Perbandingan Hasil Deteksi Tepi Laplacian Of Gaussian Dengan Laplacian Of Gaussian Kombinasi High Boost Filtering

PERBANDINGAN HASIL DETEKSI TEPI LAPLACIAN OF GAUSSIAN DENGAN LAPLACIAN OF GAUSSIAN KOMBINASI HIGH BOOST FILTERING SKRIPSI RUTH MEYLINA MANIK 111401141
PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2015

PERBANDINGAN HASIL DETEKSI TEPI LAPLACIAN OF GAUSSIAN DENGAN LAPLACIAN OF GAUSSIAN KOMBINASI HIGH BOOST FILTERING
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
RUTH MEYLINA MANIK 111401141
PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN 2015

PERSETUJUAN

ii

Judul
Kategori Nama Nomor Induk Mahasiswa Program Studi Fakultas

: PERBANDINGAN HASIL DETEKSI TEPI LAPLACIAN OF GAUSSIAN DENGAN LAPLACIAN OF GAUSSIAN KOMBINASI HIGH BOOST FILTERING
: SKRIPSI : RUTH MEYLINA MANIK : 111401141 : SARJANA (S1) ILMU KOMPUTER : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI

Diluluskan di Medan, Agustus 2015
Komisi Pembimbing
Pembimbing 2

:

Pembimbing 1

Dian Rachmawati, S.Si, M.Kom NIP 198307232009122004
Diketahui/Disetujui oleh Program Studi S1 Ilmu Komputer Ketua,

Dr. Poltak Sihombing, M.Kom NIP 196203171991031001

Dr. Poltak Sihombing, M.Kom NIP 196203171991031001

PERNYATAAN

iii

PERBANDINGAN HASIL DETEKSI TEPI LAPLACIAN OF GAUSSIAN DENGAN LAPLACIAN OF GAUSSIAN KOMBINASI HIGH BOOST FILTERING
SKRIPSI

Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, Agustus 2015

Ruth Meylina Manik 111401141

PENGHARGAAN

iv

Puji dan syukur 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.
Penulis ingin menyampaikan ucapan terimakasih kepada :
1. Bapak Prof. Subhilhar, Ph.D selaku Pejabat Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Muhammad Zarlis, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom, selaku ketua Program studi S1 Ilmu Komputer Universitas Sumatera Utara dan juga selaku dosen pembimbing I yang telah memberikan saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
4. Ibu Dian Rachmawati, S.Si, M.Kom, selaku dosen pembimbing II yang telah memberikan saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
5. Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku dosen penguji II yang memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.

6. Bapak Amer Sharif, S.Si, M.Kom, selaku dosen penguji II yang memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
7. Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI USU .
8. Orang tua penulis Purn. Ipda Manimbul Manik dan Anna Pininta Dahlia, S.Pd. yang selalu menjadi penyemangat penulis dan selalu memberikan dukungan yang sangat luar biasa di dalam setiap doanya untuk penulis dalam menyelesaikan skripsi ini.
9. Abang penulis Daniel Frans Maulana Manik, adik penulis Grace Agustrina Manik dan Venny Kartika Manik yang selalu memberikan dukungan, doa dan hiburan kepada penulis dalam menyelesaikan skripsi.

v
10. Opung Lordup dan Opung Toba, Tulang/Nantulang Lady, Tulang/Nantulang Tesya, Tulang/Nantulang Hotman, Tulang/Nantulang Josua dan Tulang/Nantulang Evan yang selalu mendukung dan menyemangati penulis dalam menyelesaikan skripsi ini.
11. Sahabat penulis Chindy Cahtrina Barus, Magdalena Siregar, Witty Sinaga yang selalu mendukung menyemangati penulis dalam menyelesaikan skripsi ini.
12. Jonathan Simamora atas dukungan dan semangat kepada penulis selama proses penyelesaian skripsi ini.
13. Teman-teman kuliah penulis stambuk 2011, Nurhayati, Ita, Tifany, Fildzah, Syafura, Nurkholijah, Anandhini, Agita, Martina, Ivana, Shahira, Annisa, Abidah, Rifai, Steven, Sandy, Adit, Henry, Tanta, Cholik, Nihe, Ridho, Edi, Andrio, Simon, Fernandes, Edwin, Johan, Afif, Hanafi yang selalu menyemangati penulis terkhusus kepada Farid Akbar Siregar dan Agung Putu Yoga yang membantu dan mendukung penulis dalam menyelesaikan skripsi ini.
14. Teman-teman Beswan Djarum 29 Medan Tere, Dita, Sai, Dea, Ius, Dana, Darman, Josiah, Acid, Cherry, dan Nicho yang selalu memberi semangat dan menjadi penyemangat penulis dalam berjuang.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna untuk itu penulis 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, Agustus 2015
Penulis

ABSTRAK

vi

Pendeteksian tepi sebuah citra adalah bagian dari pengolahan citra. Pendeteksian tepi pada citra berguna untuk mencirikan sebuah informasi atau citra. Kualitas citra dan garis deteksi tepi dari hasil pendeteksian tepi terhadap sebuah citra sangatlah diperlukan, terlebih kepada citra yang telah rusak dan yang telah mengalami penurunan kualitas. Penurunan kualitas citra contohnya ialah noise yang terdapat pada citra, dimana penurunan kualitas oleh noise ini disebabkan oleh gangguan pada teknik pengambilan citra. Pada citra digital, noise yang sering ditemukan adalah Gaussian noise dan Salt and Pepper noise. Akibat adanya noise pada citra, noise tersebut menyebabkan hasil pendeteksian tepi yang kurang bagus ataupun kurang memenuhi standard dari kualitas pendeteksian tepi sebuah citra. Maka dari itu, dilakukan penelitian untuk mendeteksi tepi citra dari citra yang telah memiliki noise dengan operator Laplacian of Gaussian. Pada operator ini terdapat metode Gaussian smoothing yang berguna untuk memperhalus noise. Tetapi, citra yang halus belum tentu baik untuk dideteksi tepi. Maka dari itu, penelitian ini melakukan pengkombinasian operator deteksi tepi Laplacian of Gaussian dengan metode High Boost filtering. Kemudian penelitian ini membandingkan hasil citra deteksi tepi antara Laplacian of Gaussian dengan Laplacian of Gaussian kombinasi High Boost filtering. Citra hasil deteksi tepi terbaik dibandingkan berdasarkan parameter Mean Square Error (MSE ) yang bernilai paling kecil, Peak Signal to-Noise Ratio (PSNR) yang bernilai paling besar dan kualitas struktur garis tepi. Perbandingan dengan parameter nilai MSE, PSNR dan kualitas struktur garis tepi, maka didapat hasil bahwa pendeteksian tepi menggunakan operator Laplacian of Gaussian kombinasi High Boost filtering lebih baik dengan nilai MSE terkecil yaitu, 28096,5 dan nilai PSNR terbesar yaitu, 0,36864 dB.

