IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY C MEANS
CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
HANAFI AHMAD SUBRATA LUBIS 111401073
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI
HARMONIC MEAN FILTER
DAN
FUZZY
C MEANS CLUSTERING
PADA SEGMENTASI CITRA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
HANAFI AHMAD SUBRATA LUBIS
111401073
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY C MEANS CLUSTERING PADA SEGMENTASI CITRA
Kategori : SKRIPSI
Nama : HANAFI AHMAD SUBRATA LUBIS Nomor Induk Mahasiswa : 111401073
Program Studi : SARJANA (S1) ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di Medan, Mei 2016
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dian Rachmawati,S.Si.,M.Kom Drs.Marihat Situmorang,M.Si NIP 198307232009122004 NIP. 196312141989031001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY C MEANS CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Mei 2016
Hanafi Ahmad Subrata Lubis
PENGHARGAAN
Puji dan syukur 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.
Penulis ingin menyampaikan ucapan terimakasih kepada :
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara. 2. Bapak Prof. Dr. Opim Salim Sitompul, M.Si, 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.
4. Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku Sekretaris Program studi S1 Ilmu Komputer Universitas Sumatera Utara.
5. Bapak M. Andri Budiman, ST, M.Comp. Sc, MEM selaku pembimbing akademik penulis.
6. Bapak Drs. Marihat Situmorang, M.Si , selaku dosen Pembimbing I yang telah
memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
7. Ibu Dian Rachmawati, S.Si., M.Kom, selaku dosen Pembimbing II yang telah
memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
8. Bapak Prof. Dr. Iryanto, M.Si, selaku dosen penguji I yang telah memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
9. Bapak Drs. Dahlan Sitompul, M.Eng, selaku dosen penguji II yang telah memberikan
kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini. 10.Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI USU.
v
12.Saudara kandung penulis, adinda Ibnu Mirza Harista Lubis yang telah memberikan semangat, dukungan dan doa kepada penulis.
13.Adinda tersayang Putri Maresna Chania, yang telah memberikan motivasi, dukungan, dan menemani penulis selama menyelasaikan skripsi ini.
14.Teman-teman kuliah penulis, semua stambuk 2011 terkhusus Deka, Ibal, Irpan, Herwanda, Arief, Rizky, Dias, Fatma, Yati yang telah memberikan semangat, ilmu, canda
dan tawa kepada penulis.
15.Teman-teman masa SMA penulis, Hafiz, Bani, Andri, Keke, Intan, Bob, Habibi, Rini yang telah memberikan semangat, dukungan, canda dan tawa kepada penulis.
16.Teman-teman dari SL-42, Qoreb, Jodi, Habil, Fandi, Surya, Jupri, Abangda Moefed, Bapak fikri, yang telah memberikan semangat, dukungan, canda dan tawa kepada penulis.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna untuk itu penulis menerima kritik dan saran yang membangun untuk menyempurnakan skripsi ini. Dan semoga Tuhan Yang Maha Esa memberikan berkat dan karuniaNya kepada seluruh pihak yang membantu penulis dalam menyelesaikan skripsi ini
Medan, Mei 2016 Penulis
ABSTRAK
Citra merupakan hasil representasi dari sebuah objek yang dapat menyampaikan informasi. Citra dapat diolah dengan berbagai proses, salah satunya perbaikan kualitas citra dan segmentasi citra. Citra digital tidak selalu memiliki kualitas yang baik. Ada banyak citra digital mengalami penurunan kualitas yang disebabkan oleh derau (noise) ataupun blur. Noise pada citra dapat berupa Gaussian Noise dan Uniform Noise. Salah satu cara menghilangkan noise yaitu dengan menggunakan metode filtering. Metode Harmonic Mean Filter yang digunakan pada penelitian ini bekerja baik dalam mereduksi Uniform Noise daripada Gaussian Noise. Hal ini dapat dilihat pada citra
hasil reduksi Uniform Noise yang memiliki nilai rata MSE lebih kecil dan rata-rata PSNR lebih besar daripada citra hasil reduksi Gaussian Noise. Segmentasi citra
adalah proses membagi atau memisahkan suatu citra menjadi beberapa bagian yang memiliki kemiripan tertentu. Segmentasi citra banyak diterapkan dalam kehidupan sehari-hari. Misalnya pada dunia medis, segmentasi citra dapat digunakan untuk mengetahui kondisi sel darah, mempelajari anatomi tubuh, di dunia topografi segmentasi dapat digunakan untuk mengetahui kontur suatu permukaan daerah, mengetahui batas-batas wilayah terdampak bencana letusan gunung dan sebagainya. Pada penelitian ini metode segmentasi yang digunakan Fuzzy C Means Clustering dimana untuk proses segmentasi pada citra Gaussian Noise, hasil segmentasi pada citra setelah difiltering lebih baik daripada hasil segmentasi pada citra bernoise. Sedangkan proses segmentasi pada citra Uniform Noise, hasil segmentasi pada citra bernoise lebih baik daripada hasil segmentasi pada citra setelah difiltering yang dapat dilihat dari parameter perbandingan MSE, PSNR, dan Running Time.
