadi kabur. Untuk memperbaiki
citra kabur digunakan metode High Boost Filtering untuk mempertajam tampilan citra. Hasil terbaik yang diperoleh dari proses perbaikan citra menggunakan
Arithmetic Mean Filter dan High Boost Filtering dapat dibuktikan bedasarkan parameter Mean Square Error (MSE) dan Peak Signal to-Noise Ratio (PSNR). Dari hasil perhitungan rata-rata Mean Square Error (MSE) dan Peak Signal to-Noise Ratio
(PSNR), maka dapat disimpulkan metode Arithmetic Mean Filter lebih baik mereduksi noise gaussian. Sedangkan metode High Boost Filtering lebih baik memperbaiki citra pada jenis noise gaussian.
IMPLEMENTATION AND COMBINATION OF ARITHMETIC MEAN
FILTER AND HIGH BOOST FILTERING TO RESTORE QUALITY OF
DIGITAL IMAGE
ABSTRACT
Degradation of image quality often found in digital image. Noise is one example of a
image quality degradation caused by interference with the image retrieval techniques.
Gaussian noise and Salt and Pepper noise can often be found in digital image. To
improve and image that has noise a filtering method is used, one of its example is the
Arithmetic Mean Filter. Arithmetic Mean Filter is a filtering method that convert all
the midpoint value of entire image block area and make the image becomes smooth.
Smooth image can cause object display on image becomes blur. To improve the blur
image High Boost Filtering method is used to sharpen the image display. The best
results obtained from the image improvement process using Arithmetic Mean Filter
and High Boost Filtering can be proved from Mean Square Error (MSE) and Peak
Signal to-Noise Ratio (PSNR) parameters. From the average calculation result of
Mean Square Error (MSE) and Peak Signal to-Noise Ratio (PSNR) it can be
concluded that Arithmetic Mean Filter method is better to reduce gaussian noise.
While the High Boost Filtering method is better to improve the image of the gaussian
noise type.
DAFTAR ISI
1.6Metodologi Penelitian 4
1.7Sistematika penulisan 4
Bab 2 Tinjauan Pustaka
2.1Pengertian Citra 6
2.1.1 Resolusi Citra 6
2.2Jenis –jenis Citra Digital 8
2.3Pengolahan Citra 10
2.4Operasi Perngolahan Citra 11
2.5Format File Citra 13
2.6Peningkatan Kualitas Citra (Image Enhancement) 14 2.6.1 Filter Spasial (Spatial Filtering) 14
2.6.2 Kernel 15
2.6.3 Filter Pelolos Rendah (Low Pass Filter) 16 2.6.4 Filter Pelolos Tinggi (CMYK) 16
2.6.5 High Boost Filter 18
2.7Perbaikan Citra (Image Restoration) 18
2.8Derau Noise 19
2.8.1 Gaussian Noise 20
2.8.2 Salt & Pepper Noise 21
2.9Mean Filter 22
2.10MSE dan PSNR 24
Bab 3 Analisis dan Perancangan sistem
3.1Analisis sistem 25
3.1.1 Analisis Masalah 25
3.1.2.1Persyaratan Fungsional 26 3.1.2.2Persyaratan Non-Fungsional 27
3.1.3 Analisis Proses 28
3.2Pemodelan 28
3.2.1 Use Case Diagram 28
3.2.2 Sequence Diagram 32
3.2.3 Activity Diagram 33
3.3Pseudocode Program 34
3.3.1 Pseudocode Arithmetic Mean Filter 34 3.3.2 Pseudocode High Boost Filtering 36 3.3.3 Pseudocode Menghitung nilai MSE dan PSNR 38
3.4Perancangan sistem 38
3.4.1 Flowchart Sistem 38
3.4.2 Perancangan Antarmuka (Interface) 43
3.4.2.1Form Cover 43
3.4.2.2FormProcess 44
Bab 4 Implementasi dan Pengujian Sistem
4.1Implementasi Sistem 46
4.1.1 Form Cover 46
4.1.2 Form Process 47
4.1.3 Form Help 49
4.2Pengujian 49
4.2.1 Pengujian Arithmetic Mean Filter 50 4.2.1.1Pengujian Gaussian noise terhadap
Arithmetic Mean Filter 51
4.2.1.2Pengujian Salt and Pepper noise terhadap
Arithmetic Mean Filter 55
4.2.2 Pengujian kombinasi Arithmetic Mean-Filter dan
High Boost Filtering 59
4.2.2.1Pengujian kombinasi Arithmetic Mean-Filter dan
High Boost Filtering pada Gaussian noise 60 4.2.2.2Pengujian kombinasi Arithmetic Mean-Filter dan
High Boost Filtering pada Salt and Pepper noise 64
4.2.3 Pengujian Black Box 68
4.2.3.1Rencana Pengujian 68
4.2.3.2Kasus dan Hasil Pengujian Alpha 68 4.2.3.3Kesimpulan Hasil Pengujian Alpha 69 4.2.3.4Kasus dan Hasil Pengujian Betha 69
Bab 5 Kesimpulan dan Saran
5.1Kesimpulan 71
5.2Saran 72
Daftar Pustaka 73
DAFTAR GAMBAR
Nomor gambar Keterangan Halaman
2.1 Citra biner 8
2.2 Citra abu-abu (Grayscale) 9
2.3 Citra warna (RGB) 10
2.4 Peningkatan kualitas citra 14
2.5 a Kernel (2x2) 15
3.6 Flowchart Arithmetic Mean Filter 40
3.7 Flowchart High Boost Filtering 41
3.8 Flowchart MSE dan PSNR 42
4.5 Gambaran sistem Arithmetic Mean Filter 50 4.6 Grafik PSNR sebelum dan sesudah filtering (Gaussian
Noise)
53
4.7 Grafik MSE sebelum dan sesudah filtering (Gaussian Noise)
54
4.8 Grafik PSNR sebelum dan sesudah filtering (Salt and Pepper Noise)
57
4.9 Grafik MSE sebelum dan sesudah filtering (Salt and Pepper Noise)
58
4.10 Gambaran sistem High Boost Filtering 59 4.11 Grafik PSNR citra kombinasi pada Gaussian noise 62 4.12 Grafik MSE citra kombinasi pada Gaussian noise 63 4.13 Grafik PSNR citra kombinasi pada Salt and pepper noise 66 4.14 Grafik MSE citra kombinasi pada Salt and pepper noise 65
DAFTAR TABEL
Nomor tabel
Keterangan Halaman
3.1 Dokumentasi Naratif Use Case Cover 30 3.2 Dokumentasi Naratif Use Case Proses 30 3.3 Dokumentasi Naratif Use Case Help 31
3.4 Pseudocode Arithmetic Mean Filter 34
3.5 Pseudocode High Boost Filtering 36
3.6 Pseudocode nilai MSE dan PSNR 38
4.1 Citra digital grayscale terhadap persentase noise (Gaussian noise)
52
4.2 Citra digital grayscale terhadap persentase noise (Salt and pepper noise)
56
4.3 Kernel 3x3 terhadap persentase noise (Gaussian noise) 61 4.4 Kernel 3x3 terhadapat persentase noise (Salt and pepper
noise)
ABSTRAK
Penurunan kualitas citra sering ditemukan pada citra digital. Noise merupakan salah satu contoh terjadinya penurunan kualitas citra disebabkan oleh gangguan pada teknik
pengambilan citra. Noise Gaussian dan noise Salt-and-Pepper adalah noise yang sering ditemukan pada citra digital. Untuk memperbaiki citra yang mempunyai noise
digunakan suatu metode filtering, salah satu contohnya adalah Arithmetic Mean Filter. Arithmetic Mean Filter merupakan metode filtering yang mengubah semua nilai titik tengah pada seluruh blok area citra dan membuat citra menjadi halus. Citra halus
dapat menyebabkan tampilan objek pada citra menjadi kabur. Untuk memperbaiki
citra kabur digunakan metode High Boost Filtering untuk mempertajam tampilan citra. Hasil terbaik yang diperoleh dari proses perbaikan citra menggunakan
Arithmetic Mean Filter dan High Boost Filtering dapat dibuktikan bedasarkan parameter Mean Square Error (MSE) dan Peak Signal to-Noise Ratio (PSNR). Dari hasil perhitungan rata-rata Mean Square Error (MSE) dan Peak Signal to-Noise Ratio
(PSNR), maka dapat disimpulkan metode Arithmetic Mean Filter lebih baik mereduksi noise gaussian. Sedangkan metode High Boost Filtering lebih baik memperbaiki citra pada jenis noise gaussian.
