1.BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
1.1 Tinjauan Pustaka
Dalam penelitian ini akan digunakan sepuluh tinjauan pustaka yang nantinya dapat mendukung penelitian, berikut merupakan tinjauan pustaka yang diambil yaitu pada tabel 2.1.
Tabel 2.1 Daftar Literatur
No Nama Peneliti Tahun Judul
1 Haruno Sajati 2018 Analisis Kualitas Perbaikan Citra Menggunakan Metode Median filter Dengan Penyeleksian Nilai Pixel
2 Frayogi Aditiya, Romi Adi Sandra
2020 Perbaikan Citra Hasil Kamera Handphone Dengan Metode Median filter
3 Wiliyana, Drs. Marihat Situmorang, M.Kom, Drs.
James P. Marbun, M.Kom
2012 Perbandingan Algoritma Arithmetic dengan Geometric Mean Filter untuk Reduksi Noise pada Citra
4 Leo Chandra WD
Simangunsong
2019 Penerapan Geometric Mean Filter Untuk Mereduksi Noise Speckle dan Salt & Pepper Pada Citra Ortokromatik 5 Devi Yanti Simanjuntak 2019 Reduksi Noise Salt & Pepper
Pada Citra Pankromatik Menggunakan Metode Median Filter
6 Youlian Zhu, Cheng Huang 2012 An Improved Median Filtering Algorithm for Image Noise Reduction
7 Ricky Aprias Sholihin , Bambang Hari Purwoto
2014 Perbaikan Citra Dengan Menggunakan Median filter Dan Metode Histogram Equalization
8 Aqsa Rashid dan Muhammad Khurrum Rahim
2016 Extensive Experimental Analysis of Image Statistical Measures for Image Processing Appliances
Tabel 2.2 Daftar Literatur (Lanjutan)
No Nama Peneliti Tahun Judul
9 Ali Ikhwan dan Robbi Rahim
2016 Implementation of Modified Median filtering Algorithm for Salt & Pepper Noise Reduction on Image
10 Shipra Suman, Fawnizu Azmadi Hussin, Aamir Saeed Malik, Nicolas Walter, Khean Lee Goh, Ida Hilmi, and Shiaw hooi Ho
2014 Image Enhancement Using Geometric Mean Filter
and Gamma Correction for WCE Images
Literatur 1
Analisis perbaikan kualitas Citra dengan Metode Median filter yaitu melakukan penyeleksian Nilai Pixel. Penelitian ini membahas tentang analisis metode median filter yang digunakan untuk melakukan perbaikan suatu kualitas citra dengan menyeleksi per pixel yang terdapat pada citra. Proses yang dilakukan pada penelitian ini yang pertama yaitu pemberian noise dengan tipe salt and pepper pada citra asli, kemudian memperbaiki citra noise menggunakan metode median filter dengan membandingkan nilai yang terdapat pada pixel asli dengan nilai yang terdapat pada pixel hasil perhitungan median filter, kemudian dilakukan pengukuran suatu kualitas citra menggunakan nilai Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR) yaitu dengan membandingkan nilai citra asli dengan citra hasil perbaikan. Metode median filter memiliki komputasi yang lebih tinggi dan waktu eksekusi yang lama, karena perbaikan citra dilakukan terhadap pixel, Maka dari itu median filter hanya dilakukan jika nilai perhitungan hasil filter memiliki nilai lebih besar dari nilai yang diberikan. Dengan kata lain, penyeleksian pixel yang diperbaiki akan mempercepat proses perbaikan citra, mengurangi beban komputasi dan kualitas hasil yang lebih baik (Sajati, 2018).
