• Tidak ada hasil yang ditemukan

Analisa perbandingan metode histogram equalization dan adaptive histogram equalization untuk peningkatan kualitas citra digital - USD Repository

N/A
N/A
Protected

Academic year: 2019

Membagikan "Analisa perbandingan metode histogram equalization dan adaptive histogram equalization untuk peningkatan kualitas citra digital - USD Repository"

Copied!
173
0
0

Teks penuh

(1)

i

DAN ADAPTIVE HISTOGRAM EQUALIZATION UNTUK

PENINGKATAN KUALITAS CITRA DIGITAL

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Don Bosco Surya Atmaja

085314033

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

AND ADAPTIVE HISTOGRAM EQUALIZATION METHODS FOR IMAGE QUALITY IMPROVEMENT

A THESIS

Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Komputer Degree

In Departement of Informatics Engineering

By :

Don Bosco Surya Atmaja

085314033

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(3)
(4)
(5)

v

PERNYATAAN KEASLIAN KARY

A

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya/bagian orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 23 September 2013 Penulis

(6)

vi

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : Don Bosco Surya Atmaja

NIM : 085314033

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

ANALISA PERBANDINGAN METODE HISTOGRAM EQUALIZATION DAN ADAPTIVE HISTOGRAM EQUALIZATION UNTUK

PENINGKATAN KUALITAS CITRA DIGITAL

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma untuk hak menyimpan, mengalihkan dalam bentuk media lain, mengolahnya dalam bentuk pangkalan data, mendistribusikannya secara terbatas, dan mempublikasikannya di internet dan media lain untuk kepentingan akademis tanpa perlu meminta izin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan saya ini saya buat dengan sebenarnya.

Yogyakarta, 23 September 2013 Penulis

(7)

vii

untuk orangtua tercinta...

untuk adik terkasih...

untuk sahabat terbaik...

(8)

viii

Peningkatan kualitas citra digital dilakukan agar suatu citra dapat dikenali lebih baik maupun dapat dinikmati lebih baik juga. Salah satu cara meningkatkan kualitas citra adalah dengan meningkatkan kontras dari citra tersebut. Metode histogram equalization dan adaptive histogram equalization merupakan salah satu

dari beberapa metode yang digunakan untuk meningkatkan kontras citra. Pada tugas akhir ini bertujuan untuk membandingkan kedua metode peningkatan kontras tersebut.

Citra digital yang digunakan sebagai data dalam membandingkan kedua metode ini adalah citra warna dan skala keabu-abuan sebanyak 10 gambar. 10 gambar yang digunakan memiliki kondisi kontras baik, kontras kurang baik, cahaya gelap, cahaya normal, cahaya terang. Setelah citra diproses dengan kedua metode tersebut, kemudian dinilai oleh responden dengan kuesioner.

Hasil pengujian kedua metode tersebut adalah, metode histogram equalization akan lebih baik ketika citra masukan memiliki kondisi cahaya terang,

(9)

ix

Improving the quality of digital images was needed, so that an image cold be recognized and enjoyed better too. One way to improve the quality of the image by enchanced the contrast of the image. Method of hitogram equalization and adaptive histogram equalization was one of several methods used to enchace the image cotrast. Aim from this thesis was to compare the two methods of contrast enchacement.

Digital image was used as data in comparing between the two methods, the data were 10 images of colored and grayscale. 10 images that were used, they had different contrast condition, as like as good contrast condition, worse contrast condition, dark light, normal light, and bright light. After the image processed by both methods, then assessed by the respondents with questionnaire.

(10)

x

Puji dan syukur kepada Tuhan Yesus Kristus yang telah senantiasa memberikan berkat dan rahmat yang tak berkesudahan serta kesempatan yang sangat berharga sehingga penulis dapat menyelesaikan skripsi dengan judul “Analisa Perbandingan Metode Histogram Equalization dan Adaptive Histogram Equalization untuk Peningkatan Kualitas Citra Digital“.

Dalam kesempatan ini, penulis juga ingin mengucapkan terima kasih sebesar-besarnya terhadap semua pihak yang telah memberi dukungan dan semangat sehingga skripsi ini dapat selesai :

1. Romo Dr. C. Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing dan dosen pembimbing akademik Teknik Informatika kelas A angkatan 2008. Terima kasih atas semua bantuan , bimbingan, pengorbanan waktu, kesabaran, ilmu serta semangat yang telah diberikan.

2. Ibu Paulina Heruningsih Prima Rosa, S.si., M.Sc. selaku Dekan Fakultas Sains dan Teknologi.

3. Ibu Ridowati Gunawan, S.Kom., M.T., selaku ketua jurusan Teknik Informatika Universitas Sanata Dharma.

4. Bapak Eko Hari Parmadi , S.si., M.Kom. dan ibu Sri Hartati W., S.Si., M.Kom. selaku dosen penguji. Terima kasih atas saran dan kritik yang telah diberikan.

(11)

xi

Agnes, Putri, Itha dan seluruh teman-teman Teknik Informatika angkatan 2008. Terima kasih atas dukungannya.

7. Tere, Yola, Cici, Adit, dan Maman, yang selalu setia mengingatkan serta berbagi cerita bersama. Terima kasih atas dukungannya.

8. Semua responden yang telah berkenan mengisi kuesioner penelitian ini. 9. Semua pihak yang telah membantu penulis dalam menyelesaikan skripsi.

Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik di masa depan.

Yogyakarta, 23 September 2013

(12)

xii

DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA ... i

HALAMAN JUDUL BAHASA INGGRIS ... ii

HALAMAN PERSETUJUAN PEMBIMBING ... iii

HALAMAN PENGESAHAN ... iv

PERNYATAAN KEASLIAN ... v

PERNYATAAN PUBLIKASI ... vi

HALAMAN PERSEMBAHAN ... vii

ABSTRAK ... viii

BAB I. PENDAHULUAN 1.1. Latar Belakang Masalah ... 1

1.2. Rumusan Masalah ... 2

1.3. Tujuan Penelitian ... 3

1.4. Batasan Masalah... 3

1.5. Luaran Penelitian ... 3

1.6. Manfaat Kegunaan ... 3

1.7. Sistematika Penulisan ... 3

BAB II. LANDASAN TEORI 2.1. Citra Digital ... 5

2.1.1. Citra Biner atau Monokrom ... 5

2.1.2. Citra Skala Keabuan atau Grayscale... 6

2.3.3. Citra Warna atau True Color ... 6

(13)

xiii

2.2.1. Histogram ... 7

2.2.2. Peningkatan Kontras (Contrast Enhancement) ... 8

2.2.3. Histogram Equalization ... 9

2.2.4. Adaptive Histogram Equalization ... 11

2.3. Peak Signal-to-Noise Ratio (PSNR) ... 12

2.4. Format Citra .BMP ... 13

2.5. Format File .JPG ... 14

2.6. Kompleksitas Waktu ... 14

2.7. Skala Likert ... 15

BAB III. ANALISA PERANCANGAN SISTEM 3.1. Rancangan Umum ... 17

3.2. Rancangan Sistem ... 18

3.2.1. Histogram Equalization ... 19

3.2.2. Adaptive Histogram Equalization ... 22

3.2.3. Pengujian Hasil ... 34

3.3Rancangan Tampilan ... 34

3.3.1. Halaman Utama ... 34

3.3.2. Halaman Input ... 36

3.3.3. Halaman Awal ... 36

3.3.4. Halaman Help... 37

3.3.5. Form Pesan ... 37

3.4Analisa Kebutuhan Sistem ... 38

3.4.1. Data ... ... 38

3.4.2. Perengkat Lunak... 38

3.4.3. Perangkat Keras ... 38

BAB IV. IMPLEMENTASI SISTEM DAN ANALISA HASIL 4.1. Implementasi Proses ... 39

4.1.1. Implementasi Algoritma Histogram Equalization ... 39

(14)

xiv

4.2. Implementasi Tampilan Antarmuka ... 41

4.3. Analisa Hasil Pengujian ... 43

4.3.1. Perhitungan Kompleksitas Waktu Asimptotik ... 43

4.3.2. Analisa Gambar Luaran Berdasarkan Penilaian Responden ... 45

4.3.3. Analisa Histogram Luaran ... 60

4.3.4. Analisa Time-running ... 64

4.3.5. Analisa Nilai PSNR ... 65

4.3.6. Analisa Gambar Citra Masukan ... 66

BAB V. KESIMPULAN DAN SARAN 5.1. Kesimpulan ... 76

5.2. Saran ... 77

DAFTAR PUSTAKA ...78

(15)

xv

DAFTAR GAMBAR

Gambar Keterangan Halaman

2.1 Contoh citra digital biner dan histogramnya 6

2.2 Contoh citra digital dan histogramnya 8

2.3 Citra digital awal dan citra hasil histogram equalization 10 2.4 Citra digital awal dan citra hasil adaptive histogram equalization 12 2.5 Contoh pembagian matrik citra pada adaptive histogram

equalization

12

3.1 Diagram konteks sistem 17

3.2 Flowchart proses sistem secara keseluruhan 18 3.3 Flowchart proses histogram equalization 19 3.4 Flowchart proses adaptive histogram equalization 23

3.5 Halaman Utama sistem 35

3.6 Halaman input citra awal 36

3.7 Halaman awal 36

3.8 Halaman help 37

3.9 Form pesan 37

4.1 Tampilan Halaman Utama 41

4.2 Tampilan Pilih File Citra 42

4.3 Tampilan Peringatan Reset 42

4.4 Tampilan Peringatan Reset Telah Berhasil 42

4.5 Tampilan Peringatan Proses 43

(16)

xvi

DAFTAR TABEL

Tabel Keterangan Halaman

2.1 Tabel skala Likert 16

3.1 Tabel perhitungan histogram equalization 22 3.2 Tabel perhitungan adaptive histogram equalization citra A1 26 3.3 Tabel perhitungan adaptive histogram equalization citra A2 28 3.4 Tabel perhitungan adaptive histogram equalization citra A3 31 3.5 Tabel perhitungan adaptive histogram equalization citra A4 33