Implementation Harmonic Mean Filter and Fuzzy C Means
Clustering on Image Segmentation
Abstract
The image is a result of the representation of an object that can give informations. The image can be processed by a variety of processes, such as image quality improvement and image segmentation. However, not all images have good quality. There are a lot of digital image quality degraded due to noise (noise) or blur. Noise in the image may be Gaussian Noise and Uniform Noise. One of the method to eliminate noise by using filtering method. Harmonic Mean Filter of this research is
better in reducing Uniform Noise than Gaussian Noise. This can be seen in the results of
Uniform Image Noise reduction which has an average value smaller MSE and average
PSNR greater than Gaussian Image Noise reduction results. Image segmentation is the
process of dividing or separating an image into sections that have a certain similarity.
Image segmentation widely applied in everyday life. For example in the medical world,
image segmentation can be used to determine the condition of the blood cells, studying
the anatomy of the body, the world's topography segmentation can be used to determine
the contours of a surface area, knowing the limits of the territory affected by the eruption
of the mountain and etc. In this research, segmentation method used Fuzzy C Means
Clustering in which to process the image of Gaussian Noise segmentation, segmentation
results in an image after filtering better than the results in the image noise. While the
process of image segmentation on Uniform Noise, segmentation results on image noise is
better than the image segmentation results after filtering which can be seen from a
comparison parameter MSE, PSNR, and Running Time.
DAFTAR ISI
2.2.1. Representasi Citra Digital 7
2.2.2. Elemen Citra Digital 8
2.3 Jenis-jenis Citra Digital 9
2.3.1 Citra Biner (Monokrom) 10
2.7 Pengolahan Citra Digital 17
2.7.1 Pengertian Pengolahan Citra 17 2.7.2 Operasi Pengolahan Citra 17 2.7.3 Tujuan Pengolahan Citra 18
2.8 Perbaikan Kualitas Citra 18
2.8.1 Nonlinier Filter 19
ix
2.8.3 Konvolusi 20
2.8.4 Harmonic Mean Filter 21
2.9 Segmentasi Citra 22
2.9.1 Segmentasi Citra Berbasis Wilayah 22
2.9.2 Pengenalan Pola 23
2.9.3 Clustering 24
2.9.4 Fuzzy Clustering 25
2.10 Parameter Perbandingan Kualitas Citra 28
2.10.1 Mean square error 28
2.10.2 Peak signal to noise ratio 29
2.10.3 Running time 29
2.11 Penelitian yang Relevan 30
Bab 3 ANALISIS DAN PERANCANGAN SISTEM 31
3.1. Analisis Sistem 31
3.1.1. Analisis Permasalahan 31 3.1.2. Analisis Kebutuhan Sistem 32 3.1.2.1. Kebutuhan Fungsional Sistem 32 3.1.2.2. Kebutuhan Nonfungsional Sistem 32
3.1.3. Analisis proses 33
3.1.3.1. Analisis Proses Reduksi Noise dengan Metode
Harmonic Mean Filter 33
3.1.3.2. Analisis Proses Segmentasi Citra dengan Metode
Fuzzy C Means Clustering 35
3.2 Pemodelan Sistem 39
3.2.1. Use Case Diagram 40 3.2.2. Activity Diagram 42 3.2.3. Sequence Diagram 45
3.3 Perancangan Sistem 47
3.3.1 Flowchart Sistem 47
3.3.2 Flowchart Harmonic Mean Filter 48 3.3.3 Flowchart Fuzzy C Means Clustering 49 3.3.4 Perancangan Antarmuka Sistem(Interface) 50
3.3.4.1 Form Home 50
3.3.4.2 Form Implementasi –Filtering 51 3.3.4.3 Form Implementasi – Segmentasi 53
3.3.4.4 Form Help 55
3.3.4.5 Form About 55
Bab 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 56
4.1. Implementasi Sistem 56
4.1.1. Form Home 56
x
4.2. Pengujian Sistem 59
4.2.1. Proses Pengujian Reduksi GaussianNoise 59 4.2.2. Proses Pengujian Reduksi UniformNoise 62 4.2.3. Proses Pengujian Segmentasi Citra 63
4.3. Hasil Pengujian 65
4.3.1. Hasil Pengujian Filtering 65 4.3.2 Hasil Pengujian Segmentasi 77
Bab 5 KESIMPULAN DAN SARAN 99
5.1. Kesimpulan 99
5.2. Saran 100
DAFTAR TABEL
Halaman
Tabel 2.1 Warna dan Nilai Penyusun Warna 12
Tabel 3.1 Cluster Citra 38
Tabel 3.2 Pusat Cluster Citra 38
