BAB III
ANALISIS DAN PERANCANGAN SISTEM
3.1Analisis Sistem
Analisis sistem merupakan salah satu tahapan dalam perancangan sebuah sistem. Bertujuan untuk memahami dan mendeskripsikan persoalan-persoalan yang akan muncul dalam pembuatan sistem. Secara umum analisis sistem terbagi atas analisis masalah dan analisis persyaratan.
3.1.1 Analisis Masalah
Masalah yang akan di selesaikan dengan menggunakan sistem ini adalah pendeteksi tepi pada hasil citra digital. Pendeteksi tepi dengan menggunakan citra berwarna akan dilakukan pendeteksian tepi dengan menggunakan metode Laplacian, Laplacian of Gaussian dan Difference Of Gaussian.
Gambar 3.1 Diagram Ishikawa Analisis Masalah
Diagram Ishikawa yang ditunjukan pada Gambar 3.1 terbagi atas dua bagian yaitu head dan bone. Bone terdiri dari 4 aspek yaitu Man, Method, Machine dan Material. Man adalah pengguna dari sistem tersebut, Method adalah bagaimana proses deteksi dilakukan yaitu dengan menggunakan operator Laplacian, Laplacian Of Gussian dan Difference Of Gaussian. Material adalah yang diperlukan dalam menjalankan sistem yaitu citra berwarna hasil dari citra digital dan Machine dari deteksi tepi citra yaitu mendeteksi citra yang diberi efek. Head dari sistem ini yaitu melakukan deteksi tepi citra.
3.1.2 Analisis Persyaratan
3.1.2.1Persyaratan Fungsional
Persyaratan fungsional merupakan aktifitas yang harus dipenuhi oleh suatu sistem yang jenis kebutuhannya berisi proses-proses apa saja yang nantinya dilakukan oleh sistem. Pada penelitian ini persyaratan fungsional sistem adalah:
1. Citra digital yang digunakan adalah citra berwarna yang telah diberikan efek dan menggunakan format .*JPG dengan ukuran dimensi maksimal 300 x 300 piksel. 2. Metode deteksi tepi yang digunakan untuk melakukan perbandingan adalah
Laplacian, Laplacian of Gaussian dan Difference Of Gaussian.
3. Parameter untuk perbandingan sistem menggunakan Mean Squared Error (MSE), Peak Signal to Noise Ratio (PSNR), Kompleksitas Theta dan Running Time.
3.1.2.2Persyaratan Nonfungsional
Persyaratan nonfungsional merupakan tipe kebutuhan yang berisi properti perilaku yang dimiliki oleh sistem. Persyaratan nonfungsional sistem yang akan dibangun meliputi beberapa aspek, yaitu:
1. Sistem yang akan dibangun harus dapat menunjukan hasil dari proses deteksi tepi citra yang telah diberikan efek.
2. Dapat dengan mudah digunakan dan dimengerti oleh pengguna (user friendly). 3. Tidak memerlukan perangkat lain yang mengeluarkan biaya tambahan.
4. Sistem yang akan dibangun dapat menyimpan citra hasil deteksi tepi sesuai dengan format citra yang digunakan yaitu format *.jpg.
3.1.3 Analisis Proses
Dalam sistem ini, deteksi tepi yang digunakan pada citra digital adalah metode Laplacian, Laplacian of Gaussian dan Difference Of Gaussian. Proses dari metode Laplacian dengan mengubah citra menjadi grayscale, kemudian dilakukan proses filtering Gaussian untuk menghilangkan derau yang ada dan melakukan thresholding..
Proses metode Laplacian of Gaussian dengan mengubah citra menjadi grayscale dan melakukan pemanggilan prosedur dari Laplacian of Gaussian. Proses metode Robert dengan mengubah citra menjadi grayscale, kemudian melakukan konvolusi dengan mask Robert dan dihitung nilai gradient-nya lalu melakukan thresholding.
3.1.3.1 Use Case Diagram
Use Case Diagram merupakan representasi interaksi yang terjadi antara pengguna dengan sistem. Use Case Diagram menampilkan bagaimana sistem akan bekerja dari sudut pandang pengguna dan teknik yang digunakan untuk menampilkan kebutuhan fungsional dari sistem tersebut. Use Case Diagram dari sistem ditunjukan pada Gambar 3.2.