Literatur 2
Perbaikan hasil Citra yang didapat menggunakan Kamera Handphone Dengan Metode Median filter. Penelitian ini membahas tentang perbaikan kualitas citra yang didapat melalui kamera handphone menggunakan metode median filter, yang berfokus pada nilai median dari jumlah nilai semua pixel yang ada disekitarnya. Pada proses pemilihan median yang dilakukan pertama mengurutkan nilai- nilai pixel, kemudian dipilih nilai tengahnya. Sebelum citra diolah harus dilakukan terhadap intensitas koordinat citra pada format JPG dengan ukuran 448 x 336 pixel, untuk mengetahui apakah aplikasi yang digunakan menghasilkan citra yang diinginkan. Penerapan metode median filter membutuhkan sample berupa kernel/mask 3x3 dengan mengurutkan nilai pixel mulai dari yang terkecil hingga nilai yang terbesar untuk dapat di ambil nilai tengahnya. Sehingga diperoleh hasil perbaikan citra hasil kamera handphone dengan metode median filter (Aditiya &
Sandra, 2020).
Literatur 3
Perbandingan Algoritma Arithmetc dengan Geometric Mean Filter untuk mereduksi Noise pada Citra. Penelitian ini menggunakan Salt & Pepper noise, bahasa pemrograman yang digunakan adalah Microsoft Visual Basic 6.0 dan tools database management system (DBMS) menggunakan Microsoft Access 2010. Hasil pengujian untuk meghilangkan suatu noise yang terbaik ialah memiliki nilai rata- rata MSE terkecil yaitu Geometric Mean filter (GMF) dengan nilai rata-rata 2,794,890 GMF bertipe bmp dan 7,336,040 GMF bertipe jpg. Sedangkan Arithmetic
Mean Filter (AMF) memiliki nilai rata-rata 3,767,542 AMF bertipe bmp dan 9,864,326 AMF bertipe jpg (Wiliyana, et al., 2012).
Literatur 4
Penerapan Geometric Mean Filter Untuk Mereduksi Noise Speckle dan Salt
& Pepper Pada Citra Ortokromatik. Penelitian ini menggunakan Speckle dan Salt
& Pepper noise pada citra ortokromatik dan menggunakan bahasa pemrograman matlab 6.1. Citra ortokromatik adalah foto yang dibuat dengan menggunakan spektrum tampak dari saluran biru hingga sebagian hijau. Hasil pengujian reduksi noise yang dilakukan adalah metode Geometric Mean Filter memberikan hasil citra yang lebih baik dari citra sebelumnya (Simangunsong, 2019).
Literatur 5
Reduksi Noise Salt & Pepper Pada Citra Pankromatik Menggunakan Metode Median Filter. Penelitian ini menggunakan Salt & Pepper noise pada citra pankromatik dan menggunakan bahasa pemrograman Matlab. Citra pankromatik adalah foto yang menggunakan seluruh spektrum tampak mata mulai dari warna merah hingga ungu. Metode median filter dapat memperbaiki suatu noise yang dimili oleh citra menggunakan perhitungan metode median filter, karena citra pankromatik yang bernoise terlihat tidak jelas sedangkan citra pankromatik dengan metode median filter terlihat lebih jelas (Simanjuntak, 2019).
Literatur 6
An Improved Median Filtering Algorithm for Image Noise Reduction.
Penelitian ini mengusulkan algoritma median filter untuk menghilangkan noise pada citra. Algoritma menggunakan korelasi gambar untuk memproses fitur dari
filtering mask pada gambar, dapat secara adaptif mengubah ukuran mask sesuai dengan tingkat noise pada mask. Hasil percobaan menunjukkan bahwa algoritma mengurangi noise dan mempertahankan detail gambar (Zhu & Huang, 2012).
Literatur 7
Perbaikan Citra Dengan Menggunakan Median filter Dan Metode Histogram Equalization. Dalam melakukan perbaikan citra dapat dilakukan dengan menggunakan metode median filter dan histogram equalization, yang bertujuan untuk mendapatkan tampilan citra dengan bentuk visualisasi yang lebih baik, dengan cara memaksimalkan kandungan informasi di dalam citra. Perbaikan citra ini dilakukan dengan memasukkan sebuah citra yang kualitasnya kurang bagus, kemudian akan diproses menggunakan filtering median dan metode histogram equalization untuk mengurangi noise dan memperbaiki kontras pada citra yang telah dimasukan (Sholihin & Purwoto, 2014).