4.1 Gambar luaran setiap metode 46

4.2 Interval untuk skala Likert 51

4.3 Hasil kuesioner metode histogram equalization pada citra yang memiliki kontras baik yang dirubah dalam bentuk bobot nilai

51 4.4 Hasil kuisoner metode histogram equalization yang dirubah

dalam bentuk bobot nilai

52 4.5 Tabel perhitungan total nilai responden untuk citra dengan

kontras baik

53 4.6 Tabel perhitungan total nilai responden untuk citra dengan

kontras kurang baik

53 4.7 Hasil kuisoner metode adaptive histogram equalization pada citra

kontras baik

54 4.8 Hasil kuisoner metode adaptive histogram equalization pada citra

kontras kurang baik

55 4.9 Tabel perhitungan total nilai responden untuk citra dengan

kontras baik

56 4.10 Tabel perhitungan total nilai responden untuk citra dengan

kontras kurang baik

57 4.11 Tabel perhitungan total nilai responden untuk citra dengan

kontras baik

57 4.12 Tabel perhitungan total nilai responden untuk citra dengan

kontras kurang baik

58 4.13 Tabel perhitungan total nilai responden untuk citra dengan

kontras baik

58 4.14 Tabel perhitungan total nilai responden untuk citra dengan

kontras kurang baik

59 4.15 Tabel keseluruhan nilai total skala Likert untuk setiap metode

pada citra dengan kontras baik

59 4.16 Tabel keseluruhan nilai total skala Likert untuk setiap metode

pada citra dengan kontras kurang baik

59

4.17 Tabel histogram untuk setiap metode 60

4.18 Tabel Rata-rata Time-running 64

4.19 Tabel Nilai PSNR 65

(17)

xvii

4.21 Tabel Jawaban Responden pada 5 Citra dengan Kontras Baik 67 4.22 Tabel Jawaban Responden pada 5 Citra dengan Kontras Baik 67 4.23 Tabel Jawaban Responden pada 5 Citra dengan Kontras kurang

Baik

68 4.24 Tabel Jawaban Responden pada 5 Citra dengan Kontras kurang

Baik

68 4.25 Tabel Jawaban Responden pada 5 Citra dengan Kontras kurang

Baik

69 4.26 Tabel Jawaban Responden pada 6 Citra dengan Kondisi Cahaya

Gelap

70 4.27 Tabel Jawaban Responden pada 6 Citra dengan Kondisi Cahaya

Gelap

71 4.28 Tabel Jawaban Responden pada 6 Citra dengan Kondisi Cahaya

Gelap

72 4.29 Tabel Jawaban Responden pada 2 Citra dengan Kondisi Cahaya

Normal

73 4.30 Tabel Jawaban Responden pada 2 Citra dengan Kondisi Cahaya

Normal

73 4.31 Tabel Jawaban Responden pada 2 Citra dengan Kondisi Cahaya

Normal

73 4.32 Tabel Jawaban Responden pada 2 Citra dengan Kondisi Cahaya

Terang

74 4.33 Tabel Jawaban Responden pada 2 Citra dengan Kondisi Cahaya

Terang

74 4.34 Tabel Jawaban Responden pada 2 Citra dengan Kondisi Cahaya

Terang

(18)

1

BAB I

PENDAHULUAN

1.1 Latar belakang

Setiap orang di era digital sekarang ini, sudah mengenal yang namanya foto atau citra digital. Citra digital adalah hasil proses penangkapan cahaya yang direkam oleh sensor digital dalam bentuk data biner yang kemudian diubah menjadi data citra digital. Hampir setiap orang memiliki citra digital. Hal tersebut terjadi karena dalam menciptakan citra digital bukanlah hal yang sulit lagi. Tetapi tidak semua perangkat keras akan menghasilkan kualitas citra yang sama baiknya. Agar menghasilkan citra digital yang serupa terkadang diperlukan proses pengolahan citra terlebih dahulu.

Pengolahan citra dilakukan selain untuk menambah nilai seni tetapi lebih untuk memperbaiki citra yang ada. Kerap kali dalam merekam data citra dari perangkat keras terjadi gangguan berupa derau (noise), atau terlalu terang dan gelap, ataupun kurang tajam. Pada penggunaan citra digital untuk penelitian kerap kali harus melakukan pengolahan awal (preprocessing). Pemrosesan awal adalah operasi pengolahan citra untuk menigkatkan kualitas citra (image enchancement). Pengolahan awal dilakukan agar proses analisa citra berjalan baik.

Peningkatan kualitas citra adalah salah satu bagian yang sangat penting dalam pengolahan citra. Tujuannya untuk meningkatkan kualitas gambar yang memiliki nilai kontras rendah, untuk memperbesar perbedaan intensitas antara objek dengan latar belakang gambar, dan meningkatkan persepsi informasi yang terdapat pada gambar.

Ada banyak metode dalam meningkatkan mutu citra. Beberapa metode yang dapat digunakan yaitu histogram equalization (HE), adaptive histogram equalization (AHE), serta logarithmic image processing (LIP). Penelitian dengan

(19)

menggambarkan pentingannya peningkatan mutu citra pada suatu citra digital x-ray yang akan menentukan diagnosa dokter terhadap pasien yang megalami gangguan pada tenggorokan akibat tulang ikan saat makan. Metode adapative histogram equalization (AHE) digunakan untuk meningkatkan mutu citra x-ray terutama pada peningkatan kontras citra tersebut, sehingga dapat meningkatkan detail pembacaan citra x-ray yang dilakukan dokter dapat meningkatkan kebenarannya. Penelitian yang dilakukan oleh Murinto, Willy Permana P. dan Sri Handayaningsih pada tahun 2008 dengan judul "Analisa perbadingan Histogram Equalization (HE) dan model Logarithmic Image Processing (LIP) untuk Image

Enchanment", juga menggambarkan pentingnya peningkatan mutu citra.

Penelitian tersebut menjelaskan bahwa kedua metode tersebut memiliki nilai lebih dan kurang yaitu, metode LIP akan menghasilkan hasil yang bagus walaupun waktu prosesnya lebih lama, sedangkan HE akan menghasilkan nilai intensitas piksel yang merata walaupun hasil citranya kurang maksimal . Kedua penelitian tersebut menggambarkan betapa penting metode peningkatan kontras citra untuk meningkatkan kualitas citra. Karena metode-metode tersebut mampu meningkatkan kualitas citra dan merupakan metode yang penting, maka membandingkan dua diantara ketiga metode yang telah dipaparkan di atas untuk mengetahui metode mana yang lebih baik dalam meningkatkan kualitas citra merupakan tujuan penelitian ini. Jadi penelitian ini akan mengukur kinerja dari metode histogram equalization dan adaptive histogram equalization dalam meningkatkan kualitas citra digital.

1.2 Rumusan Masalah

1. Bagaimana cara meningkatkan kualitas citra digital melalui metode histogram equalization dan adaptive histogram equalization ?

(20)

1.3 Tujuan Penelitian

Tujuan dari penelitian ini untuk mengukur kinerja dari metode histogram equalization dan adaptive histogram equalization dalam meningkatkan kualitas

citra digital.

1.4 Batasan Masalah

Dalam penelitian ini terdapat beberapa batasan masalah yaitu :

1. Data citra masukan memiliki format penyimpanan .bmp atau .jpeg. 2. Citra yang diproses berupa citra warna dan skala abu-abu.

3. Citra masukan berkategori panorama atau benda mati dan model manusia dengan tingkat kontras baik, kontras kurang baik, terlalu terang, ataupun terlalu gelap, maupun normal.

4. Perangkat lunak dibangun dengan menggunakan Matlab R2010a.

1.5 Luaran Penelitian

Luaran yang diharapkan adalah perangkat lunak yang dapat meningkatkan kualitas citra digital dengan metode histogram equalization dan adaptive histogram equalization.

1.6 Manfaat Kegunaan

Manfaat luaran yaitu membantu penelitian yang memerlukan preprocessing citra yaitu peningkatan kontras citra seperti penelitian analisa citra, pengenalan pola citra dan sebagainya.

1.7 Sistematika Penulisan

(21)

BAB I PENDAHULUAN

Bab ini berisi tentang pendahuluan yang terdiri dari latar belakang, perumusan masalah, batasan masalah, tujuan penulisan, luaran penelitian, manfaat kegunaan dan sistematika penulisan dalam penelitian ini.

BAB II LANDASAN TEORI

Bab ini berisi tentang teori-teori yang digunakan dalam selama penulisan penelitian ini.

BAB III ANALISA DAN PERANCANGAN

Bab ini membahas mengenai analisa kebutuhan dan perancangan pembangunan sistem.

BAB IV IMPLEMENTASI DAN ANALISA HASIL

Bab ini berisi tentang implementasi hasil dari analisa dan perancangan sistem dalam bentuk program (proses, antar muka dan cara kerja program), serta menyajikan hasil penelitian berupa hasil percobaan dan kuisioner, dan analisa terhadap hasil penelitian tersebut yang ditinjau dari landasan teori.

BAB V KESIMPULAN DAN SARAN

(22)

5

BAB II

LANDASAN TEORI

Bagian ini akan mengambarkan teori-teori yang terkait dengan metode histogram equalization dan adaptive histogram equalization. Mulai dari apa itu

citra digital, macam-macamnya dan juga pemahaman tentang metode histogram equalization serta adaptive histogram equalization.

