BAB I
PENDAHULUAN
1.1 Latar Belakang
Suatu data atau informasi disajikan tidak hanya berupa data teks tetapi juga dapat berupa audio, video, dan gambar. Pada zaman sekarang informasi sangatlah penting dan diperlukan, begitu juga informasi yang terdapat pada citra [1]. Citra (image) atau istilah lain untuk gambar merupakan salah satu komponen multimedia yang berperan penting sebagai bentuk informasi visual [2].
Dibandingkan dengan data teks citra memiliki banyak infomasi daripada data teks. Namun terkadang citra juga dapat mengalami penurunan yaitu degradasi atau penurunan mutu yang disebabkan oleh derau / noise, warna terlalu kontras, kabur, dan lain lain [2]. Karena kekurangan tersebut informasi pada citra lebih sulit dijelaskan atau dipahami karena informasi pada citra tersebut kurang jelas [3].
Gambar atau piksel yang mengurangi kualitas citra dalam pengolahan citra disebut derau (noise). Derau / noise muncul dikarenakan oleh proses capture yang tidak sempurna, pencahayaan yang tidak merata yang mengakibatkan intensitas tidak seragam, kontras citra terlalu rendah , pemakaian ISO tinggi atau gangguan fisik (optik), maupun disengaja karena proses pengolahan yang tidak sesuai dan lain sebagainya [4]. Contohnya adalah bintik hitam atau putih yang muncul secara acak yang tidak diinginkan di dalam citra. Bintik acak ini disebut dengan noise salt & pepper. Dilihat dari karakteristik dan bentuknya noise pada citra dibagi menjadi beberapa macam yaitu Gaussian noise, Speckle noise, Salt and Pepper noise, Poisson Noise [5].
Untuk meningkatkan kualitas citra dan mengurangi noise supaya informasi yang ada pada citra dapat dipahami dengan baik dibutuhkan metode filtering. Filtering adalah metode untuk mengubah atau meningkatkan kualitas citra. Sebagai contoh, kita dapat memfilter sebuah citra untuk mengutamakan feature tertentu dan membuang feature yang lain [5]. Ada berbagai cara dan metode yang dapat digunakan dalam pengurangan noise. Metode tersebut antara lain adalah transformasi wavelet, operasi aritmatik (aljabar), metode contour, metode frequency filtering, dan metode intensity filtering. Median filter adalah salah satu metode filtering non – linear yang mengurutkan nilai intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai tengahnya. Median filter banyak digunakan untuk memperhalus, mengembalikan, dan mereduksi noise dari bagian citra yang mengandung noise yang berbentuk bintik putih dan hitam atau noise salt & pepper [6].
Dalam penelitian lain yang dilakukan oleh [2], menjelaskan tentang “ analisis filtering citra metode Mean filter dan Median filter, menggunakan noise Gaussian, Salt, Pepper, Salt & Pepper. Pada penelitian tersebut digunakan besaran MSE dan PSNR untuk membandingkan pixel – pixel pada posisi yang sama dari dua citra yan berlainan. Dari hasil penelitian dapat disimpulkan bahwa untuk perbaikan citra dengan noise berupa Gaussian noise lebih baik dilakukan dengan metode Mean filter. Sedangkan untuk noise salt & pepper menggunakan metode Median filter.”
Dalam penelitian lain yang dilakukan oleh [6], menjelaskan tentang “ Implementasi Adaptive Median Filter untuk reduksi noise pada citra digital. Pada penelitian tersebut juga menggunakan besaran MSE dan PSNR untuk mengukur kualitas citra. Sedangkan untuk uji citra menggunakan noise Gaussian, Uniform, dan noise coretan. Hasil penelitian menunjukkan bahwa efektivitas metode adaptive median filter terhadap pengurangan noise uniform dan Gaussian sebesar 30%. Sedangkan efektivitas metode adaptive median filter terhadap pengurangan noise coretan sebesar 50%.”
Dalam penelitian lain yang dilakukan oleh [4], menjelaskan tentang “ perbaikan citra dengan menggunakan Median Filter dan Metode Histogram Equalization. Penelitian ini menggunakan citra uji sebanyak 9 buah dalam format jpg. Dan setelah di uji menghasilkan bahwa median filter dan metode histogram equalization mampu memperbaiki citra yang telah diujikan. Kelemahan dari penelitian tersebut adalah bila kapasitas noise terlalu banyak serta merata pada seluruh bagian citra, filter akan kesulitan untuk menghilangkan noise tersebut. Kelebihannya adalah dapat diterapkan grayscale, black and white dan true color.”
Pada penelitian yang dilakukan oleh [7], membahas tentang “metode noise adaptive fuzzy switching median filter (NAFSM) dalam reduksi salt & pepper. Metode ini menggunakan 2 pemfilteran yang pertama yaitu mendeteksi intensitas noise salt dan peper sebelum mengidentifikasi lokasi noise. Ketika noise pixel teridentifikasi akan dilanjutkan ke tahap kedua, jika tidak teridentifikasi noise maka gambar tersebut akan dipertahankan. Dari penelitian ini dapat di simpulkan bahwa metode NAFSM merupakan metode yang baik dalam menekan noise salt dan pepper dalam intensitas yang tinggi dan dalam waktu yang sama dapat menjaga atau mempertahankan kualitas gambar, tepi dan tekstur secara baik.”
Dari beberapa penelitian di atas dapat disimpulkan bahwa metode yang baik dalam reduksi noise salt & pepper adalah median filter dan belum ada penelitian yang membandingkan antara adaptif median filter dengan median filter, sehingga muncul suatu ide untuk membuat penelitian tentang perbandingan kedua metode tersebut. Pada penelitian ini kualitas citra diukur dengan dua besaran, yaitu MSE (Mean Square Error) dan PSNR (Peak Signal to Noise Ratio). MSE (Mean Square Error) menyatakan tingkat kesalahan kuadrat rata – rata dari codebook yang dihasilkan terhadap vector input. Semakin kecil nilai MSE menunjukkan semakin sesuai dengan vector input. Parameter PSNR bernilai sebaliknya, semakin besar parameter PSNR semakin bagus codebook yang dihasilkan.
1.2 Rumusan Masalah
Dari uraian latar belakang di atas, maka dapat ditarik rumusan masalah sebagai berikut :
1. Bagaimana hasil keluaran dari analisa metode Adaptif Median Filter dan Median Filter dalam reduksi noise salt & pepper ?
2. Seberapa besar tingkat efektivitas penerapan metode Adaptif Median Filter dan Median Filter terhadap pengurangan noise salt & pepper ?
1.3 Batasan Masalah
Pada penelitian ini agar sesuai dengan masalah yang dituju maka sebagai batasan masalah dalam penelitian ini antara lain :
1. Menitikberatkan pada pembahasan pada reduksi noise salt & pepper. 2. Menggunakan filter 3x3, 5x5, 7x7.
3. Menggunakan perhitungan MSE dan PSNR sebagai pembanding kualitas citra.
4. Citra yang digunakan adalah citra grayscale.
1.4 Tujuan Penelitian
1. Untuk mengetahui hasil keluaran analisa metode Adaptif Median Filter dan Median Filter dalam reduksi salt & pepper.
2. Untuk mengetahui perbandingan antara metode Adaptif Median Filter dan Median Filter sehingga dapat mengetahui metode mana yang memiliki efektivitas tinggi dalam reduksi noise salt & pepper.
1.5 Manfaat Penelitian
Manfaat yang di dapat pada penelitian ini adalah :
a. Bagi Mahasiswa
Dapat menambah wawasan dan ilmu pengetahuan tentang reduksi noise salt & pepper dan metode untuk reduksi noise.
b. Bagi Dosen
Dapat mengetahui metode yang tepat dalam reduksi noise salt & pepper sehingga dapat disampaikan kepada para mahasiswa.
BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
Pada Bab 2 ini, akan dijelaskan berbagai penelitian terkait yang mendukung peracangan program analisa perbandingan metode Adaptive Median Filter dan Median Filter dalam reduksi noise salt & pepper. Dan berbagai teori yang mencakup penjelasan mengenai citra, citra digital, pengolahan citra, metode median filter, metode adaptive median filter, noise salt & pepper, citra grayscale, citra warna.