Tabel 3.1 Naratif Use case Input Citra
Name Use Case Input citra
Actor Pengguna system
Description
Use Case mendeskripsikan form Implementasi
yang dimulai dari pemilihan jenis citra digital yang berukuran 300 x 300 pixel dan berformat .jpg
Pre-Condition Ada di form Implementasi Typical course of
event Aksi Aktor Respon Sistem
Langkah 1 : Memilih form
Aksi Aktor Respon system
- -
Tabel 3.2 Naratif Use case Deteksi Laplacian
Name Use Case Deteksi Laplacian
Actor Pengguna system
Description Use Case mendeskripsikan proses deteksi tepi citra dengan metode Laplacian
Pre-Condition Sudah melalui proses Input citra Typical course of
event Aksi Aktor Respon Sistem
Langkah 1 : Melakukan deteksi tepi
dengan menekan button „Laplacian‟
Langkah 3 : Melakukan perhitungan MSE, PSNR dan Kompleksitas Theta
dengan menekan
Langkah 5 : Menyimpan citra hasil deteksi tepi dengan menekan button
„Save‟
Aksi Aktor Respon system
- -
Tabel 3.3 Naratif Use case Deteksi Laplacian Of Gaussian
Name Use Case Deteksi Laplacian Of Gaussian
Actor Pengguna system
Description Use Case mendeskripsikan proses deteksi tepi citra dengan metode Laplacian Of Gaussian
Pre-Condition Sudah melalui proses Input citra
Typical course of event Aksi Aktor Respon Sistem
Langkah 5 : Menyimpan citra hasil deteksi tepi dengan
Alternate course Aksi Aktor Respon system
- -
Post Condition
Tabel 3.4 Naratif Use case Deteksi Difference Of Gaussian Name Use Case Deteksi Difference Of Gaussian
Actor Pengguna system
Description Use Case mendeskripsikan proses deteksi tepi citra dengan metode Difference Of Gaussian
Pre-Condition Sudah melalui proses Input citra
Typical course of event Aksi Aktor Respon Sistem
Langkah 5 : Menyimpan citra hasil deteksi tepi dengan
Alternate course Aksi Aktor Respon system
- -
Post Condition
3.1.3.2Activity Diagram
Activity diagram merupakan teknik untuk menggambarkan berbagai alur aktivitas dalam sistem yang sedang dibangun. Activity diagram mengilustrasikan alur dari proses yang terjadi dalam sebuah use case. Activity diagram dari sistem ditunjukan pada Gambar 3.3.
3.1.3.3Sequence Diagram
Sequence diagram merupakan penyajian perilaku yang tersusun sebagai rangkaian langkah-langkah percontohan dari waktu ke waktu. Sequence diagram digunakan untuk menggambarkan arus pekerjaan, pesan yang disampaikan dan bagaimana elemen-elemen di dalamnya bekerja sama dari waktu ke waktu untuk mencapai suatu hasil. Sequence diagram dari sistem ditunjukan pada Gambar 3.4.
Gambar 3.4 Sequence Diagram Pada Sistem 3.1.3.4Flowchart Sistem
3.2Pseudocode
Pseudocode merupakan sebuah kode yang digunakan untuk menuliskan sebuah algoritma dengan cara yang bebas yang tidak terkait dengan bahasa pemrograman tertentu. Pseudocode berisi langkah-langkah untuk menyelesaikan suatu permasalahan yang bentuknya sedikit berbeda dari algoritma. Pseudocode menggunakan bahasa yang hampir menyerupai bahasa pemrograman melainkan menggunakan bahasa yang mudah dipahami secara umum dan juga lebih ringkas.
3.2.1 Pseudocode Deteksi Tepi Laplacian
1. Menentukan panjang dan lebar citra x <- image.height gaussfilter <- gaussfilter / sum (gaussfilter) 3. Mengubah ke grayscale
gray <- sqrt((ptrf-ptrf)^2 + (ptrf-ptrf)^2) output.setpixel (i,j, color, (gray,gray,gray) gray <- 0
3.2.2 Pseudocode Deteksi Tepi Laplacian Of Gaussian
2. Melakukan pendeteksian noise dan thresholding for k <- 0 < size
Pada Pseudocode deteksi tepi Laplacian Of Gaussian akan dilakukan zero crossing untuk menentukan garis hitam dan putih yang terdapat pada turunan kedua dari citra yang dideteksi. Setelah itu akan dilakukan pendeteksian noise dan thresholding.
