ANALISIS PENGARUH KOMBINASI
GAUSSIAN NOISE
DAN
SPECKLE
NOISE
PADA CITRA TERHADAP
KINERJA METODE DETEKSI TEPI
SKRIPSI
NUR AINUN
091401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
ANALISIS PENGARUH KOMBINASI
GAUSSIAN NOISE
DAN
SPECKLE
NOISE
PADA CITRA TERHADAP
KINERJA METODE DETEKSI TEPI
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijasah Sarjana Ilmu Komputer
NUR AINUN
091401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : ANALISIS PENGARUH KOMBINASI GAUSSIAN
NOISE DAN SPECKLE NOISE PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI
Kategori : SKRIPSI
Nama : NUR AINUN
Nomor Induk Mahasiswa : 091401010
Program Studi : S1 ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 1 Pembimbing 2
M. Andri Budiman, S.T., M.Comp.Sc., M.E.M Dian Rachmawati, S.Si, M.Kom
NIP. 19751008 200801 1 011 NIP. 19830723 200912 2 004
Diketahui/disetujui oleh
Program Studi S1 Ilmu Komputer
Ketua,
Dr. Poltak Sihombing, M.Kom
PERNYATAAN
ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN SPECKLENOISE
PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Januari 2014
Nur Ainun
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah SWT., Tuhan Yang Maha Esa, yang telah memberikan berkat dan karunia-Nya, serta segala sesuatu dalam hidup, sehingga penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Bapak Prof. Dr. Dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku
Rektor Universitas Sumatera Utara.
2. Bapak Prof. 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 dan Dosen Pembimbing I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
4. Ibu Maya Silvi Lydia, B.Sc. M.Sc. selaku Sekretaris Program Studi S1 Ilmu
Komputer dan Dosen Penguji II yang telah memberikan kritik dan saran dalam penyempuraan skripsi ini.
5. Bapak M. Andri Budiman, S.T., M.Comp.Sc., M.E.M selaku Dosen
Pembimbing I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
6. Ibu Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembimbing II yang telah
banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
7. Semua dosen serta pegawai di Program Studi S1 Ilmu Komputer Fasilkom-TI
USU.
8. Ayahanda Armansyah dan Ibunda Junaini yang menjadi motivasi penulis
untuk sukses dan selalu memberikan dukungan baik materi maupun non-materi, perhatian, serta doa tanpa henti kepada penulis.
9. Kakak tercinta Rina Madhona, Skm., Abangda Rino Khalid dan M. Teguh
Pramana yang menjadi penunjang hidup bagi penulis.
10.Teman-teman pengurus IMILKOM Fasilkom-TI 2012-2013.
11.Teman-teman sekaligus keluarga besar Program Studi S1 Ilmu Komputer
Fasilkom-TI USU.
12.Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini.
Medan, Januari 2014 Penulis,
ABSTRAK
Pendeteksi tepian adalah bagian dari pengolahan citra. Mendeteksi tepi pada citra adalah hal yang biasa, namun disini dilakukan deteksi tepi pada citra yang telah diberi
noise. Hal ini dilakukan untuk melihat apakah ada pengaruh noise pada kinerja deteksi
tepi. Noise yang digunakan berupa kombinasi dari Gaussian noise dan Speckle noise
sedangkan operator deteksi tepinya adalah Marr-Hildreth, Laplacian Of Gaussian dan
Prewitt. Parameter yang digunakan untuk mengukur nilai perbandingan antara ketiga operator deteksi tepi yaitu nilai MSE dan PSNR. Pada sistem ini objek yang digunakan adalah citra dengan format bitmap atau *.bmp. Berdasarkan beberapa hasil
pengujian diperoleh bahwa ada pengaruh noise terhadap kinerja deteksi tepi dengan
nilai mean dan variance yang diujikan dari rentang 0 hingga 1. Nilai rata-rata MSE
pada operator Marr-Hildreth pada kombinasi Gaussian Noise dan Speckle Noise yang
menandakan bahwa citra hasil deteksi tepi buram berkisar lebih dari 0.13 dan PSNR berkisar kurang dari 57.00. Sedangkan untuk nilai rata-rata MSE pada operator LOG
pada kombinasi Gaussian Noise dan Speckle Noise berkisar lebih dari 0.16 dan PSNR
berkisar kurang dari 0.478. Dan untuk Prewitt, MSE berkisar lebih dari 0.04 dan
PSNR berkisar kurang dari 0.474. Selain itu jenis citra juga mempengaruhi seberapa
besar nilai noise dapat diberikan untuk mempengaruhi kinerja deteksi tepi, yaitu citra
dengan background solid dan citra dengan background merata.