Kata kunci : Deteksi tepi, Laplacian of Gaussian (LoG), High Boost Filtering, Gaussian Noise, Salt and Pepper Noise

vii
THE COMPARISON BETWEEN THE RESULT OF EDGE DETECTION BY THE LAPLACIAN OF GAUSSIAN WITH LAPLACIAN OF GAUSSIAN COMBINATION OF HIGH BOOST FILTERING
ABSTRACT
Edge detection of an image is a part of the image processing. Edge detection on the image useful to characterize an information or images. Image quality and edge detection line quality of edge detection result to an image is necessary, especially to the image that has been damaged and who have experienced loss of quality. The example of image quality degradation is noise contained in the image, where a decrease in the quality of the noise is caused by disturbances in the image-making techniques. In the digital image, the noise that is often found is Gaussian noise and Salt and Pepper noise. Due to the noise in the image, the noise causes the edge detection result is less good or less meet the standards of the quality of an image edge detection. Therefore, an examination to detect the image edge of the image already has noise with Laplacian of Gaussian operator. At this operator, there is Gaussian smoothing method that useful to soften the noise. However, a smooth image is not necessarily good for the detected edge. Therefore, this study did the combination of edge detection operator Laplacian of Gaussian with High Boost filtering method. Then, this study compared the results of image edge detection between Laplacian of Gaussian Laplacian of Gaussian combination with High Boost filtering. Image edge detection best results were compared based on the parameters Mean Square Error (MSE) is worth at least a small, Peak Signal to-Noise Ratio (PSNR) is the largest and most valuable qualities edge line structure. Comparison with the parameter value of MSE, PSNR and quality of the structure borders, then the examination got the result that the operator Laplacian of Gaussian edge detection using a combination filtering High Boost better with smallest MSE value is, 28096.5 and the largest PSNR value is, 0.36864 dB.
Keyword : Edge Detection, Laplacian of Gaussian, High Boost Filtering, Gaussian Noise, Salt and Pepper Noise

DAFTAR ISI
Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar isi Daftar Gambar Daftar Tabel
Bab 1 Pendahuluan 1.1 Latar Belakang 1.2 Rumusan Masalah 1.3 Batasan Masalah 1.4 Tujuan Penelitian 1.5 Manfaat Penelitian 1.6 Metodologi Penelitian 1.7 Sistematika penulisan
Bab 2 Landasan Teori 2.1 Citra 2.2 Citra Digital 2.2.1 Jenis Citra Digital 2.3 Citra Bitmap 2.4 Perngolahan Citra 2.4.1 Operasi Pengolahan Citra 2.5 Pendeteksian Tepi 2.5.1 Metode-metode dalam Deteksi Tepi 2.5.2 Operator Laplacian of Gaussian (LoG) 2.6 Derau (Noise) 2.7 Peningkatan Kualitas Citra (Image Enhancement) 2.7.1. Filter Spasial (Spatial Filter) 2.7.1.1 Filter Pelolos Rendah (Low Pass Filter) 2.7.1.2 Filter Pelolos Tinggi (High Pass Filter) 2.7.1.3 High Boost Filter 2.8 Perbaikan Citra (Image Restoration) 2.9 MSE dan PSNR
Bab 3 Analisis dan Perancangan sistem 3.1 Analisis sistem 3.1.1 Analisis Masalah 3.1.2 Analisis Persyaratan 3.1.2.1 Persyaratan Fungsional

viii
Halaman
ii iii iv vi vii viii x xii
1 2 3 3 3 4 5
6 6 8 9 10 11 12 15 16 18 20 20 20 21 22 23 23
25 25 26 26

ix

3.1.2.2 Persyaratan Non-Fungsional 3.1.3 Analisis Proses 3.2 Pemodelan 3.2.1 Use Case Diagram 3.2.2 Sequence Diagram 3.2.3 Activity Diagram 3.3 Pseudocode Program 3.3.1 Pseudocode Gaussian Noise 3.3.2 Pseudocode Salt and Pepper Noise 3.3.3 Pseudocode Laplacian of Gaussian 3.3.4 Pseudocode High Boost Filtering 3.3.5 Pseudocode Menghitung nilai MSE dan PSNR 3.4 Perancangan sistem 3.4.1 Flowchart Sistem 3.4.2 Perancangan Antarmuka (Interface)
3.4.2.1 Form Home 3.4.2.2 Form Menu Pengujian 3.4.2.3 Form Menu Hasil 3.4.2.4 Form Menu Help 3.4.2.5 Form Menu About

