Analisis Perbandingan Geometric Mean Filter Dengan Operator Sobel, Operator Prewitt Dan Operator Robert Pada Citra Bitmap

ANALISIS PERBANDINGAN GEOMETRIC MEAN FILTER

DENGAN OPERATOR SOBEL, OPERATOR PREWITT

DAN OPERATOR ROBERT PADA CITRA BITMAP

SKRIPSI

MAGDALENA SIREGAR 111401109

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

▸ Baca selengkapnya: tugas operator sekolah pdf

ANALISIS PERBANDINGAN

GEOMETRIC MEAN FILTER

DENGAN

OPERATOR

SOBEL,

OPERATOR

PREWITT

DAN

OPERATOR

ROBERT

PADA CITRA

BITMAP

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer

MAGDALENA SIREGAR 111401109

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

PERSETUJUAN

Judul : ANALISIS PERBANDINGAN GEOMETRIC MEAN FILTER DENGAN OPERATOR SOBEL, OPERATOR PREWITT DAN OPERATOR ROBERT PADA CITRA BITMAP

Kategori : SKRIPSI

Nama : MAGDALENA SIREGAR Nomor Induk Mahasiswa : 111401109

Program Studi : SARJANA (S1) ILMU KOMPUTER

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (Fasilkom-TI)

Diluluskan di Medan, 25 Agustus 2015

Komisi Pembimbing:

Dosen Pembimbing II Dosen Pembimbing I

Dian Rachmawati, S.Si, M.Kom Drs. Agus Salim Harahap, M.Si

NIP.19830723 200912 2 004 NIP.19540828 198103 1 004

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer Ketua,

PERNYATAAN

ANALISIS PERBANDINGAN GEOMETRIC MEAN FILTER DENGAN OPERATOR SOBEL, OPERATOR PREWITT DAN

OPERATOR ROBERT PADA CITRA BITMAP

SKRIPSI

Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 25 Agustus 2015

Magdalena Siregar

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus yang telah

mencurahkan berkat dan kasih-Nya, sehingga Penulis dapat menyelesaikan

penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer

pada Program Studi S1 Ilmu Komputer Universitas Sumatera Utara.

Penulis ingin menyampaikan rasa hormat dan terima kasih yang sebesar–

besarnya kepada :

1. Bapak Prof. Subhilhar, Ph.D selaku Pj Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Muhammad Zarlis, selaku Dekan Fakultas Ilmu Komputer

dan Teknologi Informasi, Universitas Sumatera Utara.

3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu

Komputer Universitas Sumatera Utara serta Dosen Pembanding I yang

telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.

4. Drs. Agus Salim Harahap, M.Si selaku Dosen Pembimbing I yang telah

memberikan bimbingan, saran, masukan dan dukungan kepada penulis

dalam pengerjaan skripsi ini.

5. Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembimbing II yang dengan

sabar telah memberikan bimbingan, saran, dan masukan kepada penulis

dalam pengerjaan skripsi ini.

6. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembanding II yang

memberikan kritik dan saran untuk penyempurnaan skripsi ini.

7. Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI

USU .

8. Mamak tersayang, Penti Nadapdap yang selalu memberikan doa dan

Opung Sumihar terutama tulang-tulang yang terus memberikan dukungan

dan dorongan bagi penulis untuk menyelesaikan skripsi ini.

9. Bapak tercinta Alm. Nando Siregar yang selalu menjadi motivasi dan

inspirasi dalam pengerjaan skripsi ini.

10.Teman-teman terdekat, terutama Farid, Mey, Yatik yang telah membantu

penulis dalam menyelesaikan skripsi ini dan juga Witty, pengurus

IMILKOM 2014-2015 atas semangat serta Guru Sekolah Minggu HKBP

Perumnas Simalingkar atas dorongannya dan doanya sehingga penulis

dapat menyelesaikan skripsi ini

11.Dan semua pihak yang telah banyak membantu yang tidak bisa disebutkan

satu-persatu.