3.2.3 Pseudocode Deteksi Tepi Difference Of Gaussian
1. Melakukan Gaussian filter Sigma <- 5
Size <- 30
x = (-size / 2, size / 2, size)
gaussfilter <- exp(-x .^ 2 / (2 * sigma ^ 2)) gaussfilter <- gaussfilter / sum (gaussfilter) 2. Non-maximum suppression
For j <- 1 to b.tinggi – 2 For i <- 1 to b.lebar -2 Dir <- arctan2 (gy[j][i], gx[j][i]) Dx <- round (cos (dir))
Dy <- round (sin (dir))
Edge[j][i] <- (mag[j][i] >= mag[j+dy][i+dx])&& (mag[j][i] >= mag[j-dy][i-dx)
3.2.4 Pseudocode Nilai MSE
1. Menentukan nilai citra asli dan citra hasil sum <- 0
for i <- 0 to imageasli.height – 1 for j <- 0 to imageasli.width – 1 pxasli <- imageasli.getpixel(j,i).R pxhasil <- imageasli.getpixel(j,i).R
2. Mendeklarasikan rumus MSE sum <- sum + (pxasli-pxhasil)^2
3. Melakukan perhitungan nilai MSE
MSE <- sum / (imageasli.height * imageasli.width)
Pada Pseudocode nilai MSE dilakukan perhitungan citra asli dengan citra hasil yang telah dideteksi tepi.
3.2.5 Pseudocode Nilai PSNR
1. Melakukan perhitungan nilai PSNR PSNR <- 10 * log 10 (255 ^ 2/MSE) PSNR <- PSNR
3.2.6 Pseudocode Nilai Kompleksitas Theta
Tabel 3.5 Kompleksitas Algoritma Laplacian
No. Kode Program � # �� #
18. if(btotal>255) btotal = 255; �
Tabel 3.7 Kompleksitas Algoritma Difference of Gaussian
No. Kode Program � # �� #
1. double red = green = blue = 0.8; �1 1 �
1 2. int filterWidth = filterMatrix.GetLength(1); �2 1 �
2 3. int filterWidth = filterMatrix.GetLength(1); �2 1 �
2 4. int filterHeight = filterMatrix.GetLength(0); �2 1 �2 5. int filterOffset = (filterWidth-1) / 2; �2 1 �
2
6. int calcOffset, byteOffset = 0; �2 1 �
2 7. for sourceBitmap.Height - filterOffset; offsetY++){ (int offsetY = filterOffset; offsetY < �3 � �3� 8. for sourceBitmap.Width - filterOffset; offsetX++){ (int offsetX = filterOffset; offsetX < �3 �2 �3�2
+ filterOffset, filterX + filterOffset]; �4 �
4 �4�4
15.
green += (double) (pixelBuffer[calcOffset + 1]) * filterMatrix[filterY + filterOffset,
filterX + filterOffset]; �7 �
4 �7�4
16.
red += (double) (pixelBuffer[calcOffset + 2]) *filterMatrix[filterY + filterOffset, filterX
+ filterOffset];}} �8 � 26. resultBuffer[byteOffset] = (byte )(blue); �
11 �2 �11�2 27. resultBuffer[byteOffset + 1] = (byte )(green); �
11 �2 �11�2 28. resultBuffer[byteOffset + 2] = (byte )(red); �
11 �2 �11�2 29. resultBuffer[byteOffset + 3] = 255;}} �
11 �2 �11�2
� =��#�
=�1+ 5�2 +�3�+�3�2 +�4�2 +�3�3 +�3�4 +�6�4 +�4�4+�7�4
+�4�4 +�8�4+�4�2 +�7�2 +�8�2+ 3(�9�2+�10�2)
= (�1+ 5�2)�0+�3�+ (�3+�4+�4 +�7+�8+ 3(�9+�10)
+ 4(�11))�2+�3�3+ (�3+�6+�4+�7 +�4+�8)�4
= Θ(�4)
3.3Perancangan Sistem
Sistem perbandingan metode deteksi tepi yang terdapat pada citra digital akan dirancang dengan menggunakan bahasa pemrograman Sharp Develop 4.1. Perancangan antarmuka atau interface bertujuan agar penguna lebih mudah dalam menggunakan sistem. Interface yang dirancang juga dapat memberikan kenyamanan untuk digunakan.
