DAFTAR PUSTAKA
Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Graha Ilmu: Yogyakarta.
Bezdek, J.C .1981. Pattern Recognition With Fuzzy Objective Function Algorithm. Plenum Press. New York
Chairy, Amalia. 2014. Implementasi Perbandingan Metode Harmonic-Mean Filter dan Contraharmonic-Mean Filter untuk Mereduksi Noise Pada Citra Digital. Skripsi.
Universitas Sumatera Utara.
Fadilah, Azhar. 2014. 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. Universitas Sumatera Utara.
Hamzah, A. 2001. Pengenalan Pola dengan Fuzzy Clustering. ACADEMIA ISTA,
Vol.4.No.1. Lembaga Penelitian Institut Sains dan Teknologi AKPRIND. Yogayakarta.
Hermawati, F.A. 2013. Pengolahan Citra Digital. ANDI: Yogyakarta.
Kadir, A. & Susanto. A. 2013. Teori dan Aplikasi Pengolahan Citra Digital. ANDI: Yogyakarta.
Munir, R. 2007. Pengantar Pratikum pengolahan Citra. Bandung: Penerbit ANDI. Nasir, Gamal. 2014. Implementasi Harmonic Mean Filter untuk Mereduksi Noise
pada Citra BMP dan PNG. Skripsi. Universitas Sumatera Utara.
Prasetyo, E. 2011. Pengolahan Citra Digital dan Aplikasinya menggunakan Matlab. ANDI: Yogyakarta.
Prayudha, Muhammad. 2011. Perancangan Perangkat Lunak Segmentasi Citra Dengan Menggunakan Metode Fuzzy Clustering. Skripsi. Universitas Sumatera Utara.
Putra, D. 2010. Pengolahan Citra Digital. ANDI: Yogyakarta.
Sebayang, Ayu Nuraini.2011. Pengenalan Pola Dalam Fuzzy Clustering Dengan Pendekatan Algoritma Genetika. Skripsi.Universitas Sumatera Utara.
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Sebelum melakukan perancangan terhadap sistem, perlu dilakukan analisis terhadap sistem yang akan dirancang. Analisis sistem adalah tahapan untuk memahami permasalahan dalam suatu sistem dan mempelajari permasalahan dalam sistem dan memberikan solusi penyelesaian atas permasalahan sistem berdasarkan kebutuhan pengguna.
3.1.1 Analisis Permasalahan
Masalah yang akan diselesaikan dengan sistem ini adalah bagaimana melakukan segmentasi pada citra digital dengan mengurangi noise yang terdapat pada citra tersebut terlebih dahulu. Dalam sistem ini, citra akan diberikan Gaussian noise atau Uniform noise terlebih dahulu, kemudian dilakukan reduksi noise dengan Harmonic
Mean Filter. Setelah noise pada citra direduksi, dilakukan segmentasi citra dengan
menggunakan algoritma Fuzzy C Means Clustering.
Masalah pada penelitian ini secara umum ditunjukkan dengan menggunakan diagram Ishikawa. Bentuk diagram Ishikawa seperti kerangka tulang ikan. Diagram Ishikawa terdiri atas 2 bagian yaitu bagian tulang ikan yang merepresentasikan
penyebab atau akar dari suatu masalah (cause), dan bagian kepala ikan yang merepresentasikan dampak atau masalah yang diakibatkan oleh penyebab (effect). Diagram Ishikawa pada sistem ini dapat dilihat pada Gambar 3.1.
3.1.2 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi kebutuhan fungsional dan nonfungsional sistem.
3.1.2.1 Kebutuhan Fungsional Sistem
Kebutuhan fungsional merupakan spesifikasi hal-hal yang harus dilakukan oleh sebuah sistem. Dalam sistem segmentasi citra dan filtering ini terdapat beberapa kebutuhan fungsional yang harus dipenuhi, yaitu:
1. Sistem dapat menginput citra digital dengan format *.bmp atau *.png dan dengan ukuran citra maksimal 300x300 pixel dan menggunakan kernel 3x3 dari matriks nilai pixel citra.
2. Sistem dapat melakukan proses generate noise, noise yang digunakan pada sistem Gaussian Noise dan Uniform Noise dengan persentase noise 5%, 10%, 15%, 20%, 25%, 30%, 35%, 40%, 45%, 50%. Dan sistem dapat mereduksi noise dengan metode Harmonic Mean Filter.
3. Sistem dapat melakukan proses segmentasi noise baik pada citra asli, citra bernoise dan citra hasil reduksi noise dengan menggunakan metode Fuzzy C Means Clustering dengan jumlah cluster sebanyak maksimal 10 dengan proses
iterasi sebanyak 3 kali.
4. Sistem memiliki parameter yang akan digunakan untuk membandingkan kualitas citra pada proses reduksi noise atau segmentasi citra. Parameter tersebut adalah Mean Squared Error (MSE), Peak Signal to Noise Ratio (PSNR) dan running time.
3.1.2.2 Kebutuhan NonFungsional Sistem
Kebutuhan non-fungsional adalah kebutuhan yang berisi kinerja operasional dan performance dari suatu sistem. Terdapat beberapa kebutuhan non-fungsional yang harus dipenuhi (Nasir, 2014), yaitu:
1. Performa
2. Mudah digunakan
Sistem yang akan dibangun harus muda digunakan (user friendly), artinya sistem ini akan mudan digunakan oleh user dengan tampilan yang sederhana dan dapat dimengerti.
3. Hemat biaya
Sistem dan perangkat lunak digunakan tidak memerlukan perangkat tambahan yang dapat mengeluarkan biaya.
4. Dokumentasi
Sistem yang akan dibangun harus bisa menyimpan citra hasil proses filtering dan segmentasi.
5. Kontrol
Perangkat lunak yang dibangun memiliki kontrol berupa enable and disable pada tombol fungsi tertentu
6. Manajemen kualitas
Sistem atau perangkat lunak yang akan dibangun harus memiliki kualitas yang baik yaitu dapat menghitung nilai MSE dan PSNR secara tepat serta dapat menghitung nilai running time.
3.1.3 Analisis Proses
Sistem ini memiliki 3 proses, yaitu proses tambah noise, proses reduksi noise, dan proses segmentasi. Pada proses tambah noise terdapat dua pilihan noise yang akan ditambahkan, yaitu Gaussian Noise atau Uniform Noise. Proses reduksi noise dilakukan dengan metode Harmonic Mean Filter. Setelah reduksi noise, dilakukan proses yang terakhir yaitu proses segmentasi dengan menggunakan metode Fuzzy C Means Clustering.
3.1.3.1 Analisis Proses Reduksi Noise dengan Metode Harmonic Mean Filter Berikut ini merupakan contoh proses filtering dengan menggunakan metode Harmonic Mean Filter pada suatu matriks citra berukuran 5x5:
Perhitungan dimulai dari koordinat f(2,2) dan dilakukan dengan mengambil matriks 3x3 dari matriks citra awal 5x5. Dan setelah itu dilanjutkan dengan matriks 3x3 disebelahnya.