2.1 Penelitian Terkait
Dari sekian banyak penelitian yang ada, ditemukan penelitian yang membahas reduksi noise dengan metode median filter atau adaptive median filter. Salah satunya adalah penelitian yang dilakukan oleh [8], pada penelitian tersebut dibahas tentang “ bagaimana noise di tambahkan pada citra dan beberapa metode reduksi noise. Penelitian tersebut membandingkan teknik reduksi noise salt & pepper dan gaussian noise, dengan menggunakan metode median filter dan mean filter. Penelitian tersebut juga menggunakan MSE dan PSNR untuk mengukur kualitas citra. Dari hasil penelitian dapat disimpulkan bahwa metode mean filter dan median filter memiliki kelebihan dan kekurangan. Metode median filter lebih baik dalam pengurangan noise salt & pepper, sedangkan metode mean filter lebih baik dalam pengurangan noise gaussian. Hasil yang didapat dalam reduksi noise salt & pepper metode median filter mendapatatkan MSE 2.9344 db, sedangkan mean filter mendapatakan MSE 0.1254 db. Untuk reduksi noise gaussian median filter mendapatkan MSE 5.0587 db, sedangkan mean filter mendapatkan MSE 0.1360 db. Tetapi secara keseluruhan metode median filter lebih baik dalam reduksi berbagai noise.”
Penelitian lain yang dilakukan oleh [9], yang membahas tentang “ optimalisasi spasial domain detektor tepi untuk citra yang cacat karena noise salt & pepper. Pada penelitian tersebut deteksi tepi adalah salah
satu metode yang sering digunakan dalam pengolahan citra. Tetapi kinerja semua deteksi tepi mengalami degradasi yang tajam pada lingkungan yang memiliki banyak noise sehingga mengakibatkan hilangnya informasi pada citra. Penelitian ini menggunakan skema deteksi optimal yang menggunakan detektor pintar digabungkan dengan modul denoising untuk mendeteksi tepi dalam citra yang terkena noise salt & pepper. Dilihat dari hasil penelitian dapat disimpulkan bahwa metode detector dengan optimal domain menghasilkan hasil yang lebih baik daripada detektor lain. Detektor ini juga dapat diterapkan pada tingkat noise yang tinggi dengan intensitas sampai 30%.”
Penelitian selanjutnya yaitu oleh [10], yang membahas tentang “ reduksi salt & pepper dengan intensitas tinggi menggunakan metode modified decision based unsymmetrical trimmed median filter (MDBUTMF). Pada penelitian tersebut membahas algoritma metode modified based unsymmetrical median filter dalam restorasi gray scale dan citra berwarna yang terkontaminasi dengan noise salt & pepper dengan intensitas tinggi. Langkah pertama dari metode ini adalah mendeteksi impuls noise terlebih dahulu kemudian memisahkan citra yang cacat dan tidak. Implementasi penelitian tersebut juga membandingkan dengan metode lain seperti, metode modified based unsymmetrical trimmed median filter dengan metode median filter, adaptif median filter, decision based algorithm, dan progressive switched median filter. Dan kesimpulan dari hasil penelitian tersebut adalah dari segi PSNR dan IEF metode modified decision based unsymmetrical trimmed median filter menghasilkan hasil yang lebih baik dari metode filter lainnya. Metode MDBUTMF mendapatkan PSNR 22.52 db untuk citra ‘Cameraman’, PSNR 24.30 db untuk citra ‘Lena’, dan PSNR 23.80 db untuk citra ‘Baboon’. Metode tersebut juga telah diuji pada tingkat intensitas noise yang rendah, sedang, dan tinggi dalam citra gray scale dan berwarna.”
Penelitian selanjutnya yaitu oleh [11], yang membahas tentang “ filtering citra menggunakan integrasi hybrid median filter dan alpha trimmed mean filter. Pemfilteran citra adalah bagian penting dalam pengolahan citra karena dapat mengurangi noise dari citra yang cacat sehingga kualitas citra dapat meningkat.
Pada penelitian ini membahas manfaat dan batas – batas metode reduksi noise yang ada. Dari sekian banyak metode filter, metode hybrid median filter dan alpha trimmed mean filter merupakan metode yang mempunyai yang baik dalam reduksi noise salt & pepper. Hybrid filter adalah gabungan dari median dan weiner filter. Langkah pertama pada penelitian ini adalah mengurangi noise dengan median filter kemudian hasilnya di filter lagi dengan weiner filter. Weiner filter menghilangkan blur dan bintik putih noise pada citra. Sedangkan untuk kalkulasi alpha trimmed mean, data terlebih dahulu diurutkan dari rendah ke tinggi dan menjumlahkan pixel tengah pada array. Dilihat dari hasil penelitian dapat disimpulkan, bahwa metode hybrid median filter adalah metode yang baik dan mempunyai kelebihan dalam reduksi noise salt & pepper.Metode tersebut mendapatkan MSE 974 dan PSNR 18.2452 db Sedangkan untuk noise Gaussian dan noise yang lain kemungkinan dibutuhkan metode lain yang lebih baik.”
Penelitian selanjutnya yaitu oleh [12], yang membahas tentang “ metode switching median filter dengan metode deteksi impuls noise yang disebut boundary discriminative detection (BDND) untuk citra yang cacat parah. Metode BDND bertujuan mereduksi pixel yang cacat. Dalam penelitian ini langkah pertama adalah mengklasifikasikan pixel kedalam tiga grup yaitu impuls noise tingkat rendah, pixel yang tidak terkontaminasi, dan impuls noise tingkat tinggi. Penerapan penelitian menggunakan pengukuran terhadap miss detection, false alarm, PSNR, dan menggunakan 4 noise model. Dilihat dari hasil penelitian dapat disimpulkan bahwa, metode BDND adalah metode paling bagus dari pada metode lain. Metode BDND menghasilkan 0 miss detection walaupun sampai 70% intensitas noise dan menghasilkan PSNR yang lebih baik.”
Penelitian selanjutnya adalah dari [7], yang membahas tentang “ metode noise adaptive fuzzy switching median filter (NAFSM) dalam reduksi noise salt & pepper. Metode ini menggunakan 2 cara pemfilteran yang pertama yaitu mendeteksi intensitas noise salt & pepper sebelum mengidentifikasi lokasi noise. Setelah noise pixel dapat teridentifikasi akan dilanjutkan ke tahap kedua, jika tidak teridentifikasi noise maka citra tersebut akan dipertahankan. Dalam penelitian ini kualitas citra
diukur menggunakan PSNR. Dari hasil penelitian disimpulkan bahwa metode NAFSM merupakan metode yang baik dalam menekan noise salt & pepper dalam intensitas yang tinggi dan dalam waktu yang sama dapat menjaga atau mempertahankan kualitas gambar, tepi dan tekstur secara baik. Metode NAFSM mendapatkan PSNR 40 db lebih dalam reduksi noise dan merupakan PSNR tertinggi.”
Penelitian selanjutnya oleh [13], yang membahas tentang “ kecepatan dan keefisienan metode median filter (FEMF) dalam reduksi 1 – 99% salt & pepper dalam citra. Citra yang digunakan pada penelitian ini menggunakan informasi dari citra natural, citra yang bebas noise akan divariase dan dipisahkan dengan tepi. Dalam penelitian ini hanya fokus pada salt & pepper impulsif noise dengan 2 fitur yang dideskripsikan sebagai berikut : sebagai bagian dari citra yang cacat, pixel yang bebas noise, dan pixel mengambil nilai positif yang sangat besar sebagai impuls positif atau nilai yang sangat kecil sebagai impuls negative. Dari kesimpulan penelitian menunjukkan bahwa metode FEMF menunjukkan hasil yang signifikan dalam visualisasi subjek dan pengukuran digitial objektif. Metode FEMF mendapatkan PSNR 50 db lebih. Tanpa ada kesalahan filter FEMF dapat mengenali nilai yang paling rendah dan tinggi sebagai noise yang rendah dan tinggi.”