3.3.1 Form Home
Form Home merupakan tampilan awal dari sistem perbandingan metode deteksi tepi. Perancangan Form Home pada sistem dapat ditunjukan pada Gambar 3.6.
Table 3.8 Keterangan Rancangan Interface Form Home
No Keterangan
1 MenuStrip untuk pilihan menu yang terdiri analysis, implementation, help dan about
2 Label untuk menampilkan judul aplikasi
3 PictureBox untuk menampilkan logo S1 Ilmu Komputer USU 4 Label untuk menampilkan nama dan nim pembuat program 5 Label untuk menampilkan Program Studi dan Fakultas
3.3.2 Form Implementation
Perancangan form Implementation merupakan form untuk mengimplementasikan metode deteksi tepi dengan citra digital sesuai dengan keiinginan pengguna. Perancangan form Implementation ditunjukan pada Gambar 3.8.
Table 3.9 Keterangan Rancangan Form Implementation
No Keterangan
1 Button1 „Buka File‟ untuk membuka citra
2 PictureBox1 „citra‟ untuk menampilkan citra digital (.*JPG)
3 PictureBox2 „hasilLaplacian‟ untuk menampilkan hasil citra deteksi tepi Laplacian
4 PictureBox3 „hasilLOG‟ untuk menampilkan hasil citra deteksi tepi LOG 5 PictureBox4 „hasilDOG‟ untuk menampilkan hasil citra deteksi tepi DOG 6 Button2 „deteksi_Laplacian‟ untuk mendeteksi citra dengan metode Laplacian 7 Button3 „save1‟ untuk menyimpan hasil deteksi tepi Laplacian
8 Button4 „deteksi_LOG‟ untuk mendeteksi citra dengan metode LOG 9 Button5 „save2‟ untuk menyimpan hasil deteksi tepi LOG
10 Button6 „deteksi_DOG‟ untuk mendeteksi hasil deteksi tepi DOG 11 Button7 „save3‟ untuk menyimpan hasil deteksi tepi DOG
12 Button8 „nilai_mse‟,„nilai_psnr‟dan „nilai_running‟ untuk menampilkan nilai parameter Laplacian
13 Button9 „nilai_mse‟,„nilai_psnr‟dan „nilai_running‟ untuk menampilkan nilai parameter Laplacian Of Gaussian
3.3.3 Form Analysis
Perancangan form Analysis merupakan form untuk melakukan perbandingan metode deteksi tepi. Perancangan form Analysis ditunjukan pada Gambar 3.7.
Table 4.0 Keterangan Rancangan Form Analysis
No Keterangan
1. Button „sweet‟,‟cool‟,‟fresh‟,‟grace‟ dan „sunny‟ untuk membuka file citra dengan pilihan efek Sweet, Cool, Fresh, Grace dan Sunny
2. PictureBox „citra‟ untuk menampilkan citra yang telah diberik efek (.*Jpg) 3. TextBox „namaefek‟ untuk menampilkan citra yang ditampilkan
4. PictureBox „hasilLaplacian‟ untuk menampilkan hasil citra deteksi tepi Laplacian 5. PictureBox „hasilLoG‟ untuk menampilkan hasil citra deteksi tepi Laplacian Of
Gaussian
6. PictureBox „hasilDoG‟ untuk menampilkan hasil citra deteksi tepi Difference Of Gaussian
7. Button „deteksi_Laplacian‟ untuk mendeteksi citra dengan metode laplacian 8. Button „simpan‟ untuk menyimpan hasil deteksi tepi Laplacian
9.
Button „deteksi_LoG‟ untuk mendeteksi citra dengan metode Laplacian Of Gaussian
10. Button „simpan2‟ untuk menyimpan hasil deteksi tepi Laplacian Of Gaussian
11.
Button „deteksi_DoG‟ untuk mendeteksi hasil deteksi tepi Difference Of Gaussian
12. Button „simpan3‟ untuk menyimpan hasil deteksi tepi Difference Of Gaussian
13.