ANALYSIS EFFECT COMBINATION OF GAUSSIAN NOISE AND SPECKLE NOISE IN IMAGE ON PERFORMANCE
OF EDGE DETECTION METHOD
ABSTRACT
Edge detection is part of the image processing. Edge detecting in ordinary image is a common thing, but here edge detection do in image noise that has been given. This is done to see if there is an influence of noise on the performance of edge detection. Noise used are combination of Gaussian noise and Speckle noise, while the edge detection operator are Marr-Hildreth, Laplacian Of Gaussian and Prewitt. The parameters used to measure the value of a comparison between the three edge detection operators are MSE and PSNR. In this system object used is a bitmap image or *. bmp. Based on some test results obtained that there is influence of noise on the performance of edge detection with mean and variance of the tested range of 0 to 1. The average value of MSE on the Marr-Hildreth operator on a combination of Gaussian noise and Speckle Noise which indicates that the edge detection image is blurred, range of more than 0.13 and PSNR ranges from less than 57.00. As for the average value of MSE on LOG operator on a combination of Gaussian noise and Speckle Noise ranges of more than 0.16 and less than 0.478 for PSNR ranges. And for Prewitt, MSE ranged over 0.04 and less than 0.474 for PSNR ranges . Besides affects of the image type also how much noise value can be assigned to affect the performance of edge detection, they are the image with a solid background and image with background evenly.
DAFTAR ISI
Hal.
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Gambar x
Daftar Tabel xii
Bab 1 Pendahuluan
1.1 Latar Belakang 1
1.2 Perumusan Masalah 2
1.3 Batasan Masalah 2
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Sistematika Penulisan 3
Bab 3 Analisis Dan Perancangan Sistem
3.1 Analisis Sistem 23
3.1.1 Analisis Masalah 23
3.1.2 Analisis Kebutuhan Sistem 24
3.1.2.1 Kebutuhan Fungsional Sistem 24
3.1.2.2 Kebutuhan Non-Fungsional Sistem 25
3.1.3 Analisis Proses 25
3.1.3.1 Noising 25
3.1.3.2 Deteksi Tepi Marr-Hildreth 26
3.1.3.3 Deteksi Tepi Laplacian Of Gaussian 26
3.1.3.4 Deteksi Tepi Prewitt 26
3.2.1 Use Case Diagram 27
Hal.
3.2.2Sequance Diagram 3.2.3 Activity Diagram
31 32
3.3 Pseudocode 34
3.3.1 Pseudocode Noising 34
3.3.2 Pseudocode Operator Marr-Hildreth 35
3.3.3 Pseudocode Operator Laplacian Of Gaussian 36
3.3.4 Pseudocode Operator Prewitt 36
3.3.5 Pseudocode Menghitung Nilai MSE 37
3.3.6 Pseudocode Menghitung Nilai PSNR 37
3.4 Perancangan Sistem 38
3.4.1 Perancangan Flowchart Sistem 38
Bab 4 Implementasi dan Pengujian
4.1 Implementasi 50
4.1.1 Form Home 50
4.1.2 Form Deskripsi 51
4.1.3 Form Gaussian-Speckle Noise 51
4.1.4 Form Speckle-Gaussian Noise 53
4.1.5 Form Gaussian Noise 54
Background Merata 77
Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan 81
5.2 Saran 82
Daftar Pustaka 83
Lampiran Listing Program A-1
DAFTAR GAMBAR
Gambar 2.5 Citra Warna Berindeks 8
Gambar 2.6 Mangga.bmp Gambar 2.7 Citra Tanpa Noise