Literatur 8
Extensive Experimental Analysis of Image Statistical Measures for Image Processing Appliances. Tujuan utama dari penelitian ini adalah untuk menekankan penerapan statika gambar dasar untuk restorasi gambar, menghilangkan keburaman, menghilangkan noise, perbaikan, deteksi tepi, penajaman tepi dan mencari posisi tepi. Hasil percobaan menunjukan bahwa, Mean filter mengurangi berbagai jenis noise tetapi paling baik pada gaussian noise. Geometric mean filter dapat bekerja dengan baik pada gaussian noise. Proses perbaikan yang dilakukan menggunakan harmonic mean filter dapat bekerja dengan baik pada gaussian noise dan salt noise. Contraharmonic mean filter paling baik digunakan untuk salt &
pepper noise. Median filter bekerja dengan baik pada salt & pepper noise. Min filter bekerja dengan baik pada salt noise dan max filter memberikan hasil yang baik pada pepper noise (Rashid & Rahim, 2016).
Literatur 9
Implementation of Modified Median filtering Algorithm for Salt & Pepper Noise Reduction on Image. Penelitian ini membahas tentang pengurangan salt &
pepper noise pada gambar menggunakan algoritma median filter. Cara kerja algoritma median adalah menyaring setiap nilai output pixel yang ditentukan oleh median masker lingkungan ditentukan, nilai-nilai pixsel diambil dalam bentuk jendela spasial dengan ukuran minimum 3x3 dan kemudian nilai yang ada diurutkan dalam ascending. Penelitian ini mencoba untuk memodifikasi algoritma penyaringan median dengan mengambil dua potong nilai pixel tetangga dalam searah jarum jam dan kemudian membaginya dengan jumlah nilai pixel yang diambil, dengan melakukan modifikasi ini akan diketahui bagaimana perbaikan kualitas gambar pada noise (Ikhwan & Rahim, 2016).
Literatur 10
Image Enhancement Using Geometric Mean Filter and Gamma Correction for WCE Images. Penelitian ini mengusulkan metode untuk melakukan peningkatan citra yang didasarkan oleh geometric mean filter dan gamma correction. Metode geometric mean fiter dan metode gamma correction berkontribusi peningkatan untuk penghalusan gambar dan peningkatan contras. Hasil penelitian menunjukan bahwa metode peningkatan dapat memfilter noise dan meningkatkan rasio kontras gambar sehinggan dapat digunakan untuk mendeteksi penyakit seperti maag dan
perdarahan di WCE gambar menggunakan segmentasi dan pengklasifikasi (Suman, et al., 2014).
Perbedaan antara penelitian terdahulu dengan penelitian yang akan dilakukan adalah pada penelitian ini penulis melakukan analisa terhadap masing masing metode yang digunakan untuk melakuakn suatu perbaikan kualitas citra yaitu menggunakan metode Median Filter dan Geometric Mean Filter dan membandingkan hasil yang diperoleh dari masing – masing metode tersebut manakah yang memiliki nilai lebih baik agar dapat digunakan untuk melakuakan perbaikan kualitas citra khususnya untuk mereduksi noise. Citra yang digunakan adalah citra RGB (citra berwarna) dan objek citra yang digunakan adalah citra kedelai yang berupa citra dua dimensi dengan format *.jpg, akuisis citra menggunakan handphone dan menggunakan aplikasi MATLAB R2016a sebagai pengujian citra yang sudah tersedia.