Button „nilai_mse‟,„nilai_psnr‟dan „nilai_running‟ untuk menampilkan nilai parameter Laplacian
14. Button „nilai_mse2‟,„nilai_psnr2‟dan „nilai_running2‟ untuk menampilkan nilai parameter Laplacian Of Gaussian
15.
3.3.4 Form Help
Form Help akan ditampilkan untuk panduan kepada user dalam penggunaan sistem. Perancangan form Help pada sistem dapat ditunjukan pada Gambar 3.
Gambar 3.9 Form Help
Table 4.1 Keterangan Rancangan Form Help
No Keterangan
3.3.5 Form About
Form About berisi tentang identitas dari pembuat program. Form About pada sistem dapat ditunjukan pada Gambar 3.10.
Gambar 3.10 Form About
Table 4.2 Keterangan Rancangan Form About
No Keterangan
1 groupBox1 untuk menampilkan biodata pembuat aplikasi 2 pictureBox1 untuk menampilkan foto identitas diri 3 Button1 „kembalimenu‟ untuk kembali ke form Home
BAB IV
IMPLEMENTASI DAN PENGUJIAN
4.1Implementasi
Tahap selanjutnya setelah dilakukan tahap analisis yang harus dilakukan adalah tahapan implementasi yang bertujuan untuk memimplementasikan sistem dengan keseluruhan. Sistem ini dibangun dengan menggunakan SharpDevelop 4.1. Pada sistem ini terdapat form Implementation, Analysis, Help dan About.
4.1.1 Form Home
Form Home merupakan form yang pertama kali muncul saat sistem dijalankan. Dalam form ini terdapat menu untuk memilih form Implementation, form Analysis, form Help dan form About. Pada form ini juga terdapat judul skripsi, logo dari Universitas dan identitas penulis. Tampilan dari form Home ditunjukan pada Gambar 4.1.
4.1.2 Form Implementation
Form Implementation ditampilkan untuk proses pendeteksi tepi yang menggunakan citra yang diberikan jenis efek yang lain yang ada pada efek Light Color dengan menggunakan metode Laplacian, Laplacian of Gaussian dan Difference Of Gaussian. Tampilan dari form Implementation ditunjukan pada Gambar 4.2.
Gambar 4.2Form Implementation 4.1.3 Form Analysis
Gambar 4.3 Form Analysis 4.1.4 Form Help
Form Help bertujuan sebagai petunjuk penggunaan sistem kepada pengguna. Tampilan dari form Help ditunjukan pada Gambar 4.4.
Gambar 4.4 Form Help 4.1.5 Form About
Gambar 4.5 Form About 4.2Pengujian
Pengujian sistem dilakukan dengan file citra berformat .*JPG (JPEG). Citra digital yang akan dilakukan pengujian adalah citra RGB yang ukuran dimensi maksimal 300 x 300 piksel. Ada 5 file citra yang digunakan yaitu efekSweet.jpg, efekCool.jpg, efekFresh.jpg, efekGrace.jpg dan efekSunny.jpg untuk melakukan pengujian sistem. Gambar 4.6 menunjukan citra yang akan diuji.
(a) (b) (c) (d) (e) Gambar 4.6 Citra yang akan diuji (a) efek Sweet, (b) efek Cool, (c) efek Fresh,
(d) efek Grace dan (e) efek Sunny 4.2.1 Pengujian form Analysis
Gambar 4.7 Input Citra dengan Efek Cool
4.2.1.1Proses deteksi tepi pada form Analysis
Gambar 4.8 Proses Deteksi Tepi Citra Efek Sweet dengan Metode Laplacian, Laplacian Of Gaussian dan Difference Of Gaussian pada Form Analysis Pada Gambar 4.8 dapat dilihat citra yang telah diberikan efek Cool di-input dan dilakukan pendeteksian dengan metode Laplacian, Laplacian Of Gaussian dan Difference Of Gaussian. Hasil dari tiap deteksi tepi didapatkan dengan menekan
tombol „Laplacian‟, „LoG‟ dan „DoG‟. Nilai dari masing-masing parameter akan ditampilkan setelah menekan tombol „Laplacian‟, „LoG‟ dan „DoG‟. tombol „Save‟ untuk menyimpan citra hasil dari deteksi masing-masing metode dengan file format *.jpg.