27 28 28 28 33 34 35 35 35 36 36 37 38 37 40 40 41 42 43 44

Bab 4 Implementasi dan Pengujian Sistem

4.1 Implementasi Sistem

46

4.1.1 Form Home

46

4.1.2 Form Pengujian

47

4.1.3 Form Hasil

49

4.1.4 Form Help

50

4.1.5 Form About

50

4.2 Pengujian

51

4.2.1 Pengujian Laplacian of Gaussian

51

4.2.2 Pengujian Laplacian of Gaussian kombinasi High Boost Filter 55

4.3 Hasil Pengujian

57

4.3.1 Hasil Pengujian Laplacian of Gaussian terhadap Gaussian Noise 57

4.3.2 Hasil Pengujian Laplacian of Gaussian terhadap Salt and Pepper

Noise

60

4.3.3 Hasil Pengujian Laplacian of Gaussian Kombinasi High Boost

Filtering terhadap Gaussian Noise

64

4.3.4 Hasil Pengujian Laplacian of Gaussian Kombinasi High Boost

Filtering terhadap Salt and Pepper Noise

66

4.3.5 Hasil Perbandingan Operator Laplacian of Gaussian dengan

Laplacian of Gaussian Kombinasi High Boost Filtering

69

Bab 5 Kesimpulan dan Saran 5.1 Kesimpulan 5.2 Saran

74 75

Daftar Pustaka Listing Program Curriculum Vitae

76 78 97

DAFTAR GAMBAR

x

Nomor gambar 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13

Keterangan Sistem koordinat citra Citra biner Citra abu-abu (grayscale) Citra warna atau (RGB) Citra bitmap (bunga.bmp) Tahapan dalam Pengolahan Citra Model Tepi Satu Dimensi Jenis-jenis Tepi Proses Deteksi Tepi Citra Proses deteksi tepi metode LoG gaussian noise (A) dan salt and pepper noise (B) Peningkatan kualitas citra Perbaikan citra Diagram Ishikawa Use Case Diagram Sequence Diagram Activity Diagram Flowchart sistem secara umum Flowchart Laplacian of Gaussian Flowchart High Boost Filtering Flowchart MSE dan PSNR Form Home Form Menu Pengujian Form Menu Hasil Form Menu Help Form Menu About Form Home Form Menu Pengujian Form Simulasi Pengujian Form Hasil Form Simulasi Hasil Form Help Form About Pilih menu Pengujian Browse citra *.bmp pada file direktori Citra input-an yang ditampilkan oleh sistem Citra dengan Gaussian Noise (probabilitas 30%) Citra dengan Salt and Pepper Noise (probabilitas 30%) Citra hasil deteksi tepi operator Laplacian of Gaussian (Gaussian Noise 30%)

Halaman 8 8 9 10 10 10 13 14 15 18 19 20 23 26 29 33 34 38 38 39 39 40 41 42 44 44 46 47 47 48 48 49 49 50 51 52 52 53 53

xi

4.14 Citra hasil deteksi tepi operator Laplacian of Gaussian (Salt 54

and Pepper Noise 30%)

4.15

Citra hasil deteksi tepi operator Laplacian of Gaussian

55

kombinasi High Boost Filtering dengan nilai A = 1 (Gaussian

Noise 30%)

4.16

Citra hasil deteksi tepi operator Laplacian of Gaussian

55

kombinasi High Boost Filtering dengan nilai A = 1 (Salt and

Pepper Noise 30%)

4.17 Tampilan form hasil yang telah di-input citra

56

4.18

Grafik perbandingan nilai MSE pada Gaussian Noise

70

4.19 Grafik perbandingan nilai MSE pada Salt and Pepper Noise 70

4.20

Grafik perbandingan nilai PSNR pada Gaussian Noise

71

4.21 Grafik perbandingan nilai PSNR pada Salt and Pepper Noise 71

DAFTAR TABEL

xii

Nomor tabel 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9 4.10

Keterangan

Halaman

Dokumentasi Naratif Use Case Home Dokumentasi Naratif Use Case Pengujian Dokumentasi Naratif Use Case Hasil Dokumentasi Naratif Use Case Help Dokumentasi Naratif Use Case About Pseudocode Gaussian Noise Pseudocode Salt and Pepper Noise Pseudocode Laplacian of Gaussian Pseudocode High Boost Filtering Pseudocode nilai MSE dan PSNR Hasil Deteksi Tepi Operator Laplacian of Gaussian Terhadap Citra Ber-noise Gaussian Nilai rata-rata MSE, PSNR, dan running time citra hasil deteksi tepi Laplacian of Gaussian terhadap citra ber-noise Gaussian Hasil Deteksi Tepi Operator Laplacian of Gaussian Terhadap Citra Ber-noise Salt and Pepper Nilai rata-rata MSE, PSNR, dan running time citra hasil deteksi tepi Laplacian of Gaussian terhadap citra ber-noise Gaussian Hasil Deteksi Tepi Operator Laplacian of Gaussian Kombinasi High Boost Filtering Terhadap Citra Ber-noise Gaussian Nilai rata-rata MSE, PSNR, dan running time citra hasil deteksi tepi Laplacian of Gaussian+High Boost Filtering terhadap citra ber-noise Gaussian Hasil Deteksi Tepi Operator Laplacian of Gaussian Kombinasi High Boost Filtering Terhadap Citra Ber-noise Salt and Pepper Nilai rata-rata MSE, PSNR, dan running time citra hasil deteksi tepi Laplacian of Gaussian+High Boost Filtering terhadap citra ber-noise Salt and Pepper Perbandingan nilai rata-rata MSE, PSNR, dan running time Perbandingan kualitas struktur garis tepi citra hasil deteksi tepi

29 30 31 32 32 35 35 36 36 37 57
59
59
61
62
64
65
68
72 73

BAB I
PENDAHULUAN
1.1 Latar Belakang
Citra merupakan hasil representasi atau duplikasi dari sebuah objek ataupun merupakan imitasi dari sebuah objek atau benda. Citra memiliki beberapa karakteristik yang menjadikan citra tersebut sebagai media yang dapat menyampaikan informasi. Citra digital saat ini banyak digunakan dalam berbagai bidang , seperti dalam bidang kedokteran, hukum, perdagangan, pendidikan, maupun dalam kehidupan sehari-hari.
Citra digital dapat diolah maupun dimodifikasi menjadi citra digital yan lain, proses ini disebut proses pengolahan citra digital. Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer. Operasi pengolahan citra digital mencakup perbaikan citra, pemampatan citra, segmentasi citra dan deteksi tepi citra.
Tepi adalah sebuah himpunan dari piksel-piksel yang terhubung yang berada pada batas (boundary) diantara dua regional. Deteksi tepi berguna untuk mengidentifikasi objek-objek yang ada pada citra seperti bentuk, tekstur dan ukuran citra tersebut dan meningkatkan penampakan garis batas (boundary) dari suatu daerah atau objek yang terdapat pada citra. Secara umum dapat dikatakan deteksi tepi berguna untuk menandai bagian yang menjadi detail citra yang dapat memperjelas bentuk citra agar dapat dikenali dan menganalisis citra lebih lanjut.
Biasanya operator yang digunakan untuk mendeteksi tepi yang pertama adalah operator berbasis Gradient (turunan pertama), yaitu operator Robert, operator Sobel, dan operator Prewitt dan yang kedua adalah operator berbasis turunan kedua, yaitu operator