Penelitian selanjutnya yaitu oleh [14], yang membahas tentang “ reduksi gangguan (noise) dengan metode median filter untuk meningkatkan akurasi citra sidik jari sebagai humanidentification. Dalam penelitian tersebut telah dicoba algoritma yang mampu mengurangi noise pada citra digitial yaitu median filter. Median filter telah banyak digunakan untuk mengatasi noise salt & pepper. Cara kerja median filter adalah menangkap matriks citra menggunakan filter, lalu mengurutkan matriks tersebut untuk diambil nilai tengah atau yang disebut median. Lalu nilai tengah ini akan menggantikan target pixel yang terdapat pada bagian tengah pada matriks filter. Penelitian tersebut menggunakan filter 3x3, 5x5, 7x7 dan 9x9. Citra yang digunakan berformat JPG dan grayscale. Dari hasil penelitian dapat disimpulkan bahwa metode median filter sangat efektif dalam reduksi noise salt & pepper sampai dengan probabilitas noise sebesar 15%.”
Penelitian selanjutnya adalah yang dilakukan oleh [1], yang membahas tentang “ perbandingan metode low pass filter dan median filter dalam penghalusan citra untuk peningkatan citra. Pada citra terdapat banyak informasi, apalagi pada jaman sekarang informasi sangat penting dan diperlukan banyak orang. Dalam citra juga ada kekurangan yaitu ketika citra mengandung noise, seperti bercak hitam dan putih sehingga informasi pada citra sulit dipahami. Untuk mengatasi hal tersebut dapat dilakukan penghalusan citra sehingga citra lebih mudah diinterpretasikan oleh mata manusia dan untuk pengenalan objek. Penelitian ini menggunakan citra dengan format BMP dan filter 3x3. Kualitas citra menggunakan skala kriteria subjektif dan PSNR. Dari hasil penelitian dapat disimpulkan bahwa metode low pass filter walaupun mampu menghaluskan citra tetapi dalam mengurangi noise menghasilkan citra yang kabur. Metode median filter adalah metode yang baik dalam reduksi noise dan menghaluskan citra. Metode median filter mendapatkan PSNR 15.115291 db, sedangkan Low Pass Filter mendapatkan 12.2.86619 db”
Penelitian selanjutnya yaitu oleh [4], yang membahas tentang “ perbaikan citra dengan menggunakan median filter dan metode histogram equalization. Seringkali citra mengalami penurunan mutu atau kualitas akibat terdapat noise, warna terlalu kontras, kabur, kurang tajam dan sebagainya. Dalam kondisi demikian perlu adanya perbaikan citra untuk mendapatkan tampilan citra dengan bentuk visualisasi yang lebih baik. Median filter adalah metode yang menitik beratkan pada nilai tengah dari keseluruhan pixel. Sedangkan histogram equalization adalah suatu metode yang mana terjadi perataan histogram citra, dimana distibusi nilai derajat warna pada suatu citra dibuat rata. Dalam penelitian ini telah diterapkan median filter dan histogram equalization dalam perbaikan citra sehingga mampu memperbaiki citra yang telah diujikan. Pengujian citra menggunakan PSNR dan MSE. Dari hasil penelitian menghasilkan semua citra yang diuji termasuk dalam kategori ‘cukup’ (citra masih dapat dikenali, tetapi masih terdapat kerusakan (noise) dan kategori baik, tidak ada kerusakan (noise). Rata-rata nilai tertinggi 4,8 dan terendah adalah 3,2. Semakin besar ukuran dimensi gambar, semakin lama juga waktu prosesnya.”
Penelitian selanjutnya oleh [2], yang membahas tentang “ analisis filtering citra dengan metode mean filter dan median filter. Filtering adalah salah satu bagian dari perbaikan citra, yaitu menghaluskan dan menghilangkan noise yang ada pada citra, baik secara linear maupun secara non linear. Mean filter merupakan metode filtering linear yang bekerja dengan menggantikan intensitas nilai pixel dengan rata – rata dari nilai pixel tersebut dengan nilai pixel – pixel tetangganya. Median filter merupakan metode filtering non linear yang mengurutkan nilai intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai tengahnya. Dalam penelitian ini kualitas citra diukur dengan dua besaran yaitu PSNR dan MSE. Dari hasil penelitian dapat disimpulkan bahwa semakin besar ukuran penapis (mask) yang digunakan maka semakin turun nilai PSNR yang dihasilkan dan semakin besar nilai MSE. Berdasarkan pengujian metode mean filter mendapatkan PSNR 7,182 dB, sedangkan untuk median filter mendapatakan PSNR sebesar 13,704dB. Untuk noise Gaussian metode yang paling baik dalam reduksi adalah mean filter. Sedangkan untuk noise salt & pepper metode yang paling baik adalah median filter.”
Penelitian selanjutnya yaitu oleh [5], yang membahas tentang “ analisis pengaruh noise terhadapap deteksi wajah manusia pada citra berwarna menggunakan fuzzy. Dalam pengolahan citra, khususnya deteksi wajah merupakan salah satu penelitian pengenalan bentuk dan human computer interaction. Banyak metode dalam mendeteksi wajah seperti contoh yaitu metode Fuzzy. Pada aplikasi security, deteksi wajah merupakan proses awal pengenalan wajah. System merekam wajah seseorang kemudian dikirimkan ke sebuah computer. Tetapi pada saat merekam dan pengiriman citra sering terjadi gangguan. Gangguan tersebut salah satunya adalah munculnya noise. Noise ada beberapa jenis yaitu :
Gaussian Speckle Poisson Salt & Pepper
Filtering adalah metode yang tepat untuk mengurangi noise tersebut sehingga dapat mengenali wajah dengan baik. Pengujian menggunakan noise Gaussian, speckle, poisson, dan salt & pepper. Dari hasil pengujian dapat disimpulkan bahwa citra masukan yang mengandung noise masih dapat di deteksi jika tidak melebihi parameter maksimal. Tipe noise poisson adalah sama untuk setiap citra karena tidak memiliki parameter. Citra masukan yang mengandung noise kategori berat membuat citra kabur.”
Penelitian selanjutnya yaitu oleh [15], yang membahas tentang “ analasis penerapan metode konvolusi untuk reduksi derau pada citra digitial. Derau (noise) dalam pengolahan citra digital merupakan gangguan yang disebabkan oleh menyimpangnya data digital yang diterima oleh alat penerima data gambar. Banyak metode dalam reduksi noise salah satunya metode konvolusi yang terdiri dari Low Pass Filter, High Pass Filter, Median, Mean, Gaussian. Pada penelitian tersebut dilakukan analisis citra digital dengan penerapan metode konvolusi dengan berbagai parameter yakni histogram, perhitungan Timing Run, dan perhitungan SNR. Dari hasil grafik penelitian dapat diambil kesimpulan bahwa filter High Pass Filter adalah filter yang tidak dapat mereduksi noise namun justru menambah noise pada citra uji. Perhitungan Timing Run menunjukkan semakin besar ukuran pixel citra, semakin besar pula waktu yang diperlukan untuk melakukan reduksi noise. Metode median filter mendapatkan SNR sebesar 18.97 dB dalam reduksi noise aditif,sedangkan LPF mendapatkan SNR sebesar 13.307 dB dalam reduksi noise gaussian, dan untuk noise speckle sebesar 14.50 dB. Berdasarkan perhitungan SNR untuk jenis noise aditif median filter adalah metode yang baik, sedangkan untuk noise Speckle dan Gaussian metode Low Pass Filter merupakan filter yang efektif dalam reduksi noise.”
Penelitian selanjutnya yaitu oleh [6], yang membahas tentang “ implementasi Adaptive Median Filter sebagai reduksi noise pada citra digital. Citra memiliki peranan penting sebagai bentuk informasi visual. Citra juga memiliki banyak informasi dibandingkan data yang lain, tetapi informasi tersebut tidak dapat dipahami dengan jelas jika mengandung noise. Noise menyebabkan kualitas citra
menurun, sehingga perlu suatu metode untuk mengurangi noise tersebut. Metode adaptive median filter merupakan salah satu metode reduksi noise. Metode tersebut dirancang untuk menghilangkan masalah yang dihadapi dengan standar median filter. Perbedaan mendasar antara dua filter ini adalah bahwa pada adaptive median filter besarnya window (jendela/kernel) sekitarnya setiap piksel adalah variabel. Pada penelitian ini menggunakan noise Gaussian dan uniform dan menggunakan pengukuran MSE dan PSNR. Dilihat dari hasil penelitian dapat disimpulkan bahwa efektivitas penerapan metode adaptive median filter terhadap pengurangan noise uniform dan gaussian sebesar 30%.”