[ ]
Perhitungannya adalah sebagai berikut:
, =
�+ + + + + + + + = . ≈ 21,4 = 21
, =
+ + + + + + + +�=
. ≈ 8,16 = 8
, =
+ + + + + + + +� =. ≈ 10,04 = 10
, =
+ + + + + + + +�=
. ≈ 16,2 = 16
, =
+ + + + + + + +�=
. ≈ 20,68 = 21
, =
+ + + + + + + +� =. ≈ 20,13 = 20
, =
+ + + + + + + +�=
. ≈ 5,31 = 5
, =
+ + + + + + + +�=
. ≈ 12,85 = 13
, =
+ + + + + + + +�=
. = 18
Setelah perhitungan diatas selesai, maka didapatlah hasil citra yang sudah difilter:
3.1.3.2 Analisis Proses Segmentasi Citra dengan Metode Fuzzy C Means
Clustering
Berikut ini merupakan contoh proses segmentasi citra dengan menggunakan metode Fuzzy C Means Clustering pada suatu matriks citra berukuran 5x5:
[ ]
Dari Matriks diatas, urutkan data dari yang terkecil sampai data terbesar, yaitu sebagai berikut:
2, 4, 5, 6, 8, 9, 10, 12, 12, 13, 14, 16, 18, 18, 20, 21, 21, 22, 26, 32, 35, 36, 44, 66, 82 Pertama-tama bangkitkan 5 bilangan acak (karena matriks citra 5x5) antara 2 (data terkecil) sampai 82(data terbesar), misalnya diperoleh:
Cluster-1 = 8.06
Cluster-2 = 14.36
Cluster-3 = 48.40
Cluster-4 = 60.25
Cluster-5 = 80.10
Hitung jarak data dengan centroid dengan meminimalkan jarak melalui iterasi. Lakukan iterasi-1 pada data pertama:
1. Hitung jarak data pertama ke pusat cluster pertama:
D11 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √100 + 900 + 256 + 16 + 36 = 36.17
2. Hitung jarak data pertama ke pusat cluster kedua:
D12 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √16 + 0 + 196 + 1156 + 576 = 44.10
3. Hitung jarak data pertama ke pusat cluster ketiga:
D13 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √900 + 16 + 324 + 1444 + 784 = 58.89
4. Hitung jarak data pertama ke pusat cluster keempat:
5. Hitung jarak data pertama ke pusat cluster kelima:
D15 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √3844 + 676 + 144 + 64 + 4 = 68.79
Pada data kedua:
1. Hitung jarak data kedua ke pusat cluster pertama:
D21 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √1 + 225 + 4 + 16 + 841 = 32.97
2. Hitung jarak data kedua ke pusat cluster kedua:
D22 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √25 + 225 + 784 + 676 + 1 = 41.36
3. Hitung jarak data kedua ke pusat cluster ketiga:
D23 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √1521 + 361 + 1024 + 900 + 25 = 61.89
4. Hitung jarak data kedua ke pusat cluster keempat:
D24 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √2601 + 16 + 289 + 225 + 100 = 56.84
5. Hitung jarak data kedua ke pusat cluster kelima:
D25 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √5041 + 121 + 4 + 0 + 625 = 76.10
Pada data ketiga:
1. Hitung jarak data ketiga ke pusat cluster pertama:
D31 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √324 + 100 + 225 + 196 + 5776 = 81.37
2. Hitung jarak data ketiga ke pusat cluster kedua:
D32 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √144 + 400 + 225 + 256 + 2116 = 56.04
3. Hitung jarak data ketiga ke pusat cluster ketiga:
D33 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √484 + 576 + 361 + 400 + 1764 = 59.87
4. Hitung jarak data ketiga ke pusat cluster keempat:
= √1156 + 81 + 16 + 25 + 3249 = 67.28 5. Hitung jarak data ketiga ke pusat cluster kelima:
D35 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √2916 + 36 + 121 + 100 + 5184 = 91.41
Pada data keempat:
1. Hitung jarak data keempat ke pusat cluster pertama:
D41 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √1296 + 1 + 49 + 144 + 676 = 46.54
2. Hitung jarak data keempat ke pusat cluster kedua:
D42 = √ − 2 + − 2 + (13 − 2 + − 2 + − 2 = √900 + 961 + 529 + 324 + 16 = 52.23
3. Hitung jarak data keempat ke pusat cluster ketiga:
D43 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √16 + 1225 + 729 + 484 + 64 = 50.18
4. Hitung jarak data keempat ke pusat cluster keempat:
D44 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √256 + 400 + 144 + 49 + 49 = 29.97
5. Hitung jarak data keempat ke pusat cluster kelima:
D45 = √ − 2 + − 2 + − 10)2 + − 2 + − 2 = √1296 + 25 + 9 + 64 + 484 = 43.34
Pada data kelima
1. Hitung jarak data kelima ke pusat cluster pertama:
D51 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √36 + 4 + 36 + 3600 + 0 = 60.63
2. Hitung jarak data kelima ke pusat cluster kedua:
D52 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √0 + 1024 + 576 + 900 + 900 = 58.31
3. Hitung jarak data kelima ke pusat cluster ketiga:
4. Hitung jarak data kelima ke pusat cluster keempat:
D44 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √2116 + 441 + 169 + 1681 + 361 = 69.05
5. Hitung jarak data kelima ke pusat cluster kelima:
D45 = √ − 2 + − 2 + − 2 + − 2 + − 2 = √4356 + 36 + 4 + 3136 + 16 = 86.88
Hasil perhitungan diatas diperoleh jarak antara data dengan cluster dan dimasukkan kedalam Tabel 3.1 dibawah ini:
Tabel 3.1 Cluster Citra
1 2 3 4 5 C1 C2 C3 C4 C5
1 18 36 22 2 12 36.17 44.10 58.89 50.91 68.79
2 9 21 8 10 35 32.97 41.36 61.89 56.84 76.10
3 26 16 21 20 82 81.37 56.04 59.87 67.28 91.41
4 44 5 13 18 32 46.54 52.23 50.18 29.97 43.34
5 14 4 12 66 6 60.63 58.31 71.19 69.05 86.88
Lakukan pemilihan cluster yang paling kecil sehingga diperoleh Tabel 3.2 Tabel 3.2 Pusat Cluster Citra
1 2 3 4 5 C1 C2 C3 C4 C5
1 18 36 22 2 12 36.17 44.10 58.89 50.91 68.79
2 9 21 8 10 35 32.97 41.36 61.89 56.84 76.10
3 26 16 21 20 82 81.37 56.04 59.87 67.28 91.41
4 44 5 13 18 32 46.54 52.23 50.18 29.97 43.34
5 14 4 12 66 6 60.63 58.31 71.19 69.05 86.88
Maka diperoleh cluster pertama adalah data pixel (1,1) dan(1,2) sehingga C11 : (18+9)/2: 13.5 . Cluster kedua adalah data pixel (2,3) dan (2,5) sehingga C21: (16+4)/2: 10. Cluster keempat adalah hanya data (4,4) sehingga C41: 18.
dihentikan dan dari hasil pusat cluster yang diperoleh update nilai pixel, maka diperoleh matriks nilai pixel citra iterasi 1 seperti pada Tabel 3.3.
Tabel 3.3 Matriks Nilai Pixel 5x5 Iterasi 1 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5
Dari Tabel 3.3 di atas dapat dilihat bahwa semua nilai pixel pada matriks citra satelit memiliki nilai yang homogen dengan nilai 13.5. Untuk blok yang lain pada citra dilakukan perhitungan yang sama seperti di atas yang hasilnya seperti pada pada Tabel 3.4.
Tabel 3.4 Matriks Nilai Pixel 5x5 Iterasi 1 pada blok-blok lain
13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa
13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa
13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa
13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa
13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa
bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc
bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc
bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc
bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc
bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc
Keterangan:
Nilai aaa : Nilai piksel blok-2 citra dihitung pada iterasi 1 Nilai bbb : Nilai piksel blok-3 citra dihitung pada iterasi 1 Nilai ccc : Nilai piksel blok-4 citra dihitung pada iterasi 1
Jika semua blok telah dihitung, maka akan terbentuk pola-pola yang homogen yang mempermudah dalam pengenalan pola karena terdapat pemisah antara pola-pola yang homogen yaitu nilai pikselnya.
3.2 Pemodelan Sistem
3.2.1 Use Case Diagram
Use case diagram adalah diagram yang digunakan untuk menggambarkan interaksi
antara pengguna sistem dengan sistem itu sendiri. Use case mereperesentasikan hubungan antara aktor dengan sistem. Aktor merupakan semua pengguna (user) yang terlibat interaksi dengan sistem, seperti manusia, mesin, sistem eksternal, atau pun unit organisasi.