2
Laplacian dan operator Laplacian of Gaussian. Deteksi tepi yang dihitung dengan turunan pertama akan menghasilkan banyak titik-titik tepi. Idealnya tepi objek yang diinginkan adalah sebuah garis tepi setebal satu pisel agar tidak menimbulkan keraguan bila dilakukan analisis. Pendeteksian tepi dengan turunan kedua (operator Laplacian dan Laplacian of Gaussian) akan mempuyai ketebalan satu piksel saja, sesuai dengan ketebalan garis tepi ideal yang diinginkan.
Turunan kedua, yaitu operator laplacian sangat sensitif terhadap noise yang terletak pada titik-titik tepi, maka perlu dilakukan proses smoothing sebelum diterapkan operator dari turunan kedua, operator ini dinamakan Laplacian of Gaussian. Kualitas citra sangat bergantung pada proses pendeteksian tepi. Salah satu metode untuk meningkatkan kualitas citra yaitu High-Boost Filtering. High-Boost Filtering dapat membuat citra menjadi lebih tajam, dengan cara meninggikan nilai-nilai frekuensi yang ada pada citra.
High-Boost Filtering merupakan sebuah metode dalam mengurangi atau mereduksi noise pada citra digital. Roopashree.S, Sachin Saini, Rohan Ranjan Singh melakukan penelitian berjudul “Enchancement and Pre-Processing of Images Using Filtering” dimana High-Boost Filtering digunakan untuk memperbaiki sebuah citra yang ada sehingga tidak memiliki noise (Roopashree,S,2012).
Berdasarkan latar belakang yang telah penulis uraikan, maka dilakukan penelitian dengan judul “Perbandingan Hasil Deteksi Tepi Laplacian of Gaussian dan Laplacian of Gaussian kombinasi High-Boost Filtering.”
1.2 Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah apakah citra hasil deteksi tepi lebih baik menggunakan operator Laplacian of Gaussian atau operator Laplacian of Gaussian kombinasi High-Boost Filtering.

3
1.3 Batasan Masalah
Adapun batasan masalah yang diangkat adalah sebagai berikut:
1. Jenis file citra asli yang digunakan adalah citra berwarna dalam format .bmp 2. Jenis operator deteksi tepi yang digunakan adalah Laplacian of Gaussian. 3. Jenis noise yang digunakan ada 2, yaitu Gaussian Noise dan Salt-pepper Noise
dengan persentase noise 10%, 20%,30%,40%, dan 50% 4. Ukuran citra 300 x 300 piksel. 5. Parameter yang digunakan untuk membandingkan kualitas citra adalah Mean
Square Error (MSE), Peak Signal to Noise Ratio (PSNR), running time (waktu akses) dan kualitas struktur garis tepi(edge) yang dihasilkan secara visual. 6. Menggunakan kernel 3x3 dari matriks nilai pixel citra dan pada High-Boost Filtering nilai A berkisar antara 0 – 2. 7. Bahasa pemrograman yang digunakan adalah C#.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengetahui hasil perbandingan deteksi tepi pada citra menggunakan operator Laplacian of Gaussian dengan Laplacian of Gaussian yang telah dikombinasikan dengan High-Boost Filtering dan mengetahui operator yang lebih baik dalam mendeteksi citra.
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah menghasilkan suatu aplikasi perangkat lunak yang dapat membandingkan kualitas hasil pendeteksian tepi sebuah citra. Sedangkan manfaat bagi penulis adalah untuk mengetahui hasil yang optimal dalam mendeteksi tepi menggunakan operator Laplacian of Gaussian dengan deteksi tepi Laplacian of Gaussian kombinasi High Boost Filtering.

4
1.6 Metodologi Penelitian
Metodologi penelitian yang akan digunakan adalah: 1. Studi Literatur
Studi literatur yang penulis lakukan bertujuan mendapatkan pengetahuan melalui buku, jurnal, dan sebagainya untuk mengetahui operator deteksi tepi Laplacian of Gaussian dan metode High Boost Filtering yang kemudian akan menghasilkan suatu perbandingan hasil deteksi tepi tanpa metode filter dengan memakai metode filter.
2. Analisis dan Perancangan Dengan adanya rumusan dan batasan masalah, kebutuhan perancangan dianalisis disertai pembuatan flowchart, Unified Modeling Language(UML) ,Design Interface.
3. Implementasi Implementasi dilakukan dengan menampilkan ke user hasil yang berbasis Graphic User Interface (GUI) tentang pendeteksian tepi menggunakan operator Laplacian of Gaussian dan pendeteksian tepi Laplacian of Gaussian yang telah dikombinasikan dengan metode High Boost Filtering .
4. Pengujian Pengujian dilakukan dengan memberikan kernel pada operator Laplacian of Gaussian yaitu 3 x 3, kemudian diberikan kernel pada operator Laplacian of Gaussian yang akan dikombinasikan dengan metode High boost Filtering dengan nilai A berkisar antara 0,00 sampai 2,00 kemudian dihitung nilai MSE, PSNR dan Running Time.
5. Dokumentasi dan Laporan Akhir Setelah implementasi, maka penulis akan membuat dokumentasi atau laporan tiap tahap dari program yang penulis rancang.

5

1.7 Sistematika Penulisan

Agar pembahasan lebih sistematis, maka tulisan ini dibuat dalam lima bab, yaitu :

BAB I

PENDAHULUAN

Bab ini akan menjelaskan mengenai latar belakang pemilihan judul skripsi “Perbandingan Hasil Deteksi Tepi Laplacian of Gaussian dengan Laplacian of Gaussian kombinasi High Boost Filtering”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, tinjauan pustaka, dan sistematika penulisan.