IMPLEMENTATION AND COMBINATION OF ARITHMETIC MEAN
FILTER AND HIGH BOOST FILTERING TO RESTORE QUALITY OF
DIGITAL IMAGE
ABSTRACT
Degradation of image quality often found in digital image. Noise is one example of a
image quality degradation caused by interference with the image retrieval techniques.
Gaussian noise and Salt and Pepper noise can often be found in digital image. To
improve and image that has noise a filtering method is used, one of its example is the
Arithmetic Mean Filter. Arithmetic Mean Filter is a filtering method that convert all
the midpoint value of entire image block area and make the image becomes smooth.
Smooth image can cause object display on image becomes blur. To improve the blur
image High Boost Filtering method is used to sharpen the image display. The best
results obtained from the image improvement process using Arithmetic Mean Filter
and High Boost Filtering can be proved from Mean Square Error (MSE) and Peak
Signal to-Noise Ratio (PSNR) parameters. From the average calculation result of
Mean Square Error (MSE) and Peak Signal to-Noise Ratio (PSNR) it can be
concluded that Arithmetic Mean Filter method is better to reduce gaussian noise.
While the High Boost Filtering method is better to improve the image of the gaussian
noise type.
BAB I
PENDAHULUAN
1.1Latar Belakang
Citra merupakan suatu kemiripan, atau imitasi dari suatu objek atau benda. Citra
memiliki beberapa karakteristik yang mengandung suatu infomasi. Citra yang bagus
dapat dilihat dari hasil kemiripan suatu objek atau benda yang tidak memiliki
kerusakan atau cacat, sedangkan citra yang kurang bagus memiliki kerusakan yang
menyebabkan penurunan kualitas.
Penurunan kualitas dari suatu citra biasanya dipengaruhi oleh banyak faktor,
salah satu faktor tersebut adalah derau atau noise. Derau atau noise adalah gambar yang menggangu kualitas citra yang biasanya berbetuk bintik-bintik. Derau memiliki
variasi yang beragam, namun beberapa jenis derau telah dideskripsikan secara
matematis untuk mengetahui ciri-ciri derau dan cara untuk mengatasi derau tersebut.
Salah satu cara untuk memperbaiki citra yang dipengaruhi oleh derau atau
noise adalah dengan cara filtering. Filtering merupakan teknik yang digunakan untuk membuat citra menjadi lebih baik atau terlihat lebih jelas. Filtering juga memiliki beberapa jenis, salah satu metode yang termasuk jenis filtering yaitu Arithmetic mean filter.
Kualitas citra dapat membuat citra digital menjadi lebih baik dan lebih bagus.
Salah satu metode untuk meningkatkan kualitas citra, yaitu high boost filtering. High boost filtering dapat membuat citra menjadi lebih tajam, dengan cara meninggikan nilai-nilai frekuensi yang ada pada citra.
Saya mengangkat dari penelitian sebelumnya tentang teknik filtering, noise,
dan high boost filtering antara lainnya :
1. Menurut (Wiliyana 2012), filter adalah alat untuk memproses data yang mempunyai ciri mengambil data asli untuk memproduksi data hasil
sebagaimana yang diinginkan. Mean filter merupakan salah satu algoritma memperhalus citra dengan cara perhitungan nilai intensitas rata-rata citra pada
setiap blok citra yang diproses.
2. Menurut (Putra 2008), penapis high-boost dapat diinterpretasikan seperti meninggikan frekuensi citra asli kemudian mengurangi komponen frekuensi
rendah pada citra tersebut. Efek dari penapis High-boost ditekankan pada penajaman transisi tepian dan area citra.
3. Menurut (Sulistyo 2009), terkadang untuk menguji suatu algoritma untuk
dapat mereduksi noise, maka noise dapat dihasilkan dari proses pembangkitan
noise yang sering disebut sebagai noise generator. Untuk membangkitkan
noise umumnya diambil suatu bilangan acak yang kemudian ditempatkan pada citra secara acak pula.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, maka rumusan masalah yang dapat diambil adalah:
1. Bagaimana cara mereduksi jenis Gaussian noise dan Salt and Pepper noise
pada citra digital dengan menggunakan metode Arithmetic Mean Filter sebagai
filtering dan hasil dari pemrosesan tersebut dilakukan perbaikan kualitas citra dengan menggunakan metode High Boost Filtering untuk meningkatkan kualitas pada citra digital.
2. Bagaimana hasil kombinasi citra antara Arithmetic Mean Filter yang digunakan untuk mereduksi noise dan High Boost Filtering yang digunakan untuk meningkatkan kualitas citra untuk mendekati citra asli berdasarkan
parameter Mean Squared Error (MSE) dan Peak Signal to Noise Rasio (PSNR).
1.3 Batasan Masalah
Batasan masalah yang dapat diambil dari latar belakang di atas adalah :
1. Jenis file citra asli yang digunakan adalah citra berwarna dengan format JPG 2. Menggunakan citra asli yang di ubah menjadi citra abu (grayscale) dengan
menambahkan Gaussian noise dengan persentasi noise 0 – 50% dan Salt-pepper noise dengan persentasi noise dalam range 0 – 50 %.
3. Menggunakan kernel 3x3 untuk Arithmetic Mean Filter dan pada High Boost Filtering nilai A bekisar antara 0,00 – 2,00
4. 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.
5. Tidak membahas tentang kompresi
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengetahui perbaikan kualitas citra dengan cara
mengkombinasikan antara algoritma Arithmetic Mean Filter dan High Boost Filtering.
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah menghasilkan suatu aplikasi perangkat lunak yang dapat
memperbaiki kualitas citra digital. Sedangkan manfaat bagi penulis adalah untuk
mengetahui hasil yang optimal dalam memperbaiki kualitas citra digital dengan
menggunakan metode Arithmetic Mean Filter dan High Boost Filtering.