1.2 Citra Digital
Pengertian Citra Digital
Citra digital adalah gambar ( citra ) yang dihasilkan dengan melakukan penangkapan suatu objek fisik dengan menggunakan peralatan seperti kamera, menjadi suatu citra gambar dua dimensi dimana setiap bagian dari gambar direpresentasikan dalam bentuk pixel ( picture elements). Citra yang dihasilkan dari sebuah pengambilan gambar menggunakan media yang digunakan, berupa foto, berupa sinyal yang bersifat analog seperti gambar yang terdapat pada monitor maupun televisi, atau bersifat digital yang dapat disimpan langsung dalam sebuah pita magnetik. Sebuah komputer hanya dapat mengolah suatu data dalam bentuk
numerik sehingga gambar yang akan di proses harus diubah terlebih dahulu kedalam bilangan numerik, oleh karena itu untuk mengubah suatu gambar yang masih dalam bentuk visual menjadi gambar digital dilakukan pembuatan arah horizontal dan vertikal sehingga diperoleh gambar dalam bentuk numerik yaitu array dua dimensi (Sholihin & Purwoto, 2014).
Jenis – Jenis Citra Digital
Ada 3 jenis citra digital yang sering digunakan yaitu : 1. Citra Biner (Monokrom)
Citra biner merupakan sebuah citra yang hanya memiliki dua jenis warna, yaitu hitam dan putih. Kedua warna tersebut diwakilkan oleh angka – angka biner yaitu (0 dan 1). Dalam mewakili warna hitam dan putih, angka biner memiliki ketentuan sebagai berikut:
a. Model citra cahaya : angka 1 merupakan warna putih (menyatakan adanya cahaya), dan angka 0 merupakan warna hitam (menyatakan tidak ada cahaya).
b. Model citra tinta / cat : angka 1 merupakan warna hitam (menandakan adanya cat) dan angka 0 merupakan warna putih (menandakan tidak ada cat).
2. Citra Grayscale (Skala Keabuan)
Citra grayscale merupakan suatu citra digital yang dapat direpresentasikan menggunakan jangkauan skala derajat keabuan.
3. Citra Warna (True Color)
Citra warna merupakan suatu metode yang digunakan dalam merepresentasikan suatu citra secara digital, dimana metode ini menggunakan
kombinasi dari tiga warna primer (merah, hijau dan biru = RGB) untuk membentuk suatu citra. Setiap warna memiliki intensitas tersendiri dengan rentang nilai 0 hingga 255 (8 bit).
a. Red : warna minimal putih, warna maksimal merah b. Green : warna minimal putih, warna maksimal hijau c. Blue : warna minimal putih, warna maksimal biru
Elemen – Elemen Citra Digital
Citra digital mengandung sejumlah elemen-elemen dasar. Elemen-elemen dasar inilah yang dimanipulasi dalam pengolahan citra. Elemen-elemen dasar yang penting diantaranya adalah sebagai berikut :
1. Kecerahan (Brightness). Brightness merupakan intensitas cahaya yang dipancarkan dari suatu citra dengan nilai piksel yang dapat ditangkap oleh sistem penglihatan.
2. Kontras (Contrast). Kontras merepresentasikan antara sebaran terang (lightness) dan gelap (darkness) dalam suatu citra. Citra dengan kontras rendah dicirikan sebagian besar warna gelap dan sebaran warna terang lebih sedikit. Citra yang memiliki kontras baik yaitu komposisi anatar sebaran gelap dan terang tersebar secara merata.
3. Kontur (Contour). Kontur adalah kondisi yang disebabkan adanya perubahan intensitas pada pixel-pixel yang bertetangga. Karena terdapat perubahan intensitas inilah mata mampu mendeteksi tepi objek yang terdapat dalam suatu citra.
4. Warna. Warna adalah persepsi sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh suatu objek. Kombinasi warna yang memberikan rentang warna paling lebar adalah red (R), green(G), dan blue(B).
