HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS PADA CITRA DIGITAL
SKRIPSI
LORENT OLIVER BARUS 101401034
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS PADA CITRA DIGITAL
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Ilmu Komputer
LORENT OLIVER BARUS 101401034
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI KOMBINASI
ARITHMETIC MEAN FILTER DAN HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS PADA CITRA DIGITAL
Kategori : SKRIPSI
Nama : LORENT OLIVER BARUS
Nomor Induk Mahasiswa : 101401034
Program Studi : SARJANA (S1) ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di
Medan, Januari 2015
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Siti Dara Fadilla, S.Si, MT Dian Rachmawati, S.Si, M.Kom
NIP 197705162005012001 NIP 198307232009122004
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
IMPLEMENTASI KOMBINASI ARITHMETIC MEAN FILTER DAN HIGH BOOST FILTERING UNTUK MEMPERBAIKI KUALITAS PADA CITRA
DIGITAL
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Januari 2015
Lorent Oliver Barus
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada :
1. Tuhan Yesus Kristus yang sangat luar biasa yang selalu menyertai penulis setiap saat dalam menyelesaikan skripsi ini
2. Bapak saya Johan Barus dan Ibu saya Rosmawati br Bangun yang menjadi semangat hidup penulis untuk sukses dan selalu memberikan dukungan yang sangat luar biasa serta doa kepada penulis dalam menyelesaikan skripsi ini
3. Kakak saya Bella Rina Fitriany Barus dan Effrina Yuli Wijaya Barus yang selalu memberikan dukungan, doa dan bantuan kepada penulis dalam menyelesaikan skripsi ini
4. Bapak Prof.Dr.dr.Syahril Pasaribu, DTM&H, MSc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara
5. Bapak Prof.Dr.Muhammad Zarlis, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara dan dosen penguji I yang telah memberikan kritik, saran dan dukungan dalam menyelesaikan skripsi ini
6. Bapak Dr.Poltak Sihombing, M.Kom, selaku ketua Program studi S1 Ilmu Komputer Universitas Sumatera Utara
7. Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku Sekretaris Program studi S1 Ilmu Komputer Universitas Sumatera Utara dan sebagai dosen pembimbing akademik
8. Bapak M. Andri Budiman, ST, M.Comp.Sc, MEM, selaku dosen penguji II yang memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini
10.Ibu Siti Dara Fadilla, S.Si, MT, selaku dosen pembimbing II yang memberikan saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini
11.Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI USU
12.Sahabat saya Anggia, Kristian, Jem, Sri, Bermanta dan Ris yang memberi semangat dan motivasi kepada penulis
13.Teman-teman saya khususnya LOGIC, bang suki, bang liman, bang jo, bang ijonk, bang angga, bang dave, bang muek, bang lagger, bang septian, yansen, hengky, rivai, johanes, kurniawan, gunalan, timothy, ardi, mahesa, andika, dan sora yang memberi inspirasi dan semangat kepada penulis
14.Teman-teman kuliah saya semua stambuk 2010, Andhika, Amel, Devina, Westy, Sunfirst, Lenora, Tetti, Janwandi, dan teman-teman lainnya yang memberikan dukungan kepada penulis
15.Junior saya khususnya Andrus yang telah memberikan dukungan, inspirasi, dan berbagi ilmu kepada penulis dalam menyelesaikan skripsi ini
16.Junior saya Evi, Evelin, Satya, Toni, Endang, Jay, Yenni, Juwita, Jeklin, Ita, Witty, Mey yang memberikan dukungan dan semangat kepada penulis
17.Dan yang terkhusus untuk Vexil, Lexil, dan Luvis, yang selalu memberi dukungan, semangat dan menemani penulis dalam menyelesaikan skripsi ini.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna untuk itu penulias menerima kritik dan saran yang membangun untuk menyempurnakan skripsi ini. Dan semoga Tuhan Yang Maha Esa memberikan berkat dan karunia kepada seluruh pihak yang membantu penulis dalam menyelesaikan skripsi ini
Medan, Januari 2015
ABSTRAK
Penurunan kualitas citra sering ditemukan pada citra digital. Noise merupakan salah
satu contoh terjadinya penurunan kualitas citra disebabkan oleh gangguan pada teknik
pengambilan citra. Noise Gaussian dan noise Salt-and-Pepper adalah noise yang
sering ditemukan pada citra digital. Untuk memperbaiki citra yang mempunyai noise
digunakan suatu metode filtering, salah satu contohnya adalah Arithmetic Mean Filter.