No Nama
Peneliti
Tahun Metode Evaluasi Hasil
1 Pei Eng Ng & Kai Kuang Ma 2006 Swicthing Median Filter With Boundary Discriminative Noise Detection Menggunakan pengukuran miss detection, false alarm, PSNR, 4 noise model Metode BDND adalah metode yang paling ampuh dari metode lain. Metode tersebut menghasilkan 0% miss detection sampai intentsitas noise 70% 2 Kenny Kal
Vin Toh & Nor Ashidi Mat Isa 2010 Noise Adaptive Fuzzy Switching Median Filter Menggunakan pengukuran PSNR Metode NAFSM merupakan metode yang baik dalam menekan noise salt dan pepper dalam intensitas
dalam waktu yang sama dapat
menjaga atau mempertahankan
kualitas gambar, tepi dan tekstur
secara baik. 3 Anisa Fitri 2010 Low Pass
Filter & Median Filter Kualitas citra menggunakan skala kriteria subjektif dan PSNR
Metode low pass filter walaupun mampu menghaluskan citra tetapi dalam mengurangi noise menghasilkan citra yang kabur.
Metode median filter adalah metode yang baik dalam reduksi noise dan menghaluskan citra 4 Humaira & Rasyidah
2011 Metode Fuzzy Menggunakan parameter maksimal noise yang diperbolehkan Citra masukan yang mengandung noise masih dapat di deteksi
dikandung dalam setiap citra jika tidak melebihi parameter maksimal. Citra masukan yang mengandung noise kategori berat membuat citra kabur 5 S. Erakkirajan dkk 2011 Modified Decision Based Unsymemetric Trimmed Median Filter Menggunakan pengukuran PSNR dan IEF Dari segi PSNR dan IEF metode MDBUTMF menunjukkan hasil yang lebih baik dari metode
lainnya. 6 Sony Nuryadin Syarifuddin 2012 Mean Filter dan Median Filter Menggunakan MSE dan PSNR Semakin besar ukuran penapis (mask) yang digunakan maka semakin turun nilai PSNR yang dihasilkan dan semakin besar nilai MSE. Untuk noise Gaussian paling baik menggunakan metode mean
filter. Sedangkan noise salt & pepper paling baik menggunakan median filter. 7 Mu Hsien Hsieh dkk 2012 Fast and Efficient Median Filter Menggunakan pengukuran PSNR, MSE Metode FEMF menunjukkan hasil yang signifikan dalam visualisasi subjek dan pengukuran digital objektik. 8 Abhinav Garg dkk 2012 Optimal Spatial Domain Edge Detector Menggunakan matlab dan deteksi tepi Metode detector dengan optimal domain menghasilkan hasil yang lebih
baik daripada detektor lain. Detektor ini juga dapat diterapkan pada tingkat noise yang tinggi. 9 Rika Novita Wardhani & Mera 2013 Metode Konvolusi Menggunakan histogram, perhitungan Timing Run, Berdasarkan perhitungan SNR untuk jenis noise aditif
Kartika Delimayanti perhitungan SNR median filter adalah metode yang baik, sedangkan untuk noise Speckle dan Gaussian Low Pass Filter merupakan filter yang efektif dalam reduksi noise. 10 Eva Listiyani 2013 Metode Adaptive Median Filter Menggunakan MSE dan PSNR Efektivitas penerapan metode adaptive median filter terhadap pengurangan noise uniform dan gaussian sebesar 30%. 11 Handoyo Widi Nugroho & Abdi Darmawan
2014 Median Filter Menggunakan filter berukuran 3x3, 5x5, 7x7, 9x9 Metode median filter sangat efektif dalam reduksi noise salt & pepper sampai dengan
probabilitas noise sebesar
12 Ricky Aprias Sholihin & Bambang Hari Purwoto 2014 Median Filter dan Histogram Equalization Menggunakan MSE dan PSNR Semua citra yang diuji termasuk dalam kategori ‘cukup’ (citra masih dapat dikenali, tetapi masih terdapat kerusakan (noise) dan kategori baik, tidak ada kerusakan (noise). Semakin besar ukuran dimensi gambar, semakin lama juga waktu prosesnya. 13 Ayushi Gupta & Yugshakti Kaushik 2014 Median & Mean Filter Menggunakan pengukuran MSE, noise salt pepper, Gaussian Metode mean filter dan median
filter mempunyai kelebihan dan kekurangan masing masing. Metode mean filter baik dalam reduksi Gaussian
noise dan metode median
filter baik dalam reduksi salt dan
pepper noise. 14 Prabhdeep Singh dkk 2014 Integrated Median Filter & Alpha Trimmed Mean Filter Menggunakan pengukuran PSNR, MSE, matlab Hybrid median filter merupakan metode yang baik dan mempunyai keuntungan hanya dalam reduksi salt dan
pepper. Untuk noise Gaussian dan yang lain
mungkin dibutuhkan metode yang lain
yang lebih baik.
Tabel 2.1 State of The Art
2.2 Landasan Teori
2.2.1 Citra
Citra (image) merupakan istilah lain untuk gambar sebagai bentuk informasi visual, yang memegang peranan penting dan merupakan salah satu komponen multimedia. Citra dapat diukur melalui pendapat, kesan atau respon seseorang dengan tujuan untuk mengetahui secara pasti apa yang ada dalam pikiran setiap individu mengenai suatu objek. Suatu citra dapat memiliki suatu makna yang sangat kaya atau sederhana saja [15].
Citra dapat berjalan stabil dari waktu ke waktu atau sebaliknya bisa berubah dinamis, diperkaya oleh jutaan pengalaman dan berbagai jalan pikiran asosiatif. Setiap orang dapat melihat suatu objek dengan persepsi berbeda atau dapat diterima relatif sama pada setiap orang, yang disebut juga dengan opini publik. Ada dua jenis citra yaitu citra diam dan citra bergerak. Citra diam merupakan citra tunggal yang tidak bergerak, sedangkan citra bergerak merupakan rangkaian citra diam yang ditampilkan secara sekuensial [4].
2.2.2 Citra Digital
Yang dimaksud dengan citra digital adalah fungsi intensitas dua cahaya dua dimensi f(x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y) sebanding dengan brightness (gray level) dan citra di titik tersebut. Citra digital adalah representasi dari citra yang diambil oleh mesin dengan bentuk pendekatan berdasarkan kuantisasi dan sampling. Beberapa karakteristik citra digital adalah resolusi, ukuran citra, dan format lainnya. Citra digital mempunyai bentuk persegi panjang dan memiliki lebar dan tinggi tertentu. Ukuran citra selalu bulat karena dinyatakan dalam banyaknya titik atau piksel. Berdasarkan sifat dari nilai terkuantisasinya, citra digital dapat diklasifikan sebagai berikut :
Citra Biner
Citra biner adalah citra digital yang tiap pikselnya hanya memiliki dua kemungkinan nilai, yaitu 1 dan 0.
Citra Grayscale
Citra grayscale adalah citra digital yang setiap pikselnya merupakan sampel tunggal. Citra ini berbentuk warna abu abu pada tingkatan berbeda beda, mulai dari warna hitam pada intensitas rendah sampai warna putih pada intensitas tinggi. Disebut juga citra hitam putih atau citra monokromatik. Citra grayscale memberi kemungkinan warna lebih banyak dari pada citra biner, karena kemungkinan terdapat nilai nilai lain antara nilai minimum (0) hingga nilai maksimum.
Citra Warna
RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar dapat diberi rentang nilai, contohnya untuk monitor computer nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini adalah didasarkan untuk mengungkap 8 digit bilangan biner yang digunakan oleh mesin computer. Maka dengan cara ini diperoleh warna campuran sebanyak 256 x 256 x 256 = 16777216 warna. Sebuah warna dapat dituliskan sebagai berikut : warna RGB (30, 75, 255), putih = RGB (255, 255, 255), untuk hitam = RGB (0,0,0) [6].