Semoga semua kebaikan, bantuan, perhatian, serta dukungan yang telah diberikan

kepada penulis mendapatkan berkat yang melimpah dari Tuhan Yesus Kristus.

Medan, Agustus 2015

ABSTRAK

Mendeteksi tepi pada citra merupakan hal yang biasa dalam proses pengolahan citra, namun disini dilakukan perbandingan hasil deteksi tepi pada citra asli dan citra yang telah mengalami proses filtering. Hal ini dilakukan untuk melihat apakah ada pengaruh proses filtering pada kinerja deteksi tepi. Metode filtering yang digunakan adalah Geometric Mean Filter untuk mereduksi Gaussian Noise dan Salt-Pepper

Noise, sedangkan operator deteksi tepinya adalah Sobel, Prewitt dan Robert.

Parameter yang digunakan untuk mengukur nilai perbandingan antara ketiga operator deteksi tepi yaitu nilai MSE, PSNR dan Running Time. Implementasi sistem menggunakan SharpDevelop 4.3 dengan bahasa pemogaraman C#. Pada sistem ini objek yang digunakan adalah citra dengan format bitmap atau *.bmp. Proses pengujian ini dilakukan dengan nilai probabilitas noise antara 10%, 20%, 30%, 40%, dan 50%. Berdasarkan hasil pengujian diperoleh bahwa citra asli memiliki proses deteksi tepi lebih baik dibandingkan dengan citra hasil filtering dengan nilai MSE = 628,723 dan PSNR = 1,0149 dB pada operator Sobel. Sedangkan proses yang relatif paling cepat dalam mendeteksi tepi dengan nilai Running Rime = 0,263 s pada operator Prewitt.

Kata kunci : Deteksi Tepi, Geomeric Mean Filter, Gaussian Noise, Salt-Pepper

COMPARATIVE ANALYSIS OF GEOMETRIC MEAN FILTER WITH SOBEL OPERATOR, PREWITT OPERATOR AND

ROBERT OPERATOR ON BITMAP IMAGE

ABSTRACT

Edge detection is a common thing in image processing, but here done to compare the edge detection on the original image and the image filtering result. This cas was done to see if there was an effect of the filtering process on the edge detection performance. The method of filtering is Geometric Mean filter to reduce Gaussian Noise and Salt-Pepper Noise and edge detection operators are Sobel, Prewitt and Robert. The parameter used to measure the value of comparisons between the third edge detection operators are MSE, PSNR and Running Time. Implementation of the system using SharpDevelop 4.3 with C# programming language. In this system, the object that was used is image with bitmap format or (*. bmp). This testing process was done with the probability noise about 10%, 20%, 30%, 40% and 50%. Based on the test results obtained that the edge detection process on the original image is better than the image filtering result with MSE = 628,723 and PSNR = 1,0149 dB on Sobel operator. Then the process of the most rapidly in detecting the edge with Running Time = 0,263 s on Prewitt operator.