Arithmetic Mean Filter merupakan metode filtering yang mengubah semua nilai titik
tengah pada seluruh blok area citra dan membuat citra menjadi halus. Citra halus
dapat menyebabkan tampilan objek pada citra menjadi kabur. Untuk memperbaiki
citra kabur digunakan metode High Boost Filtering untuk mempertajam tampilan
citra. Hasil terbaik yang diperoleh dari proses perbaikan citra menggunakan
Arithmetic Mean Filter dan High Boost Filtering dapat dibuktikan bedasarkan
parameter Mean Square Error (MSE) dan Peak Signal to-Noise Ratio (PSNR). Dari
hasil perhitungan rata-rata Mean Square Error (MSE) dan Peak Signal to-Noise Ratio
(PSNR), maka dapat disimpulkan metode Arithmetic Mean Filter lebih baik
mereduksi noise gaussian. Sedangkan metode High Boost Filtering lebih baik
memperbaiki citra pada jenis noise gaussian.
Kata kunci : Kualitas Citra, Arithmetic Mean Filter , High Boost Filtering, Mean
IMPLEMENTATION AND COMBINATION OF ARITHMETIC MEAN FILTER AND HIGH BOOST FILTERING TO RESTORE QUALITY OF
DIGITAL IMAGE
ABSTRACT
Degradation of image quality often found in digital image. Noise is one example of a
image quality degradation caused by interference with the image retrieval techniques.
Gaussian noise and Salt and Pepper noise can often be found in digital image. To
improve and image that has noise a filtering method is used, one of its example is the
Arithmetic Mean Filter. Arithmetic Mean Filter is a filtering method that convert all
the midpoint value of entire image block area and make the image becomes smooth.
Smooth image can cause object display on image becomes blur. To improve the blur
image High Boost Filtering method is used to sharpen the image display. The best
results obtained from the image improvement process using Arithmetic Mean Filter
and High Boost Filtering can be proved from Mean Square Error (MSE) and Peak
Signal to-Noise Ratio (PSNR) parameters. From the average calculation result of
Mean Square Error (MSE) and Peak Signal to-Noise Ratio (PSNR) it can be
concluded that Arithmetic Mean Filter method is better to reduce gaussian noise.
While the High Boost Filtering method is better to improve the image of the gaussian
noise type.