2.1 Citra Digital

Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra titik tersebut. Citra merupakan suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu obyek (Sutoyo dkk, 2009). Citra digital sendiri merupakan hasil dari proses digitalisasi, yaitu representasi citra dari fungsi malar (kontinu) menjadi nilai-nilai diskrit (Maharani, 2007). Citra digital dapat dikelompokan berdasar pada nilai pikselnya, yaitu citra biner, citra skala keabuan, dan citra warna. Berikut akan dijelaskan

2.1.1 Citra Biner atau Monokrom

(23)

Gambar 2.1. Contoh citra digital biner dan histogramnya

2.1.2 Citra Skala Keabuan atau Grayscale

Jenis citra digital yang kedua adalah citra skala keabuan atau grayscale. Citra skala keabuan memiliki lebih banyak kemungkinan warna daripada citra biner. Citra skala keabuan adalah citra yang menggunakan fungsi intensitas untuk menentukan banyak atau kedalaman warnanya. Fungsi intensitas warna keabuan pada citra skala keabuan ini memiliki kedalaman yang berbeda-beda. Namun sebagian besar aplikasi yang menggunakan citra skala keabuan, menggunakan range 256, yaitu dari 0 hingga 255. Sehingga setipa piksel dalam citra skala

keabuan ini bernilai 1 byte atau 8 bit. 2.1.3 Citra warna atau True Color

Jenis citra digital yang ketiga yaitu citra warna. Salah satu jenis dari citra warna yaitu citra RGB. Citra RGB merupakan citra yang memiliki komponen sebanyak tiga bagian yaitu warna red (r), green (g), blue (b). Setiap bagian warna memiliki nilai paling kecil yaitu 0 dan nilai terbesar yaitu 255. Sehingga akan didapat macam-macam warna sebanyak 256 (r) x 256 (g) x 256 (b) = 16777216 jenis warna. Jadi suatu jenis warna dapat ditulis dalam bentuk :

warna = H(r,g,b)

(24)

2.2 Pengolahan Citra

Setelah pemahaman tentang citra digital pada sub bab sebelumnya, ada pun pembahasan selanjutnya mengenai pengolahan citra untuk citra digital. Pengolahan citra adalah pemrosesan citra menjadi citra yang lain dengan mutu citra yang lebih baik, yaitu pemrosesan yang berupa pemanipulasian citra dengan algoritma atau teknik tertentu. Yang dimasksud dengan perbaikan mutu atau kualitas citra adalah proses mendapatkan citra yang lebih mudah ditangkap oleh mata manusia. Bisa juga dikatakan sebagai suatu proses untuk memperoleh citra yang lebih sesuai untuk aplikasi tertentu dibandingkan dengan citra aslinya. Pengolahan citra dibagi menjadi tiga kategori, yaitu rendah, menengah, dan tinggi.(Putra, 2010).

Kategori pertama adalah kategori rendah, melibatkan operasi-operasi sederhana seperti prapengolahan citra untuk mengurangi derau, pengaturan kontras, dan pengaturan ketajaman citra. Kategori pengolahan ini memiliki masukan dan luaran berupa citra juga.

Ketegori kedua adalah kategori menengah, melibatkan operasi-operasi seperti segmentasi dan klasifikasi citra. Pada proses pengolahan citra menengah ini melibatkan masukan berupa citra dan luaran berupa atribut atau fitur dari citra masukan.

Kategori ketiga adalah kategori tinggi, melibatkan proses pengenalan dan deskripsi citra. Pengolahan citra digital sendiri memiliki spektrum aplikasi yang sangat luas dalam penggunaannya. Berikut akan dijabarkan tentang beberapa metode yang terdapat pada pengolahan citra yang terkait dengan penelitian ini. 2.2.1 Histogram

(25)

berdasarkan level nilai intensitas piksel yang berbeda. Histogram citra ditampilkan dalam grafik dua dimensi, dengan sumbu x menunjukkan nilai intensitas piksel dan sumbu y menunjukkan banyaknya kemunculan suatu nilai intensitas piksel. Karena itu histogram adalah alat bantu yang berharga dalam pekerjaan pengolahan citra baik secara kualitatif maupun kuantitaif, seperti untuk menentukan parameter digitalisasi dan pemilihan ambang batas. (Putra,2010,Murinto dkk, 2008).

Gambar 2.2. Contoh citra digital dan histogramnya

2.2.2 Peningkatan Kontras (Contrast Enhancement)

Kontras pada suatu citra adalah distribusi piksel terang dan gelap. Semua piksel akan terkelompok secara rapat pada suatu sisi tertentu dan menggunakan sebagian kecil dari semua kemungkinan nilai piksel. Citra dengan kontras tinggi memiliki daerah gelap dan terang yang luas. Histogram pada citra dengan kontras tinggi memiliki dua puncak besar, yaitu pada sisi kiri dan sisi kanan histogram. Citra dengan kontras yang baik akan menampilkan rentang nilai piksel yang lebar. Histogram pada citra ini menampilkan persebaran nilai piksel yang seragam, sehingga tidak memiliki puncak utama, atau tidak memiliki lembah.(Putra, 2010).

(26)

𝑜𝑜(𝑖𝑖,𝑗𝑗) =𝑢𝑢(𝑖𝑖,𝑗𝑗)−𝑐𝑐

𝑑𝑑−𝑐𝑐 (𝐿𝐿 −1)

Dengan o(i,j) merupakan piksel sesudah dan u(i,j) merupakan piksel sebelum pada koordinat (i,j), kemudian c menyatakan nilai maksimum sedangkan d menyatakan nilai minimum dari citra masukan, dan L menyatakan nilai skala

keabuan yang maksimum. Bila nilai piksel lebih kecil dari 0 maka akan dijadikan 0 dan bila lebih besar dari (L-1) maka akan dijadikan (L-1).

Permasalahan muncul dengan menggunakan formula tersebut adalah bila nilai maksimal (d) piksel terlalu tinggi dan nilai minimum (c) piksel terlalu rendah, akan tetapi nilai maksimum atau minimum sangat sedikit maka proses penskalaan yaitu pembagi (d-c) pada formula di atas menjadi kurang representatif. Maka perlu dilakukan perubahan pada formula menjadi berikut.

𝑜𝑜(𝑖𝑖,𝑗𝑗) =�

0 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑆𝑆𝑢𝑢(𝑖𝑖,𝑗𝑗)≤ 𝑝𝑝𝑝𝑝𝑜𝑜𝑝𝑝 𝑢𝑢(𝑖𝑖,𝑗𝑗)−𝑐𝑐

𝑑𝑑−𝑐𝑐 (𝐿𝐿 −1) 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑆𝑆𝑝𝑝𝑝𝑝𝑜𝑜𝑝𝑝 ≤ 𝑢𝑢(𝑖𝑖,𝑗𝑗) ≤ 𝑝𝑝ℎ𝑖𝑖𝑖𝑖ℎ 255 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑆𝑆𝑢𝑢(𝑖𝑖,𝑗𝑗)≤ 𝑝𝑝ℎ𝑖𝑖𝑖𝑖ℎ

Pemilihan nilai c dan d berdasarkan persentase tertentu, misalkan c diberi nilai dengan nilai piksel dimana terdapat sekitar p% piksel lebih kecil dari c, demikian juga untuk nilai d dengan nilai piksel q% piksel lebih besar dari d. Dimana plow adalah nilai p% dan phigh adalah nilai q%.

2.2.3 Histogram Equalization

Histogram equalization merupakan salah satu bagian penting dari beberapa

aplikasi pengolahan citra. Tujuan metode ini adalah untuk menghasilkan histogram citra yang seragam. Histogram citra yang seragam adalah seluruh daerah derajat keabuan terisi secara penuh dengan distribusi yang merata pada setiap nilai intensitas piksel. Metode ini dapat dilakukan pada keseluruhan citra atau pada beberapa bagian citra saja.

Histogram hasil proses ekualisasi tidak akan seragam atau sama untuk semua intensitas. Metode ini hanya melakukan distribusi ulang terhadap distribusi

(2.2)

(27)

intensitas dari histogram awal. Jika histogram awal memiliki beberapa puncak dan lembah maka histogram hasil ekualisasi akan tetap memiliki puncak dan lembah. Akan tetapi puncak dan lembah tersebut akan digeser. Histogram hasil ekualisasi akan lebih disebarkan (spreading) (Putra,2010). Hasil penelitian sebelum ini oleh Murinto pada tahun 2008, dijelaskan bahwa metode histogram equalization memiliki lama proses atau timming-run yang singkat yaitu 0.308 detik serta memiliki persebaran nilai intensitas piksel yang merata pada histogram citra yang diujikan. Sedang pada penelitian yang dilakukan oleh Danny Ibrahim dkk pada tahun 2011, dijelaskan bahwa metode histogram equalization dapat memproses dengan baik untuk citra yang terlalu gelap maupun normal, citra dengan kontras rendah maupun tinggi, akan tetapi akan menghasilkan luaran yang buruk ketika citra yang digunakan terlalu terang.

Gambar 2.3. Citra digital awal dan citra hasil histogram equalization

Berikut ini akan dijelaskan secara matematis dari distribusi ulang terhadap histogram awal dilakukan dengan memetakan setiap nilai piksel pada histogram awal menjadi nilai piksel baru dengan cara :

𝑃𝑃𝑟𝑟(𝑟𝑟𝑆𝑆) =𝑀𝑀𝑀𝑀𝑢𝑢𝑆𝑆 , 𝑆𝑆= 0,1,2, … ,𝐿𝐿 −1

(28)

Pr(rk) merupakan probabilitas dari masing-masing intensitas nilai keabuan

dari seluruh piksel yang ada di dalam citra. rk adalah nilai intensitas keabuan, nk adalah banyaknya nilai k dalam citra, sedangkan MN adalah ukuran citra masukan.