4.2.1.2Proses deteksi tepi pada form Implementation
Gambar 4.9 Proses Deteksi Tepi Citra Efek Sunshine dengan Metode Laplacian, LoG, DoG pada Form Implementation
Pada Gambar 4.9 dapat dilihat citra efek sunshine.*jpg yang jenis efek lain di-input dan dilakukan pendeteksian dengan metode Laplacian, LoG dan DoG. Hasil dari tiap deteksi didapatkan dengan menekan tombol „Laplacian‟, „LoG‟ dan „DoG‟. Nilai dari masing-masing parameter akan ditampilkan setelah menekan tombol „Laplacian‟,
4.3Hasil Pengujian
Pada Table 4.1 merupakan hasil deteksi tepi dengan metode Laplacian terhadap semua citra yang telah diberikan efek pada citra digital dan hasil nilai MSE, PSNR dan Running time sebagai parameternya. Nilai Running time yang tercepat dalam pendeteksian metode Laplacian terdapat pada citra efek Cool dengan 0,327 second dan untuk nilai MSE dan PSNR yang terbaik pada metode Laplacian terdapat pada citra efek Grace, dengan nilai MSE = 10736,6824777778 dan nilai PSNR = 0,782210251214333 dB.
Table 4.2 Perbandingan Hasil Deteksi Tepi LoG pada Citra yang diberi efek
efeksweet.bmp 11596,275411 dan Running time sebagai parameternya. Nilai Running time yang tercepat dalam pendeteksian metode LoG terdapat pada citra efek Fresh dengan 0,651 second dan untuk nilai MSE dan PSNR yang terbaik pada metode LoG terdapat pada citra efek Sweet dengan nilai MSE = 11596,2754111111 dan nilai PSNR = 0,74876183958462 dB.
Table 4.3 Perbandingan Hasil Deteksi Tepi DoG pada Citra yang diberi efek
efeksunny.bmp 10990,573244 dan Running time sebagai parameternya. Nilai Running time yang tercepat dalam pendeteksian metode DoG terdapat pada citra efek Sweet dengan 0,552 second dan untuk nilai MSE dan PSNR yang terbaik pada metode DoG terdapat pada citra efek Fresh dengan nilai MSE = 7097,05966666667 dan nilai PSNR = 0,96200190440679 dB.
Tabel 4.4 Perbandingan Rata-rata Nilai MSE pada Citra yang diberi Efek
Nama Citra Metode Laplacian Metode LoG Metode DoG
efekcool.jpg 13082,0725444444 12199,8929222222 9080,89994444445 efekfresh.jpg 10996,5113333333 12773,5496777778 7097,05966666667 efekgrace.jpg 10736,6824777778 11659,5231555556 7184,60765555556 efeksunny.jpg 19241,9602333333 20960,857 10990,5732444444 efeksweet.jpg 11206,7474111111 11596,2754111111 8111,18566666667 Nilai rata-rata
MSE 13052,79480000002 13858,01963333334 8492,86523555555
Tabel 4.5 Perbandingan Rata-rata Nilai PSNR pada Citra yang diberi Efek
Nama Citra Metode Laplacian Metode LoG Metode DoG
efekcool.jpg 0,696403807757903 0,726724341954811 0,854951470327128 efekfresh.jpg 0,771825434709037 0,706768759512793 0,96200190440679 efekgrace.jpg 0,782210251214333 0,746399571606632 0,956677304149877 efeksunny.jpg 0,528831048095674 0,491671325745045 0,772060015996163 efeksweet.jpg 0,76360077738772 0,74876183958462 0,903996018265436 Nilai rata-rata
PSNR (dB) 0,708574263832934 0,6840629676807802 0,8899373426290788
Dari Table 4.5 ditunjukan bahwa hasil rata-rata metode DoG memiliki nilai PSNR yang terbesar dan LoG memiliki nilai PSNR yang terkecil. Semakin besar nilai PSNR maka semakin baik hasil pada tampilan citra hasil.