1.6 Sistematika Penulisan
Agar pembahasan lebih sistematis, maka tulisan ini dibuat dalam lima bab, yaitu :
BAB I PENDAHULUAN
Bab ini akan menjelaskan mengenai latar belakang pemilihan judul skripsi “Implementasi Kombinasi Arihtmetic Mean Filter dan High Boost Filtering untuk Memperbaiki Kualitas pada Citra Digital.”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat
penelitian, metode penelitian, tinjauan pustaka, dan sistematika
penulisan
BAB II LANDASAN TEORI
Berisi tentang penjelasan singkat mengenai defenisi pengolahn citra,
BAB III ANALISIS DAN PERANCANGAN
Berisi tentang uraian Analisis mengenai proses kerja dari metode
Arihtmetic Mean Filter dan High Boost Filtering yang terdiri dari
flowchart, Unified Modeling Language (UML) serta perancangan tampilan form dari aplikasi.
BAB IV IMPLEMENTASI DAN PENGUJIAN
Pada tahap ini dilakukan pembuatan system dan coding sesuai dengan analisis dan perancangan. Kemudian melakukan pengujian sistem.
BAB V KESIMPULAN DAN SARAN
Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian dari
bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh yang
BAB 2
TINJAUAN PUSTAKA
2.1 Pengertian citra
Secara umum pengertian citra adalah suatu representasi (gambaran), kemiripan, atau
imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat
bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar
pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu
media penyimpanan (Sutoyo & Mulyanto, 2009).
Citra secara umum terbagi menjadi dua bagian, yaitu citra analog dan citra
digital. Citra analog merupakan citra yang bersifat kontinu, seperti gambar pada
monitor televisi, lukisan, dan lain sebagainya. Citra digital merupakan representasi
dari sebuah citra dua dimensi sebagai sebuah kumpulan nilai digital yang disebut
elemen gambar atau piksel. Piksel adalah satuan terkecil dari citra yang mengandung
nilai terkuantisasi yang mewakili kecerahan dari sebuah warna pada sebuah titik
tertentu.
2.1.1. Resolusi Citra
Resoulusi citra merupakan tingkat detail suatu citra. Semakin tinggi resolusi
citra maka akan semakin tinggi pula tingkat detail dari citra tersebut. Satuan dalam
pengukuran resolusi citra dapat berupa ukuran fisik (jumlah garis per mm/jumlah garis
per inchi) ataupun dapat juga berupa ukuran citra menyeluruh (jumlah garis per tinggi
citra). Resolusi sebuah citra dapat diukur dengan berbagai cara sebagai berikut (Putra,.
1. Resolusi pixel
Resolusi pixel merupakan perhitungan jumlah pixel dalam sebuah citra digital. Sebuah
citra dengan tinggi N pixel dan lebar M pixel berarti memiliki resolusi sebesar M x N.
Resolusi pixel akan memberikan dua buah angka integer yang secara berurutan akan
mewakili jumlah pixel lebar dan jumlah pixel tinggi dari citra tersebut.
Pengertian lainnya dari resolusi pixel adalah merupakan hasil perkalian jumlah
pixel lebar dan tingginya dan kemudian dibagi dengan 1 juta untuk mengubah ukuran
citra tersebut dalam bentuk mega pixel. Jenis resolusi pixel seperti ini sering kali
dijumpai dalam karena digital. Suatu citra yang memiliki lebar 2.048 pixel dan tinggi
1.536 pixel makan akan memiliki total pixel sebanyak 2.048 x 1.536 = 3.145.728 pixel
atau 3,1 mega pixel.
2. Resolusi spasial
Resolusi spasial menunjukkan seberapa dekat jarak setiap garis pada citra. Jarak
tersebut tergantung dari sistem yang menciptakan citra tersebut. Resolusi spasial
menghasilkan jumlah pixel per satuan panjang. Resolusi spasial dari sebuah monitor
komputer adalah 72 hingga 100 garis per inchi atau dalam resolusi pixel 72 hingga
100 pixle per inchi (ppi).
3. Resolusi spektrum
Sebuah citra digital membedakan intensitas ke dalam beberapa spektrum. Citra multi
spektrum akan memberikan spektrum atau panjang gelombang yang lebih baik yang
4. Resolusi temporal
Resolusi temporal berkaitan dengan video. Suatu video merupakan kumpulan frame
statis yang berupa citra yang berurutan dan ditampilkan secara cepat. Resolusi
temporal memberikan jumlah frame yang dapat ditampilkan setiap detik dengan
satuan frame per second (fps).
5. Resolusi radiometrik
Resolusi ini memberikan nilai atau tingkat kehalusan citra yang dapat ditampilkan dan
biasanya ditampilkan dalam satuan bit contoh citra 8 bit dan citra 256 bit. Semakin
tinggi resolusi radiometrik ini makan semakin baik perbedaan intensitas yang
ditampilkan
2.2 Jenis-jenis Citra Digital
Citra digital memiliki beberapa jenis, yaitu (Sianipar, 2013) :
1. Citra biner : Setiap piksel hitam atau putih. Karena hanya ada dua kemungkinan
nilai pada setiap piksel maka yang diperlukan hanya satu bit per piksel. Citra seperti ini sangat efisien untuk penyimpanan. Contoh citra biner dapat dilihat
pada gambar 2.1.
2. Citra abu-abu (grayscale) : Setiap piksel merupakan bayangan abu-abu yang memiliki nilai intensital 0 (hitam) sampai 255 (putih). Rentang ini berarti bahwa
setiap piksel dapat direpresentasikan oleh delapan bit atau satu byte. Contoh citra abu-abu (grayscale) dapat dilihat di gambar 2.2.
Gambar 2.2 Citra abu-abu (Grayscale)
3. Citra warna atau RGB : Setiap piksel memiliki suatu warna khusus, warna
tersebut dideskripsikan oleh jumlah warna merah(R, red), hijau(G, green), dan biru (B, blue). Citra ini dipandang sebagai penumpukan tiga matriks, yang berarti bahwa setiap piksel berkaitan dengan tiga nilai. Contoh citra warna atau RGB
Gambar 2.3 Citra warna (RGB)
2.3 Pengolahan Citra
Pengolahan citra adalah pemrosesan citra khususnya dengan menggunakan komputer
untuk membuat kualitas citra mejadi lebih baik. Meskipun sebuah citra kaya
informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu
(degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra akan sulit diinterpresentasi karena informasi yang disampaikan oleh citra tersebut menjadi
berkurang. Agar citra yang mengalami gangguan mudah diinterprentasikan, maka
citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik, salah
satu cara dengan pengolahan citra. Teknik-teknik pengolahan citra
mentransformasikan citra menjadi citra lain, yang berarti jika input-nya citra maka
2.4 Operasi Pengolahan Citra
Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Secara
umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai
berikut (Munir, 2007) :
1. Peningkatan kualitas citra (image enhancement)
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara
memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang
terdapat di dalam citra lebih ditonjolkan.
Contoh-contoh operasi perbaikan citra :
a. Perbaikan kontras gelap/terang
b. Perbaikan tepian objek (edge enhancement) c. Penajaman (sharpening)
d. Pemberian warna semu (pseudocoloring)
e. Penapis derau (noise filtering)
2. Perbaikan citra (image restoration)
Operasi ini bertujuan untuk menghilangkan atau meminimumkan cacat pada citra.