𝑠𝑠𝑆𝑆 = 𝑇𝑇(𝑟𝑟𝑆𝑆) = (𝐿𝐿 −1)∑𝑗𝑗𝑆𝑆=0𝑃𝑃𝑟𝑟�𝑟𝑟𝑗𝑗�=

(𝐿𝐿−1)

𝑀𝑀𝑀𝑀 ∑𝑆𝑆𝑗𝑗=0𝑢𝑢𝑗𝑗, 𝑆𝑆 = 0,1,2, … ,𝐿𝐿 −1

Dengan sk adalah nilai piksel baru, nj menyatakan banyaknya piksel pada citra, k menyatakan nilai keabuan awal yang nilainya dari 1…L-1, L menyatakan nilai keabuan maksimum. Sedangkan rj menyatakan banyaknya piksel yang memiliki nilai sama dengan k atau kurang.

2.2.4 Adaptive Histogram Equalization

Pada penelitian yang dilakukan oleh Noor dkk pada tahun 2010 tentang penggunaan metode adaptive histogram equalization dalam perbaikan citra radiologi infeksi yang disebabkan tulang ikan pada leher bagian atas, dijelaskan bahwa metode ini sangat membantu. Hal tersebut dapat dijelaskan menjadi tiga bagian, pertama citra luaran memiliki hasil diagnosa yang sama dengan menggunakan PASC, yang kedua citra luaran memiliki hasil diagnosa yang lebih baik, dan yang ketiga citra luaran memiliki hasil diagnosa yang positif tetapi itu tidak parah. Sedangkan menurut 'Digital Image Processing, Third Edition' (Gonzalez, 2008), dijelaskan bahwa metode adaptive histogram equalization akan lebih baik dalam memperbaiki kualitas citra yang memiliki bagian lebih gelap.

Adaptive histogram equalization adalah metode yang menggunakan metode

histogram equalization dalam beberapa ukuran blok-blok (sub citra) lokal yang

lebih menekankan dalam kontras lokal daripada kontras keseluruan. Pembentukan blok memungkinkan setiap daerah dengan kontras lokal rendah mendapatkan kontras yang lebih tinggi tanpa mempengaruhi kontras global. Algoritma adaptive histogram equalization menemukan pemetaan lokal menggunakan histogram

lokal. (Noor,2010).

(29)

Adaptive histogram equalization pada dasarnya adalah melakukan banyak

histogram equalization dalam satu citra. Sebuah citra akan dibagi menjadi beberapa blok atau sub citra, misal citra dengan ukuran 25x25 akan dibuat menjadi beberapa bagian menjadi ukuran 5x5 kemudian setiap blok akan menjalankan algoritma histogram equalization. Setiap blok tidak akan berpengaruh ketika blok lain ditingkatkan nilai kontrasnya.

Gambar 2.4. Citra digital awal dan citra hasil adaptive histogram equalization

Gambar 2.5. Contoh pembagian matrik citra pada adaptive histogram equalization

(30)

equalization, yaitu dengan membagi menjadi beberapa bagian, misal 4 bagian.

mulai dari (0,0)-(6,6), (7,0)-(12,6), (0,7)-(6,12), dan (7,7)-(12,12), seperti pada gambar. Kemudian setiap blok akan dikenai fomula 2.4, sehingga menjadi fomula berikut

𝑃𝑃𝑟𝑟𝑎𝑎(𝑟𝑟𝑆𝑆𝑎𝑎) =𝑀𝑀𝑀𝑀𝑎𝑎𝑢𝑢𝑆𝑆𝑎𝑎 , 𝑆𝑆 = 0,1,2, … ,𝐿𝐿 −1

dimana MNa adalah ukuran citra tiap blok, a adalah urutan banyak blok.

2.3 Peak Signal-to-Noise Ratio (PSNR)

Isitilah peak signal-to-noise ratio (PSNR) adalah sebuah istilah dalam bidang teknik yang menyatakan perbandingan antara kekuatan sinyal maksimum yang mungkin dari suatu sinyal digital dengan kekuatan derau yang mempengaruhi kebenaran sinyal tersebut. Oleh karena banyak sinyal memiliki dynamic range yang luas, maka PSNR biasanya diekspresikan dalam skala logarithmic decibel. PSNR difenisikan melalui signal-to-noise ratio (SNR). SNR

digunakan untuk mengukur tingkat kualitas sinyal. Nilai ini dihitung berdasarkan perbandingan antara sinyal dengan nialai derau. Kualitas sinyal berbanding lurus dengan nilai SNR. Semakin besar nilai SNR semakin baik kualitas sinyal yang dihasilkan. (Dean Fathony, 2009)

Pertama untuk mengukur PSNR perlu menghitung nilai mean squared error (MSE) dari suatu citra hasil proses. MSE dihitung untuk seluruh piksel dalam citra.

𝑀𝑀𝑆𝑆𝑀𝑀 = ∑[𝑓𝑓(𝑖𝑖,𝑗𝑗)− 𝐹𝐹(𝑖𝑖,𝑗𝑗)] 2

𝑀𝑀2

N2 menyatakan hasil perkalian panjang dan lebar citra dalam piksel. F(i,j) merupakan citra hasil proses, sedangkan f(i,j) adalah citra awal.

Bedasarkan persamaan MSE, maka nilai PSNR dapat dihitung dengan persamaan 2.7. Nilai PSNR direpresentasikan dalam skala desibel (dB). Root

(31)

mean squared error (RMSE) adalah akar dari MSE

𝑃𝑃𝑆𝑆𝑀𝑀𝑃𝑃 = 20 log10� 255

𝑃𝑃𝑀𝑀𝑆𝑆𝑀𝑀�

2.4 Format Citra .BMP

Sistem Operasi Windows mempunyai standar untuk format berkas citra yaitu *.BMP (bitmap) yang dapat dipanggil langsung untuk dimanipulasi dan ditampilkan karena sistem operasi Windows memiliki perintah API (Aplication Programming Interface). Format citra bitmap adalah format penyimpanan standar

tanpa kompresi yang umum dapat digunakan menyimpan citra biner hingga citra warna. Citra bitmap ini dipetakan ke dalam sejumlah bit tertentu dengan nilai intensitas piksel. Jumlah bit yang dipetakan ini mempresentasikan derajat keabuan (graylevel) yang akan mempengaruhi kedalaman warna dari citra bitmap. Setiap berkas bitmap terdiri atas header berkas (BitmapFileHeader), header bitmap (Bitmapinfoheader), informasi palet, dan data bitmap. (Yustanto,2010)

Header berkas akan menentukan tipe, ukuran dan layout dari file bitmap. Header bitmap akan menentukan dimensi, tipe pemampatan dan format warna

untuk bitmap. Informasi palet warna berisi struktur RGBQuad yang berisi elemen warna yang ada pada bitmap. Setiap entry pada tabel terdiri atas tiga buah field, yaitu R (red), G (green), dan B (blue). Data bitmap diletakkan sesudah informasi palet.Penyimpanan data bitmap di dalam berkas disusun terbalik dari bawah keatas dalam bentuk matrik yang berukuran height × width. Baris ke-0 pada matrik data bitmap menyatakan data piksel di citra baris terbawah, sedangkan baris terakhir pada matrik menyatakan data piksel di citra baris teratas.

2.5 Format Citra .JPG

Format citra .jpg adalah format yang sangat umum digunakan saat ini, khususnya untuk transmisi citra. Format ini digunakan untuk menyimpan citra hasil kompresi dengan metode JPEG. Citra dengan format ini memiliki ukuran lebih kecil jika dibandingkan dengan format yang lain karena bertujuan untuk

(32)

keperluan publikasi. Format .jpg sering digunakan untuk menyimpan citra yang digunakan untuk keperluan web, karena ini merupakan metode kompresi citra yang populer di internet. (Gonzalez, 2008).

2.6 Kompleksitas waktu

Kompleksitas waktu diperlukan dalam menganalisa suatu algoritma. Algoritma tidak hanya diukur berdasarkan benar atau tidaknya algoritma tersebut, tetapi juga seberapa efisien algortima tersebut. Algoritma dikatakan efisien jika dapat meminimalisasi penggunaan ruang dan waktu. Kebutuhan akan ruang dan waktu bergantung pada banyak (n) dan besarnya masukan data yang akan diproses.

Dalam melakukan perhitungan diperlukan model abstrak untuk pengukuran ruang atau waktu yang bebas atau tidak terikat. Besaran yang digunakan untuk perhitungan ini adalah kompleksitas algoritma. Kompleksitas ada dua macam yaitu, kompleksitas waktu dengan notasi T(n) dan komplesitas ruang dengan notasi S(n). T(n) diukur dari jumlah tahapan komputasi yang dibutuhkan untuk menjalankan algoritma sebagai fungsi dari ukuran masukan n. S(n) diukur dari memori yang digunakan oleh struktur data yang terdapat di dalam algoritma sebagai fungsi dari ukuran masukan n. Dengan menggunakan besaran kompleksitas waktu/ruang algoritma, kita dapat menentukan laju peningkatan waktu atau ruang yang diperlukan algoritma dengan meningkatnya ukuran masukan n.

2.7 Skala Likert

(33)

penelitian.(Riduwan, 2007).

Dengan menggunakan skala Likert, maka variable yang akan diukur dijabarkan menjadi dimensi, dimensi dijabarkan menjadi sub variable kemudian sub variable dijabarkan lagi menjadi indikator-indikator yang dapat diukur.