BAB II

LANDASAN TEORI

Berisi tentang penjelasan singkat mengenai defenisi pengolahan citra, operasi pengolahan citra, defenisi deteksi tepi, noise, metode Laplacian of Gaussian dan High Boost Filtering, Mean Squared Error (MSE), dan Peak Signal to Noise Rasio (PSNR).

BAB III ANALISIS DAN PERANCANGAN

Berisi tentang uraian analisis mengenai proses kerja dari metode Laplacian of Gaussian dan High Boost Filtering yang terdiri dari flowchart, Unified Modeling Language (UML) serta perancangan tampilan form dari aplikasi.

BAB IV

IMPLEMENTASI DAN PENGUJIAN

Pada tahap ini dilakukan pembuatan system dan coding sesuai dengan analisis dan perancangan. Kemudian melakukan pengujian sistem.

BAB V

KESIMPULAN DAN SARAN

Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian dari babbab sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat dalam pengembangan selanjutnya.

BAB 2
LANDASAN TEORI
2.1 Citra
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan. (Sutoyo, Mulyanto,. 2009)
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 pada titik tersebut. Apabila (x,y) dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital. Indeks baris dan kolom (x,y) dari sebuah pixel dinyatakan dalam bilangan bulat.(Kadir,2013)
Citra (image) atau istilah lain untuk gambar sebagai salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering kali citra yang dimiliki mengalami penurunan mutu, misalnya mengandung cacat atau noise. Tentu saja citra semacam ini menjadi lebih sulit untuk diinterpretasikan karena informasi yang disampaikan oleh citra tersebut menjadi berkurang (Wiliyana, 2013).
2.2 Citra Digital
Citra digital merupakan representasi dari sebuah citra dua dimensi sebagai sebuah kumpulan nilai digital yang disebut elemen gambar atau piksel. Piksel adalah satuan

7
terkecil dari citra yang mengandung nilai terkuantisasi yang mewakili kecerahan dari sebuah warna pada sebuah titik tertentu.
Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y adalah koordinat spasial dan harga fungsi tersebut pada setiap titik (x,y) yang merupakan tingkat kecemerlangan atau intensitas cahaya citra pada titik tersebut. Citra digital adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya yang disebut sebagai elemen gambar atau pixel menyatakan tingkat keabuan pada titik tersebut. Indeks baris dan kolom (x,y) dari sebuah pixel dinyatakan dalam bilangan bulat (integer).
Sebuah pixel merupakan sampel dari pemandangan yang mengandung intensitas citra yang dinyatakan dalam bilangan bulat. Untuk menunjukkan lokasi suatu pixel, koordinat (0,0) digunakan untuk posisi kiri atas dalam bidang citra, dan koordinat (m-1, n-1) digunakan untuk posisi kanan bawah dalam citra berukuran m x n pixel dimana m adalah kolom dan n adalah baris. Untuk menunjukkan tingkat pencahayaan suatu pixel, seringkali digunakan bilangan bulat yang besarnya 8 bit dengan lebar selang nilai 0-255 dimana 0 untuk warna hitam, 255 untuk warna putih, dan tingkat abu-abu berada di antara nilai 0 dan 255(Ahmad, 2005).
Warna citra sendiri dibentuk oleh kombinasi citra 2-D incividual . Misalnya dalam sistem warna Red Green Blue ( RGB) , warna citra terdiri dari tiga komponen individu warna ( merah, hijau,biru). Asumsikan bahwa citra dicoba sehingga menghasilkan citra yang mempunyai baris M dan kolom N, sehingga disebut citra berukuran M x N. Nilai dari koordinat (x.y) adalah kuantitas diskrit. Untuk kejelasan notasi dan kemudahan maka digunakan nilai integer untuk koordinat ini. Titik awal citra didefenisikan pada (x,y) =(0,0).Nilai koordinat berikutnya sepanjang baris pertama citra adalah (x,y)=(0,1). Jadi penting untuk diingat bahwa notasi (0,1) digunakan untuk menandai contoh kedua sepanjang baris pertama(Prasetyo, 2011).

01 0 1 2 3

2 3 ....

. .N -1

8

....

...

M -1

f(x ,y)

Gambar 2.1. Sistem koordinat citra

Sistem koordinat citra digital pada Gambar 2.1 tersebut dapat ditulis dalam bentuk

matriks sebagai berikut:

( , )=

(0,0) (1,0)
. . ( − 1,0)

(0,1) (1,1)
. . ( − 1,1).

… …
…

(0, − 1) (1, − 1)
. ............(1) . ( − 1, − 1)

Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture

elements, image elements, pels ,atau pixels. Namun istilah yang sering digunakan

dalam citra digital adalah pixels. (Sutoyo , 2009).

2.2.1 Jenis Citra Digital
Citra digital memiliki beberapa jenis, yaitu (Sianipar, R,. 2013) :
1. Citra biner : Setiap piksel hitam atau putih. Karena hanya ada dua kemungkinan nilai pada setiap piksel maka yang diperlukan hanya satu bit per piksel. Citra seperti ini sangat efisien untuk penyimpanan. Contoh citra biner dapat dilihat pada gambar 2.2.