Tujuan perbaikan citra hampir sama dengan operasi peningkatan kualitas citra.
Bedanya, pada perbaikan citra penyebab degradasi gambar diketahui.
Contoh-contoh operasi perbaikan citra :
a. Penghilangan kesamaran (deblurring)
3. Pemampatan citra (image compression)
Pemampatan citra atau kompresi citra bertujuan untuk meminimalkan kebutuhan
memori dalam merepresentasikan citra digital dengan mengurangi duplikasi data
di dalam citra sehingga memori yang dibutuhkan menjadi lebih sedikit daripada
representasi citra semula. Hal yang penting dalam jenis operasi ini adalah citra
yang dimampatkan harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi citra (image segmentation)
Segmentasi citra bertujuan untuk membagi wilayah-wilayah yang homogen.
Segmentasi membagi citra ke dalam daerah intensitasnya masing-masing sehingga
bisa membedakan antara objek dan background-nya. Tingkat keakurasian segmentasi bergantung pada tingkat keberhasilan prosedur analisis yang
dilakukan. Jenis operasi ini berkaitan dengan pengolahan pola.
5. Analisis citra (image analysis)
Jenis operasi ini bertujuan mengitung besaran kuantitif dari citra untuk
menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-ciri tertentu
yang membantu dalam identifikasi objek.
6. Rekonstuksi citra (image recontruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil
2.5 Format File Citra
Format file citra standar yang digunakan saat ini terdiri dari beberapa jenis.
Format-format ini digunakan dalam menyimpan citra dalam sebuah file. Setiap Format-format
memiliki karakteristik masing-masing. Berikut beberapa format umum yang sering
digunakan, yaitu :
1. Bitmap (.bmp)
Format .bmp adalah format penyimpanan standar tanpa kompresi yang umum dapat
digunakan untuk menyimpan citra biner hingga citra warna. Format ini terdiri dari
beberapa jenis yang setiap jenisnya ditentukan dengan jumlah bit yang digunakan
untuk menyimpan sebuah nilai piksel.
2. Portable Network Graphics (.png)
Format .png adalah format penyimpanan citra terkompresi. Format ini dapat
digunakan pada citra grayscale, citra dengan palet warna, dan juga citra fullcolor.
Format .png juga mampu menyimpan informasi hingga kanal alpha dengan
penyimpanan sebesar 1 hingga 16 bit per kanal.
3. Joint Photografic Group (.jpg)
Format .jpg adalah format yang sangat umum digunakan saat ini khususnya untuk
transmisi citra. Format ini digunakan untuk menyimpan citra hasil kompresi dengan
2.6 Peningkatan Kualitas Citra (Image Enhancement)
Peningkatan kualitas citra adalah suatu proses untuk mengubah sebuah citra menjadi
citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa
dilakukan misalnya dengan fungsi transformasi, operasi matematis, pemfilteran, dan
lain-lain. Tujuan utama dari peningkatan kualitas citra adalah untuk memproses citra
sehingga citra yang dihasilkan lebih baik daripada citra aslinya untuk aplikasi tertentu.
Contoh peningkatan kualitas citra dapat dilihat pada gambar 2.4.
Gambar 2.4 Peningkatan kualitas citra
2.6.1 Filter spasial (Spatial Filtering)
Pentapisan pada pengolahan citra biasa disebut dengan pentapisan spasial (spatial filtering). Filter spasial adalah operasi yang dilakukan terhadap intensitas piksel dari suatu image dan bukan terhadap komponen frekuensi dari gambar. Pada proses
pentapisan, nilai pixel baru umumnya dihitung berdasarkan pixel tetangga. Cara
perhitungan nilai pixel baru tersebut dapat dikelompokkan menjadi 2, yaitu pertama,
pixel baru diperoleh melalui kombinasi linier pixel tetangga dan kedua, pixel baru
diperoleh langsung dari salah satu nilai pixel tetangga. Berdasarkan kedua cara
tersebut maka tapis juga dapat dikelompokkan menjadi dua yaitu tapis linier (tapis
Proses penapisan spasial tidak dapat dilepaskan dari teori kernel (mask). Untuk itu sebelum membahas proses penapisan akan diawali pembahasan tentang konsep
kernel. Jenis metode yang digunakan untuk peningkatan kualitas citra (image enhacement) pada bagian spatial filtering adalah low pass filter dan high pass filter. Sedangkan bagian-bagian dari low pass filter dan high pass filter akan membentuk suatu metode yaitu high boost filter.
2.6.2 Kernel
Kernel adalah matrik yang pada umumnya berukuran kecil dengan elemen-elemennya
adalah berupa bilangan. Kernel digunakan pada proses konvolusi. Oleh karena itu
kernel juga disebut dengan convolution window (jendela konvolusi). Ukuran kernel dapat berbeda-beda, seperti 2 x 2, 3 x 3, 5 x 5, dan sebagainya. Elemen-elemen kernel
yang juga disebut bobot (weight) merupakan bilangan-bilangan yang membentuk pola-pola tertentu. Kernel biasa juga disebut dengan tapis (filter), template, mask, serta sliding window.
(a) (b)
Gambar 2.5 Kernel (2x2) pada bagian (a) dan kernel (3x3) pada bagian (b)
1 -1 1
-1 4 -1
1 -1 1
1 0
2.6.3 Filter Pelolos Rendah (Low Pass Filter)
Low pass filter adalah proses filter yang mengambil citra dengan gradiasi intensitas yang halus dan perbedaan intensitas yang tinggi akan dikurangi atau di buang,
sehingga filter sangat cocok untuk proses penghalusan citra. Ciri-ciri dari fungsi low pass filter adalah sebagai berikut :
1. Untuk menghaluskan citra
2. Didasarkan pada perata-rataan nilai piksel dengan tetangga
3. Bobot filter selalu positif yang totalnya bernilai 1 4. Contoh beberapa filternya adalah :
1
9 [ ]
1
6 [ ]
2.6.4 Filter Pelolos Tinggi (High Pass Filter)
High pass filter adalah proses filter yang mengambil citra dengan gradiasi intensitas yang tinggi dan perbedaan intensitas yang rendah akan dikurangi atau dibuang. Nilai
koefisien filter ini pada koordinat pusat bernilai positif dan koefisie kelilingnya bernilai negatif. Bila proses pentapisan dilakukan di atas area yang nilai intensitasnya
konstan atau mengalami perubahan yang lama maka nilai piksel keluaran adalah nol
atau sangat kecil. Agar itu terjadi, maka digunakan filter pelolos rendah dan filter
pelolos semua (allpass filter) Ciri-ciri fungsi high pass filter adalah :
1. Disebut sebagai sharpening mask, karena mempercepat pergantian batas gelap dan terang
2. Filter memiliki nilai positif di tengah, negatif di pinggir, dan total keseluruhan
bobot harus 0
3. I adalah image
W = [ ]
Matriks diatas disebut sebagai matriks pelolos semua (allpass filter), Artinya :
�
=
�
*
�
Maka high pass filter adalah :
�
ℎ ℎ=
�
−
�
=
�
*
�
− �
*
�
=
�
− �
)*
�
Sehingga dapat mengidentikkan bahwa :
�
ℎ ℎ=
�
− �
Beberapa contoh matiks high pass filter yang berasa dari low pass filter adalah
�
ℎ ℎ=
[ ]−
19[ ]=
1 9[− − −
− 8 −
− − − ]
�
ℎ ℎ=
[ ]−
16[ ]=
16[
−
− 4 −
2.6.5 High Boost Filter
High boost filter adalah proses filter yang berasal dari citra dengan dasar pemrosesannya menggunakan metode low pass filter dan high pass filter. Metode ini memiliki ciri-ciri sebagai berikut :
1. Jika A = 1, maka high boost filter akan menjadi high pass filter biasa. 2. Hasilnya adalah citra yang lebih tajam pada bagian pinggirnya
3. Memiliki rumus :
High boost = A(asli) – (lowpass)
= A(asli) – ((asli) – (highpass)) = (A-1)(asli) + (highpass) Atau
High boost filter = (A – 1) allpass filter + high pass filter... (Najarian, Splinter. 2012)
2.7 Perbaikan Citra (Image Restoration)
Restorasi citra digital adalah suatu teknik yang memperhatikan bagaimana
mengurangi perubahan bentuk dan penurunan kualitas citra yang diawali selama
pembentukan citra tersebut. Restorasi citra berfokus pada penghilangan atau
penekanan degradasi yang terjadi selama proses pengembalian bentuk citra
sebernarnya. Degradasi semacam itu termasuk derau (noise), yang meliputi error pada nilai-nilai piksel, dan pengaruh optik seperti pengaburan fokus atau karena gerakan
kamera.