Akhirnya indikator-indikator yang terukur ini dapat dijadikan titik tolak untuk membuat item instrument yang berupa pertanyaan atau pernyataan yang perlu dijawab oleh responden. Berikut contoh indikator dalam 5 kategori :

Intreval (%) Kategori

0 – 20 Sangat Rendah 21 – 40 Rendah 41 – 60 Sedang 61 – 80 Tinggi 81 - 100 Sangat Tinggi

Tabel 2.1 Tabel skala Likert

Untuk intepresentasi nilai dapat dilakukan dengan cara perhitungan sebagai berikut :

1. Cari nilai tertinggi dari pernyataan yang ada dengan rumus : Total = nilai_tertinggi x jumlah_pernyataan x jumlah_responden

2. Cari total keseluruhan dari responden yang ada dengan rumus : Total_responden = 𝑢𝑢=1𝑀𝑀𝑖𝑖𝑝𝑝𝑎𝑎𝑖𝑖𝑢𝑢 𝑥𝑥𝑗𝑗𝑢𝑢𝑗𝑗𝑝𝑝𝑎𝑎ℎ_𝑟𝑟𝑟𝑟𝑠𝑠𝑝𝑝𝑜𝑜𝑢𝑢𝑑𝑑𝑟𝑟𝑢𝑢_𝑢𝑢𝑖𝑖𝑝𝑝𝑎𝑎𝑖𝑖𝑢𝑢

Nilai = besarnya bobot nilai pernyataan

Jumlah_responden_nilai = jumlah responden yang memilih bobot

nilai.

3. Tentukan persentase nilai dengan rumus : 𝑢𝑢𝑜𝑜𝑢𝑢𝑎𝑎𝑝𝑝_𝑟𝑟𝑟𝑟𝑠𝑠𝑝𝑝𝑜𝑜𝑢𝑢𝑑𝑑𝑟𝑟𝑢𝑢

𝑢𝑢𝑜𝑜𝑢𝑢𝑎𝑎𝑝𝑝 𝑥𝑥 100

(34)

17

BAB III

ANALISA DAN PERANCANGAN SISTEM

Analisa dan perancangan sistem digunakan untuk menggambarkan sistem yang akan dibangun, dalam hal ini proses-proses yang diperlukan dalam penelitian, perangkat lunak yang dipergunakan dalam pengerjaan sistem, informasi perangkat keras yang digunakan, serta rancangan antarmuka sistem.

3.1 Racangan Umum

Sistem yang dibangun adalah sistem yang berfungsi untuk mengolah citra digital dengan metode histogram equalization (HE) dan adaptive histogram equalization (AHE) serta membandingkan kinerja metode tersebut dengan citra luaran tiap metode. Masukan citra awal adalah citra hasil olahan dari perangkat lunak pengolahan gambar, maupun citra hasil dari kamera. Luaran dari sistem berupa citra hasil dengan motode HE maupun AHE, dan histogram masing-masing citra hasil, serta informasi lama proses berjalan untuk masing-masing-masing-masing metode. Diagram konteks dari sistem ini adalah :

Sistem Peningkat Kontras dengan

Histogram Equalization

dan

Adaptive Hisogram Equalization

pengguna

Citra Asli

Citra Hasil, histogram citra hasil

Gambar 3.1. Diagram konteks sistem

(35)

3.2 Racangan Sistem

Gambar 3.1 dapat diterjemahkan dalam bentuk alur pengerjaan, seperti gambar di bawah ini

mulai PSNR dari kedua

metode

Gambar 3.2. Flowchart proses sistem secara keseluruhan

Pada gambar 3.2 terdapat satu blok masukan dan satu blok luaran serta tiga blok proses, yaitu "Hitogram Equalization", "Adaptive Histogram Equalization", dan "Menghitung nilai PSNR dari kedua metode".

Pada blok masukan "Citra masukan", pengguna akan memasukan citra digital awal yang akan diproses pada sistem ini. Kemudian citra awal akan diproses pada blok selanjutnya. Pada blok "Hitogram Equalization", citra awal yang telah menjadi tiga bagian akan diproses dengan metode histogram equalization. Demikian juga pada blok "Adaptive Histogram Equalization", citra

awal yang sama akan diproses menggunakan metode adaptive histogram equalization. Hasil proses pada kedua metode tersebut akan diproses pada blok

(36)

masukan untuk mengetahuni nilai SNR dari masing-masing metode.

Kemudian pada blok luaran "Citra luaran, Histogram citra, Nilai PSNR, Time-running", citra luaran akan ditampikan beserta dengan hitogram citra luaran

yang terdiri dari dua citra luaran masing-masing metode. Kemudian akan ditampilkan kembali citra awal, nilai SNR setiap metode serta time-running dari metode tersebut.

3.2.1 Histogram Equalization

Flow chart 3.2 menggambarkan proses histogram equalization sebagai

berikut

Hitung luas citra (MN) dengan M=panjang citra dan N=lebar citra

Hitung probabilitas (Pr) dari intensitas nilai piksel tertentu (rk) dengan cara

total rk (nk) dibagi dengan MN Citra

masukan

Proses pembulatan nilai Sk dan mengganti nilai rk dengan

nilai pembulatan Sk

Citra luaran proses histogram equalization 𝑆𝑆𝑆𝑆= (𝐿𝐿 −1)� 𝑃𝑃𝑟𝑟�𝑟𝑟𝑗𝑗

𝑆𝑆

𝑗𝑗=0

Hitung nilai piksel baru

(37)

Penjelasan dari gambar 3.3 akan dijabarkan dengan contoh perhitungan

Citra A adalah citra masukan yang akan diolah. Luas citra A diukur, dimana panjang adalah M = 10 dan lebar adalah N = 10, sehinggan MN adalah 100. Kemudian langkah selanjutnya untuk mengetahui nilai probabilitas (Pr) dari intensitas nilai piksel (rk) yaitu total setiap intensitas nilai (nk) akan dibagi dengan luas citra atau MN. Misal nilai intesitas 0 terdapat 19 piksel di dalam citra A, maka rk ke 0 atau r0 memiliki nilai nk = 19, maka nilai probabilitas (Pr) = nk / MN yaitu 19/100 = 0.19. Berikut perhitungan untuk nilai Pr :

Langkah perhitungan Pr :

(38)

Kemudian setelah semua nilai probabilitas dihitung maka langkah selanjutnya adalah menghitung nilai piksel baru (Sk). Sesuai dengan rumus yang terdapat di gambar 3.3 dapat dimisalkan nilai Pr(r0) = 0.19 , nilai bit atau L = 8, maka nilai Sk(r0) = (8-1) x 0.19 = 1.33, berikut ini perhitungan nilai Sk :

Langkah perhitungan Sk :

Sk(r0) = (L-1) * Pr(r0) = (8-1) * 0,19 = 1,33

Sk(r1) = Sk(r0) + ((L-1) * Pr(r1)) = 1,33 + (7 * 0,09) = 1,96 Sk(r2) = Sk(r1) + ((L-1) * Pr(r2)) = 1,96 + (7 * 0,13) = 2,87 Sk(r3) = Sk(r2) + ((L-1) * Pr(r3)) = 2,87 + (7 * 0,14) = 3,85 Sk(r4) = Sk(r3) + ((L-1) * Pr(r4)) = 3,85 + (7 * 0,13) = 4,76 Sk(r5) = Sk(r4) + ((L-1) * Pr(r5)) = 4,76 + (7 * 0,09) = 5,39 Sk(r6) = Sk(r5) + ((L-1) * Pr(r6)) = 5,39 + (7 * 0,15) = 6,44 Sk(r7) = Sk(r6) + ((L-1) * Pr(r7)) = 6,44 + (7 * 0,08) = 7

Kemudian setelah semua nilai Sk didapat maka kemudian dilakukan pembulatan nilai Sk menjadi Sk' yang akan menjadi nilai piksel baru pada citra luaran. Berikut proses pembulatan nilai Sk :

Sk(r0) = 1,33 => Sk(r0)' = 1 Sk(r1) = 1,96 => Sk(r1)' = 2 Sk(r2) = 2,87 => Sk(r2)' = 3 Sk(r3) = 3,85 => Sk(r3)' = 4

(39)

histogram equalization. Berikut ini tabel perhitungan lengkap untuk proses

metode histogram equalization dan juga citra luaran dari proses perhitungan ini. Tabel 3.1 Tabel perhitungan histogram equalization

L = 8

3.2.2 Adaptive Histogram Equalization

(40)

Hitung luas citra (MN) dengan M=panjang citra dan N=lebar citra

Hitung probabilitas (Pr) dari intensitas nilai piksel tertentu (rk) dengan cara

total rk (nk) dibagi dengan MN Citra

masukan

Proses pembulatan nilai Sk dan mengganti nilai rk dengan

nilai pembulatan Sk

Citra luaran proses histogram equalization Membagi citra masukan sebanyak

n bagian

𝑆𝑆𝑆𝑆= (𝐿𝐿 −1)� 𝑃𝑃𝑟𝑟�𝑟𝑟𝑗𝑗

𝑆𝑆 𝑗𝑗=0

Hitung nilai piksel baru

Gambar 3.4. Flowchart proses adaptive histogram equalization

(41)

Citra A =

Citra A adalah citra masukan atau citra awal yang akan diolah. Proses awal pada metode adaptive histogram equalizatio adalah membagi citra masukan menjadi beberapa bagian, sebagai contoh perhitungan akan menggunakan citra yang dibagi menjadi 4 blok, sehingga citra A menjadi sebagai berikut.