Use Case diagram sistem ini dapat dilihat pada gambar 3.2.
Gambar 3.2 Use Case diagram sistem
Gambar 3.2 menerangkan interaksi yang dapat dilakukan actor (user) dengan sistem. Sistem menyediakan dua fitur yang dapat digunakan user yaitu reduksi noise dan segmentasi citra. Proses reduksi noise menggunakan Harmonic Mean Filter dan proses segmentasi citra menggunakan Fuzzy C Means Clustering. Terdapat dua jenis noise yang dapat digunakan untuk membangkitkan noise citra yaitu Uniform Noise
dan Gaussian Noise. Sistem juga akan melakukan perhitungan nilai MSE,PSNR dan Running Time setelah user melakukan proses reduksi noise dan segmentasi citra dan
saat sistem membangkitkan noise.
Tabel 3.5 Spesifikasi Use Case generate noise
Name Generate Noise
Actors User
Description Use case ini mendeskripsikan proses pembangkitan noise.
Preconditions User dapat melihat citra asli dan citra yang telah ditambah noise.
Post Conditions Sistem menampilkan citra yang telah di tambah noise.
Success Scenario 1. User memasukkan nilai probabilitas untuk proses generate noise.
2. Kemudian user mengeksekusi button noise yang terdapat disistem.
3. Sistem akan melakukan proses generate noise dan menampilkan citra hasil yang telah ditambahkan noise. 4. Pengguna dapat melihat citra hasil generate noise.
Alternative Flows Pengguna dapat memilih jenis noise yang akan ditambahkan, seperti Uniform noise atau Gaussian noise.
Spesifikasi use case reduksi noise dapat dilihat pada Tabel 3.6. Tabel 3.6 Spesifikasi Use Case reduksi noise
Name Reduksi Noise
Actors User
Description Use Case ini mendeskripsikan proses reduksi noise.
Preconditions Pengguna dapat melihat citra asli, citra yang telah ditambah noise dan citra hasil reduksi noise.
Post Conditions Sistem menampilkan citra hasil reduksi noise.
Success Scenario 1. Pengguna mengeksekusi button filtering.
2. Sistem akan melakukan proses filtering dan menampilkan hasil filtering Harmonic Mean Filter.
3. Pengguna dapat melihat hasil filtering Harmonic Mean Filter.
Alternative Flows Pengguna dapat memilih citra noise yang akan direduksi, seperti citra Uniform Noise atau citra Gaussian Noise. Spesifikasi use case segmentasi citra dapat dilihat pada Tabel 3.7.
Tabel 3.7 Spesifikasi Use Case segmentasi citra
Name Segmentasi Citra
Actors User
Description Use Case ini mendeskripsikan proses segmentasi citra.
hasil segmentasi.
Post Conditions Sistem menampilkan citra yang telah di segmentasi.
Success Scenario 1. Pengguna mengeksekusi button Segmentasi.
2. Sistem akan melakukan proses segmentasi dan menampilkan hasil segmentasi Fuzzy C Means Clustering.
3. Pengguna dapat melihat hasil segmentasi Fuzzy C Means Clustering.
Alternative Flows -
Spesifikasi use case menghitung nilai MSE, PSNR dan Running Time dapat dilihat pada Tabel 3.8.
Tabel 3.8 Spesifikasi Use Case menghitung nilai MSE, PSNR, dan Running Time
Name Menghitung Nilai MSE, PSNR dan Running Time
Actors User
Description Use Case ini mendeskripsikan proses perhitungan nilai MSE, PSNR dan Running Time.
Preconditions User mengeksekusi button noise, button Filtering dan button segmentasi.
Post Conditions Sistem menampilkan nilai MSE, PSNR dan Running Time dari citra hasil generate noise, citra hasil filtering dan citra hasil segmentasi.
Success Scenario 1. Sistem melakukan proses perhitungan nilai MSE, PSNR dan Running Time citra hasil generate noise, citra hasil filtering, dan citra hasil segmentasi.
2. User dapat melihat hasil perhitungan MSE, PSNR dan Running Time citra hasil generate noise dan citra hasil filtering, dan citra hasil segmentasi.
Alternative Flows -
3.2.2 Activity Diagram
Activity diagram adalah diagram aktivitas yang mendeskripsikan proses kerja dalam
sebuah sistem yang sedang berjalan. Diagram ini hampir memiliki peran yang sama dengan diagram alir yang memungkinkan user yang melakukan proses dapat memilih urutan yang sesuai dengan keinginannya. Activity diagram bertujuan untuk membantu memahami keseluruhan proses dan menggambarkan interaksi antara beberapa use case. Activity diagram sistem ini terbagi tiga, yaitu Activity diagram menu
Implementasi-Filtering, Activity diagram menu Implementasi-Segmentasi dan Activity
diagram menu Home dan About.
Activity diagram untuk menu Implementasi-Segmentasi dapat dilihat pada Gambar 3.4
Activity diagram untuk menu Home dan menu About dapat dilihat pada Gambar 3.5
(a) (b)
Gambar 3.5 Activity diagram (a) menu Home dan (b) menu About
3.2.3 Sequence Diagram
Sequence diagram adalah diagram yang digunakan untuk menggambarkan interaksi-
interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Sequence Diagram berisi skenario atau rangkaian langkah-langkah yang dilakukan sebagai sebuah respon dari suatu kejadian untuk menghasilkan output tertentu.
Sequence diagram menu Implementasi-Filtering dapat dilihat pada Gambar 3.6
Sequence diagram menu Implementasi-Segmentasi dapat dilihat pada Gambar 3.7
3.3 Perancangan Sistem 3.3.1 Flowchart Sistem
3.3.2 Flowchart Harmonic Mean Filter
3.3.3 Flowchart Fuzzy C Means Clustering
3.3.4 Perancangan Antarmuka Sistem (Interface)
Perancangan antarmuka digunakan untuk menampilkan antarmuka sistem yang akan digunakan oleh pengguna. Sistem ini dirancang dalam 5 form, yaitu form Home, form Implementasi - Filtering, form Implementasi – Segmentasi, form Help, dan form About. Form Home merupakan tampilan awal aplikasi. Form Implementasi - Filtering merupakan menu form yang dapat digunakan oleh pengguna untuk melakukan proses filtering. Form Implementasi – Segmentasi merupakan menu form yang dapat digunakan oleh pengguna untuk melakukan proses segmentasi. Form Help berisi panduan untuk pengguna dalam menggunakan aplikasi sistem. Form About berisi profil penulis.
3.3.4.1 Form Home
Form Home dapat dilihat pada Gambar 3.11
Gambar 3.11 Rancangan Form Home Keterangan:
1. Merupakan Tool Strip Menu Item Home berfungsi menampilkan form Home. 2. Merupakan Tool Strip Menu Item Implementasi berfungsi memilih sub menu
Filtering atau Segmentasi.
3. Merupakan Tool Strip Menu Item Help berfungsi menampilkan form Help. 4. Merupakan Tool Strip Menu Item About berfungsi menampilkan form About. 5. Merupakan Sub Tool Strip Menu Item Implementasi – Filtering berfungsi
menampilkan form Filtering.
6. Merupakan Sub Tool Strip Menu Item Implementasi – Segmentasi berfungsi menampilkan form Segmentasi.
3.3.4.2 Form Implementasi – Filtering
Form Implementasi – Filtering dapat dilihat pada Gambar 3.12
Gambar 3.12 Rancangan Form Implementasi - Filtering
Keterangan:
1. Merupakan Label CA yaitu merupakan singkatan dari Citra Asli. 2. Merupakan Label CN yaitu merupakan singkatan dari Citra Noise. 3. Merupakan Label CN yaitu merupakan singkatan dari Citra Noise. 4. Merupakan Label CF yaitu merupakan singkatan dari Citra Filter. 5. Merupakan Label CF yaitu merupakan singkatan dari Citra Filter. 6. Merupakan Picture Box yang berfungsi menampilkan Citra Asli.