Gambar 2.6 Perbaikan citra
2.8 Derau (Noise)
Noise merupakan gangguan yang disebabkan oleh menyimpangnya data digital yang diterima oleh alat penerima data gambar yang mana dapat menurunkan kualitas citra.
Derau dapat disebabkan oleh gangguan fisis (optik) pada alat penangkap citra
misalnya kotoran debu yang menempel pada lensa foto maupun akibat proses
pengolahan yang tidak sesuai.
Error ini muncul atau tampak pada citra keluaran tergantung dari tipe gangguan pada sinyal. Biasanya tipe error yang akan terjadi bisa diprediksi, sehingga
dapat diantisipasi dengan metode yang paling sesuai untuk mereduksi efek derau yang
terjadi. Pembersihan suatu citra yang terkorupsi oleh derau merupakan suatu area yang
2.8.1 Gaussian noise
Gaussian noise merupakan model noise yang mengikuti distribusi normal standar dengan rata-rata nol dan standar deviasi 1. Efek dari noise ini pada gambar adalah munculnya titik-titik berwarna yang jumlahnya sama dengan persentase noise. Noise ini dapat dirumuskan sebagai berikut beserta contoh gambar noise tersebut (Prihatini,
2010).
, = , + �. � ...……..(1)
Dimana : a = nilai bilangan acak berdistribusi gaussian p = persentase noise
f(i,j) = nilai citra terkena noise
g(i,j) = nilai citra sebelum terkena noise
2.8.2 Salt and Pepper noise
Salt and pepper noise disebut juga dengan derau impuls, derau shot atau derau biner. Bentuk noise yang biasanya terlihat titik-titik hitam dan putih pada citra seperti
tebaran garam dan merica. Noise ini disebabkan karena terjadinya error bit dalam pengiriman data, piksel-piksel yang tidak berfungsi dan kerusakan pada lokasi
memori.
……….(2)
Dimana p(z) adalah fungsi probabilitas kepadatan noise, Pa adalah probabilitas noise
jenis a (pepper) dan Pbadalah probabilitas noise b(salt) . Jika b>a , intensitas b akan
tampak sebagai titik terang pada citra. Sebaliknya, level a akan tampak seperti titik
gelap. Jika selain Pa atau Pb nol, impulse noise disebut juga unipolar. Jika Probabilitas
selain nol , dan khususnya diperkirakan sama, nilai impulse noise akan mirip butiran
salt and pepper secara acak yang terdistribusi pada citra. Dengan alasan inilah noise bipolar impulse disebut juga salt-and-pepper noise (Sutoyo & Mulyanto, 2009). Seperti diberikan pada Gambar 2.7
2.9 Mean Filter
Mean Filter adalah filter yang digunakan untuk menghaluskan gambar yang terlalu kasar. Jika filter ini dilakukan pada gambar yang halus, maka hasil gambar tersebut
akan semakin kabur. Contoh yang termasuk metode ini adalah Arithmetic Mean Filter.
Arithmetic Mean Filter adalah metode yang paling mudah dari Mean Filter.
Pada algoritma ini proses yang dilakukan adalah menghitung rata-rata dari citra yang
rusak g(s,t) pada sebuah blok area citra yang didefinisikan oleh � . Nilai dari citra f(x,y) yang diperbaiki pada tiap titik (x,y) hanya dihitung dengan menggunakan piksel dalam daerah yang didefinisikan oleh � dengan rumus:
, = 1 ∑ , ∈� , ……….…….(3)
Dimana :
m = baris dari sebuah matriks
n = kolom dari sebuah matriks
(x,y) = koordinat citra pada titik tengah matriks yang akan dirubah
(s,t) = koordinat citra rusak yang berada pada seluruh � � = blok area citra yang berada pada matriks
Biasanya matriks ini berukuran [ganjil x ganjil] agar ada poros tengah karena hasil
perhitungan rerata akan diberikan pada titik tengah dari matriks. Perhatikan contoh
berikut untuk memperjelas operasi ini.
Pada contoh gambar 2.8 ini matriks yang akan digunakan berukuran [3x3].
Matriks ini gunanya untuk memperlihatkan matriks � dari matriks original yang
Gambar 2.9 Citra dengan nilai piksel
230 229 232
237 236 236
255 255 255 �
Maka hasil filter-nya :
, = 1 ∑ , ∈� ,
= 1
3 3 (230+229+232+237+236+236+255+255+255)
= 1
9 (2165)
= 240.555
≅ 4
Maka matriks � hasil filter adalah
230 229 232
237 241 236
3.0 Mean Square Error (MSE)dan Peak Signal to Noise Ratio (PNSR)
Ada beberapa parameter pengukuran kesalahan atau error dalam pemrosesan citra. Dua parameter yang paling umum digunakan adalah Mean Square Error (MSE) dan
Peak Signal to Noise Ratio (PNSR).
Walaupun tidak selalu berkorelasi dengan persepsi visual manusia, MSE
merupakan ukuran yang baik untuk mengukur kesamaan dua buah citra yang
dinyatakan dengan persamaan berikut:
��� = 1 ∑=1∑ =1 , − , ……...(4)
Dimana :
m = ukuran baris sebuah citra
n = ukuran kolom sebuah citra
fₐ(i,j) = intensitas citra di titik (i,j) sebelum terkena noise (i,j) = intensitas citra di titik (i,j) setelah noise dihilangkan
Semakin kecil nilai MSE, semakin bagus perbaikan citra yang digunakan.