Citra A1 =

Citra A1 adalah citra masukan yang akan diolah. Luas citra A1 diukur, dimana panjang adalah M = 5 dan lebar adalah N = 5, sehinggan MN adalah 25. Kemudian langkah selanjutnya untuk mengetahui nilai probabilitas (Pr) dari intensitas nilai piksel (rk) yaitu total setiap intensitas nilai (nk) akan dibagi dengan luas citra atau MN. Misal nilai intesitas 0 terdapat 5 piksel di dalam citra A1, maka rk ke 0 atau r0 memiliki nilai nk = 5, maka nilai probabilitas (Pr) = nk / MN yaitu

(42)

Langkah perhitungan Pr : Pr(r0) = n0 / MN = 5 / 25 = 0,2 Pr(r1) = n1 / MN = 3 / 25 = 0,12 Pr(r2) = n2 / MN = 1 / 25 = 0,04 Pr(r3) = n3 / MN = 5 / 25 = 0,2 Pr(r4) = n4 / MN = 3 / 25 = 0,12 Pr(r5) = n5 / MN = 1 / 25 = 0,04 Pr(r6) = n6 / MN = 5 / 25 = 0,2 Pr(r7) = n7 / MN = 2 / 25 = 0,08

Kemudian setelah semua nilai probabilitas dihitung maka langkah selanjutnya adalah menghitung nilai piksel baru (Sk). Sesuai dengan rumus yang terdapat di gambar 3.4 dapat dimisalkan nilai Pr(r0) = 0.2 , nilai bit atau L = 8, maka nilai Sk(r0) = (8-1) x 0.2 = 1.4, berikut ini perhitungan nilai Sk :

Langkah perhitungan Sk :

Sk(r0) = (L-1) * Pr(r0) = (8-1) * 0,2 = 1,4

(43)

Sk(r7) = Sk(r6) + ((L-1) * Pr(r7)) = 6,44 + (7 * 0,08) = 7

Kemudian setelah semua nilai Sk didapat maka kemudian dilakukan pembulatan nilai Sk menjadi Sk' yang akan menjadi nilai piksel baru pada citra luaran. Berikut proses pembulatan nilai Sk :

Sk(r0) = 1,4 => Sk(r0)' = 1 Setelah semua nilai Sk dibulatkan menjadi Sk', maka nilai Sk' akan mengganti nilai rk, sehingga citra A1 menjdi citra baru. Berikut ini tabel perhitungan lengkap untuk proses blok pertama dan juga citra luaran dari proses perhitungan ini pada metode adaptive histogram equalization.

Tabel 3.2 Tabel perhitungan adaptive histogram equalization citra A1

(44)

Citra A2 :

Citra A2 adalah citra masukan yang akan diolah. Luas citra A2 diukur, dimana panjang adalah M = 5 dan lebar adalah N = 5, sehinggan MN adalah 25. Kemudian langkah selanjutnya untuk mengetahui nilai probabilitas (Pr) dari intensitas nilai piksel (rk) yaitu total setiap intensitas nilai (nk) akan dibagi dengan luas citra atau MN. Misal nilai intesitas 0 terdapat 6 piksel di dalam citra A2, maka rk ke 0 atau r0 memiliki nilai nk = 6, maka nilai probabilitas (Pr) = nk / MN yaitu

6/25 = 0.24. Berikut perhitungan untuk nilai Pr : Langkah perhitungan Pr :

Pr(r0) = n0 / MN = 6 / 25 = 0,24 Pr(r1) = n1 / MN = 2 / 25 = 0,08 Pr(r2) = n2 / MN = 5 / 25 = 0,2 Pr(r3) = n3 / MN = 2 / 25 = 0,08 Pr(r4) = n4 / MN = 3 / 25 = 0,12 Pr(r5) = n5 / MN = 3 / 25 = 0,12 Pr(r6) = n6 / MN = 2 / 25 = 0,08 Pr(r7) = n7 / MN = 2 / 25 = 0,08

Kemudian setelah semua nilai probabilitas dihitung maka langkah selanjutnya adalah menghitung nilai piksel baru (Sk). Sesuai dengan rumus yang terdapat di gambar 3.4 dapat dimisalkan nilai Pr(r0) = 0.24 , nilai bit atau L = 8, maka nilai Sk(r0) = (8-1) x 0.24 = 1.68, berikut ini perhitungan nilai Sk :

Langkah perhitungan Sk :

(45)

Sk(r1) = Sk(r0) + ((L-1) * Pr(r1)) = 1,4 + (7 * 0,12) = 2,24 Sk(r2) = Sk(r1) + ((L-1) * Pr(r2)) = 2,24 + (7 * 0,2) = 3,64 Sk(r3) = Sk(r2) + ((L-1) * Pr(r3)) = 3,64 + (7 * 0,08) = 4,2 Sk(r4) = Sk(r3) + ((L-1) * Pr(r4)) = 4,2 + (7 * 0,12) = 5,04 Sk(r5) = Sk(r4) + ((L-1) * Pr(r5)) = 4,76 + (7 * 0,12) = 5,88 Sk(r6) = Sk(r5) + ((L-1) * Pr(r6)) = 5,04 + (7 * 0,08) = 6,44 Sk(r7) = Sk(r6) + ((L-1) * Pr(r7)) = 6,44 + (7 * 0,08) = 7

Kemudian setelah semua nilai Sk didapat maka kemudian dilakukan pembulatan nilai Sk menjadi Sk' yang akan menjadi nilai piksel baru pada citra luaran. Berikut proses pembulatan nilai Sk :

Sk(r0) = 1,68 => Sk(r0)' = 1 Sk(r1) = 2,24 => Sk(r1)' = 2 Sk(r2) = 3,64 => Sk(r2)' = 4 Sk(r3) = 4,2 => Sk(r3)' = 4

Sk(r4) = 5,04 => Sk(r4)' = 5 Sk(r5) = 5,88 => Sk(r5)' = 6 Sk(r6) = 6,44 => Sk(r6)' = 6 Sk(r7) = 7 => Sk(r7)' = 7 Setelah semua nilai Sk dibulatkan menjadi Sk', maka nilai Sk' akan mengganti nilai rk, sehingga citra A2 menjdi citra baru. Berikut ini tabel perhitungan lengkap untuk proses blok kedua dan juga citra luaran dari proses perhitungan ini pada metode adaptive histogram equalization.

Tabel 3.3 Tabel perhitungan adaptive histogram equalization citra A2

L = 8

rk nk Pr S Sk Sk'

r0 6 0.24 1.68 1.68 2

r1 2 0.08 0.56 2.24 2

(46)

r3 2 0.08 0.56 4.2 4

Citra A3 adalah citra masukan yang akan diolah. Luas citra A3 diukur, dimana panjang adalah M = 5 dan lebar adalah N = 5, sehinggan MN adalah 25. Kemudian langkah selanjutnya untuk mengetahui nilai probabilitas (Pr) dari intensitas nilai piksel (rk) yaitu total setiap intensitas nilai (nk) akan dibagi dengan luas citra atau MN. Misal nilai intesitas 0 terdapat 3 piksel di dalam citra A3, maka rk ke 0 atau r0 memiliki nilai nk = 3, maka nilai probabilitas (Pr) = nk / MN yaitu

3/25 = 0.12. Berikut perhitungan untuk nilai Pr : Langkah perhitungan Pr :

(47)

Pr(r7) = n7 / MN = 2 / 25 = 0,08

Kemudian setelah semua nilai probabilitas dihitung maka langkah selanjutnya adalah menghitung nilai piksel baru (Sk). Sesuai dengan rumus yang terdapat di gambar 3.4 dapat dimisalkan nilai Pr(r0) = 0.12 , nilai bit atau L = 8, maka nilai Sk(r0) = (8-1) x 0.12 = 0.84, berikut ini perhitungan nilai Sk :

Langkah perhitungan Sk :

Sk(r0) = (L-1) * Pr(r0) = (8-1) * 0,12 = 0,84

Sk(r1) = Sk(r0) + ((L-1) * Pr(r1)) = 0,84 + (7 * 0,04) = 1,12 Sk(r2) = Sk(r1) + ((L-1) * Pr(r2)) = 1,12 + (7 * 0,24) = 2,8 Sk(r3) = Sk(r2) + ((L-1) * Pr(r3)) = 2,8 + (7 * 0,12) = 3,64 Sk(r4) = Sk(r3) + ((L-1) * Pr(r4)) = 3,64 + (7 * 0,16) = 4,76 Sk(r5) = Sk(r4) + ((L-1) * Pr(r5)) = 4,76 + (7 * 0,04) = 5,04 Sk(r6) = Sk(r5) + ((L-1) * Pr(r6)) = 5,04 + (7 * 0,2) = 6,44 Sk(r7) = Sk(r6) + ((L-1) * Pr(r7)) = 6,44 + (7 * 0,08) = 7

Kemudian setelah semua nilai Sk didapat maka kemudian dilakukan pembulatan nilai Sk menjadi Sk' yang akan menjadi nilai piksel baru pada citra luaran. Berikut proses pembulatan nilai Sk :

Sk(r0) = 0,84 => Sk(r0)' = 1 Sk(r1) = 1,12 => Sk(r1)' = 1 Sk(r2) = 2,8 => Sk(r2)' = 3 Sk(r3) = 3,64 => Sk(r3)' = 4

(48)

mengganti nilai rk, sehingga citra A3 menjdi citra baru. Berikut ini tabel perhitungan lengkap untuk proses blok ketiga dan juga citra luaran dari proses perhitungan ini pada metode adaptive histogram equalization.