5. Bentuk (Shape). Bentuk merupakan sifat intrinsik utama dari sistem visual manusia karena manusia lebih sering menyimpulkan suatu objek berdasarkan bentuk daripada elemen lainnya.
6. Tekstur (Texture). Tekstur merupakan karakteristik yang digunakan menganalisa suatu permukaan berbagai jenis citra objek (Simanjuntak, 2019).
1.3 Pengolahan Citra
Pengolahan citra digital secara umum dapat diartikan sebagai pengolahan suatu citra dua dimensi menggunakan komputer, menjadi citra yang memiliki kualitas lebih baik. Pengolahan citra bertujuan untuk meningkatkan kualitas citra sehingga dapat diinterpretasi oleh manusia atau komputer. Teknik pengolahan citra mentrasformasikan citra menjadi citra lain (Paizal, 2018).
Alur proses pengolahan citra dapat dilihat pada gambar
Proses pengolahan citra dapat dibagi kedalam tiga tingkatan yaitu : Pengolahan
Citra Digital
Citra Citra Hasil
Gambar 2. 1 Proses Pengolahan Citra
1. Low-Level Processing (pengolahan tingkat rendah), pengolahan ini merupakan operasi dasar, seperti pengurangan derau, perbaikan citra dan restorasi sutu citra
2. Mid-Level Processing (pengolahan tingkat menengah), proses pengolahan yang dilakukan pada tahap ini meliputi segmentasi pada citra, deskripsi objek, dan klasifikasi objek secara terpisah.
3. High-Level Processing (pengolahan tingkat tinggi), pengolahan ini terdiri dari analisis pada suatu citra.
Teknik Pengolahan Citra
Teknik-teknik dalam melakukan pengolahan citra digital antara lain sebagai berikut :
1. Perbaikan kualitas citra (Image Enhacement), berupa proses perbaikan citra dengan meningkatkan nilai kontras gelap/terang, memperbaiki tepi objek, memperbaiki penajaman atau sharpening, pemberian warna semu (pseudocoloring) dan penapisan derau (noise filtering).
2. Pemulihan citra (Image Restoration), Berupa proses untuk menghilangkan cacat yang terdapat pada suatu citra, memperbaiki model citra, menghilangkan kesamaran (deblurring) dan menghilangkan derau (noise).
3. Pemampatan citra (image compression), merupakan proses yang digunakan untuk merubah ukuran data pada citra.
4. Segmentasi citra (image segmentation), segmentasi citra sering digunakan dalam melakukan pengenalan pola. Segmentasi citra merupakan proses
pemisahan objek yang satu dengan objek yang lain dalam suatu gambar menjadi objek berdasarkan karakteristik tertentu.
5. Pengorakan citra (image analysis), proses ini bertujuan untuk menghitung jumlah jumlah citra secara kuantitatif untuk menghasilkan suatu deskripsi Teknik peng citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek.
6. Rekonstruksi citra (image reconstruction), bertujuan untuk membentuk ulang suatu objek dari beberapa gambar yang telah diproyeksikan . Operasi rekonstruksi citra banyak digunakan pada bidang medis.
(Paizal, 2018)
1.4 Perbaikan Kualitas Citra (Image Enhancement)
Perbaikan kualitas citra (image enhancement) merupakan proses awal dalam melakukan pengolahan citra untuk mendapatkan citra dengan kualitas lebih baik dan lebih mudah dipahami oleh mata manusia. Diperlukan perbaikan terhadap peningkatan kualitas citra, karena banyak citra yang dijadikan objek penelitian memiliki kualitas yang kurang baik, misalnya citra yang memiliki derau atau bintik-bintik pada gambar, kontras terlalu tinggi/rendah, ketajaman citra berkurang dan blurring pada saat pengambilan citra. Tujuan dilakukan perbaikan citra ialah untuk lebih menampilkan fitur citra tertentu agar dapat digunakan untuk menganalisis gambar tersebut dan mendapatkan kualitas citra yang lebih baik.