Gambar 2.1 Citra Warna (RGB)
2.2.3 Pengolahan Citra
Image Processing atau pengolahan citra merujuk pada segala bentuk pemrosesan sinyal yang inputnya adalah citra. Output dapat berupa citra atau sekumpulan karakteristik atau parameter yang berhubungan dengan citra. Teknik
pengolahan citra memperlakukan citra sebagai sinyal dua dimensi dan menerapkan teknik standar pemrosesan sinyal pada sinyal tersebut [6].
Dua tujuan utama pengolahan citra adalah sebagai berikut :
Mengekstraksi informasi ciri yang ada pada citra, sehingga menghasilkan informasi citra dan manusia mendapatkan informasi ciri dari citra tersebut secara numerik.
Memperbaiki kualitas citra, dengan tujuan informasi pada citra dapat ditampilkan dengan jelas. Informasi yang ada pada citra dilakukan oleh manusia.
2.2.3.1 Operasi Pengolahan Citra
Operasi pengolahan citra terbagi menjadi beberapa jenis yaitu sebagai berikut [6] :
Pemampatan citra
Berfungsi agar citra dapat ditampilkan dalam bentuk sederhana dan memerlukan memori yang sedikit. Dalam hal ini citra yang sudah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode JPEG [6].
Pengorakan citra
Berfungsi untuk menghitung besaran kuantitatif dari citra. Teknik pengoran citra dapat membantu dalam identifikasi objek dengan cara mengektraksi ciri – ciri tertentu. Contoh pengorakan citra [6] :
a. Ektraksi batas b. Representasi daerah c. Pendeteksian tepi objek
Perbaikan Kualitas Citra
Berfungsi untuk memperbaiki kualitas citra dengan cara memanipulasi parameter – parameter citra, contoh operasi [6] :
a. Penajaman b. Penapisan derau c. Perbaikan tepian objek d. Pemberian warna semu
e. Perbaikan kontras gelap/terang Rekontruksi citra
Berfungsi untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekontruksi citra sering digunakan dalam bidang medis. Contohnya foto rontgen untuk mengetahui gambar organ tubuh [6].
Pemugaran citra
Berfungsi untuk meminimumkan atau menghilangkan cacat pada citra. Sehingga penyebab degradasi citra dapat diketahui, contoh [6] :
a. Penghilangan derau b. Penghilangan kesamaran
2.2.4 Noise
Noise dalam pengolahan citra adalah piksel atau gambar yang dapat menganggu kualitas citra. Ada beberapa penyebab noise yaitu proses pengolahan yang sengaja dibuat tidak sesuai, gangguan fisis (optik) pada alat akuisisi, dan juga kotoran yang ada pada citra. Terdapat beberapa jenis noise yaitu Gaussian noise, speckle noise, salt & pepper noise, dan uniform noise. Banyak cara dalam pengolahan citra untuk menghilangkan atau mengurangi noise [6].
Noise muncul dikarenakan oleh pembelokkan yang tidak bagus (photographic gain noise, sensor, noise). Contohnya adanya gangguan yang berupa
variasi intensitas suatu piksel dengan piksel – piksel tetangganya. Piksel yang terkena noise biasanya memiliki frekuensi yang tinggi [6].
2.2.4.1 Noise Salt & Pepper
Noise salt & pepper terlihat seperti garam dan merica. Pada citra akan nampak seperti titik – titik. Pada citra RGB noise salt & pepper muncul dalam tiga warna yaitu merah, biru, hijau, sedangkan pada citra grayscale akan muncul dalam dua warna yaitu hitam dan putih. Noise ini memberi efek “ on dan off ” pada pixel [5].
2.2.5 Metode Median Filter
Metode median filter merupakan filter non linear yang dikembangkan oleh Tukey. Metode tersebut berfungsi untuk mengurangi noise dan menghaluskan citra. Dikatakan non linear karena cara kerja penapis ini tidak termasuk kedalam kategori operasi konvolusi. Operasi nonlinear dhitung dengan cara mengurutkan nilai intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai tertentu [2].
Pada median filter suatu window atau penapis yang memuat sejumlah pixel ganjil digeser titik per titik pada seluruh daerah citra. Lalu nilai – nilai tersebut diurutkan secara ascending untuk kemudian dihitung nilai mediannya. Nilai median tersebut akan menggantikan nilai yang berada pada pusat bidang window [2]. Dari beberapa penelitian metode ini sangat cocok untuk reduksi noise sal & pepper. Contoh filtering dengan filter 3x3 sebagai berikut :
Dengan menggunakan citra diatas, diambil 3x3 filtering. Nilai masing-masing piksel yang bertetanggaan setelah diurutkan adalah sebagai berikut: 115, 119, 120, 123, 124, 125, 126, 127, 150. Hasil pengurutan tersebut mendapatkan nilai median 124. Nilai median ini digunakan untuk menggantikan nilai pusat mask, sehingga nilai 150 akan diganti dengan 124.
2.2.6 Adaptif Median Filter
Adaptif Median Filter adalah metode pengembangan dari median filter biasa. Perbedaan yang menonjol antara dua metode ini adalah bahwa besarnya window (jendela) yang ada pada adaptif median filter setiap piksel adalah variabel. Variasi ini tergantung pada nilai median dari piksel dalam window saat ini. Ukuran jendela akan diperluas jika nilai rata – rata adalah impuls. Pada proses pengolahan citra diperlukan piksel pusat (median) dari window (jendela) untuk memastikan apakah piksel tersebut merupakan suatu impuls atau tidak. Jika merupakan impuls, maka nilai piksel baru pada citra yang telah difilter akan diganti dengan nilai median dari pusat piksel dalam jendela itu. Jika tidak merupakan impuls, maka piksel tersebut akan dipertahankan dalam citra yang difilter [6].
Adaptif median filter mempunyai 2 tujuan yaitu mengurangi distorsi pada gambar dan menghapus impuls noise pada gambar. Adaptif median filter dapat mengatasi operasi filter pada citra yang cacat karena impuls noise. Dan juga dapat memperhalus noise [6].
Filter ini melakukan pengolahan spasial untuk menentukan nilai mana dalam citra yang terkena noise dengan membandingkan setiap piksel dengan tetangganya. Ukuran jendela disesuaikan dengan batas maksimum jendela. Piksel yang berbeda dengan tetangganya dianggap sebagai noise lalu piksel tersebut diganti dengan nilai median (pusat) piksel yang ada dalam satu jendela. Misalnya Cij,untuk (i,j)ϵ A = {1,…,P} x {1,…,Q}, adalah derajat keabuan dari citra C dengan
ukuran PxQ pada lokasi (i,j) dan [Smin, Smax] adalah jangkauan dinamik dari C dengan kata lain Smin ≤ Cij ≤ Smax untuk semua (i,j) ϵ A. Kemudian y didefinisikan sebagai citra yang terkena noise [6].
Misalkan Swij merupakan suatu windows dengan ukuran j x j dan memiliki pusat di (i,j) dan Jmax x Jmax adalah ukuran maksimum window/jendela. Fungsi dari algoritma adaptif median filter ini adalah untuk mengidentifikasi kandidat noise dan mengganti kandidat noise tersebut dengan nilai median dari piksel yang ada pada window Swij [6].
2.2.7 MSE dan PSNR
Pada pengolahan citra digital mempunyai standar pengukuran galat (error) kualitas citra yaitu MSE dan PSNR [6]. MSE dan PSNR digunakan untuk mengukur kualias citra.
Peak Signal to Noise Ratio (PSNR) digunakan untuk mengukur tingkat keberhasilan dan performa dari suatu metode filtering pada citra. Pengukuran teknik visual setiap orang berbeda beda, jadi lebih baik menggunakan PSNR dan MSE untuk pengukuran performa yang baik [6].