Tabel 3.4 Tabel perhitungan adaptive histogram equalization citra A3

L = 8 dimana panjang adalah M = 5 dan lebar adalah N = 5, sehinggan MN adalah 25. Kemudian langkah selanjutnya untuk mengetahui nilai probabilitas (Pr) dari intensitas nilai piksel (rk) yaitu total setiap intensitas nilai (nk) akan dibagi dengan luas citra atau MN. Misal nilai intesitas 0 terdapat 5 piksel di dalam citra A4, maka rk ke 0 atau r0 memiliki nilai nk = 5, maka nilai probabilitas (Pr) = nk / MN yaitu

5/25 = 0.2. Berikut perhitungan untuk nilai Pr : Langkah perhitungan Pr :

(49)

Pr(r1) = n1 / MN = 2 / 25 = 0,08 Pr(r2) = n2 / MN = 2 / 25 = 0,08 Pr(r3) = n3 / MN = 3 / 25 = 0,12 Pr(r4) = n4 / MN = 3 / 25 = 0,12 Pr(r5) = n5 / MN = 4 / 25 = 0,16 Pr(r6) = n6 / MN = 3 / 25 = 0,12 Pr(r7) = n7 / MN = 3 / 25 = 0,12

Kemudian setelah semua nilai probabilitas dihitung maka langkah selanjutnya adalah menghitung nilai piksel baru (Sk). Sesuai dengan rumus yang terdapat di gambar 3.4 dapat dimisalkan nilai Pr(r0) = 0.2 , nilai bit atau L = 8, maka nilai Sk(r0) = (8-1) x 0.2 = 1.4, berikut ini perhitungan nilai Sk :

Langkah perhitungan Sk :

Sk(r0) = (L-1) * Pr(r0) = (8-1) * 0,2 = 1,4

Sk(r1) = Sk(r0) + ((L-1) * Pr(r1)) = 1,4 + (7 * 0,08) = 1,96 Sk(r2) = Sk(r1) + ((L-1) * Pr(r2)) = 1,96 + (7 * 0,08) = 2,52 Sk(r3) = Sk(r2) + ((L-1) * Pr(r3)) = 2,52 + (7 * 0,12) = 3,36 Sk(r4) = Sk(r3) + ((L-1) * Pr(r4)) = 3,36 + (7 * 0,12) = 4,2 Sk(r5) = Sk(r4) + ((L-1) * Pr(r5)) = 4,2 + (7 * 0,16) = 5,32 Sk(r6) = Sk(r5) + ((L-1) * Pr(r6)) = 5,32 + (7 * 0,12) = 6,16 Sk(r7) = Sk(r6) + ((L-1) * Pr(r7)) = 6,16 + (7 * 0,12) = 7

(50)

pembulatan nilai Sk menjadi Sk' yang akan menjadi nilai piksel baru pada citra luaran. Berikut proses pembulatan nilai Sk :

Sk(r0) = 1,4 => Sk(r0)' = 1 Setelah semua nilai Sk dibulatkan menjadi Sk', maka nilai Sk' akan mengganti nilai rk, sehingga citra A4 menjdi citra baru. Berikut ini tabel perhitungan lengkap untuk proses blok keempat dan juga citra luaran dari proses perhitungan ini pada metode adaptive histogram equalization.

Tabel 3.5 Tabel perhitungan adaptive histogram equalization citra A4

(51)

ini.

Citra luaran seluruhan =

3.2.3 Pengujian Hasil

Pengujian hasil luaran akan diuji dengan pengamatan visual. Uji pengamatan visual akan dilakukan dengan memberikan kuisoner kepada 10 sampel responden. Pengambilan sampel menggunakan metode convenience sampling, yaitu pengambilan sampel dengan memilih sampel secara bebas

sekehendak hati peneliti (Jogiyanto, 2008), karena penelitian ini terbatas untuk mengukur kinerja metode. Kuisoner yang dibagikan akan mencakup tentang metode mana yang lebih baik secara visual, dari segi kontras mana yang lebih tinggi. Pengolahan data hasil kuisoner dengan menggunakan metode skala Likert seperti pada sub bab 2.7. Selain dengan pengamatan responden pengujian hasil akan diukur dengan time-running serta nilai PSNR dan dinilai histogram masing-masing metode.

3.3 Rancangan Tampilan

Dalam perancangan tampilan akan dibuat tampilan sebagai berikut : 3.3.1 Halaman Utama

(52)

Gambar 3.5. Halaman Utama sistem

Pada halalam utama terdapat beberapa tombol yaitu: • Tombol File

Pada tombol ini berisi tombol keluar program dan tombol about yang berisi tentang info sistem ini.

• Tombol Help

Pada tombol help berisi tentang info bantuan yang berhubungan dengan penggunaan sistem ini.

• Tombol Input

Pada tombol input berfungsi untuk membuka jendela baru yang berfungsi untuk memasukan data citra awal.

• Tombol Proses

(53)

3.3.2 Halaman Input

Gambar 3.6. Halaman input citra awal

Halaman input merupakan halaman open picture dialog, yang berjalan ketika tombol input pada halaman utama ditekan. Pada halaman ini pengguana akan memilih data citra awal yang akan diproses pada sistem.

3.3.3 Halaman Awal

Gambar 3.7. Halaman Awal

Halaman ini berisi tentang info sistem ini berupa nama sistem, pembuat dan Sistem Peningkatan Kontras Citra

dengan

(54)

merupakan tampilan awal program. 3.3.4 Halaman Help

Gambar 3.8. Halaman Help

Halaman Help berisi tentang bantuan dan pentunjuk penggunaan sistem ini. 3.3.5 Form Pesan

Gambar 3.9. Form pesan

Form pesan adalah form yang akan penampilkan pesan pada pengguna yang berasal dari sistem, seperti pesan proses telah selesai atau pesan peringatan bahwa perlu memasukan citra awal dan lainnya.

Pesan... OK

Help

1. Masukan citra awal dengan menggunakan tombol Input

(55)

3.4 Analisa Kebutuhan Sistem

3.4.1 Data

Data yang digunakan adalah citra digital hasil manipulasi dari perangkat lunak pengolahan gambar dan juga citra hasil rekaman kamera. Data citra memiliki format citra RGB dan berkategori panorama maupun model manusia. Data citra merupakan dokumentasi pribadi.

3.4.2 Perangkat Lunak

Perangkat lunak akan menggunakan Matlab ( Mathematics Laboratory) versi 7.10.0.499 (R2010a). Perangkat lunak ini sebagai bahasa pemrograman yang dapat mengolahan operasi matematika dan aljabar matrik. Matlab juga digunakan untuk merancang antarmuka penggunanya.

3.4.3 Perangkat Keras

Spesifikasi yang digunakan untuk membuat perangkat lunak ini adalah: a. Prosesor : Intel Core i7-3610QM 2.30 GHz

b. Memory : RAM 8 GB

c. Sistem Operasi : Windows 7 Home Premium

d. Media Tampilan : VGA Nvidia Geforce GT 650M & LCD 1366x768

(56)

39

BAB IV

IMPLEMENTASI DAN ANALISA HASIL

Bab ini akan membahas implementasi dari rancangan sistem yang dibuat pada bab sebelumnya.

4.1 Implementasi Proses

4.1.1 Implementasi Algoritma Histogram Equalization

Implementasi algoritma histogram equalization digunakan untuk peningkatan kontras citra. Dalam algoritma ini akan terdapat beberapa proses penting untuk meningkatkan kontras citra, yang pertama adalah proses perhitungan nilai piksel baru yang berdasarkan banyak kemunculan nilai piksel tersebut, yang kedua adalah proses pembulatan dan pembentukan nilai piksel baru dari hasil proses perhitungan. Berikut ini adalah proses pertama, yaitu proses perhitungan :

Berikut ini adalah proses kedua, yaitu proses pembulatan dan pembentukan nilai piksel baru :

(57)

4.1.2 Implementasi Algoritma Adaptive Histogram Equalization

Pada implementasi algoritma adapative histogram equalization terdapat pula beberapa tahap proses dalam meningkatkan kontras citra masukan. Proses awal adalah pemotongan citra masukan berdasarkan ukuran potong yang dimasukan pengguna, sebagai berikut :

Proses berikutnya adalah perhitungan nilai piksel baru berdasarkan banyaknya kemunculan nilai piksel tersebut dalam satu ukuran potong citra masukan, sebagai berikut :

kemudian masuk pada proses pembulatan dan pembentukan nilai piksel baru yang akan digunakan sebagai nilai luaran, sebagai berikut :

S = round(Sk);

for a=1 : (height - panjangPotongan + 1) for b=1 : (width - panjangPotongan + 1)

(58)

4.2 Implementasi Tampilan Antarmuka

Sistem ini hanya memiliki satu tampilan antarmuka yaitu halaman utama. Halaman utama terbagi menjadi tiga bagian, yaitu bagian citra masukan, bagain citra histogram equalization, dan bagian citra adaptive histogram equalization. Pada masing-masing bagian akan menampilkan citra dan histogram.

Gambar 4.1. Tampilan Halaman Utama

Halaman utama memiliki tiga tombol dan tiga radio button. Tiga radio button akan berfungsi sebagai masukan nilai potongan citra untuk metode

adaptive histogram equalization, yaitu nilai 64, 128, dan 256. Kemudian tiga

(59)

Gambar 4.2. Tampilan Pilih File Citra

Kemudian tombol yang kedua adalah tombol "Reset", yang berfungsi untuk membersihkan halama utama bila sebelumnya halaman utama telah digunakan untuk memproses citra yang lain. Ketika tombol "Reset" digunakan maka akan muncul peringatan sebagai berikut :

Gambar 4.3. Tampilan Peringatan Reset

Gambar 4.4. Tampilan Peringatan Reset Telah Berhasil

(60)

muncul peringatan sebagai berikut :

Gambar 4.5. Tampilan Peringatan Proses

Gambar 4.6. Tampilan Halaman Utama dengan Masukan dan Hasil

4.3 Analisa Hasil Pengujian

Pengujian antara metode histogram equalization dan adaptive histogram equalization berdasarkan kompleksitas waktu asimptotik, lama proses kedua

metode, histogram masing-masing metode, nilai PSNR, dan kualitas gambar luaran berdasarkan penilaian responden.