Gambar 2.2. Citra biner

9 2. Citra abu-abu (grayscale) : Setiap piksel merupakan bayangan abu-abu yang
memiliki nilai intensital 0 (hitam) sampai 255 (putih). Rentang ini berarti bahwa setiap piksel dapat direpresentasikan oleh delapan bit atau satu byte. Contoh citra abu-abu (grayscale) dapat dilihat di gambar 2.3.
Gambar 2.3. Citra abu-abu (grayscale) 3. Citra warna atau RGB : Setiap piksel memiliki suatu warna khusus, warna
tersebut dideskripsikan oleh jumlah warna merah(R, red), hijau(G, green), dan biru (B, blue). Citra ini dipandang sebagai penumpukan tiga matriks, yang berarti bahwa setiap piksel berkaitan dengan tiga nilai. Contoh citra warna atau RGB dapat dilihat pada gambar 2.4.
Gambar 2.4. Citra Warna atau (RGB) 2.3 Citra Bitmap Bitmap sering disebut juga dengan citra raster. Bitmap menyimpan data kode citra secara digital dan lengkap (cara penyimpanannya adalah per pixel). Bitmap

10
dipresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan bilangan biner atau sistem bilangan lain. Citra ini memiliki kelebihan untuk memanipulasi warna, tetapi untuk mengubah objek sulit. Tampilan bitmap mampu menunjukan kehalusan gradasi bayangan dan warna dari sebuah gambar. Oleh karena itu, bitmap merupakan media elektronik yang paling tepat untuk gambar-gambar dengan perpaduan gradasi warna yang rumit, seperti foto dan lukisan digital. Bitmap biasanya diperoleh dengan cara Scanner, Camera Digital, Video Capture, dan lain-lain. Contoh citra bitmap dapat dilihat pada gambar 2.5.(Sutoyo , 2009).
Gambar 2.5. Citra Bitmap (bunga.bmp)
2.4 Pengolahan Citra Pengolahan citra digital (digital image processing) merupakan suatu kegiatan yang dilakukan untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia maupun mesin (komputer). Dalam pengolahan citra yang menjadi masukan (input) dan keluaran (output) adalah citra, namun citra keluaran (output) kualitasnya lebih baik dari citra masukan (input). Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain, yang berarti jika inputannya citra maka outputnya berupa citra.(Barus,L.2015) Gambar 2.6 menunjukkan diagram alir proses yang terjadi pada suatu citra mulai dari proses pencitraan sampai pada analisis citra.
Gambar 2.6. Tahapan dalam Pengolahan Citra

11
Beberapa alasan dilakukan pengolahan citra digital adalah sebagai berikut : 1. Untuk mendapatkan citra asli dari citra yang sudah rusak karena pengaruh noise yang bercampur dengan cira asli dalam suatu proses tertentu. Poses pengolahan citra bertujuan untuk mendapatkan citra yang mendekati citra asli. 2. Untuk mendapatkan citra dengan karakteristik tertentu dan cocok secara visual yang dibutuhkan dalam proses lanjut dalam pemrosesan analisis citra(Ainun,2014).
2.4.1 Operasi Pengolahan Citra
Secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut (Munir, R,. 2007) :
1. Peningkatan kualitas citra (image enhancement) Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi perbaikan citra :
a. Perbaikan kontras gelap/terang b. Perbaikan tepian objek (edge enhancement) c. Penajaman (sharpening) d. Pemberian warna semu (pseudocoloring) e. Penapis derau (noise filtering) 2. Perbaikan citra (image restoration)
Operasi ini bertujuan untuk menghilangkan/meminimumkan cacat pada citra. Tujuan perbaikan citra hampir sama dengan operasi peningkatan kualitas citra. Bedanya, pada perbaikan citra penyebab degradasi gambar diketahui. Contoh-contoh operasi perbaikan citra : a. Penghilangan kesamaran (deblurring) b. Penghilangan derau (noise)

12
3. Pemampatan citra (image compression) Pemampatan citra atau kompresi citra bertujuan untuk meminimalkan kebutuhan memori dalam merepresentasikan citra digital dengan mengurangi duplikasi data di dalam citra sehingga memori yang dibutuhkan menjadi lebih sedikit daripada representasi citra semula. Hal yang penting dalam jenis operasi ini adalah citra yang dimampatkan harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi citra (image segmentation) Segmentasi citra bertujuan untuk membagi wilayah-wilayah yang homogen. Segmentasi membagi citra ke dalam daerah intensitasnya masing-masing sehingga bisa membedakan antara objek dan background-nya. Tingkat keakurasian segmentasi bergantung pada tingkat keberhasilan prosedur analisis yang dilakukan. Jenis operasi ini berkaitan dengan pengolahan pola.
5. Analisis citra (image analysis) Jenis operasi ini bertujuan mengitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek.
6. Rekonstruksi citra (image reconstruction) Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstuksi citra banyak digunakan dalam bidang medis.
Operasi-operasi tersebut bertujuan untuk membentuk objek dari beberapa citra hasil proyeksi. Pada citra digital, dengan tipe bitmap tipe warna pada titik-titik piksel dibentuk dari sebuah data numerik. Tinggi dan rendahnya keabuan piksel dinyatakan dalam bentuk intensitas atau derajat keabuan. Satuan lebar intensitas merupakan lebar memori (bit) citra yang disebut dengan format piksel.
2.5 Pendeteksian Tepi
Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari objek-objek gambar. Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangga. (Apriyana,2013) Tepian dari suatu citra mengandung informasi penting dari citra

13
bersangkutan. Tepian citra dapat merepresentasikan objek-objek yang terkandung dalam citra tersebut, bentuk, dan ukurannya serta terkadang juga informasi tentang teksturnya. Tepian citra adalah posisi dimana intensitas piksel dari citra berubah dari nilai rendah ke nilai tinggi atau sebaliknya. Deteksi tepi umumnya adalah langkah awal melakukan segmentasi citra. Tujuan dari deteksi tepi adalah untuk menandai bagian yang menjadi detail citra dan memperbaiki detail dari citra yang kabur akibat error atau adanya efek dari cahaya(Putra,2010).
Deteksi tepi adalah proses untuk menemukan perubahan intensitas yang berbeda nyata dalam sebuah bidang citra. Sebuah operator deteksi tepi merupakan operasi bertetangga, yaitu sebuah operasi yang memodifikasi nilai keabuan sebuah titik berdasarkan nilai-nilai keabuaan dari titik-titik yang ada di sekitarnya (tetangganya) yang masing-masing mempunyai bobot tersendiri. Bobot-bobot tersebut nilainya tergantung pada operasi yang akan dilakukan, sedangkan banyaknya titik tetangga yang terlibat biasanya adalah 2x2, 3x3, 3x4, 7x7, dan sebagainya. (Sutoyo,2009)
Kriteria untuk menentukan lokasi terjadinya tingkat perubahan intensitas yang mendadak ada 2 jenis yaitu:
a. Nilai turunan pertama intensitas adalah lebih besar dari magnitude batas ambang (threshold) tertentu.
b. Nilai turunan kedua intensitas mempunyai sebuah “zero crossing”. (Melly,2010)
Secara umum tepi dapat didefinisikan sebagai batas antara dua region (dua piksel yang saling berdekatan) yang memiliki perbedaan intensitas yang tajam atau tinggi. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda-beda, tergantung pada perubahan intensitas. Untuk lebih memahami defenisi tepi, Gambar 2.7 memperlihatkan model tepi dalam ruang satu dimensi (Taurisna,2009).
Gambar 2.7. Model Tepi Satu Dimensi