PSNR (Peak Signal to Noise Ratio) adalah perhitungan yang menentukan nilai dari sebuah citra. Besar kecilnya nilai MSE yang terjadi pada citra mempengaruhi nilai PSNR. PSNR biasanya dinyatakan dalam skala decibel (dB) dalam bentuk logaritma. Semakin kecil nilai PSNR, hasil yang diperoleh semakin jelek. Sebaliknya semakin besar nilai PSNR, hasil yang diperoleh semakin baik. Jadi hubungan antara nilai MSE dan PSNR adalah semakin kecil nilai PSNR, maka semakin besar pula nilai MSE –nya. Untuk mengukur kualitas pada penyusunan ulang citra digunakan PSNR .
MSE (Mean Square Error) adalah nilai error kuadrat rata rata antar hasil citra asli dengan citra manipulasi. Nilai MSE diperoleh dengan cara membandingkan nilai citra hasil pada posisi pixel yang sama dengan selisih pixel pixel citra asal.
Misal Sxy adalah citra masukan Cxy adalah citra keluaran, kedua citra tersebut mempunyai M baris dan N kolom, maka dapat didefinisikan sebagai berikut :
Rumus menghitung PSNR adalah :
Nilai PSNR dibawah 30dB mengindikasikan kualitas yang relative rendah, dimana distorsi yang dikarenakan penyisipan terlihat jelas. Akan tetapi kualitas stego-image yang tinggi berada pada nilai 40dB dan diatasnya. Berikut ini adalah contoh perhitungannya. citra awal adalah citra yang memiliki noise , dan citra akhir adalah citra yang sudah di filter.
BAB III
METODE PENELITIAN
3.1 Instrumen Penelitian
Beberapa perangkat yang digunakan untuk mengerjakan penelitian ini adalah sebagai berikut :
Perangkat Keras
Dalam melakukan penelitian, digunakan beberapa perangkat keras sebagai berikut :
a. Laptop dengan processor Intel Core i5 3317U Ivy Bridge 1,7Ghz. b. RAM dengan ukuran 8 GB.
c. Harddisk dengan kapasitas 500 GB. Perangkat Lunak
Beberapa perangkat lunak yang dibutuhkan dalam melakukan penelitian adalah sebagai berikut :
a. Sistem Operasi yang digunakan adalah Microsoft Windows 7 Ultimate 64 Bit.
b. Aplikasi editor citra Adobe Photoshop.
c. Menggunakan Matlab sebagai bahasa pemrograman.
3.2 Teknik Analisis Data
Setelah data didapatkan, selanjutnya adalah menguraikan cara pengolahan data secara konkrit. Ada beberapa tahapa yang dilakukan terhadap data-data yang diperoleh. Tahapan-tahapan tersebut antara lain :
1. Merubah citra berwana menjadi grayscale, kecuali citra yang sudah grayscale untuk digunakan dalam pelatihan dan.pengujian penelitian.
2. Menambahkan noise salt & pepper pada citra grayscale sesuai intensitas yang diinginkan.
3. Menerapkan metode Adaptive Median Filter dan Median Filter untuk proses pengurangan noise salt & pepper.
4. Hasil dari metode reduksi diatas diolah kembali dengan menggunakan metode histogram untuk mendapatkan data fitur atau ciri tekstur. 5. Selanjutnya mengukur kualitas citra menggunakan MSE dan PSNR
untuk mengetahui metode mana yang lebih baik dalam mereduksi noise salt & pepper.
3.3 Metode yang Diusulkan
Metode yang digunakan dalam penelitian ini adalah Adaptive Median Filter dan Median Filter. Untuk lebih jelasnya dapat dilihat pada penjelasan di bawah ini.
3.3.1 Adaptif Median Filter
Adaptif Median Filter adalah metode pengembangan dari median filter biasa. Perbedaan yang menonjol antara dua metode ini adalah bahwa besarnya window (jendela) yang ada pada adaptif median filter setiap piksel adalah variabel. Variasi ini tergantung pada nilai median dari piksel dalam window saat ini. Ukuran jendela akan diperluas jika nilai rata – rata adalah impuls. Pada proses pengolahan citra diperlukan piksel pusat (median) dari window (jendela) untuk memastikan apakah piksel tersebut merupakan suatu impuls atau tidak. Jika merupakan impuls, maka nilai piksel baru pada citra yang telah difilter akan diganti dengan nilai median dari pusat piksel dalam jendela itu. Jika tidak merupakan impuls, maka piksel tersebut akan dipertahankan dalam citra yang difilter [6].
Adaptif median filter mempunyai 2 tujuan yaitu mengurangi distorsi pada gambar dan menghapus impuls noise pada gambar. Metode ini melakukan pengolahan spasial untuk menentukan nilai mana dalam citra yang terkena noise dengan membandingkan setiap piksel dengan piksel tetangganya. Ukuran jendela disesuaikan dengan batas maksimum jendela. Piksel yang berbeda dengan piksel tetangga dianggap sebagai noise lalu piksel tersebut diganti dengan nilai median
piksel yang ada pada satu jendela. Adaptif median filter bekerja pada area persegi panjang Sxy. Selama operasi pengurangan noise metode adaptif median filter mengubah ukuran Sxy. Berikut ini adalah algoritma dari metode adaptif median filter :
Zmin = Nilai tingkat keabuan minimum pada Sxy
Zmax = Nilai tingkat keabuan maksimum pada Sxy.
Zmed = Nilai tengah keabuan pada Sxy.
Zxy = tingkat keabuan pada koordinat (x,y).
Smax = Ukuran maksimum Sxy.
Ada dua tahap pada pada metode ini yaitu tahap A dan tahap B :
Tahap A : A1 = Zmed – Zmin
A2 = Zmed – Zmax
If A1 > 0 dan A2 < 0, lanjut ke tahap B
else tambah ukuran window
If ukuran window <= Smax, ulangi tahap A
Else output Zxy.
Tahap B : B1 = Zxy – Zmin
B2 = Zxy – Zmax
If B1 > 0 dan B2 < 0 output Zxy
Penjelasan untuk algoritma diatas adalah sebagai berikut :
Tahap A : jika Zmin < Zmed < Zmax maka Zmed bukan suatu impuls
Lanjut ke tahap B untuk menguji apakah Zxy merupakan impuls. Zmed merupakan impuls
a. Ukuran window ditambah dan
b. Tahap A diulang sampai Zmed tidak merupakan impuls dan lanjut ke tahap B atau ukuran maksimum Smax tercapai, lalu Zxy adalah keluarannya.
Tahap B : jika Zmin < Zxy < Zmax maka Zxy tidak merupakan impuls
Hasil keluarannya adalah Zxy Jika Zxy = Zmin atau Zxy = Zmax
Hasil keluarannya adalah Zmed (Median filter) Zmed tidak merupakan impuls (dari tahap A) 3.3.2 Median Filter
Metode median filter merupakan filter non linear yang dikembangkan oleh Tukey. Metode tersebut berfungsi untuk mengurangi noise dan menghaluskan citra. Dikatakan non linear karena cara kerja penapis ini tidak termasuk kedalam kategori operasi konvolusi. Operasi nonlinear dhitung dengan cara mengurutkan nilai intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai tertentu [2].
Pada median filter suatu window atau penapis yang memuat sejumlah pixel ganjil digeser titik per titik pada seluruh daerah citra. Lalu nilai – nilai tersebut diurutkan secara ascending untuk kemudian dihitung nilai mediannya. Nilai median tersebut akan menggantikan nilai yang berada pada pusat bidang window [2]. Dari beberapa penelitian metode ini sangat cocok untuk reduksi noise sal & pepper. Contoh filtering dengan filter 3x3 sebagai berikut :
Gambar 3.1 Median Filter
Dengan menggunakan citra diatas, diambil 3x3 filtering. Nilai masing-masing piksel yang bertetanggaan setelah diurutkan adalah sebagai berikut: 115, 119, 120, 123, 124, 125, 126, 127, 150. Hasil pengurutan tersebut mendapatkan nilai median 124. Nilai median ini digunakan untuk menggantikan nilai pusat mask, sehingga nilai 150 akan diganti dengan 124. Berikut adalah metode yang diusulkan secara keluruhan.