Perbaikan citra berguna dalam melakukan ekstraksi fitur, analisis citra, dan tampilan informasi visual (Paizal, 2018).
Teknik untuk melakukan perbaikan kualitas citra yang digunakan antara lain sebagai berikut:
1. Operasi titik, operasi ini meliputi pengubahan kontras, pemotongan noise, mengiris window (window slicing), dan model histogram.
2. Operasi spasial, operasi ini meliputi pelembutan noise, filter median, unsharp masking, low-pass filtering, bandpass filtering, high-pass filtering dan pembesaran.
3. Operasi transformasi, operasi ini meliputi linier filter, root filter, dan homomorphic filter.
1.5 Median filter
Median filter merupakan metode yang bekerja dengan cara menggantikan nilai tengah dari piksel yang terdapat pada area filter dengan sebuah nilai tengah (median) kemudian dilakukan pengurutkan terlebih dahulu dari yang terkecil hingga yang terbesar. Biasanya ukuran filter ialah ganjil karena akan memberikan poros tengah, sehingga dalam mengolah suatu citra akan lebih mudah. Kelebihan filter median adalah mampu mengurangi derau yang disebabkan oleh derau acak misalnya jenis salt and pepper noise atau bisa disebut sebagai derau impulse. Filter median merupakan filter yang paling cocok untuk mengolah citra yang memiliki derau (Wedianto, et al., 2016).
Cara kerja median filter dirumuskan sebagai berikut :
F(x,y) = median(s,t)€sxy{g(s,t)}...(2.1) Median filter mengambil area tertentu pada citra sesuai dengan ukuran mask yang telah ditentukan, kemudian dapat dilihat pada setiap nilai pixel di area tersebut kemudian menggantu nilai tengah pada area tersebut dengan nilai median. Cara
mendapatkan nilai median yaitu nilai keabuan dari titik-titik pada matriks diurutkan dari nilai terkecil hingga terbesar, kemudian menetukan nilai tengah dari deret pixel (Wedianto, et al., 2016).
Dalam merancang median filter, terdapat beberapa hal yang harus dipersiapkan sebagai beriku:
1. Siapkan matriks. Bila matriks yang digunakan berisi citra, maka citra tersebut dapat dirubah menjadi citra grayscale agar mendapatkan 1 matriks intensitas saja.
2. Siapkan matriks NOL. Matriks yang digunakan memiliki nilai sama persis dengan citra yang akan diolah yang berisi nilai-nilai intensitas dari citra asli yang sudah diolah terlebih dahulu.
1.6 Geometric Mean Filter
Geometric mean filter merupakan metode yang proses perbaikan citra yaitu dengan cara mengganti nilai suaru piksel dengan nilai rata-rata geometric dari intensitas piksel citra yang mengandung noise dengan cara mengalikan nilai piksel dalam subimage window, yang dipangkatkan dengan 1/mn (Paizal, 2018).
Proses geometric mean filter menghitung nilai rata rata pada citra yang memiliki kerusakan pada area subimage Nilai citra yang diperbaiki pada tiap titik hanya dihitung menggunakan nilai pixel pada area subimage dari suatu citra yang akan di proses. Dapat dinyatakan dengan persamaan (Atika, 2019):
𝑓(𝑥, 𝑦) = [∏(𝑠,𝑡)∈𝑆𝑥𝑦𝑔(𝑠, 𝑡)]1 𝑚𝑛⁄ ... ...(2.2) Keterangan :
M x n = baris x kolom
g(s,t) = sub-image window area yang diproses
x,y = koordinat piksel pada citra yang akan diproses
∏ = perkalian nilai piksel yang terkena filter 𝑆𝑥𝑦 = region citra
f(x,y) = nilai piksel baru dari hasil filtering
1.7 Metode Pengujian Kualitas Citra
Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR)
Metode pengujian kualitas citra yang akan digunakan pada penelitian ini adalah Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR). Tingkat kemampuan dari suatu metode peningkatan kualitas citra dihitung menggunakan MSE dan PSNR. Kemampuan metode peningkatan kualitas citra juga dapat di lihat dengan teknik visual, dengan cara melihat dan membandingkan citra hasil dengan citra sebelumnya (citra asli), tetapi jika menggunakan teknik visual untuk mengukur peningkatan kualitas citra kurang baik karena hasil pengukuran teknik visual setiap orang akan berbeda – beda.