Gambar 2.8 Citra Dengan Gaussian Noise Gambar 2.9 Citra Tanpa Noise
Gambar 2.10 Citra Dengan Speckle Noise Gambar 2.11 Model Tepi Satu Dimensi Gambar 2.12 Jenis-Jenis Tepi
Gambar 2.13 Proses Deteksi Tepi Citra
Gambar 2.14 Proses Deteksi Tepi Metode The Marr-Hildreth Gambar 2.15 Kernel Konvolusi Laplacian
Gambar 2.16 Proses Deteksi Tepi Metode LOG Gambar 2.17 Proses Deteksi Tepi Metode Prewitt Gambar 2.18 Proses Konvolusi
Gambar 2.19 Matriks Citra dan Kernel Sebelum Konvolusi Gambar 2.20 Tahapan Proses Pembentukan Konvolusi Gambar 2.21 Hasil Konvolusi Citra dan Kernel
10
Gambar 3.2 Use Case Diagram Sistem Analisis Pengaruh Noise Terhadap
Deteksi Tepi 27
Gambar 3.3 Sequence Diagram Tahap Awal Deteksi Tepi Citra 32
Gambar 3.4 Activity Diagram Pada Sistem Analisis Pengaruh Noise Terhadap
Deteksi Tepi 33
Gambar 3.5 Gambaran Umum Sistem 38
Gambar 3.6 Proses Deteksi Tepi 39
Gambar 3.7 Proses Analisis dari Sistem Analisis Pengaruh Noise Pada Citra
Terhadap Kinerja Metode Deteksi Tepi 40
Gambar 3.8 Form Home 41
Gambar 3.9 Form Deskripsi 42
Gambar 3.10 Form Gaussian-Speckle Noise 43
Gambar 3.11 Form Speckle-Gaussian Noise 45
Gambar 3.12 Form Gaussian Noise 46
Gambar 3.13 Form Speckle Noise 48
Gambar 4.1 Form Home 50
Gambar 4.2 Form Deskripsi 51
Gambar4.4 Form simulasi Gaussian-Speckle Noise 52
Gambar4.5 Form Speckle-Gaussian Noise 53
Gambar4.6 Form simulasi Speckle-Gaussian Noise 54
Gambar 4.7 Form Gaussian Noise 55
Gambar 4.8 Form Simulasi Gaussian Noise 55
Gambar 4.9 Form Speckle Noise 56
Gambar 4.10 Form Simulasi Speckle Noise 57
Gambar 4.11 Pilih Tombol Gaussian-Speckle Noise 58
Gambar 4.12 Browse Citra .bmp Pada FormGaussian-Speckle Noise 58
Gambar 4.13 Tampilan Proses Noising dan Deteksi Tepi Pada Form
Gaussian-speckle Noise 59
Gambar 4.14 Perbandingan Histogram Pada Simulasi Gaussian-Speckle
Noise 77
Gambar 4.15 Grafik Tabel 4.16 79
DAFTAR TABEL
Hal.
Tabel 3.1 Dokumentasi Naratif Use Case Pilih Noise
Tabel 3.2 Dokumentasi Naratif Use Case Deteksi Tepi
Tabel 3.3 Dokumentasi Naratif Use Case Deskripsi
Tabel 4.1 Perbandingan nilai MSE dan PSNR masing-masing Operator Deteksi Tepi
Tabel 4.2 Perbandingan Sampel pada Simulasi Gaussian-SpeckleNoise
Tabel 4.3 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.2
28
Tabel 4.4 Pengukuran Nilai MSE dan PSNR pada Gaussian-Speckle Noise
Tabel 4.5 Perbandingan Sampel pada Simulasi Speckle- GaussianNoise
62 64 Tabel 4.6 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.5
Tabel 4.7 Pengukuran Nilai MSE dan PSNR pada Speckle-Gaussian Noise
65 66
Tabel 4.8 Perbandingan Sampel pada Simulasi GaussianNoise
Tabel 4.9 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.8
Tabel 4.10 Pengukuran Nilai MSE dan PSNR pada Gaussian Noise
Tabel 4.11 Perbandingan Sampel pada Simulasi SpeckleNoise
Tabel 4.12 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.11
Tabel 4.13 Pengukuran Nilai MSE dan PSNR pada Speckle Noise
Tabel 4.14 Perbandingan Sampel Random
Tabel 4.15 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.14 Tabel 4.16 Perbandingan Nilai Rata-Rata MSE
68