Gambar 3.2 Metode yang diusulkan
Berdasarkan gambar di atas, terdapat beberapa tahapan proses, antara lain :
Proses pra pengolahan. Pada tahap ini dilakukan penambahan noise secara manual, lebih tepatnya tingkat intensitas noise.
Tahap pengolahan. Pada tahap ini dilakukan proses pengolahan lebih lanjut pada citra yang telah didapatkan dari tahap pra pengolahan. Pada tahap ini citra yang bernoise di filter dengan menggunakan metode adaptif median filter dan median filter, dan setelah itu menjadi data keluaran.
Tahap analisis. Pada tahap ini, citra di analisis secara sederhana. Citra yang dibandingkan ada 3 yaitu, citra asli atau citra tidak bernoise, citra yang telah
diberi noise, dan citra hasil (citra yang sudah di filter) yang selanjutnya akan dihitung histogram, MSE, dan PSNR nya.
3.4 Evaluasi dan Validasi
Penelitian ini akan mengukur kualitas citra metode adaptif median filter dan median filter dalam reduksi noise salt & pepper. Data yang digunakan berjumlah 4 buah citra grayscale.
Data keluaran yang dihasilkan dari filtering metode adaptive median filter dan median filter, kemudian dihitung histogram, MSE dan PSNR. Kualitas citra diukur menggunakan MSE dan PSNR dari histogram yang telah dihitung, kemudian dibandingkan metode mana yang lebih baik dalam reduksi noise salt & pepper.
Penelitian dilakukan dengan membandingkan hasil MSE dan PSNR citra ber noise dikurangkan dengan citra normal yang disebut MSE dan PSNR awal, dan nilai MSE dan PSNR citra hasil filter dikurangkan dengan citra normal yang disebut MSE dan PSNR akhir. Citra dengan kualitas yang paling baik ditentukan dengan melihat nilai MSE terendah dan PSNR tertinggi.
BAB IV
IMPLEMENTASI DAN HASIL PENELITIAN
4.1 Implementasi
Penelitian ini membahas tentang reduksi noise salt & pepper menggunakan metode adaptif median filter dan median filter. Penelitian ini juga dapat diimplementasikan dalam kehidupan sehari – hari sebagai contoh ketika mengambil foto dalam kondisi gelap dan ketika memakai ISO tinggi. Penelitian ini berguna dalam mengurangi noise salt & pepper pada citra. Data yang digunakan adalah citra grayscale sebanyak 4 buah. Tahap pertama dari penelitian ini adalah pengambilan citra dari media internet. Data yang diambil berupa citra yang berformat RGB maupun grayscale. Kemudian citra yang berformat RGB di konversi ke grayscale terlebih dahulu. Berikut adalah contoh citra hasil pengambilan data :
Gambar 4.1 Citra hasil pengambilan data
Citra yang diambil memiliki variasi pencahayaan dan variasi geometric yang berbeda – beda. Tahap kedua dari penelitian ini adalah preprocessing. Tujuan dari preprocessing adalah agar data tersebut dapat diolah sehingga menghasilkan data yang sesuai dengan kebutuhan. Pada tahap preprocessing terdapat 4 langkah yaitu konversi citra rgb menjadi grayscale, penambahan persentase noise salt &
pepper sesuai keinginan, histogram equalization dan reduksi noise menggunakan metode Median Filter dan Adaptif Median Filter, MSE dan PSNR. Berikut langkah-langkah pada preprocessing :
a. Konversi Citra RGB Menjadi Grayscale
Dalam image processing banyak dilakukan konversi citra berwarna menjadi grayscale. Tujuan dari konversi citra ini adalah untuk memperkecil memori yang dibutuhkan sehingga dapat mempercepat proses yang dilakukan. Proses ini sangat membantu dalam pemrograman karena dapat memanipulasi bit yang tidak terlalu banyak.
Citra berwarna terdiri dari 3 layer matrik yaitu R-layer, G-layer, dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer tersebut. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi warna, yang ada hanyalah derajat keabuan. Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r, g, dan b menjadi gray scale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai r, g, dan b sehingga dapat dituliskan menjadi :
( , ) = ( , ) + ( , ) + ( , )3
dimana :
I (i,,j) = Nilai intensitas citra grayscale
R (i,j) = nilai intensitas warna merah dari citra asal
G (i,j) = nilai intensitas warna hijau dari citra asal
B (i,j) = nilai intensitas warna biru dari citra asal
Untuk melakukan Grayscaling di Matlab, dapat menggunakan fungsi :
Berikut adalah hasil konversi citra RGB ke citra grayscale :
Citra RGB Citra Grayscale
Gambar 4.2 Konversi citra rgb menjadi grayscale
b. Penambahan persentase noise salt & pepper pada citra
Penambahan persentase noise ini membantu dalam mendeteksi seberapa efektif metode yang digunakan, dalam reduksi noise. Untuk bisa menambahkan noise pada citra digital kita bisa menggunakan fungsi ini pada matlab :
J = imnoise (I, type)
“ I ” merupakan matriks penyusun citra, “type” merupakan jenis metode penambahan noise yang kita gunakan, sedangkan “parameters” merupakan parameter-parameter yang dipakai. Berikut adalah hasil citra yang telah ditambahkan noise salt & pepper :
Gambar 4.3 Penambahan noise salt & pepper sebesar 30 %
c. Histogram Equalization dan reduksi noise menggunakan metode Median Filter dan Adaptif Median Filter
Histogram Equalization ini akan mendistribusikan nilai graylevel dari tiap piksel secara merata, sehingga jumlah piksel pada suatu graylevel tertentu hampir sama atau sama seperti pada semua graylevel lain dalam citra.
Median Filtering merupakan salah satu teknik peningkatan kualitas citra dalam domain spasial. Cara kerja median filtering yaitu nilai piksel output ditentukan oleh median dari lingkungan mask yang ditentukan. Median dicari dengan melakukan pengurutan terhadap nilai piksel dari mask yang sudah ditentukan, kemudian dicari nilai tengahnya. Berikut adalah contoh perhitungan proses median filtering :
Gambar 4.4 Proses Median Filtering
Sedangkan untuk Adaptif Median Filter sebenarnya hampir sama dengan Median Filter tetapi ada beberapa perbedaan. Perbedaannya adalah bahwa besarnya window (jendela) yang ada pada adaptif median filter setiap piksel adalah variabel. Variasi ini tergantung pada nilai median dari piksel dalam window saat ini. Ukuran jendela akan diperluas jika nilai rata – rata adalah impuls.
Pada bagian proses sebenarnya hampir sama dengan median filter, tetapi untuk adaptif median filter tahap pertama yaitu memastikan apakah piksel tengah yang ada pada windows merupakan suatu impuls noise atau tidak. Jika merupakan impuls noise, maka windows akan bertambah sampai piksel tersebut tidak merupakan impuls noise. Jika sudah tidak merupakan langkah selanjutnya adalah mencari nilai tengah sama seperti median filter. Berikut adalah algoritma adaptif median filter :
Zmin = Nilai tingkat keabuan minimum pada Sxy
Zmax = Nilai tingkat keabuan maksimum pada Sxy.
Zmed = Nilai tengah keabuan pada Sxy.
Zxy = tingkat keabuan pada koordinat (x,y).
Smax = Ukuran maksimum Sxy.
Ada dua tahap pada pada metode ini yaitu tahap A dan tahap B :
Tahap A : A1 = Zmed – Zmin
A2 = Zmed – Zmax
If A1 > 0 dan A2 < 0, lanjut ke tahap B
else tambah ukuran window
If ukuran window <= Smax, ulangi tahap A
Tahap B : B1 = Zxy – Zmin
B2 = Zxy – Zmax
If B1 > 0 dan B2 < 0 output Zxy
Else output Zmed.
Penjelasan untuk algoritma diatas adalah sebagai berikut :
Tahap A : jika Zmin < Zmed < Zmax maka
Zmed bukan suatu impuls
Lanjut ke tahap B untuk menguji apakah Zxy merupakan impuls. Zmed merupakan impuls
I. Ukuran window ditambah dan
II. Tahap A diulang sampai Zmed tidak merupakan impuls dan lanjut ke tahap B atau ukuran maksimum Smax tercapai, lalu Zxy adalah keluarannya.