7. Merupakan Picture Box yang berfungsi menampilkan Citra Noise dari Gaussian Noise.
8. Merupakan Picture Box yang berfungsi menampilkan Citra Noise dari Uniform Noise.
10. Merupakan Picture Box yang berfungsi menampilkan Citra Filter dari Uniform Noise.
11. Merupakan Label Nama yang menampilkan nama File Citra yang diinput. 12. Merupakan Label Size Citra yang menampilkan Size Citra yang diinput. 13. Merupakan Label Persentase Noise dari Citra Noise Gaussian.
14. Merupakan Label MSE yang akan menampilkan nilai MSE dari Citra Noise Gaussian.
15. Merupakan Label PSNR yang akan menampilkan nilai PSNR dari Citra Noise Gaussian.
16. Merupakan Label RT yang akan menampilkan nilai Running Time dari Citra Noise Gaussian.
17. Merupakan Label Persentase Noise dari Citra Noise Uniform.
18. Merupakan Label MSE yang akan menampilkan nilai MSE dari Citra Noise Uniform.
19. Merupakan Label PSNR yang akan menampilkan nilai PSNR dari Citra Noise Uniform.
20. Merupakan Label RT yang akan menampilkan nilai Running Time dari Citra Noise Uniform.
21. Merupakan Label Gaussian Noise yang menunjukan Picture box dari Filtering Citra Noise Gaussian.
22. Merupakan Label MSE yang akan menampilkan nilai MSE dari Filtering Citra Noise Gaussian.
23. Merupakan Label PSNR yang akan menampilkan nilai PSNR dari Filtering Citra Noise Gaussian.
24. Merupakan Label RT yang akan menampilkan nilai Running Time dari Filtering Citra Noise Gaussian.
25. Merupakan Label Uniform Noise yang menunjukan Picture box dari Filtering Citra Noise Uniform.
26. Merupakan Label MSE yang akan menampilkan nilai MSE dari Filtering Citra Noise Uniform.
28. Merupakan Label RT yang akan menampilkan nilai Running Time dari Filtering Citra Noise Uniform.
29. Merupakan Button Input Citra untuk membuka file citra asli.
30. Merupakan Button Reset yang berfungsi untuk menghapus seluruh kerja program kembali ke bentuk awal.
31. Merupakan Combo Box yang akan menampilkan persentase Noise dari Gaussian Noise yang akan ditambahkan ke citra Asli.
32. Merupakan Combo Box yang akan menampilkan persentase Noise dari Uniform Noise yang akan ditambahkan ke citra Asli.
33. Merupakan Button Filtering untuk mereduksi Noise Gaussian.
34. Merupakan Button Save untuk menyimpan Citra Gaussian Noise yang telah difilter.
35. Merupakan Button Filtering untuk mereduksi Noise Uniform.
36. Merupakan Button Save untuk menyimpan Citra Uniform Noise yang telah difilter.
37. Merupakan Group Box yang berisi keterangan dari parameter sistem.
3.3.4.3 Form Implementasi – Segmentasi
Form Implementasi – Segmentasi dapat dilihat pada Gambar 3.13
Keterangan :
1. Merupakan Picture Box yang akan menampilkan Citra yang diinput. 2. Merupakan PictureBox yang akan menampilkan Citra hasil segmentasi. 3. Merupakan Label Nama yang akan menampilkan nama Citra yang diinput. 4. Merupakan Label Size Citra yang akan menampilkan ukuran Citra yang diinput. 5. Merupakan Button Input Citra yang berfungsi untuk membuka file Citra yang
akan diinput.
6. Merupakan Button Reset yang berfungsi untuk menghapus seluruh kerja program kembali ke bentuk awal.
7. Merupakan Label Number of Cluster yang akan menampilkan jumlah cluster yang diinginkan.
8. Merupakan Combo Box yang memiliki daftar number of cluster yang telah ditentukan.
9. Merupakan Button Segmentasi yang berfungsi untuk melakukan proses segmentasi.
10. Merupakan Button Save yang berfungsi untuk menyimpan Citra hasil yang telah disegmentasi
Form Help dapat diihat pada Gambar 3.14
Gambar 3.14 Rancangan Form Help Keterangan :
1. Merupakan Group Box untuk menampilkan penjelasan tentang Form Implementasi – Filtering.
2. Merupakan Group Box untuk menampilkan penjelasan tentang Form Implementasi – Segmentasi.
3.3.4.5 Form About
Form About dapat dilihat pada Gambar 3.15
Gambar 3.15 Rancangan Form About
Keterangan :
1. Merupakan Picture Box untuk menampilkan image profil dari penulis.
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Setelah melakukan proses Analisis dan Perancangan Sistem, tahap selanjutnya adalah Implementasi dan Pengujian Sistem. Implementasi sistem merupakan penerapan fungsionalitas suatu sistem setelah selesai dilakukan pemodelan dan perancangan sistem. Impelementasi sistem ini dibangun dengan menggunakan bahasa pemrograman C# dengan memakai IDE SharpDevelop. Sistem ini dirancang dalam 5 form, yaitu form Home, form Implementasi - Filtering, form Implementasi – Segmentasi, form Help,
dan form About.
4.1.1 Form Home
Form ini yang pertama kali muncul saat aplikasi dijalankan. Form Home
menampilkan judul skripsi, logo Fasilkom-TI, dan menu strip yang didalamnya terdapat beberapa menu yang digunakan untuk memanggil form – form yang tersedia di sistem. Tampilan form Home dapat dilihat di Gambar 4.1 .
Gambar 4.1 Tampilan Form Home
4.1.2 Form Implementasi – Filtering
Form ini merupakan form yang akan melakukan implementasi filtering sebuah citra
maupun Uniform Noise sesuai dengan persentase noise yang diinginkan setelah itu citra akan difilter dengan metode Harmonic Mean Filter. Pada form ini juga dihitung nilai MSE,PSNR dan Running Time sebagai parameter perbandingan baik pada saat pembangkitan noise maupun saat proses filtering. Tampilan Form Implementasi – Filtering dapat dilihat pada Gambar 4.2.
Gambar 4.2 Tampilan Form Implementasi – Filtering 4.1.3 Form Implementasi – Segmentasi
Form ini merupakan form yang akan melakukan proses implementasi segmentasi
sebuah citra dengan metode Fuzzy C Means Clustering. Form ini akan menampilkan citra hasil segmentasi beserta hasil perhitungan MSE, PSNR, Running Time. Pada form ini citra yang dapat disegmentasi adalah citra asli, citra yang telah diberi noise,
Gambar 4.3 Tampilan Form Implementasi – Segmentasi
4.1.4 Form Help
Form ini merupakan panduan bagi pengguna agar dapat dengan mudah menggunakan
aplikasi ini. Tampilan form Help dapat dilihat pada Gambar 4.4.
4.1.5 Form About
Form ini berisi profil singkat penulis/peneliti. Tampilan form About dapat dilihat pada
Gambar 4.5.
Gambar 4.5 Tampilan Form About 4.2 Pengujian Sistem
Pengujian sistem merupakan tahapan selanjutannya setelah implementasi sistem. Pengujian sistem bertujuan untuk membuktikan sistem yang dibangun telah berjalan dengan baik dan mengetahui citra hasil segmentasi serta mengetahui perbandingan citra hasil segmentasi dengan metode Fuzzy C Means Clustering dimana sebelumnya telah difiltering dengan metode Harmonic Mean Filter dengan citra hasil segmentasi dengan metode Fuzzy C Means Clustering tanpa difiltering terlebih dahulu. Pengujian sistem ini dilakukan pada citra berwarna tanpa noise berformat *.bmp dan *.png dengan ukuran maksimal 300 x 300 piksel.