MSE adalah ukuran yang digunakan untuk menilai seberapa baik sebuah metode dalam melakukan restorasi citra terhadap citra asli. Semakin kecil nilai MSE, maka hasil pemrosesan semakin bagus. Sebaliknya, jika nilai MSE semakin besar, maka hasil pemrosesan semakin buruk (Darwis , et al., 2017). PSNR adalah sebuah perhitungan yang menentukan nilai dari sebuah citra yang dihasilkan. PSNR biasanya digunakan untuk membandingkan kualitas citra sebelum dan sesudah diproses (Darwis, 2016). Nilai PSNR ditentukan oleh nilai MSE yang muncul pada
citra. Semakin besar nilai PSNR, maka citra hasil yang ditampilkan semakin baik.
Begitupun sebaliknya jika nilai PSNR semakin kecil, maka citra hasil yang ditampilkan senakin buruk. Satuan nilai PSNR sama seperti MSE, yaitu decibel (dB) (Andono, et al., 2017).
𝑀𝑆𝐸 = 1
𝑀 𝑥 𝑁 ∑ ∑ 𝑓1(𝑥, 𝑦) −𝑀𝑥 𝑁𝑦 𝑓2(𝑥, 𝑦)]2 ...(2.3) 𝑃𝑆𝑁𝑅 = 20 log10 255
√𝑀𝑆𝐸 ...(2.4) Keterangan :
M x N = Dimensi gambar x dan y = Koordinat dari gambar 𝑓1(𝑥, 𝑦) = Nilai piksel citra asli 𝑓2(𝑥, 𝑦) = Nilai piksel citra akhir
1.8 Definisi Matlab
Matrix Laboratory (MATLAB) adalah perangkat lunak yang digunakan dalam pemrograman, analisis, serta komputasi teknik dan matematik berbasis matriks. Matlab dapat menyelesaikan masalah dalam bentuk matriks. Matlab versi pertama dirilis oleh Cleve Moler pada tahun 1970. Matlab menggabungkan proses pemrograman, komputasi, dan visualisasi dengan lingkungan kerja yang mudah digunakan. Matlab memiliki keunggulan umum seperti analisis dan eksplorasi data, pemodelan dan simulasi, visualisasi plot dalam bentuk 2D dan 3D, serta pengembangan aplikasi antarmuka grafis. Matlab menyediakan tool yang dapat digunakan untuk aplikasi khusus seperti pengoalahan sinyal, sistem kontrol, logika
fuzzy, dan sebagainya. Matlab dapat dioperasikan pada sistem operasi windows, linux dan MaxOs. (Amir Tjolleng, 2017).
Matlab termasuk dalam bahasa pemrograman tingkat tinggi berbasis pada matriks digunakan dalam menyelesaikan masalah menggunakan teknik komputasi numerik yang melibatkan operasi matematika elemen, matriks, komputasi optimal, aproksimasi dan sebagainya. Oleh karena itu matlab sering digunakan pada bidang sebagai berikut (Cahyono, 2013).
1) Matematika dan Komputasi.
2) Pengembangan dan Algoritma.
3) Pemrograman modeling, simulasi, dan pemuatan prototype.
4) Analisa data, ekplorasi dan visualisasi.
5) Analisis numerik dan statistik.
6) Pengembangan aplikasi teknik.