Keyword : Image Quality, Arithmetic Mean Filter , High Boost Filtering, Mean
DAFTAR ISI
1.6Metodologi Penelitian 4
1.7Sistematika penulisan 4
Bab 2 Tinjauan Pustaka
2.1Pengertian Citra 6
2.1.1 Resolusi Citra 6
2.2Jenis –jenis Citra Digital 8
2.3Pengolahan Citra 10
2.4Operasi Perngolahan Citra 11
2.5Format File Citra 13
2.6Peningkatan Kualitas Citra (Image Enhancement) 14
2.6.1 Filter Spasial (Spatial Filtering) 14
2.6.2 Kernel 15
2.6.3 Filter Pelolos Rendah (Low Pass Filter) 16
2.6.4 Filter Pelolos Tinggi (CMYK) 16
2.6.5 High Boost Filter 18
2.7Perbaikan Citra (Image Restoration) 18
2.8Derau Noise 19
2.8.1 Gaussian Noise 20
2.8.2 Salt & Pepper Noise 21
2.9Mean Filter 22
2.10MSE dan PSNR 24
Bab 3 Analisis dan Perancangan sistem
3.1Analisis sistem 25
3.1.2.1Persyaratan Fungsional 26
3.1.2.2Persyaratan Non-Fungsional 27
3.1.3 Analisis Proses 28
3.2Pemodelan 28
3.2.1 Use Case Diagram 28
3.2.2 Sequence Diagram 32
3.2.3 Activity Diagram 33
3.3Pseudocode Program 34
3.3.1 Pseudocode Arithmetic Mean Filter 34
3.3.2 Pseudocode High Boost Filtering 36
3.3.3 Pseudocode Menghitung nilai MSE dan PSNR 38
3.4Perancangan sistem 38
3.4.1 Flowchart Sistem 38
3.4.2 Perancangan Antarmuka (Interface) 43
3.4.2.1Form Cover 43
3.4.2.2FormProcess 44
Bab 4 Implementasi dan Pengujian Sistem
4.1Implementasi Sistem 46
4.1.1 Form Cover 46
4.1.2 Form Process 47
4.1.3 Form Help 49
4.2Pengujian 49
4.2.1 Pengujian Arithmetic Mean Filter 50
4.2.1.1Pengujian Gaussian noise terhadap
Arithmetic Mean Filter 51
4.2.1.2Pengujian Salt and Pepper noise terhadap
Arithmetic Mean Filter 55
4.2.2 Pengujian kombinasi Arithmetic Mean-Filter dan
High Boost Filtering 59
4.2.2.1Pengujian kombinasi Arithmetic Mean-Filter dan
High Boost Filtering pada Gaussian noise 60
4.2.2.2Pengujian kombinasi Arithmetic Mean-Filter dan
High Boost Filtering pada Salt and Pepper noise 64
4.2.3 Pengujian Black Box 68
4.2.3.1Rencana Pengujian 68
4.2.3.2Kasus dan Hasil Pengujian Alpha 68
4.2.3.3Kesimpulan Hasil Pengujian Alpha 69
4.2.3.4Kasus dan Hasil Pengujian Betha 69
Bab 5 Kesimpulan dan Saran
5.1Kesimpulan 71
5.2Saran 72
DAFTAR GAMBAR
Nomor gambar Keterangan Halaman
2.1 Citra biner 8
2.2 Citra abu-abu (Grayscale) 9
2.3 Citra warna (RGB) 10
2.4 Peningkatan kualitas citra 14
2.5 a Kernel (2x2) 15
3.6 Flowchart Arithmetic Mean Filter 40
3.7 Flowchart High Boost Filtering 41
3.8 Flowchart MSE dan PSNR 42
4.5 Gambaran sistem Arithmetic Mean Filter 50
4.6 Grafik PSNR sebelum dan sesudah filtering (Gaussian Noise)
53
4.7 Grafik MSE sebelum dan sesudah filtering (Gaussian Noise)
54
4.8 Grafik PSNR sebelum dan sesudah filtering (Salt and Pepper Noise)
57
4.9 Grafik MSE sebelum dan sesudah filtering (Salt and Pepper Noise)
58
4.10 Gambaran sistem High Boost Filtering 59
DAFTAR TABEL
Nomor tabel
Keterangan Halaman
3.1 Dokumentasi Naratif Use Case Cover 30
3.2 Dokumentasi Naratif Use Case Proses 30
3.3 Dokumentasi Naratif Use Case Help 31
3.4 Pseudocode Arithmetic Mean Filter 34
3.5 Pseudocode High Boost Filtering 36
3.6 Pseudocode nilai MSE dan PSNR 38
4.1 Citra digital grayscale terhadap persentase noise (Gaussian noise)
52
4.2 Citra digital grayscale terhadap persentase noise (Salt and pepper noise)
56
4.3 Kernel 3x3 terhadap persentase noise (Gaussian noise) 61 4.4 Kernel 3x3 terhadapat persentase noise (Salt and pepper
noise)