4.2.1 Proses Pengujian Reduksi Gaussian Noise
yaitu 10% dan 50%. Lalu sistem akan menampilkan citra bernoise berdasarkan persentase noise yang telah ditentukan. Nilai MSE, PSNR, dan Running Time dari citra bernoise tersebut akan dihitung oleh sistem dan akan muncul bersamaan dengan tampilan citra bernoise. Proses pembangkitan Gaussian Noise dapat dilihat pada Gambar 4.6 untuk persentase noise 10% dan Gambar 4.7 untuk persentase noise 50%.
(a) (b)
Gambar 4.6 Tampilan Citra yang diberi Gaussian Noise dengan persentase noise 10% (a) Citra *.bmp (b) Citra *.png
(a) (b)
Tahap selanjutnya adalah proses filtering dengan Harmonic Mean Filter dengan menekan button Filtering. Dimana citra yang telah diberi Gaussian Noise dengan persentase noise 10% dan 50% akan direduksi dengan metode Harmonic Mean Filter. Lalu sistem akan menampilkan citra hasil filtering beserta nilai
MSE,PSNR dan Running Time yang sebelumnya telah dihitung oleh sistem. Tampilan proses filtering Gaussian Noise dapat dilihat pada Gambar 4.8 dan Gambar 4.9.
(a) (b)
Gambar 4.8 Tampilan proses filtering terhadap citra Gaussian Noise dengan persentase noise 10% (a) Citra *.bmp (b) Citra *.png
(a) (b)
4.2.2 Proses Pengujian Reduksi Uniform Noise
Proses Pengujian metode filter dalam mereduksi Uniform Noise sama seperti proses pengujian pada Gaussian Noise. Perbedaan hanya terletak pada noise yang akan digunakan. Pada proses pengujian reduksi Uniform Noise, noise yang dipilih adalah Uniform Noise. Proses pembangkitan Uniform Noise dapat dilihat pada Gambar 4.10
untuk persentase noise 10% dan Gambar 4.11 untuk persentase noise 50%
(a) (b)
Gambar 4.10 Tampilan citra yang diberi Uniform Noise dengan persentase noise 10% (a)Citra *.bmp (b) Citra *.png
(a) (b)
Gambar 4.11 Tampilan citra yang diberi Uniform Noise dengan persentase noise 50% (a)Citra *.bmp (b) Citra *.png
(a) (b)
Gambar 4.12 Tampilan proses filtering terhadap citra Uniform Noise dengan persentase noise 10% (a) Citra *.bmp (b) Citra *.png
(a) (b)
Gambar 4.13 Tampilan proses filtering terhadap citra Uniform Noise dengan persentase noise 50% (a) Citra *.bmp (b) Citra *.png
4.2.3 Proses Pengujian Segmentasi Citra
cluster yang tersedia adalah 1 sampai 10. Lalu sistem akan melakukan proses
segmentasi dengan menekan button segmentasi. Setelah itu sistem akan menampilkan citra hasil segmentasi beserta nilai MSE, PSNR, dan Running Time. Proses pengujian segmentasi citra dapat dilihat pada Gambar 4.14 yaitu proses segmentasi citra terhadap citra asli, citra bernoise Gaussian Noise, Uniform Noise, dan citra hasil reduksi dengan metode Harmonic Mean Filter dengan jumlah cluster 7.
(a) (b)
(e)
Gambar 4.14 Tampilan proses segmentasi citra (a) Segmentasi citra terhadap citra asli (b) Segmentasi citra terhadap citra bernoise Gaussian dengan persentase 30% (c) Segmentasi citra terhadap citra hasil reduksi Gaussian Noise (d) Segmentasi citra terhadap citra bernoise Uniform dengan persentase 30% (e) Segmentasi citra terhadap citra hasil reduksi Uniform Noise
4.3 Hasil Pengujian
4.3.1 Hasil Pengujian Filtering
Pengujian metode filter dilakukan terhadap 2 citra dengan format *.bmp dan *png dengan ukuran dimensi citra yang berbeda. Berikut adalah citra asli yang akan digunakan untuk menguji metode filter pada penelitian ini :
(a) Koala.bmp (250x215 pixels) (b) Tulip.png (260x285 pixels)
Hasil pengujian metode Harmonic Mean Filter pada citra dengan format *.bmp dan *.png dapat dilihat pada tabel 4.1 dan 4.2.
Tabel 4.1 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise dan
Uniform Noise pada Citra *.bmp
MSE : 1745,329
Tabel 4.2 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise dan
Uniform Noise pada Citra *.png
10% Running Time: 0,7 Running Time:
Running Time: ditunjukan oleh nilai parameter MSE,PSNR dan Running Time yang berubah setelah proses filtering. Harmonic Mean Filter bekerja lebih baik pada Uniform Noise dibandingkan dengan Gaussian Noise. Hal ini dapat dilihat dari proses pembangkitan noise dan proses filtering dimana nilai parameter MSE citra hasil filtering lebih kecil
daripada nilai MSE pada citra bernoise. Dan nilai parameter PSNR citra hasil filtering yang lebih besar daripada nilai PSNR pada citra bernoise. Sedangkan pada Gaussian Noise nilai parameter MSE cira hasil filtering lebih besar daripada nilai MSE citra
Dari Tabel 4.1 dan 4.2 dapat disimpulkan bahwa pada proses pembangkitan Gaussian noise nilai MSE citra berformat .bmp cenderung lebih besar daripada citra
berformat .png, nilai PSNR citra berformat .bmp cenderung lebih kecil daripada citra berformat .png, dan Running Time pada proses pembangkitan noise citra berformat .bmp lebih kecil daripada citra berformat .png. Pada proses filtering Gaussian Noise, nilai MSE citra berformat .bmp lebih kecil daripada citra berformat .png, nilai PSNR citra berformat .bmp lebih besar daripada citra berformat .png, dan Running Time citra berformat .bmp lebih besar daripada citra berformat .png. Sedangkan pada proses pembangkitan Uniform Noise nilai MSE pada citra berformat .bmp lebih kecil daripada citra berformat .png, nilai PSNR pada citra berformat .bmp lebih besar daripada citra berformat .png, dan Running Time pada citra berformat .bmp lebih kecil daripada citra berformat .png. Pada proses filtering Uniform Noise, nilai MSE pada citra berformat .bmp lebih besar daripada citra berformat .png, nilai PSNR citra berformat .bmp lebih kecil daripada citra berformat .png, Running Time citra berformat .bmp lebih kecil daripada citra berformat png.