Tabel 3.3 Matriks Nilai Pixel 5x5 Iterasi 1 39 Tabel 3.4 Matriks Nilai Pixel 5x5 Iterasi 1 pada Blok-blok Lain 39 Tabel 3.5 Spesifikasi Use Case Generate Noise 41 Tabel 3.6 Spesifikasi Use Case Reduksi Noise 41 Tabel 3.7 Spesifikasi Use Case Segmentasi Citra 41 Tabel 3.8 Spesifikasi Use Case Menghitung Nilai MSE, PSNR, dan Running
Time 42
Tabel 4.4 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise Gaussian Noise dan Citra Hasil Reduksi terhadap Citra Gaussian
Noise pada Citra *.bmp dan *.png dengan persentasse noise 30% 81 Tabel 4.5 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise
Uniform Noise dan Citra Hasil Reduksi terhadap Citra Uniform Noise pada Citra *.bmp dan *.png dengan persentase noise 30% 84 Tabel 4.6 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp 87 Tabel 4.7 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.bmp 88 Tabel 4.8 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.png 89 Tabel 4.9 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.png 89 Tabel 4.10 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp dan Citra
*.png 90
Tabel 4.11 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic Mean Filter terhadap Uniform Noise pada Citra *.bmp dan Citra
*.png 91
xii
Tabel 4.13 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic Mean Filter terhadap Citra *.png pada Citra Gaussian Noise *.png dan Citra Uniform Noise *.png 93 Tabel 4.14 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Asli *.bmp dan *.png 94 Tabel 4.15 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra Hasil Filtering pada Citra *.bmp 95 Tabel 4.16 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra Hasil Filtering pada Citra *.png 96 Tabel 4.17 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra Hasil Filtering pada Citra *.bmp 97 Tabel 4.18 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
DAFTAR GAMBAR
Halaman
Gambar 2.1 Contoh Citra Digital 8
Gambar 2.2 Contoh Citra Biner 10
Gambar 2.3 Contoh Citra Grayscale 11 Gambar 2.4
Gambar 2.5
Contoh Citra Berwarna (RGB)
(a) Citra Asli, (b) Citra dengan Gaussian Noise, (c) Citra denganUniform Noise
12
16 Gambar 2.6 (a) Kernel 2x2 (b) Kernel 3x3 20
Gambar 3.1 Diagram Ishikawa 31
Gambar 3.2 Use Case diagram sistem 40 Gambar 3.3 Activity Diagram Menu Implementasi - Filtering 43 Gambar 3.4 Activity Diagram Menu Implementasi - Segmentasi 44 Gambar 3.5 Activity diagram (a) menu Home dan(b) menu About 45 Gambar 3.6 Sequence Diagram Menu Implementasi - Filtering 45 Gambar 3.7 Sequence Diagram Menu Implementasi - Segmentasi 46
Gambar 3.8 Flowchart Sistem 47
Gambar 3.9 Flowchart Harmonic Mean Filter 48 Gambar 3.10 Flowchart Fuzzy C Means Clustering 49 Gambar 3.11 Rancangan Form Home 50 Gambar 3.12 Rancangan Form Implementasi - Filtering 51 Gambar 3.13 Rancangan Form Implementasi – Segmentasi 53 Gambar 3.14 Rancangan Form Help 55 Gambar 3.15 Rancangan Form About 55
Gambar 4.1 Tampilan Form Home 56
Gambar 4.2 Tampilan Form Implementasi –Filtering 57 Gambar 4.3 Tampilan Form Implementasi – Segmentasi 58
Gambar 4.4 Tampilan Form Help 58
Gambar 4.5 Gambar 4.6
Tampilan Form About
Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise 59
10% (a) Citra *.bmp (b) Citra *.png 60
Gambar 4.7 Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise
Gambar 4.8
50% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
60
xiv
Gambar 4.9 Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png 61 Gambar 4.10 Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise
Gambar 4.11
10% (a) Citra *.bmp (b) Citra *.png
Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise 62
Gambar 4.12
Gambar 4.13
Gambar 4.14
50% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap Citra Gaussian Noise dengan Persentase Noise 10% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png
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 NoiseUniform Noise, Citra Hasil Reduksi Uniform Noise
62
63
63
65
Gambar 4.15 Citra yang akan digunakan dalam pengujian Harmonic Mean
DAFTAR LAMPIRAN
Halaman
A.Listing Program A-1
