IMPLEMENTASI DAN PERBANDINGAN METODE GEOMETRIC
MEAN FILTER DAN ALPHA-TRIMMED MEAN FILTER
UNTUK MEREDUKSI EXPONENTIAL NOISE
PADA CITRA DIGITAL
SKRIPSI
AULIZA NANDA NASUTION
101401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI DAN PERBANDINGAN METODE GEOMETRIC MEAN FILTER
DAN ALPHA-TRIMMED MEAN FILTER UNTUK MEREDUKSI
EXPONENTIAL NOISE PADA CITRA DIGITAL
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Ilmu Komputer
AULIZA NANDA NASUTION
101401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PERSETUJUAN
Judul : IMPLEMENTASI DAN PERBANDINGAN METODE GEOMETRIC MEAN FILTER DAN ALPHA-
TRIMMED MEAN FILTER UNTUK MEREDUKSI EXPONENTIAL NOISE PADA CITRA DIGITAL
Kategori : SKRIPSI
Nama : AULIZA NANDA NASUTION
Nomor Induk Mahasiswa : 101401010
Program Studi : SARJANA (S1) ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, 15 Juli 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
M. Andri Budiman, S.T., M.Comp.Sc, MEM Maya Silvi Lydia, B.Sc, M.Sc NIP. 197510082008011011 NIP. 197401272002121001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI DAN PERBANDINGAN METODE GEOMETRIC MEAN FILTER DAN ALPHA-TRIMMED MEAN FILTER UNTUK MEREDUKSI
EXPONENTIAL NOISE PADA CITRA DIGITAL
SKRIPSI
Saya menyatakan bahwa skripsi ini hasil karya saya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 15 Juli 2014
PENGHARGAAN
Puji syukur kehadirat Allah SWT atas segala rahmat dan karunia-Nya sehingga
penulis dapat menyelesaikan skripsi ini dalam waktu yang telah ditentukan sebagai
salah satu syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu
Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera
Utara. Serta shalawat dan salam penulis hadiahkan kepada Nabi Besar Muhammad
SAW.
Dengan selesainya tugas akhir ini, penulis mengucapkan terima kasih kepada :
1. Bapak Dr. Poltak Sihombing, M.Kom sebagai Ketua Program Studi S1 Ilmu
Komputer.
2. Ibu Maya Silvi Lydia, B.Sc, M.Sc sebagai dosen pembimbing 1 dan Sekretaris
Program Studi Ilmu Komputer, dan Bapak Mohammad Andri Budiman, S.T.,
M.Comp.Sc, MEM sebagai dosen pembimbing 2 yang telah meluangkan
waktu, tenaga, dan pikiran serta dalam membimbing, memotivasi, dan
menyemangati penulis agar dapat menyelesaikan skripsi ini.
3. Bapak Syahriol Sitorus, S.Si, MIT sebagai dosen penguji 1 dan Ibu Dian
Rachmawati, S.Si, M.Kom sebagai dosen penguji 2 yang telah memberikan
kritik serta saran yang membangun untuk penyelesaian skripsi ini.
4. Dekan, Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi,
dan staf pegawai di program studi S1 Ilmu Komputer USU.
5. Orangtua tercinta Ayahanda Syaiful Bahri Nasution dan Ibunda Satinah yang
telah memberikan kasih sayang, doa, semangat serta dukungan moril dan
materil.
6. Keluarga tercinta kakak Ifna Riski Nasution dan adik penulis Ahmad Syafriza
Nasution, Elsa Fadillah Nasution, dan Ashilla Fitri Nasution serta keluarga
7. Pahri Zuhri, Amd.Sos, yang selalu memberikan dukungan, motivasi, perhatian,
dan doa kepada penulis.
8. Keluarga besar Bapak M.Hendrianto, Ibu Paini, Wiji Kharisma dan
Abang-Kakak.
9. Teman-teman seperjuangan mahasiswa S1 Ilmu Komputer stambuk 2010
khususnya Ca8in Corps Fanny Fairina N, Zulwita Hariyati, Annissa Fadilla,
Uswatun Hasanah, Nurul Ulfah Primadini, Devina Pratiwi Halim, Aulia Akbar
Harahap, dan Bernard Tarigan.
10.Adik-adik junior stambuk 2011 Annisa Olivia dan Dini Islami, serta sahabat
terbaik penulis Sitti Kardina, S.Si yang telah memberikan motivasi kepada
penulis.
11.Seluruh pihak yang terlibat langsung maupun tidak langsung yang tidak dapat
penulis ucapkan satu persatu yang telah membantu penulis dalam
menyelesaikan skripsi ini.