4.3.2 Hasil Pengujian Segmentasi
Hasil pengujian segmentasi citra terhadap citra asli, citra bernoise Gaussian Noise, citra bernoise Uniform Noise .bmp dan .png, serta citra hasil reduksi Harmonic
Mean Filter dapat dilihat pada tabel 4.3, tabel 4.4, dan tabel 4.5
MSE : 428,849 Means Clustering bekerja lebih baik pada citra .bmp daripada citra .png. Hal itu dapat
dilihat dari nilai MSE citra .bmp lebih kecil dari nilai MSE citra .png, nilai PSNR citra .bmp lebih besar dari nilai PSNR citra .png, sedangkan nilai Running Time citra .bmp lebih besar dari citra .png. Jumlah cluster juga mempengaruhi kualitas citra yang dihasilkan oleh segmentasi fuzzy c means clustering. Hal ini dapat dilihat dari semakin banyak jumlah cluster maka semakin bagus kualitas citra yang dihasilkan yang dapat dilihat dari nilai MSE yang semakin kecil dan nilai PSNR yang semakin besar. Nilai Running Time dari proses segmentasi dipengaruhi oleh besar dimensi citra yang akan
Tabel 4.4 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra bernoise
Gaussian Noise dan Citra Hasil Reduksi terhadap Citra Gaussian Noise pada
8
Dari Tabel 4.4 menunjukan bahwa segmentasi citra Fuzzy C Means Clustering lebih baik bekerja pada citra Gaussian Noise .png daripada citra Gaussian Noise .bmp. Hal ini dapat dilihat dari nilai MSE citra Gaussian Noise .png yang lebih kecil daripada nilai MSE citra Gaussian Noise .bmp dan nilai PSNR citra Gaussian Noise .png lebih besar daripada nilai PSNR pada citra Gaussian Noise .bmp. Pada segmentasi citra hasil reduksi Harmonic Mean Filter, citra hasil reduksi Gaussian Noise .png lebih baik daripada citra hasil reduksi Gaussian Noise .bmp. Hal ini dapat
daripada nilai MSE citra hasil reduksi Gaussian Noise .bmp dan nilai PSNR citra hasil reduksi Gaussian Noise .png lebih besar daripada nilai PSNR pada citra hasil reduksi Gaussian Noise .bmp. Segmentasi citra pada citra hasil reduksi baik citra .bmp
maupun citra .png memiliki hasil yang lebih baik daripada citra bernoise Gaussian Noise baik citra.bmp maupun citra .png karena citra hasil reduksi memiliki nilai MSE
yang lebih kecil dan nilai PSNR yang lebih besar daripada citra bernoise Gaussian Noise.
Tabel 4.5 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra bernoise
Uniform Noise dan Citra Hasil Reduksi terhadap Citra Uniform Noise pada Citra
Dari Tabel 4.5 menunjukan bahwa segmentasi citra Fuzzy C Means Clustering lebih baik bekerja pada citra Uniform Noise .bmp daripada citra Uniform Noise .png. Hal ini dapat dilihat dari nilai MSE citra Uniform Noise .bmp yang lebih kecil daripada nilai MSE citra Gaussian Noise .png dan nilai PSNR citra Uniform Noise .bmp lebih besar daripada nilai PSNR pada citra Uniform Noise .png. Pada segmentasi citra hasil reduksi Harmonic Mean Filter, citra hasil reduksi Uniform Noise .bmp lebih baik daripada citra hasil reduksi Gaussian Noise .png. Hal ini dapat dilihat dari nilai MSE citra hasil reduksi Uniform Noise .bmp yang lebih kecil daripada nilai MSE citra hasil reduksi Gaussian Noise .png dan nilai PSNR citra hasil reduksi Uniform Noise .bmp lebih besar daripada nilai PSNR pada citra hasil reduksi Uniform Noise
.png. Segmentasi citra pada citra bernoise Uniform Noise baik citra .bmp maupun citra .png memiliki hasil yang lebih baik daripada citra hasil reduksi baik citra.bmp maupun citra .png karena citra bernoise Uniform Noise memiliki nilai MSE yang lebih kecil dan nilai PSNR yang lebih besar daripada citra hasil reduksi.
Tabel 4.6. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Gaussian Noise pada Citra *.bmp
Prob abilit as
Gaussian Noise
Citra Gaussian Noise Citra Hasil Harmonic Mean Filter
MSE PSNR Running Time MSE PSNR Running Time
5% 15,165 3,632 0,509 602,428 2,033 1,155
10% 60,009 3,034 0,491 609,233 2,028 1,142
15% 149,694 2,637 0,499 702,863 1,966 1,13
20% 238,745 2,435 0,509 755,664 1,934 1,151
25% 358,882 2,258 0,538 918,585 1,849 1,146
30% 556,111 2,067 0,55 967,766 1,827 1,145
35% 710,500 1,961 0,529 1214,466 1,728 1,144
40% 947,575 1,836 0,496 1565,903 1,618 1,139
45% 1226,225 1,724 0,515 1738,534 1,572 1,158
50% 1659,468 1,593 0,504 2363,394 1,439 1,127
Rata
Berdasarkan Tabel 4.6 dapat dilihat bahwa Harmonic Mean Filter tidak bekerja cukup baik pada citra Gaussian Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil filtering lebih besar daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra hasil filtering lebih kecil daripada nilai rata-rata PSNR citra noise. Sehingga dapat disimpulkan Harmonic Mean Filter tidak bekerja baik pada
citra Gaussian Noise. Rata-rata nilai Running Time yang diperlukan untuk mereduksi citra Gaussian Noise yaitu 1,143 s.
Tabel 4.7. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Uniform Noise pada Citra *.bmp
Prob abilit as
Uniform Noise
Citra Uniform Noise Citra Hasil Harmonic Mean Filter
MSE PSNR Running Time MSE PSNR Running Time
5% 141,505 2,662 0,464 529,384 2,089 1,138
10% 597,290 2,036 0,477 590,347 2,041 1,159
15% 1340,397 1,685 0,473 673,735 1,984 1,128
20% 2410,599 1,430 0,474 783,745 1,918 1,148
25% 3752,681 1,238 0,482 906,971 1,855 1,146
30% 5317,523 1,087 0,465 1062,975 1,786 1,136
35% 7116,070 0,960 0,498 1228,720 1,723 1,145
40% 9267,037 0,846 0,431 1403,889 1,665 1,13
45% 11461,434 0,753 0,454 1605,260 1,607 1,128
50% 13918,952 0,669 0,46 1789,291 1,560 1,135
Rata
-rata 5532,249 1,337 0,468 1057,432 1,823 1,139
Berdasarkan Tabel 4.7 dapat dilihat bahwa Harmonic Mean Filter bekerja baik pada citra Uniform Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil filtering lebih kecil daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra
Tabel 4.8. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Gaussian Noise pada Citra .png
Prob abilit as
Gaussian Noise
Citra Gaussian Noise Citra Hasil Harmonic Mean Filter
MSE PSNR Running Time MSE PSNR Running Time
Berdasarkan Tabel 4.8 dapat dilihat bahwa sama seperti citra .bmp, pada citra .png Harmonic Mean Filter tidak bekerja cukup baik pada citra Gaussian Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil filtering lebih besar daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra hasil filtering lebih kecil daripada nilai rata-rata PSNR citra noise. Sehingga dapat disimpulkan Harmonic Mean Filter tidak bekerja baik pada citra Gaussian Noise. Rata-rata nilai Running Time yang diperlukan untuk mereduksi citra Gaussian Noise yaitu 1,141 s.
Tabel 4.9. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Uniform Noise pada Citra *.png
Prob abilit as
Uniform Noise
Citra Uniform Noise Citra Hasil Harmonic Mean Filter
MSE PSNR Running Time MSE PSNR Running-Time
10% 596,339 2,037 0,485 588,848 2,043 1,147
Berdasarkan Tabel 4.9 dapat dilihat bahwa Harmonic Mean Filter bekerja baik pada citra Uniform Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil sama seperti citra .bmp, pada citra .png filtering lebih kecil daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra hasil filtering lebih besar daripada nilai rata-rata PSNR citra noise. Sehingga dapat disimpulkan Harmonic Mean Filter bekerja baik pada citra Uniform Noise. Rata-rata nilai Running Time yang diperlukan untuk mereduksi citra Uniform Noise yaitu 1,147 s.
Tabel 4.10. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Gaussian Noise pada Citra *.bmp dan Citra
Citra Hasil Harmonic Mean Filter pada citra .bmp
30% 967,766 1,827 1,145 1194,344 1,735 1,105
Berdasarkan tabel 4.10 dapat dilihat bahwa pada reduksi Gaussian Noise nilai rata-rata MSE citra hasil filtering pada citra .bmp lebih kecil daripada nilai rata-rata MSE citra hasil filtering pada citra .png. Nilai rata-rata PSNR citra hasil filtering pada citra .bmp lebih besar daripada nilai rata-rata PSNR citra hasil filtering pada citra .png. Rata-rata Running Time pada citra .bmp lebih besar daripada rata-rata Running Time pada citra .png.