14
Deteksi tepi sangat penting dalam pengolahan citra karena pendeteksian tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Dimana, tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek dalam citra. Tujuan operasi pendeteksi tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra.(Apriyana,2013)
Ada tiga macam tepi yang terdapat di dalam citra digital, yaitu (Citra,2010): 1. Tepi curam
Jenis tepi ini terbentuk karena perubahan intensitas yang tajam, berkisar 900. 2. Tepi landai
Disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat juga dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan. 3. Tepi yang mengandung noise Umumnya tepi yang terdapat pada aplikasi computer vision mengandung derau. Perbedaan ketiga macam tepi tersebut, diperlihatkan pada Gambar 2.8.
Gambar 2.8. Jenis-jenis Tepi
Deteksi tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek di dalam citra. Deteksi tepi pada suatu citra memiliki tujuan sebagai berikut(Taurisna,2009):
1. Menandai bagian yang menjadi detil citra. 2. Memperbaiki detil citra yang kabur karena error atau efek proses akuisisi.

15
Gambar 2.9 memperlihatkan bagaimana tepi dari suatu citra dapat diperoleh dengan operasi pendeteksian tepi.
Gambar 2.9. Proses Deteksi Tepi Citra
2.5.1 Metode-metode dalam Deteksi Tepi Menurut Munir (2004), metode-metode yang digunakan dalam deteksi tepi : 1. Operator gradien pertama (differential gradent) Perubahan intensitas yang besar dalam jarak yan singkat dipandang sebagai fungsi yang memiliki kemiringan yang besar. Kemiringan fungsi biasanya dilakukan dengan menghitung turunan pertama(gradient). Operator gradien pertama terdiri dari beberapa teknik dalam mendeteksi tepi yaitu : a. Operator gradien selisih-terpusat(center-difference) b. Operator Sobel c. Operator Prewitt d. Operator Roberts
2. Operator turunan kedua (Laplacian) Operator turunan kedua mendeteksi lokasi tepi lebih akurat khususnya pada tepi yang curam. Pada tepi yang curam, turunan keduanya mempunyai persilangan nol(zero crossing), sedangkan pada tepi yang landai tidak terdapat persilangan nol. Persilangan nol merupakan lokasi tepi yang akurat.

16
3. Operator Kompas (compass operator) Operator kompas digunakan untuk mendeteksi semua tepi dari berbagai arah, dapat menampilkan tepi dari 8 macam arah mata angin : Utara, Timur Laut, Timur, Tenggara, Selatan, Barat Daya, dan Barat Laut.
2.5.2 Operator Laplacian of Gaussian (LoG)
Operator laplacian sangat sensitif terhadap noise yang terletak pada titik-titik tepi. Jadi, sebelum deteksi tepi dilakukan, filter yang dapat melemahkan noise diperlukan. Operator Laplacian of Gaussian merupakan kombinasi dari operator gaussian dan operator laplacian.(Ainun,2014)
Operasi laplacian memberitahukan keberadaan suatu tepi ketika keluaran dari operator membuat perpotongan dengan sumbu x. Namun bila suatu daerah dalam citra mempunyai nol yang seragam, diabaikan dan tidak dianggap sebagai tepi. Secara prinsip, lokasi titik perpotongan dapat diduga sampai resolusi sub-piksel menggunakan interpolasi linier, tetapi hasilnya mungkin tidak akurat akibat pengaruh noise. Filter Gaussian adalah salah satu filter linear dengan nilai pembobotan untuk setiap anggotanya dipilih berdasarkan bentuk fungsi Gaussian. Filter ini digunakan untuk menghilangkan noise yang bersifat sebaran normal.
Titik-titik tepi yang dilacak dengan cara menemukan perpotongan dengan sumbu x oleh fungsi turunan kedua dari intensitas citra sangat sensitif terhadap noise. Oleh karena itu, diperlukan suatu filter yang dapat melemahkan noise sebelum penguatan tepi dilakukan. (Ahmad,2005) Karakteristik mendasar dari pelacak tepi Laplacian of Gaussian adalah : 1. Filterisasi pengaburnya adalah filter Gaussian. 2. Penguatan tepi adalah fungsi turunan kedua. 3. Kriteria pelacakan adalah dengan menemukan titik perpotongan dengan sumbu x
dalam fungsi turunan kedua yang bersesuaian dengan puncak dalam suatu fungsi turunan pertama. 4. Lokasi dari tepi dapat diduga dengan resolusi subpiksel menggunakan interpolasi linear .(Annisa,2010)
Cara kerja operator ini adalah sebagai berikut : pertama, citra dikonvolusi dengan operator gaussian bertujuan untuk mengaburkan dan melemahkan noise. Namun, pengaburan ini mengakibatkan pelebaran tepi objek. Kemudian, operator

17

laplacian diterapkan untuk menemukan titik potong dengan sumbu x dalam fungsi

turunan kedua yang bersesuaian dengan puncak dalam fungsi turunan pertama.