4.3.1 Perhitungan Kompleksitas Waktu Asimptotik

(61)

efektif metode histogram equalization dan adaptive histogram equalization. Perhitungan kompleksitas waktu diukur berdasarkan operasi-operasi yang digunakan dalam metode histogram equalization dan adaptive histogram equalization.

a. Histogram Equalization

Perhitungan adalah :

= O(1) + O(1) + O(1) + O(1) + O(1) + (n*(O(1)+O(1)+O(1))) + O(1) + (n*(n*(O(1)))) + O(1)

= O(1) + (n*(O(1))) + (n*(O(n))) = O(1) + O(n) + O(n2)

= O(n2)

function [output] = histogram_equalization(input)

Sk = zeros(256,1);...O(1) [width height] = size(input);...O(1) output = zeros(width, height);...O(1) MN = width * height;...O(1) hist = imhist(input);...O(1) for i=1:256...n

(62)

b. Adaptive Hitogram Equalization

Perhitungan adalah :

= O(1) + O(1) + O(1) + (n*(n*(O(1)+O(n2)+O(1)))) + O(1) + O(1) = O(1) + (n*(n*(O(1) + O(n2))))

= O(1) + (n*(O(n) + O(n3))) = O(1) + O(n2) + O(n4) = O(n4)

4.3.2 Analisa Gambar Luaran Berdasarkan Penilaian Responden

Metode histogram equalization dan adaptive histogram equalization akan menghasilkan gambar atau citra luaran yang berbeda. Gambar-gambar dibawah ini menampilkan gambar atau citra luaran dari masing-masing metode dengan dua gambar atau citra masukan yang berbeda ukuran serta dengan tipe grayscale dan berformat .jpg.

function [outputK] = adaptive(inputK,panjangPotongan) [height width] = size(inputK);...O(1) masukanTemp = inputK;...O(1) outtemp=0;...O(1) for a=1 : (height - panjangPotongan + 1)...n for b=1 : (width - panjangPotongan + 1)...n matricPotongan = masukanTemp([a:a+panjangPotongan-1],[b:b+panjangPotongan-1]);...O(1) ( Metode Histogram Equalization )...O(n2)

outtemp([a:a+panjangPotongan-1],[b:b+panjangPotongan-1]) = hasilTemp;...O(1) end

end

(63)

Tabel 4.1 Gambar luaran setiap metode

Metode Data1.jpg Data2.bmp

Masukan

Histogram

Equalization

Adative

Histogram

Equalization win

64

Adative

Histogram

Equalization win

128

Adative

Histogram

Equalization win

256

(64)

Masukan

Histogram

Equalization

Adative

Histogram

Equalization win

64

Adative

Histogram

Equalization win

128

Adative

Histogram

Equalization win

256

(65)

Masukan

Histogram

Equalization

Adative

Histogram

Equalization win

64

Adative

Histogram

Equalization win

128

Adative

Histogram

Equalization win

256

(66)

Masukan

Histogram

Equalization

Adative

Histogram

Equalization win

64

Adative

Histogram

Equalization win

(67)

Adative

Histogram

Equalization win

256

Metode Data9.jpg Data10.jpg

Masukan

Histogram

Equalization

Adative

Histogram

Equalization win

64

Adative

Histogram

Equalization win

(68)

Adative

Histogram

Equalization win

256

Kuisoner terbagi menjadi beberapa bagian, yaitu bagian metode histogram equalization, bagian metode adaptive histogram equalization, dan bagian

perbadingan kedua metode tersebut. Nilai total dari hasil kuisoner akan dianalisa menggunakan skala Likert. Kategori skala Likert adalah sebagai berikut :

Tabel 4.2 Interval untuk skala Likert

Intreval (%) Kategori

0 – 20 Sangat Rendah 21 – 40 Rendah 41 – 60 Sedang 61 – 80 Tinggi 81 - 100 Sangat Tinggi

Berikut ini akan dihitung masing-masing bagian dengan menggunakan skala Likert :

a. Bagian Histogram Equalization

Tabel 4.3 Hasil kuesioner metode histogram equalization pada citra yang memiliki kontras baik yang dirubah dalam bentuk bobot nilai

(69)

32 2 1 1 2 2 2 4 1 2 4 2

Tabel 4.4 Hasil kuesioner metode histogram equalizationv pada citra yang memiliki kontras kurang baik yang dirubah dalam bentuk bobot nilai

Pernyataan Responden

Pada hasil kuesioner yang berupa jawaban dari responden, terdiri dari huruf yaitu A, B, C, atau D. Setiap huruf akan diberi bobot berupa nilai 1, 2, 3, 4, sehingga nilai tersebut dapat dihitung. Huruf A akan berbobot 4, B berbobot 3, C berbobot 2, dan D berbobot 1, seperti yang ditampilkan pada tabel 4.3 dan 4.4.

(70)

Kemudian skor terbesar (Xmax), yaitu bobot nilai terbesar dikali dengan banyaknya pernyataan dan dikali dengan banyak respoden, sehingga Xmin = 4 x 15 x 11 = 660. Maka total nilai seluruh responden berada diantara 165 sampai 660. Berikut tabel perhitungan total nilai seluruh responden :

Tabel 4.5 Tabel perhitungan total nilai responden untuk citra dengan kontras baik Berdasarkan total nilai keseluruhan responden yaitu 64,545% dari 11 responden. Berdasarkan tabel skala Likert, nilai total 64,545% termasuk dalam kategori tinggi. Jadi tingkat metode histogram equalization pada citra dengan kontras baik berdasarkan visual responden adalah tinggi.

(71)

kontras kurang baik berdasarkan visual responden adalah tinggi. b. Bagian Adaptive Histogram Equalization

(72)

b 128 128 128 128 128 128 128 256 128 128 128

Tabel 4.8 Hasil kuisoner metode adaptive histogram equalization pada citra kontras kurang baik

(73)

36

Setiap jawaban diberi bobot maka dapat dikelompokan sesuai dengan masing-masing bobot dan pernyataan. Kemudian hitung nilai skor terkecil (Xmin), yaitu bobot nilai terkecil dikali dengan banyaknya pernyataan dan dikali dengan banyak respoden, sehingga Xmin = 1 x 15 x 11 = 165. Kemudian skor terbesar (Xmax), yaitu bobot nilai terbesar dikali dengan banyaknya pernyataan dan dikali dengan banyak respoden, sehingga Xmin = 3 x 15 x 11 = 495. Maka total nilai seluruh responden berada diantara 165 sampai 495. Berikut tabel perhitungan total nilai seluruh responden :

• Window size 64

Tabel 4.9 Tabel perhitungan total nilai responden untuk citra dengan kontras baik

Nilai Total Pernyataan Hasil Perkalian

1 98 98

(74)

3 54 97 Total 286

Total nilai keseluruhan responden = 286 / 495 x 100 % = 57.778%

Berdasarkan total nilai keseluruhan responden yaitu 57.778% dari 11 responden. Berdasarkan tabel skala Likert, nilai total 57.778% termasuk dalam kategori sedang. Jadi tingkat metode adaptive histogram equalization dengan window size 64 pada citra dengan kontras baik berdasarkan visual responden

adalah sedang.

Tabel 4.10 Tabel perhitungan total nilai responden untuk citra dengan kontras kurang baik

Nilai Total Pernyataan Hasil Perkalian

1 93 93

2 10 20

3 62 186

Total 299

Total nilai keseluruhan responden = 299 / 495 x 100 % = 64.404%

Berdasarkan total nilai keseluruhan responden yaitu 64.404% dari 11 responden. Berdasarkan tabel skala Likert, nilai total 64.404% termasuk dalam kategori tinggi. Jadi tingkat metode adaptive histogram equalization dengan window size 64 pada citra dengan kontras kurang baik berdasarkan visual

responden adalah tinggi. • Window size 128

Tabel 4.11 Tabel perhitungan total nilai responden untuk citra dengan kontras baik

Nilai Total Pernyataan Hasil Perkalian

1 10 10

2 141 282

3 14 42

Gambar

Gambar Keterangan
Gambar 2.1.
Gambar 2.2.
Gambar 2.3. Citra digital awal dan citra hasil histogram equalization
+7

Referensi

Dokumen terkait

Dengan demikian dapat disimpulkan bahwa MTPS hanya memiliki intuisi afirmatori dalam memahami masalah dan intuisi antisipatori dalam menyusun rencana penyelesaian

meneladani akhlak mulia Rasul Ulul Azmi. Peserta didik dengan bantuan guru diajak untuk membuat kesimpulan berkaitan dengan materi hikmah meneladani akhlak mulia

Pada penelitian ini, tidak ada perbedaan peluang peningkatan ketahanan pangan rumahtangga dengan kepala rumahtangga laki-laki lebih besar dari rumahtangga lainnya

Biasanya oralit diberikan selama 2-3 hari seperti dosis yang dianjurkan, selama 2-3 hari seperti dosis yang dianjurkan, sedangkan zinc harus diberikan sesuai dosis sedangkan zinc

Selisih antara rata-rata ukuran perusahaan untuk konservatisme akuntansi di atas dan di bawah rata-rata tidak cukup besar yang menunjukkan bahwa ukuran

Sistem adalah suatu jaringan kerja dari prosedurprosedur yang saling berhubungan, berkumpul bersamasama untuk melakukan suatu kegiatan atau untuk menyelesaikan

Menimbang, bahwa berdasarkan uraian di atas dihubungkan dengan keterangan para Saksi, alat bukti surat, keterangan Terdakwa, dan barang bukti diketahui bahwa

Berdasarkan harga wajar saham PT.BAT Indonesia,Tbk maka dapat disimpulkan bahwa nilai pasar untuk saham BAT Indonesia selama bulan Januari hingga April 2000 lebih tinggi (