PSNR merupakan nilai perbandingan antara harga maksimum warna pada citra
hasil filtering dengan kuantitas gangguan (noise) yang dinyatakan dalam satuan decibel (db), noise yang dimaksud adalah akar rata-rata kuadrat nilai kesalahan (
MSE). Secara Matematis, nilai PSNR dapat dinyatakan dengan persamaan berikut :
...(5)
Tidak seperti MSE, nilai PSNR yang lebih besar mengindikasikan bahwa kualitas
tersebut lebih baik.
) 255 ( 10 * 20
MSE Log
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis sistem pada dasarnya merupakan tahapan yang dilakukan untuk
menghasilkan pemahaman yang menyeluruh terhadap kebutuhan sistem sehingga
diperoleh tahap-tahap yang akan dikerjakan sistem. Tahap awal dalam analisis sistem
ini adalah tahap analisis masalah yang bertujuan untuk mempelajari dan memahami
masalah yang akan diselesaikan dengan menggunakan sistem ini. Kemudian
dilanjutkan dengan tahap analisis persyaratan yang akan memenuhi kebutuhan dan
permintaan pengguna (user), serta tahap analisis terakhir adalah analisis proses yang akan dikerjakan sistem.
3.1.1 Analisis Masalah
Pada penelitian ini masalah yang paling utama adalah perbaikan kualitas citra yang
terkena noise yaitu, Gaussian Noise dan Salt and Pepper Noise menjadi citra yang lebih bagus. Citra digital yang digunakan untuk memperbaiki dan meningkatkan
kualitas citra adalah citra grayscale. Untuk melakukan perbaikan kualitas citra menggunakan teknik filtering. Teknik filter yang digunakan adalah Arithmetic Mean Filter. Setelah proses filtering, kemudian dilakukan peningkatan kualitas citra menggunakan teknik High Boost Filtering.
Untuk mengidentifikasi masalah yang digunakan diagram ishikawa. Diagram
ishikawa adalah sebuah alat grafis yang digunakan untuk mengidentifikasi, mengeksplorasi dan menggambarkan suatu masalah serta sebab dan akibat dari
Diagram ini juga sering disebut sebagai diagram sebab-akibat atau diagram
tulang ikan. Identifikasi terhadap permasalahan akan membantu analisis persyaratan
sistem yang nantinya akan dikembangkan. Berikut diagram ishikawa pada Gambar 3.1
Gambar 3.1 Diagram Ishikawa
3.1.2 Analisis Persyaratan
Analisis kebutuhan sistem ini meliputi analisis persyaratan fungsional dan analisis
persyaratan non-fungsional.
3.1.2.1 Persyaratan Fungsional
Persyaratan fungsional adalah segala sesuatu yang harus dimiliki oleh sistem. Dalam
proses filtering pada citra digital dengan menggunakan Arithmetic Mean Filter dan proses peningkatan kualitas citra menggunakan High Boost Filtering terdapat beberapa hal yang menjadi persyaratan fungsional yang harus dipenuhi, antara lain :
7. Citra asli yang digunakan untuk melakukan proses adalah citra berwarna
dengan format .jpg.
8. Citra asli tersebut di ubah menjadi citra abu (grayscale), lalu diberikan salah satu noise antara Gaussian noise atau Salt-pepper noise dengan persentasi
9. Menggunakan kernel 3x3 untuk Arithmetic Mean Filter dan pada High Boost Filtering nilai A yang digunakan bekisar antara 0,00 – 2,00.
10.Menggunakan perhitungan untuk analisis dengan metode Mean Squared Error (MSE), Peak Signal to Noise Rasio (PSNR) dan Running Time sebagai pembanding proses waktu kerja pada bagian citra tertentu.
11.Sistem melakukan proses filtering dengan Arithmetic Mean Filter dan melakukan proses peningkatan kualitas citra dengan High Boost Filtering.
12.Hasil dari proses High Boost Filtering dapat disimpan dengan format .jpg.
3.1.2.2 Persyaratan Non-Fungsional
Persyaratan non-fungsional adalah beberapa persyaratan yang harus dilakukan oleh
sistem. Beberapa persyaratan non-fungsional yang dirancang untuk sistem ini adalah
sebagai berikut :
1. Performa
Sistem yang akan dibangun harus dapat menunjukkan hasil dari proses
perbaikan citra digital.
2. Mudah dipelajari dan digunakan
Sistem yang akan dibangun harus sederhana dan mudah dipelajari oleh
pengguna (user). 3. Dokumentasi
Sistem yang akan dibangun dapat menyimpan citra digital hasil dari proses
citra yang telah diperbaiki kualitasnya.
4. Kontrol
Sistem yang akan dibangun tidak dapat berjalan jika tidak memenuhi syarat
5. Hemat Biaya
Sistem yang akan dibangun tidak memerlukan perangkat tambahan dalam
proses eksekusinya.
3.1.3. Analisis Proses
Pada tahap ini langkah awal prosesnya yaitu pengambilan citra awal yang kemudian
akan diubah menjadi citra grayscale. Kemudian citra grayscale tersebut akan diberikan pilihan Gaussian noise atau Salt and pepper noise dengan memberikan nilai
input yang sudah dibatasi antara 0 - 50%. Kemudian citra yang telah diberikan noise
akan melakukan proses filtering dengan Arithmetic Mean Filter. Hasil proses filtering
akan diproses menggunakan High Boost Filtering untuk meningkatkan kualitas citra. Setelah itu dilakukan proses perhitungan MSE, PSNR dan running time pada masing-masing proses.
3.2. Pemodelan
Pada bagian ini digunakan Unified Modeling Language (UML) sebagai bahasa spesifikasi standar suatu model yang berfungsi untuk membantu merancang sistem.
Beberapa jenis UML yang digunakan dalam penelitian ini yaitu use case diagram, sequence diagram, dan activity digaram.
3.2.1. Use Case Diagram
Gambar 3.2 Use Case Diagram
Pada use case ini terdapat actor yang memiliki pilihan untuk : a. Memilih Help adalah menu petunjuk penggunaan sistem.
b. Memilih Prosesadalah menu yang memiliki bagian menjalankan proses
pengolahan citra menjadi citra yang lebih baik dengan menggunakan metode
Berikut ini merupakan tabel dokumen naratif dari use casecover yang dapat dilihat pada tabel 3.1
Tabel 3.1 Dokumentasi Naratif Use CaseCover Nama Use case Proses
Actor Pengguna
Description Use case ini menjalankan tampilan awal digunakan dari system ini
Pre-Condition Aplikasi siap untuk menerima inputan.
Typical course of
event
Kegiatan pengguna Respon sistem
1. Menekan tombol Cover 2. Menampilkan tampilan awal dari pilihan cover.
Alternatecourse Aksi Aktor Respon sistem Post condition Sistem telah melakukan proses pemilihan menu cover.
Tabel 3.2 Dokumentasi Naratif Use Case Proses
Nama Use case Proses
Actor Pengguna
Description Use case ini menjalankan proses perbaikan citra yang akan digunakan dari system ini
Pre-Condition Aplikasi siap untuk menerima inputan.
Typical course of
event
Kegiatan pengguna Respon sistem 1. Menekan tombol proses proses grayscale dan menampilkan hasilnya.