Penulis menyadari bahwa masih banyak kekurangan maupun kesalahan dalam
penulisan skripsi ini. Oleh karena itu penulis mengharapkan kritik dan saran
yang bersifat membangun demi kesempurnaan skripsi ini. Akhir kata, semoga
skripsi ini dapat bermanfaat bagi penulis dan pembaca, khususnya rekan-rekan
mahasiswa/i lainnya yang mengikuti perkuliahan di Universitas Sumatera
Utara. Terima Kasih.
Medan, 15 Juli 2014
ABSTRAK
Pada citra digital sering kali terdapat beberapa gangguan yang dinamakan noise. Jenis noise seperti laser yang ada pada citra digital dinamakan exponential noise. Noise ini biasa terjadi akibat adanya efek pencahayaan yang tidak merata maupun kontras citra
yang terlalu tinggi ataupun yang terlalu rendah. Dengan adanya noise dapat menyebabkan informasi yang ada pada citra menjadi berkurang dan sulit untuk
diinterpretasikan. Filtering merupakan teknik untuk mereduksi noise. Metode yang akan digunakan untuk mereduksi noise yaitu geometric mean filter dan alpha-trimmed mean filter. Probabilitas noise yang diberikan yaitu 0.01 sampai 0.05 pada tiap kelompok citra. Hasil penelitian pada reduksi undefined noise ditambah exponential noise maupun pada reduksi hanya exponential noise menunjukkan nilai MSE lebih kecil dan nilai PSNR lebih besar selalu berada pada metode alpha-trimmed mean filter khusus untuk d = 0 dan d = 1. Namun untuk pengujian reduksi hanya exponential
noise selalu memiliki nilai MSE lebih kecil dan nilai PSNR lebih besar daripada pengujian reduksi undefined noise ditambah exponential noise. Maka dapat disimpulkan bahwa metode alpha-trimmed mean filter untuk d = 0 dan d = 1 lebih baik untuk melakukan reduksi noise, dan pengujian untuk reduksi exponential noise lebih baik daripada pengujian untuk reduksi noise bebas ditambah exponential noise.
Kata kunci : Geometric mean filter, Alpha-trimmed mean filter, Citra digital,
Exponential noise, Mean Squared Error (MSE), Peak Signal-to-Noise Ratio
IMPLEMENTATION AND COMPARISON OF GEOMETRIC MEAN FILTER
AND ALPHA-TRIMMED MEAN FILTER TO REDUCE
EXPONENTIAL NOISE IN DIGITAL IMAGES
ABSTRACT
On digital image there are often several disturbance that are called noise. This type of
noise which is like a laser on the digital image is called exponential noise. This noise
is common due to uneven lighting effects as well as the contrast of an image that is
too high or too low. The presence of noise, can cause the information in the image
being reduced and difficult to interpret. Filtering is a technique to reduce noise. The
method to be used for the noise reduction are geometric mean filter and
alpha-trimmed mean filter. The probability of a given noise i.e. 0.01 up to 0.05 for every
image group. Research is results on the reduction of undefined noise and exponential
noise as well as the reduction of exponential noise only show the value of MSE which
is smaller and the value of PSNR is bigger always in the method alpha-trimmed mean
filters exclusively for d = 0 and d = 1. However, reduction of exponential noise has
smaller value of MSE and the value of PSNR is bigger than reduction of undefined
noise and exponential noise. Hence it can be inferred that alpha-trimmed mean filters
for d = 0 and d = 1 is better to do the reduction of noise, and reduction of exponential
noise only is better than reduction undefined noise and exponential noise.
Keywords: Geometric mean filter, Alpha-trimmed mean filter, Digital image,
Exponential noise, Mean Squared Error (MSE), Peak Signal-to-Noise Ratio
2.5.2. Alpha-trimmed mean filter 12 2.6. Pengukuran Kinerja Restorasi Citra 13
2.6.1. Mean squared error (MSE) 13
3.1.2.3. Proses membaca nilai piksel 18 3.1.2.4. Proses penambahan noise 18 3.1.2.5. Konvolusi matriks citra metode geometric mean filter 19
3.1.2.6. Konvolusi matriks citra metode alpha-trimmed mean 20 filter
3.1.2.7. Proses menghitung nilai MSE 21 3.1.2.8. Proses menghitung nilai PSNR 22
3.1.3. Analisis non fungsional 23
3.2.Perancangan Sistem 23
3.2.1.Unified Modeling Language (UML) 23
3.2.1.1. Use case diagram 24
3.2.4.2. Form reduction undefined noise + exponential noise 41 3.2.4.3. Form reduction exponential noise 43
3.2.4.4. Form help 45
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem 47
4.1.1. Spesifikasi perangkat keras 47
4.1.2. Spesifikasi perangkat lunak 47
4.2. Tampilan Antarmuka 48
4.2.1. Tampilan form menu utama 48
4.2.2. Tampilan form reduction undefined noise + exponential noise 48 4.2.3. Tampilan form reduction exponential noise 49
4.2.4. Tampilan form help 50
DAFTAR TABEL
Hal.