Tabel 4.11. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Uniform Noise pada Citra *.bmp dan citra *.png
Prob abilit as
Uniform Noise
Citra Hasil Harmonic Mean Filter pada citra .bmp
Berdasarkan tabel 4.11 dapat dilihat bahwa pada reduksi Uniform Noise nilai rata-rata MSE citra hasil filtering pada citra .bmp lebih besar daripada nilai rata-rata MSE citra hasil filtering pada citra .png. Nilai rata-rata PSNR citra hasil filtering pada citra .bmp lebih kecil daripada nilai rata-rata PSNR citra hasil filtering pada citra .png. Rata-rata Running Time pada citra .bmp lebih kecil daripada rata-rata Running Time pada citra .png.
Tabel 4.12. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Citra *.bmp pada Citra Gaussian Noise *.bmp
dan Citra Uniform Noise *.bmp Prob
abilit as
Citra .bmp Citra Hasil Harmonic Mean Filter
terhadap citra Gaussian Noise
Citra Hasil Harmonic Mean Filter terhadap citra Uniform
Tabel 4.13. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Citra *.png pada Citra Gaussian Noise *.png
dan Citra Uniform Noise *.png
Prob abilit as
Citra .png Citra Hasil Harmonic Mean Filter
terhadap citra Gaussian Noise
Citra Hasil Harmonic Mean Filter terhadap citra Uniform
MSE PSNR Running Time MSE PSNR Running-Time
5% 674,774 1,983 1,129 529,186 2,089 1,127
10% 595,069 2,038 1,154 588,848 2,043 1,147
15% 731,694 1,948 1,132 672,745 1,985 1,144
20% 878,402 1,869 1,179 782,639 1,919 1,167
25% 1101,590 1,770 1,145 906,971 1,855 1,146
30% 1194,344 1,735 1,105 1047,600 1,792 1,186
35% 1321,420 1,692 1,17 1220,873 1,726 1,177
40% 1837,092 1,548 1,123 1397,996 1,667 1,119
45% 2232,843 1,464 1,114 1591,411 1,611 1,125
50% 2473,157 1,419 1,159 1784,562 1,561 1,131
Rata -rata
1304,038 1,747 1,141 1052,283 1,825 1,147
Tabel 4.14. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil
Segmentasi Metode Fuzzy C Means Clustering pada Citra Asli *.bmp dan *.png Juml
ah Clus
ter
Segmentasi Citra Asli Segmentasi Fuzzy C Means
Clustering pada Citra Asli .bmp
Segmentasi Fuzzy C Means Clustering pada Citra Asli .png
MSE PSNR Running Time MSE PSNR Running-Time
1 3799,800 1,233 1,117 3799,800 1,233 0,846
2 1402,022 1,666 1,873 1705,097 1,581 1,592
3 1184,812 1,739 2,756 1488,764 1,640 2,514
4 1007,725 1,809 3,984 1245,778 1,724 3,703
5 570,509 2,056 5,114 798,455 1,910 4,851
6 519,549 2,097 6,65 643,589 2,004 6,308
7 463,735 2,146 8,305 535,481 2,084 7,897
8 450,904 2,158 10,083 507,559 2,107 9,743
9 428,849 2,180 12,182 500,064 2,114 11,68
10 397,529 2,213 14,307 433,699 2,175 13,866
Rata
-rata 1022,5431 1,929 6,637 1165.829 1,857 6,3
Tabel 4.15. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan citra hasil Filtering pada Citra *.bmp
Juml ah Clus
ter
Segmentasi Citra Gaussian Noise .bmp Segmentasi Fuzzy C Means
Clustering pada Citra Gaussian Noise
Segmentasi Fuzzy C Means Clustering pada Citra Filtering
MSE PSNR Running Time MSE PSNR Running-Time
1 4040,687 1,206 0,853 3941,029 1,217 0,846
2 1711,754 1,579 1,585 1710,543 1,579 1,594
3 1284,450 1,704 2,484 1274,372 1,738 2,515
4 1083,327 1,778 3,557 1051,673 1,791 3,582
5 1011,897 1,807 4,822 1030,243 1,800 4,847
6 992,438 1,816 6,384 902,120 1,857 6,301
7 924,391 1,847 7,919 876,929 1,870 7,926
8 762,054 1,931 9,761 760,456 1,933 9,754
9 669,201 1,987 11,773 770,597 1,991 11,725
10 612,678 2,025 13,897 764,695 1,929 13,992
Rata
-rata 1309,288 1,768 6,303 1308.266 1,770 6,308
Dari Tabel 4.15 segmentasi citra Fuzzy C Means Clustering bekerja lebih baik pada citra hasil filtering daripada citra Gaussian Noise pada citra .bmp. Hal ini dapat dilihat dari nilai MSE citra hasil filtering lebih kecil daripada nilai MSE citra Gaussian Noise dan nilai PSNR citra hasil filtering lebih besar daripada nilai PSNR
Tabel 4.16. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra Hasil Filtering pada Citra *.png
Juml ah Clus
ter
Segmentasi Citra Gaussian Noise .png Segmentasi Fuzzy C Means
Clustering pada Citra Gaussian Noise
Segmentasi Fuzzy C Means Clustering pada Citra Filtering
MSE PSNR Running Time MSE PSNR Running-Time
1 4191,553 1,190 0,844 4073,505 1,203 0,881
2 1546,362 1,623 1,604 1540,866 1,625 1,649
3 1249,929 1,716 2,5 1191,328 1,737 2,507
4 1015,866 1,806 3,575 982,856 1,820 3,588
5 914,709 1,851 4,847 904,174 1,856 4,85
6 846,817 1,885 6,288 823,387 1,897 6,38
7 765,217 1,929 7,939 750,141 1,937 7,966
8 662,236 1,992 9,781 661,639 1,992 10,025
9 644,711 2,003 11,744 643,005 2,009 11,752
10 594,082 2,039 13,91 592,539 2,043 13,996
Rata
-rata 1243,148 1,803 6,303 1216,344 1,812 6,359
Dari Tabel 4.16 segmentasi citra Fuzzy C Means Clustering bekerja lebih baik pada citra hasil filtering daripada citra Gaussian Noise pada citra .png. Hal ini dapat dilihat dari nilai MSE citra hasil filtering lebih kecil daripada nilai MSE citra Gaussian Noise dan nilai PSNR citra hasil filtering lebih besar daripada nilai PSNR
Tabel 4.17. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra Hasil Filtering pada Citra *.bmp
Juml ah Clus
ter
Segmentasi Citra Uniform Noise .bmp Segmentasi Fuzzy C Means
Clustering pada Citra Uniform Noise
Segmentasi Fuzzy C Means Clustering pada Citra Filtering
MSE PSNR Running Time MSE PSNR Running-Time
1 3744,863 1,239 0,854 3847,238 1,227 0,861
2 1300,558 1,698 1,582 1343,313 1,684 1,599
3 1235,595 1,783 2,492 1239,246 1,778 2,494
4 806,575 1,906 3,57 854,462 1,881 3,578
5 651,862 1,998 4,849 676,572 2,014 4,845
6 567,466 2,059 6,303 586,058 2,045 6,431
7 416,086 2,193 8,162 434,923 2,174 7,887
8 367,480 2,247 9,708 394,211 2,217 9,75
9 366,682 2,248 11,741 377,508 2,236 11,783
10 355,991 2,261 13,887 360,524 2,256 14,111
Rata
-rata 981,316 1,963 6,315 1011.406 1,951 6,334
Dari 4.17 menunjukan bahwa segmentasi Fuzzy C Means Clustering bekerja lebih baik pada citra Uniform Noise daripada citra filtering. Hal ini dapat dilihat dari nilai rata-rata MSE citra Uniform Noise lebih kecil daripada nilai rata-rata MSE citra filtering dan nilai rata-rata PSNR citra Uniform Noise lebih besar daripada nilai rata-
Tabel 4.18. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan citra hasil Filtering pada Citra *.png
Juml ah Clus
ter
Segmentasi Citra Uniform Noise .png Segmentasi Fuzzy C Means
Clustering pada Citra Uniform Noise
Segmentasi Fuzzy C Means Clustering pada Citra Filtering
MSE PSNR Running Time MSE PSNR Running-Time