Tabel 4.6 Perbandingan Rata-rata Nilai Running Time pada Citra yang diberi Efek
Nama Citra Metode Laplacian Metode LoG Metode DoG
efekcool.jpg 0,327 0,67 0,583
efekfresh.jpg 0.37 0,651 0,63
efekgrace.jpg 0.367 0,786 0,59
efeksunny.jpg 0.347 0,707 0,632
efeksweet.jpg 0.356 0,73 0,552
Nilai rata-rata
Running Time (s) 0,3534 0,7088 0,5974
Gambar 4.10 Grafik perbandingan nilai MSE
Pada Gambar 4.10 ditunjukan grafik perbandingan dari nilai MSE terhadap pada citra digital yang telah diberikan efek. Nilai MSE yang menghasilkan citra yang baik dari deteksi tepi Laplacian terdapat pada citra efek Grace, deteksi tepi LoG terdapat pada citra efek Sweet dan deteksi tepi DoG terdapat pada efek Fresh.
Gambar 4.11 Grafik perbandingan nilai PSNR
Pada Gambar 4.11 ditunjukan grafik perbandingan dari nilai PSNR terhadap pada citra digital yang telah diberikan efek. Nilai PSNR yang menghasilkan citra yang baik dari deteksi tepi Laplacian terdapat pada citra efek Grace, deteksi tepi LoG terdapat pada citra efek Sweet dan deteksi tepi DoG terdapat pada efek Fresh.
Gambar 4.12 Grafik perbandingan nilai Runtime
Pada Gambar 4.12 ditunjukan grafik perbandingan dari nilai Running Time terhadap pada citra yang telah diberikan efek. Nilai Running Time dari deteksi tepi Laplacian lebih cepat terdapat pada citra efek Cool, deteksi tepi LoG terdapat pada citra efek Fresh dan deteksi tepi DoG terdapat pada efek Sweet.
BAB V
KESIMPULAN DAN SARAN 5.1 Kesimpulan
Setelah melakukan analisis, perancangan, penujian dan implementasi terhadap metode Laplacian, Laplacian Of Gaussian, dan Difference Of Gaussian pada hasil citra digital diperoleh kesimpulan sebagai berikut :
1. Nilai MSE pada metode Laplacian terhadap citra yang telah diberi efek memiliki nilai rata-rata 13052,79480000002, pada metode Laplacian of Gaussian memiliki nilai rata-rata 13858,01963333334 dan pada metode Difference of Gaussian memiliki nilai rata-rata 8492,86523555555
2. Nilai PSNR pada metode Laplacian terhadap citra yang telah diberi efek memiliki nilai rata-rata 0,708574263832934 decibel, pada metode Laplacian of Gaussian memiliki nilai rata-rata 0,6840629676807802 decibel dan pada metode Difference of Gaussian memiliki nilai rata-rata 0,8899373426290788 decibel.
3. Nilai Running Time pada metode Laplacian terhadap citra yang telah diberi efek memiliki nilai rata-rata 0,3534 second, pada metode Laplacian of Gaussian memiliki nilai rata-rata 0,7088 second dan pada metode Difference of Gaussian memiliki nilai rata-rata 0,5974 second.
4. Berdasarkan hasil pengujian pada deteksi tepi Laplacian, citra efek Cool = 0,327 second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dan PSNR terbesar terdapat pada citra efek Grace, dengan nilai MSE = 10736,6824777778 dan nilai PSNR = 0,782210251214333 decibel. Pada deteksi tepi Laplacian Of Gaussian, citra efek Fresh dengan 0,651 second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada citra efek Sweet dengan nilai MSE = 11596,2754111111 dan nilai PSNR = 0,74876183958462 decibel. Pada deteksi tepi Difference Of Gaussian, citra efek Sweet dengan 0,552 second lebih cepat dari jenis efek yang lain dan nilai MSE terkecil dengan PSNR terbesar terdapat pada citra efek efek Fresh dengan nilai MSE = 7097,05966666667 dan nilai PSNR = 0,96200190440679 decibel.
5.2 Saran
Saran-saran yang dapat digunakan untuk penelitian selanjutnya atau pengembangan yaitu :
1. Untuk pengembangan sistem selanjutnya dapat menggunakan metode deteksi tepi seperti metode Kirsch atau metode Robinson.
2. Sistem ini menggunakan citra digital yang telah diberikan efek, sehingga untuk pengembangan selanjutnya dapat menggunakan citra yang diberi efek dari aplikasi lain seperti, Instagram, Path, Camera B612, dan Camera 360.