3.1 Spesifikasi Use CaseReduction Undefined Noise + Exponential noise 25 3.2 Spesifikasi Use CaseReduction Exponential Noise 26
4.11 Hasil Reduksi Noise pada Citra Beragam Warna dengan Metode Alpha- 70 Trimmed Mean Filter
4.12 Hasil Reduksi Noise pada Citra Berkontras Gelap dengan Metode 72 Geometric Mean Filter
4.13 Hasil Reduksi Noise pada Citra Berkontras Gelap dengan Metode Alpha- 73 Trimmed Mean Filter
4.14 Hasil Reduksi Noise pada Citra Berkontras Terang dengan Metode 74 Geometric Mean Filter
4.16 Hasil Reduksi Noise pada Citra Beragam Warna dengan Metode 76 Geometric Mean Filter
4.17 Hasil Reduksi Noise pada Citra Beragam Warna dengan Metode Alpha- 77 Trimmed Mean Filter
4.18 Perbandingan MSE MetodeGMF dan ATMF untuk Reduksi Undefined 79 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Gelap
4.19 Perbandingan PSNR MetodeGMF dan ATMF untuk Reduksi Undefined 79 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Gelap
4.20 Perbandingan Runtime MetodeGMF dan ATMF untuk Reduksi Undefined 80 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Gelap
4.21 Perbandingan MSE MetodeGMF dan ATMF untuk Reduksi Undefined 80 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Terang
4.22 Perbandingan PSNR MetodeGMF dan ATMF untuk Reduksi Undefined 81 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Terang
4.23 Perbandingan Runtime MetodeGMF dan ATMF untuk Reduksi Undefined 81 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Berkontras Terang
4.24 Perbandingan MSE MetodeGMF dan ATMF untuk Reduksi Undefined 82 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Beragam Warna
4.25 Perbandingan PSNR MetodeGMF dan ATMF untuk Reduksi Undefined 82 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
Beragam Warna
4.26 Perbandingan Runtime MetodeGMF dan ATMF untuk Reduksi Undefined 83 Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra
DAFTAR GAMBAR
3.19 Rancangan Form Menu Utama 40 4.8 Peringatan Bila Probabilitas Belum Dipilih 56
4.9 Processing Bar Tombol Reduce Noise 56
4.10 Hasil Reduce Noise 57
4.11 Proses Menyimpan Citra Hasil Reduksi 57
4.12 Peringatan File Berhasil Disimpan 58
4.13 Help Dialog Apabila Nilai d Belum Dipilih 58 4.22 Grafik Perbandingan MSE Metode GMF dan ATMF untuk Reduksi 84
Undefined Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra Berkontras Gelap
4.23 Grafik Perbandingan PSNR Metode GMF dan ATMF untuk Reduksi 84
Undefined Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra Berkontras Gelap
Undefined Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra Berkontras Gelap
4.25 Grafik Perbandingan MSE Metode GMF dan ATMF untuk Reduksi 85
Undefined Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra Berkontras Terang
4.26 Grafik Perbandingan PSNR Metode GMF dan ATMF untuk Reduksi 86
Undefined Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra Berkontras Terang
4.27 Grafik Perbandingan Runtime Metode GMF dan ATMF untuk Reduksi 86 Undefined Noise + Exponential Noise dengan Reduksi Exponential
Noise pada Citra Berkontras Terang
4.28 Grafik Perbandingan MSE Metode GMF dan ATMF untuk Reduksi 87
Undefined Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra Beragam Warna
4.29 Grafik Perbandingan PSNR Metode GMF dan ATMF untuk Reduksi 87
Undefined Noise + Exponential Noise dengan Reduksi Exponential Noise pada Citra Beragam Warna
4.30 Grafik Perbandingan Runtime Metode GMF dan ATMF untuk Reduksi 88 Undefined Noise + Exponential Noise dengan Reduksi Exponential
DAFTAR LAMPIRAN
Hal.