1 3764.439 1.237 0.843 3871.726 1.225 0.854
2 1304.358 1.697 1,595 1450,942 1,651 1,59
3 1266,104 1,761 2,496 1435,485 1,656 2,492
4 1050,998 1,791 3,57 1240,573 1,719 3,574
5 710,869 1,961 4,847 848,144 1,884 4,88
6 589,058 2,042 6,352 820,030 1,899 6,382
7 472,943 2,138 7,923 617,803 2,022 7,956
8 443,159 2,166 9,752 513,814 2,102 9,785
9 431,651 2,177 11,807 496,008 2,117 11,838
10 371,796 2,242 13,938 477,549 2,134 13,967
Rata
-rata 1040,538 1,921 6,312 1177,207 1.841 6,319
Dari Tabel 4.18 menunjukan bahwa hasil segmentasi pada citra Uniform Noise dan citra hasil filtering Uniform Noise pada citra .png sama dengan citra .bmp dimana segmentasi citra Fuzzy C Means Clustering bekerja lebih baik pada citra Uniform Noise daripada citra filtering. Hal ini dapat dilihat dari nilai rata-rata MSE pada citra
Uniform Noise dan nilai rata-rata MSE pada citra filtering dan nilai rata-rata PSNR
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah melakukan beberapa tahap, yang dimulai dari studi literatur, analisis dan penelitian, perancangan hingga tahap implementasi dan pengujian sistem Implementasi Harmonic Mean Filter dan Fuzzy C Means Clustering pada Segmentasi Citra, maka dapat disimpulkan bahwa:
1. Algoritma Harmonic Mean Filter tidak sesuai digunakan sebagai filter untuk mereduksi citra dengan Gaussian Noise dan lebih baik digunakan sebagai filter untuk mereduksi citra dengan Uniform Noise. Hal ini karena pada Gaussian Noise, nilai MSE citra hasil filtering lebih besar daripada nilai MSE citra noise dan nilai PSNR citra filtering lebih kecil daripada nilai PSNR citra noise. Sedangkan pada Uniform Noise, nilai MSE citra hasil filtering lebih kecil daripada nilai MSE citra noise dan nilai PSNR citra filtering lebih besar daripada nilai PSNR citra noise. Dari pengujian terlihat, semakin besar ukuran dimensi citra yang digunakan maka Running Time semakin besar.
2. Berdasarkan jenis format citranya, tidak bisa ditentukan Harmonic Mean Filter bekerja baik pada jenis format citra tertentu, terutama jenis format
citra *.bmp dan *.png karena memiliki hasil yang berbeda. Untuk Gaussian Noise, Harmonic Mean Filter bekerja lebih baik pada citra
*.bmp daripada citra *.png karena nilai MSE citra *.bmp lebih kecil daripada nilai MSE citra *.png dan nilai PSNR citra *.bmp lebih besar daripada nilai PSNR citra *.png dan pada Uniform Noise, Harmonic Mean Filter bekerja baik pada citra *png daripada citra *.bmp karena nilai MSE
3. Berdasarkan jenis noise dan proses reduksi dengan Harmonic Mean Filter, a. Gaussian Noise, proses segmentasi dengan Fuzzy C Means Clustering
bekerja lebih baik pada citra hasil reduksi (citra filtering) daripada citra noise. Hal ini dapat dilihat dari nilai MSE pada citra filtering lebih
kecil daripada nilai MSE pada citra noise, dan nilai PSNR pada citra filtering lebih besar daripada nilai PSNR pada citra noise.
b. Uniform Noise, proses segmentasi dengan Fuzzy C Means Clustering bekerja lebih baik pada citra noise daripada citra hasil reduksi (citra filtering). Hal ini dapat dilihat dari nilai MSE pada citra noise lebih
kecil daripada nilai MSE pada citra filtering, dan nilai PSNR pada citra noise lebih besar daripada nilai PSNR pada citra filtering.
5.2 Saran
Berikut ini adalah beberapa saran yang dapat digunakan untuk tahap pengembangan sistem ini kedepannya, antara lain:
1. Sistem ini dapat dikembangkan dengan menambah pengujian jenis format citra digital lain seperti *.gif, *.tiff, *.jpg dan *.jpeg.
2. Sistem ini menggunanakan Gaussian Noise dan Unifrom Noise , sehingga untuk pengembangan sistem selanjutnya dapat menambahkan jenis noise lain yaitu seperti, Exponential Noise, Rayleigh Noise, dan lain-lain.
3. Sistem ini menggunakan Harmonic Mean Filter untuk mereduksi noise, selanjutnya dapat dilakukan penelitian dengan menggunakan algoritma filtering lainnya seperti High/Low-Pass Spatial filtering, Contraharmonic
Mean filter, Arithmetic Mean Filter dan lain-lain sebagai reduksi noise
sebelum proses segmentasi citra.
BAB 2
LANDASAN TEORI
2.1 Citra
Menurut arti secara harfiah, citra (image) adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, seperti mata pada manusia, kamera, pemindai (scanner), dan lain-lain sehingga bayangan objek dalam bentuk citra dapat terekam. Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat :
a.Optik berupa foto,
b.Analog berupa sinyal video seperti gambar pada monitor televisi, c.Digital yang dapat langsung disimpan pada suatu pita magnetik.
Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam (still images) dan citra bergerak (moving images). Citra diam adalah citra tunggal yang tidak bergerak. Sedang citra bergerak adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata sebagai gambar yang bergerak.
Setiap citra didalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakekatnya terdiri dari ratusan sampai ribuan frame (Sitorus, at. all, 2006).
2.2 Citra Digital
sebuah pixel dinyatakan dalam bilangan bulat (integer). 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 (Ahmad, 2005).
2.2.1 Representasi Citra Digital
Sebuah citra digital dapat diwakili oleh sebuah matriks yang terdiri dari M kolom dan N baris, di mana perpotongan antara kolom dan baris disebut pixel (pixel = picture element), yaitu elemen terkecil dari sebuah citra. Pixel mempunyai dua parameter,
yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari pixel di titik itu. Oleh karena itu, sebuah citra digital dapat ditulis dalam bentuk matriks berikut.
, = [
, , … , −
, … … , −
… … … …
− , − , … − , −
] ...(1)
M = 2m, N = 2n, G = 2k ……….………(2) yang dalam hal ini m, n, dan k adalah bilangan bulat positif. Jika b menyatakan jumlah bit yang diperlukan untuk menyimpan citra digital dalam memori, maka: (Sutoyo, at. all, 2009)
b = M x N x k ...(3)
Keterangan:
M : Baris dalam matriks
N : Kolom dalam matriks
G : Jumlah tingkat keabuan pixel
m,n,k : Bilangan bulat positif
b : Jumlah bit
Gambar 2.1.menunjukan sebuah citra digital dan nilai dari pixel citra
101 103 101 112 102 105 160 108 103
Pixel 3x3
Gambar 2.1.Contoh Citra Digital
2.2.2 Elemen Citra Digital
Elemen-elemen citra digital dapat dibedakan menjadi enam elemen (Sutoyo, at. all, 2009). Berikut elemen-elemen yang terdapat pada citra digital, yaitu :
1. Kecerahan (Brightness)