9. Sistem akan menampilkan hasil noise yang
10. Selanjutnya proses untuk mengurangi noise dengan metode Arithmetic Mean Filter dengan menekan tombol Proses.
13.Selanjutnya proses untuk meningkatkan kualitas citra dengan metode High Boost Filtering dengan cara menentukan range (dalam range 0,00-2,00) pada slider High Boost Filter yang diinginkan.
14.Sistem akan menampilkan hasil citra grayscale yang telah tereduksi noise beserta running time.
15.Sistem akan menampilkan hasil citra grayscale yang telah ditingkatkan
Alternatecourse Aksi Aktor Respon sistem
Post condition Sistem telah melakukan proses perbaikan citra yang menghasilkan citra.
Tabel 3.3 Dokumentasi Naratif Use CaseHelp Nama Use case HELP
Actor Pengguna
Description Use case ini menjelaskan cara penggunaan dari system ini.
Pre-Condition Aplikasi siap untuk menerima inputan.
Typical course of
event
Kegiatan pengguna Respon system
1. Menekan menu HELP
2. Menampilkan isi dari HELP tersebut.
3.2.2. Sequence Diagram
Sequence diagram (diagram urutan) adalah sutau diagram yang memperlihatkan atau menampilkan interaksi-interaksi antar objek di dalam sistem yang disusun pada
sebuah urutan atau rangkaian waktu. Sequence diagram digunakan untuk menggambarkan scenario atau rangkaian langkah-langkah yang dilakukan sebagai
sebuah respon dari suatu kejadian/event untuk menghasilkan output apa yang
dhasilkan.
3.2.3. Activity Diagram
Activity Diagram menggambarkan berbagai alir aktivitas dalam system yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin tejadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Berikut ini merupakan activity diagram pada sistem yang akan dirancang.
3.3. Pseudocode Program
Pseudocode adalah deskripsi dari algoritma pemrograman komputer yang menggunakan struktur sederhana dari beberapa bahasa pemograman tetapi bahasa
tersebut hanya ditujukan agar dapat dibaca manusia.Tujuan penggunaan utama dari
pseudocode adalah untuk memudahkan manusia dalam memahami prinsip-prinsip dari suatu algoritma.
3.3.1 Pseudocode Arithmetic Mean Filter
Tabel 3.4 PseudocodeArithmetic Mean Filter
No Pseudocode
1. data getimage(handles.axes3);
matriks(2,3)=temp(x,y+1,z);
filtered(x,y,z)=filtered(x,y,z)+matriks(i,j); hasil end
2. Menyimpan citra sementara dalam bentuk matriks.
3. Membentuk variabel dari baris kolom dan warna.
3.3.2 Pseudocode High Boost Filtering
Tabel 3.5 PseudocodeHigh Boost Filtering
No Pseudocode
1. data getimage(handles.axes3);
catch
1. Membaca citra dari axes4.
2. Menyimpan citra sementara dalam bentuk matriks.
3. Membentuk variabel dari baris kolom dan warna.
3.3.3 Pseudocode menghitung nilai MSE dan PSNR
Tabel 3.6 Pseudocode nilai MSE dan PSNR No Pseudocode
1. [M N] size(citra);
2. error citra_awal - citra_noise;
3. MSE sum(sum(error .* error)) / (M * N);
4. PSNR 10*log(255*255/MSE) / log(10)
Keterangan :
1. Deklarasi ukuran matriks citra kolom adalah M dan baris adalah N.
2. Deklarasi nilai error. 3. Hitung nilai MSE.
4. Hitung nilai PSNR.
3.4. Perancangan Sistem
3.4.1. Flowchart Sistem
Flowchart adalah suatu bagan dengan simbol-simbol tertentu yang menggambarkan urutan proses secara menditail dan hubungan antara sutau proses (intruksi) dengan
proses lainnya dalam suatu program. Flowchart memiliki fungsi untuk memudahkan proses pengecekan terhadap sistem yang ingin dibuat apabila ada yang terlupakan
Sub FlowchartArithmetic Mean Filter :
Sub Flowchart High Boost Filtering :
Sub Flowchart MSE dan PSNR
3.4.2 Perancangan Antarmuka (Interface)
Sistem kombinasi algoritma restorasi citra ini dirancang dengan menggunakan bahasa
pemrograman MATLAB 2012a. Perancangan antarmuka atau interface ini bertujuan untuk memudahkan interaksi antara manusia dengan komputer sehingga manusia
dapat menggunakan sistem dengan baik dan mudah untuk digunakan.
3.4.2.1 Form Cover
Dibawah ini merupakan form cover dalam sistem ini, dan memiliki menu bar ,yaitu
Process, Help, dan Exit. Dimana pada bagian ini merupakan tampilan awal sistem. Dapat dilihat pada Gambar 3.9 dibawah ini :
Gambar 3.9 Form Cover
Keterangan :
1. Judul Percobaan.
2. Nama dan Nim Penulis.
3. LOGO Fasilkom-Ti.
4. Program studi .
3.4.2.2 Form Menu Process
Gambar 3.10 Form Menu Process
Keterangan :
1. Open File
Berfungsi untuk mencari citra yang akan di input dalam format .jpg. 2. Axes1
Merupakan tempat untuk menampilkan citra yang telah dipilih.
3. Proses
Merupakan tombol untuk mengubah citra awal menjadi citra grayscale. 4. Axes2
Merupakan tempat untuk menampilkan citra yang telah diubah ke citra
grayscale. 5. Slider noise
Merupakan input-an dimana tersedia dua jenis noise yang dibatasi dengan
range 0% sampai 50% dengan cara digeser pada salah satu slider noise . 6. Axes3
Merupakan tempat untuk menampilkan citra dengan noise yang diinginkan. 7. Text
8. Proses
Merupakan tombol untuk mereduksi noise dengan Arithmetic Mean Filter.
9. Axes4
Merupakan tempat menampilkan hasil citra yang telah di filtering. 10.Running Time
Merupakan tempat menampilkan waktu pada saat proses telah selesai.
11.Slider High Boost Filtering
Merupakan slider untuk melakukan proses High Boost Filtering dengan pergeseran yang diinginkan dari range 0 sampai 2.
12.Axes5
Merupakan tempat untuk menampilkan citra yang telah melakukan proses
High Boost Filtering.
13.Text
Menampilkan nilai yang digunakan untuk proses High Boost Filtering pada
slider.
14.PSNR dan MSE
Merupakan tomboluntuk melakukan proses perhitungan nilai PSNR dan MSE.
15.Text
Merupakan tempat menampilkan nilaiPSNR dan MSE.
16.Save
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Setelah melakukan proses analisis dan perancangan sistem, proses selanjutnya dalam
penerapan pembuatan aplikasi adalah proses implementasi dan pengujian sistem.
Implementasi merupakan tahap di mana sistem melakukan fungsionalitas utamanya
setelah suatu program atau perangkat lunak selesai dirancang. Sedangkan tahap
pengujian merupakan tahap yang dilakukan setelah proses pengimplementasikan
selesai dilakukan dan sampai proses uji coba sesuai dengan kriteria-kriteria yang
diinginkan pengguna pada tahap perancangan sistem. Pada sistem ini terdapat 3 form
yaitu formCover, form Procces, dan form Help.