Tahap B : jika Zmin < Zxy < Zmax maka Zxy tidak merupakan impuls
Hasil keluarannya adalah Zxy Jika Zxy = Zmin atau Zxy = Zmax
Hasil keluarannya adalah Zmed (Median filter) Zmed tidak merupakan impuls (dari tahap A)
d. MSE dan PSNR
MSE (Mean Square Error) adalah nilai error kuadrat rata rata antar hasil citra asli dengan citra manipulasi. Nilai MSE diperoleh dengan cara membandingkan nilai citra hasil pada posisi pixel yang sama dengan selisih pixel pixel citra asal.
PSNR (Peak Signal to Noise Ratio) adalah perhitungan yang menentukan nilai dari sebuah citra. Besar kecilnya nilai MSE yang terjadi pada citra mempengaruhi nilai PSNR. PSNR biasanya dinyatakan dalam skala decibel (dB) dalam bentuk logaritma. Semakin kecil nilai PSNR, hasil yang diperoleh semakin jelek. Sebaliknya semakin besar nilai PSNR, hasil yang diperoleh semakin baik. Jadi hubungan antara nilai MSE dan PSNR adalah semakin kecil nilai PSNR, maka semakin besar pula nilai MSE nya.
4.2 Hasil Penelitian
Pada penelitian ini dilakukan pengujian untuk mengetahui efektivitas metode median filter dan adaptif median filter dalam reduksi noise salt & pepper. Dengan membandingkan hasil MSE dan PSNR kita dapat mengetahui metode mana yang memiliki efektivitas tinggi dalam reduksi noise salt & pepper. Berikut adalah screenshot dari hasil pengujian reduksi noise salt & pepper :
Berikut ini adalah hasil MSE dan PSNR menggunakan metode median filter dan adaptif median filter :
Tabel 4.1 Hasil MSE dan PSNR median filter
Citra Noise MSE PSNR (dB)
3x3 5x5 7x7 3x3 5x5 7x7 Lena 10 % 28.322 56.338 92.892 33.6096 30.6228 28.451 30 % 269.9434 124.7318 176.7247 23.8181 27.171 25.6578 50 % 1884.2021 323.7224 272.5784 15.3795 23.0291 23.7759 Ivan 10 % 17.9192 26.0558 37.5821 35.5976 33.9718 32.381 30 % 321.067 94.4997 146.9886 23.0648 28.3765 26.458 50 % 2397.7106 344.6252 260.2423 14.3328 22.7573 23.977 Baboon 10 % 134.0366 260.8903 347.0373 26.8586 23.9662 22.727 30 % 425.2411 330.673 426.0239 21.8445 22.9368 21.8365 50 % 2016.9055 566.3071 535.1068 15.0839 20.6003 20.8464 Pepper 10 % 59.2594 88.7973 137.3386 30.4032 28.6468 26.7529 30 % 638.4798 566.1888 836.2041 20.0793 20.6012 18.9077 50 % 2780.8678 1278.6519 1498.9206 13.689 17.0633 16.373
Tabel 4.2 Hasil MSE adaptif median filter Citra Noise MSE 3x3 5x5 7x7 Win Max 3x3 Win Max 5x5 Win Max 7x7 Win Max 5x5 Win Max 7x7 Win Max 7x7 Lena 10 % 28.322 25.7652 25.7655 56.338 55.417 92.892 30 % 269.943 77.2918 76.6817 124.732 121.168 176.725 50 % 1884.2 308.453 203.351 323.722 220.908 272.578 Ivan 10 % 17.9192 13.4912 13.8681 26.0558 23.6833 37.5821 30 % 321.067 61.4476 68.9857 94.4997 102.295 146.989 50 % 2397.71 344.269 213.32 344.625 215.752 260.242 Baboon 10 % 134.037 131.698 131.698 260.89 260.111 347.037 30 % 425.241 221.62 221.223 330.673 329.074 426.024 50 % 2016.91 506.838 405.265 566.307 463.739 535.107 Pepper 10 % 59.2594 51.5006 61.841 88.7973 86.8298 137.339 30 % 638.48 398.834 454.397 566.189 624.478 836.204 50 % 2780.87 1044.96 1035.99 1278.65 1258.06 1498.92
Tabel 4.3 Hasil PSNR adaptif median filter
4.3 Analisis Hasil Penelitian
Berdasarkan tabel 4.1, tabel 4.2, dan tabel 4.3 sekilas hasil filtering metode median filter dan adaptif median filter tampak sama, tetapi kalau dilihat dengan seksama hasil pada tabel 4.2 menunjukkan hasil yang berbeda. Jika windows maksimum filter ditambah hasil PSNR semakin tinggi artinya hasil filtering metode adaptif median filter lebih baik daripada metode median filter. Hasil nya dapat dilihat pada hasil median filter 3x3, gambar lena, persentase 30% dengan hasil MSE = 269.9434 dan PSNR = 23.8181dB. Sedangkan untuk adaptif median filter dengan filter 3x3 dan windows maksimum filter 5x5 menghasilkan MSE = 77.2918 dan PSNR = 29.2495dB. Citra Noise PSNR (dB) 3x3 5x5 7x7 Win Max 3x3 Win Max 5x5 Win Max 7x7 Win Max 5x5 Win Max 7x7 Win Max 7x7 Lena 10 % 33.6096 34.0205 34.0204 30.6228 30.6944 28.451 30 % 23.8181 29.2495 29.2839 27.171 27.2969 25.6578 50 % 15.3795 23.2389 25.0483 23.0291 24.6887 23.7759 Ivan 10 % 35.5976 36.8303 36.7106 33.9718 34.3864 32.381 30 % 23.0648 30.2458 29.7432 28.3765 28.0322 26.458 50 % 14.3328 22.7618 24.8405 22.7573 24.7913 23.977 Baboon 10 % 26.8586 26.935 26.935 23.9662 23.9792 22.727 30 % 21.8445 24.6747 24.6825 22.9368 22.9579 21.8365 50 % 15.0839 21.0821 22.0534 20.6003 21.4681 20.8464 Pepper 10 % 30.4032 31.0127 30.218 28.6468 28.7441 26.7529 30 % 20.0793 22.1229 21.5564 20.6012 20.1756 18.9077 50 % 13.689 17.9398 17.9773 17.0633 17.1338 16.373
Pada persentase 50% hasil metode adaptif median filter juga lebih tinggi dari median filter. Pada median filter 5x5, gambar lena, persentase 50% menghasilkan MSE =323.7224 dan PSNR = 23.0291 dB. Sedangkan pada adaptif median filter dengan persentase 50%, filter 5x5, windows filter maksimum 7x7 menghasilkan MSE = 220.908 dan PSNR = 24.6887 dB.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian berupa uji coba dan analisis dengan 4 citra uji dan perhitungan kualitas citra MSE dan PSNR dan pengurangan noise dengan metode median filter dan adaptif median filter, dapat disimpulkan antara lain sebagai berikut :
a. Penerapan metode median filter dengan filter 3x3 dan persentase noise 30% menghasilkan MSE sebesar 269.9434 dan PSNR sebesar 23.8181 dB, sedangkan untuk metode adaptif median filter dengan filter 3x3, windows maksimum filter 5x5, dan persentase noise 30% menghasilkan MSE sebesar 77.2918 dan PSNR sebesar 29.2495 dB.
b. Efektivitas penerapan metode median filter terhadap pengurangan noise salt & pepper pada citra grayscale adalah sebesar 63%, sedangkan untuk metode adaptif median filter terhadap pengurangan noise salt & pepper pada citra grayscale adalah sebesar 80%.
5.2 Saran
Agar pada penelitian selanjutnya aplikasi ini dapat dikembangkan lebih sempurna, maka diberikan saran sebagai berikut :
a. Penerapan pada noise yang lain yaitu noise Gaussian, uniform, sehingga dapat melihat perbandingan perbaikan kualitas citra.
b. Dalam program ini menggunakan citra grayscale, pada pengembangan selanjutnya bisa menggunakan citra berwarna.
c. Dapat menggunakan metode lain seperti metode low pass filter, high pass filter dsb.