Keyword : Edge Detection, Geomeric Mean Filter, Gaussian Noise, Salt-

DAFTAR ISI

Daftar Gambar xiii

BAB 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 2

1.5 Manfaat Penelitian 1.6 Metode Penelitian 1.7 Sistematika Penelitian

3 3 4

BAB 2 TINJUAN PUSTAKA

DAFTAR TABEL

Nomor

Tabel Nama Tabel Halaman

3.1

Spesifikasi Use Case Filtering

Spesifikasi Use Case Input File Citra Asli Spesifikasi

Use Case Input Presentase Noise Spesifikasi Use

Case Pilih Noise

Spesifikasi Use Case Gaussian Noise Spesifikasi Use Case Salt and Pepper Noise

Spesifikasi Use Case Geometric Mean Filter Spesifikasi Use Case SimpanCitra

Spesifikasi Use Case Deteksi Tepi Spesifikasi Use Case Input Citra

Spesifikasi Use Case Deteksi Tepi Operator Sobel

Citra Asli

Spesifikasi Use Case Deteksi Tepi Operator Prewitt

Citra Asli

Spesifikasi Use Case Deteksi Tepi Operator Robert

Citra Asli

Spesifikasi Use Case Input File Citra

Spesifikasi Use Case Deteksi Tepi Operator Sobel

Citra Filtering

Spesifikasi Use Case Deteksi Tepi Operator Prewitt

Citra Asli

Spesifikasi Use Case Deteksi Tepi Operator Robert

Citra Filtering

Spesifikasi Use Case SimpanCitra

Spesifikasi Use Case Menghitung MSE, PSNR dan

Running Time

PseudocodeGeometric Mean Filter

Pseudocode Operator Sobel

Pseudocode Operator Prewitt

Pseudocode Operator Robert

Perbandingan Hasil Reduksi Noise terhadap Citra

BernoiseGaussian Noise

Perbandingan Hasil Reduksi Noise terhadap Citra

BernoiseSalt and Pepper Noise

Perbandingan Hasil Deteksi Tepi Terhadap Citra Asli Perbandingan Hasil Deteksi Tepi Terhadap Citra Hasil Filtering dari Gausssian Noise dengan Probabilitas Berbeda

4.6

4.7

4.8

4.9

Perbandingan Nilai MSE, PSNR, dan Runtime Hasil Deteksi Tepi Pada Citra Asli

Perbandingan Rata-rata Nilai MSE, PSNR, dan

Runtime Hasil Deteksi Tepi Pada Citra Hasil Reduksi

Gaussian Noise pada Citra Hasil Filtering

Perbandingan Rata-rata Nilai MSE, PSNR, dan

Runtime Hasil Deteksi Tepi Pada Citra Hasil Reduksi

Salt-Pepper Noise pada Citra Hasil Filtering

Perbandingan Nilai MSE, PSNR, dan Runtime Hasil Deteksi Tepi Pada Citra Asli, Hasil Reduksi

Gaussian Mean Filter dan Hasil Reduksi pada Citra

Hasil Reduksi Salt-Pepper Noise.

72

74

76

DAFTAR GAMBAR

Nomor

Gambar Nama Gambar Halaman

2.1 Contoh Citra Warna Citra Bitmap (.bmp)

Blok Diagram Pengolahan Citra Contoh Citra dengan Gaussian Noise

Contoh Citra dengan salt and pepper noise

Model Tepi Satu Dimensi Jenis Jenis Tepi

Proses Deteksi Tepi

Contoh Deteksi Tepi Sobel

Contoh Deteksi Tepi Prewitt

Contoh Deteksi Tepi Robert

Ishikawa Diagram

Use Case Diagram

Activity Diagramfiltering

Activity Diagram Deteksi Tepi

Sequence Diagram

Flowchart sistem secara umum

Form Cover

Form Menu Filtering Form Menu Deteksi Tepi Form Home

Form filtering

Form Deteksi Tepi

Form Help Form About

Proses Filtering dengan Geometric Mean Filter

Proses Deteksi Tepi Operator Sobel, Prewitt dan

Robert pada Form Deteksi Tepi

Hasil Pengujian Deteksi Tepi Pada Citra Asli Hasil Pengujian Deteksi Tepi Pada Citra Hasil

Filtering dengan Gaussian Noise

Hasil Pengujian Deteksi Tepi Pada Citra Hasil

Filtering dengan Salt-Pepper Noise

Perbandingan Nilai MSE pada Deteksi Tepi Citra Asli, Citra Hasil Filtering dengan Gaussian Noise

dan Citra Hasil Filtering dengan Salt-Pepper Noise

Perbandingan Nilai PSNR pada Deteksi Tepi Citra Asli, Citra Hasil Filtering dengan Gaussian Noise

dan Citra Hasil Filtering dengan Salt-Pepper Noise

Perbandingan Nilai Running Time pada Deteksi

Tepi Citra Asli, Citra Hasil Filtering dengan

Gaussian Noise dan Citra Hasil Filtering dengan