4.1.1FormCover
Gambar 4.1 Form Cover
4.1.2Form Procces
Form Procces ini merupakan tampilan untuk melakukannya semua proses pengolahan citra. Dimana pada tahap pertama citra awal di tampilkan pada proses, kemudian
diubah menjadi grayscale lalu diberikan noise yang diinginkan. Setelah diberi noise dilakukan proses Arithmetic Mean Filter dan hasil proses tersebut diproses kembali menggunakan High Boost Filtering. Setelah semua proses pengolahan citra selesai, maka dapat dilakukan proses perhitungan PSNR dan MSE serta dapat menyimpan
Gambar 4.2 Form Procces
4.1.3Form Help
Form Help merupakan form yang berisi tentang penjelasan dari cara penggunaan sistem. Form Help dapat dilihat pada gambar 4.6.
Gambar 4.4 Form Help
4.2 Pengujian
Pengujian sistem dilakukan untuk mengetahui sampai sejauh mana kombinasi kedua
metode tersebut dilakukan untuk memperbaiki kualitas citra. Pengujian akan
dilakukan dengan menggunakan citra digital yang berformat JPG. Citra digital
tersebut merupakan citra RGB. Sistem akan mengubah citra digital RGB ke dalam
citra grayscale. Kemudian akan dilakukan proses penambahan noise, lalu dilakukan
4.2.1Pengujian Arithmetic Mean Filter
Pada pengujian Arithmetic Mean Filter, hal pertama yang dilakukan setelah memilih citra yaitu mengubah citra berwarna (RGB) menjadi citra grayscale. Kemudian memberikan noise dengan batasan noise yang dapat dipilih dalam range 0% - 50 %. Jenis noise yang dipilih ada dua yaitu Gaussian noise dan Salt and Pepper noise. Pada pengujian Arithmetic Mean Filter ini membuat citra yang memiliki noise menjadi berkurang noise tersebut.
Adapun gambaran sistem ini dapat dilihat pada gambar 4.5 berikut ini:
4.2.1.1 Pengujian Gaussian noise terhadap Arithmetic Mean Filter
Dibawah ini merupakan tabel gambar pengujian dengan persentasi noise 10% , 20 %
,30% , 40% dan 50%.
Tabel 4.1 Citra digital grayscale terhadap persentase noise
Persentasi
Noise
Proses Generate noise
(Citra Terkena Noise)
Proses Filtering
(Citra Hasil)
10 %
PSNR : 28.0976 dB
MSE : 100.766
PSNR : 25.6314 dB
MSE : 177.802
Running Time : 6.79937 s
20%
PSNR : 22.2072dB
MSE : 391.161
PSNR : 24.8658 dB
MSE : 212.082
30 %
PSNR : 18.9062 dB
MSE : 841.156
PSNR : 23.9121 dB
MSE : 264.167
Running Time : 6.50572 s
40 %
PSNR : 16.7279 dB
MSE : 1381.31
PSNR : 22.9069 dB
MSE : 332.961
Running Time : 6.06767 s
50 %
PSNR : 15.0262 dB
MSE : 2043.91
PSNR : 21.8111 dB
MSE : 428.529
Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise
sebesar 10%-50%. Sebagaimana terlihat pada tabel 4.1. noise yang tergenerate 10% memiliki nilai PSNR sebesar 28.0976 dB dan MSE sebesar 100.766, citra yang
terkena generate noise 10% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 25.6314 dB dan MSE sebesar 177.802. noise yang tergenerate 20% memiliki nilai PSNR sebesar 22.2072 dB dan MSE sebesar 391.161, citra yang
terkena generate noise 20% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 24.8658 dB dan MSE sebesar 212.082. noise yang tergenerate 30% memiliki nilai PSNR sebesar 18.9062 dB dan MSE sebesar 841.156, citra yang
terkena generate noise 30% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 23.9121 dB dan MSE sebesar 264.167. noise yang tergenerate 40% memiliki nilai PSNR sebesar 16.7279 dB dan MSE sebesar 1381.31, citra yang
terkena generate noise 40% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 22.9069 dB dan MSE sebesar 332.961. noise yang tergenerate 50% memiliki nilai PSNR sebesar 15.0262 dB dan MSE sebesar 2043.91, citra yang
terkena generate noise 50% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 21.8111 dB dan MSE sebesar 428.529.
Untuk melihat secara matematis perbandingan nilai PSNR sebelum dan
sesudah filtering mengenerate noise sebesar 10%-50%. Dapat dilihat gambar 4.6 grafik sebelum dilakukan filtering dengan Gaussian noise.
Dapat dilihat pada gambar 4.6, secara grafik dilihat bahwa nilai PSNR semakin
menurun apabila generate noise bernilai besar. Nilai PSNR sebelum filtering yang digenerate noise sebesar 10% adalah 28.0976 dB, 20% adalah 22.2072 dB, 30% adalah 18.9062 dB, 40% adalah 16.7279 dB dan 50% adalah 15.0262 dB. nilai PSNR
sesudah filtering yang digenerate noise sebesar 10% adalah 25.6314 dB, 20% adalah 24.8658 dB, 30% adalah 23.9121 dB, 40% adalah 22.9069 dB dan 50% adalah
21.8111 dB.
Untuk melihat secara matematis perbandingan nilai MSE sebelum dan sesudah
filtering mengenerate noise sebesar 10%-50%. Dapat dilihat gambar 4.7 grafik sesudah filtering dengan Gaussian noise.
Gambar 4.7 Grafik MSE sebelum dan sesudah filtering
Dapat dilihat pada gambar 4.7, Nilai MSE sebelum filtering yang digenerate noise
sebesar 10% adalah 100.766, 20% adalah 391.161, 30% adalah 841.156, 40% adalah
1381.31 dan 50% adalah 2043.91. Nilai MSE sesudah filtering yang digenerate noise
sebesar 10% adalah 177.802, 20% adalah 212.082, 30% adalah 264.167, 40% adalah
332.961 dan 50 % adalah 428.529.
0 500 1000 1500 2000 2500
10% 20% 30% 40% 50%
MSE
Grafik MSE Gaussian noise
4.2.1.2 Pengujian Salt and Pepper noise terhadap Arithmetic Mean Filter.
Dibawah ini merupakan table gambar pengujian dengan persentasi noise 10%, 20%
,30% , 40% dan 50%.
Tabel 4.2 Citra digital grayscale terhadap persentase noise
Persentasi
Noise
Proses Generate noise
(Citra Terkena Noise)
Proses Filtering
(Citra Hasil)
10%
PSNR : 14.8913 dB
MSE : 2108.37
PSNR : 21.5086 dB
MSE : 459.428
Running Time : 6.45085 s 20 %
PSNR : 11.8682 dB
MSE : 4229.26
PSNR : 18.9624 dB
MSE : 825.726
30%
PSNR : 10.1514 dB
MSE : 6279.66
PSNR : 17.0771 dB
MSE : 1274.61
Running Time : 6.50033 s
40%
PSNR : 8.92041 dB
MSE : 8337.57
PSNR : 15.6673 dB
MSE : 1763.41
Running Time : 6.6844 s
50 %
PSNR : 7.99541 dB
MSE : 10316.7
PSNR : 14.5199 dB
MSE : 2296.64