Kemudian., lokasi tepi diperoleh dari resolusi subpiksel menggunakan interpolasi

linier. (Sutoyo,2009)

Metode ini mendeteksi tepi lebih akurat khususnya pada tepi yang curam. Pada

tepi yang curam, turunan keduanya memiliki zero-crossing (persilangan nol) yaitu

titik dimana terdapat pergantian tanda nilai turunan kedua, sedangkan pada tepi yang

landai tidak terdapat persilangan nol (Gonzalez et al,2005). Untuk menghindari

pelacakan tepi yang tidak berbeda nyata, hanya titik perpotongan dengan sumbu x

yang bersesuaian dengan turunan pertama dan bernilai di atas nilai tertentu saja yang

dipilih sebagai titik-titik tepi. Operator LoG merupakan operator turunan kedua yang

dihitung dengan:

∇ ( , )=

()
) ................(2)

Dimana :

: standar deviasi Gaussian,

x : nilai piksel dari sumbu x,

y : nilai piksel dari sumbu y,

: nilai konstanta eksponensial (2,78128...).

Fungsi ∇2g(x,y) merupakan turunan kedua dari fungsi Gauss, kadang-kadang

disebut juga fungsi Laplacian of Gaussian (LoG). Jadi, untuk mendeteksi tepi dari

citra yang mengalami gangguan, kita dapat melakukan salah satu dari dua operasi

ekivalen di bawah ini:

1. Konvolusi citra dengan fungsi Gauss G(x,y), kemudian lakukan operasi Laplacian terhadap hasilnya, atau
2. Konvolusi citra dengan penapis LoG.(Wibowo,2014)

Bentuk persamaan di atas biasa disebut operator topi Meksiko karena bila nilai di sebelah kiri tanda sama dengan diplotkan terhadap koordinat x dan y akan membentuk lekukan seperti topi Meksiko(Annisa,2010).Representasi turunan kedua dalam bentuk kernel operator Laplacian diperlihatkan seperti yang dibawah.

18
Gambar 2.10 menunjukkan contoh penerapan metode deteksi tepi dengan operator Laplacian of Gaussian (LOG).

Gambar 2.10. Proses deteksi tepi metode LoG (Wibowo,2014)

2.6 Derau (Noise)

Noise merupakan gangguan yang disebabkan oleh menyimpangnya data digital yang diterima oleh alat penerima data gambar yang mana dapat menggangu kualitas citra atau Noise adalah sebuah gangguan yang terjadi akibat dari kurang sempurnanya proses capture yang dilakukan sehingga mengakibatkan terjadinya pencahayaan yang tidak merata. Akibat tidak meratanya pencahayaan mengakibatkan intensitas tidak seragam, kontras citra terlalu rendah sehingga objek sulit untuk dipisahkan dari latar belakangnya, atau gangguan yang disebabkan oleh kotoran-kotoran yang menempel pada citra.(Rifangi,2014)
Beberapa jenis noise, yaitu gaussian noise dan salt and pepper noise.

1. Gaussian noise merupakan model noise yang mengikuti distribusi normal standar dengan rata-rata nol dan standar deviasi. Efek dari noise ini pada gambar adalah munculnya titik-titik berwarna yang jumlahnya sama dengan presentase noise. Fungsi kepadatan probabilitas (probabilty density function) adalah suatu fungsi yang menyatakan nilai kemungkinan terjadinya kejadian tertentu. Contoh gaussian noise dapat dilihat pada gambar 2.11(A). Probability Density Function ( PDF) variabel random Gaussian adalah (Hermawati, 2013) :

( )=
√
Dimana : z : gray-level,

( ) / ...........................(3)

19
: nilai tengah (mean), : standar deviasi : nilai konstanta eksponensial (2,78128...).
2. Salt and pepper noise adalah bentuk noise yang biasanya terlihat titik-titik hitam dan putih pada citra seperti tebaran garam dan merica. Noise ini disebabkan karena terjadinya error bit dalam pengiriman data, piksel-piksel yang tidak berfungsi dan kerusakan pada lokasi memori, karakteristik Fungsi Probabilitas Kepadatan (Probability Density Function).
Probability Density Function (PDF) Salt and Pepper Noise :
( )= ....................(4) 0
Dimana : z : gray-level, Pa : kemungkinan (probabilitas) level a Pb : kemungkinan (probabilitas) level b
Jika b > a, intensitas b akan tampak sebagai titik terang pada citra. Sebaliknya, level a akan tampak seperti titik gelap. Jika selain Pa atau Pb nol, impulse noise disebut juga unipolar . Jika probability selain nol, dan khususnya diperkirakan sama,nilai impulse noise akan mirip butiran salt and pepper secara acak yang terdistribusi pada citra. Karena alasan ini noise bipolar impulse disebut juga noise salt and pepper (Prasetyo , 2011).Contoh salt and pepper noise dapat dilihat pada gambar 2.11(B).
Gambar 2.11. gaussian noise (A) dan salt and pepper noise (B)

20
2.7 Peningkatan Kualitas Citra (Image Enhancement) Peningkatan kualitas citra adalah suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis, pemfilteran, dan lain-lain. Tujuan utama dari peningkatan kualitas citra adalah untuk memproses citra sehingga citra yang dihgasilkan lebih baik daripada citra aslinya untuk aplikasi tertentu. Contoh peningkatan kualitas citra dapat dilihat pada gambar 2.12.
Gambar 2.12. Peningkatan kualitas citra
2.7.1 Filter Spasial (Spatial Filter) Filter spasial adalah operasi yang dilakukan terhadap intensitas piksel dari suatu image dan bukan terhadap komponen frekuensi dari gambar. Jenis metode yang digunakan untuk peningkatan kualitas citra (image enhacement) adalah low pass filter dan high pass filter. Sedangkan bagian-bagian dari low pass filter dan high pass filter akan membentuk suatu metode yaitu high boost filter.(Barus,L.2015)
2.7.1.1 Filter Pelolos Rendah (Low Pass Filter) Low pass filter adalah proses filter yang mengambil citra dengan gradiasi intensitas yang halus dan perbedaan intensitas yang tinggi akan dikurangi atau di buang. Ciriciri dari fungsi low pass filter adalah (Barus,L.2015) :
1. Untuk menghaluskan citra 2. Didasarkan pada perata-rataan nilai piksel dengan tetangga

21

3. Bobot filter selalu positif yang totalnya bernilai 1 4. Contoh beberapa filternya adalah :

111 1/9 1 1 1
111

010 1/6 1 2 1
010

2.7.1.2 Filter Pelolos Tinggi (High Pass Filter)

High pass filter adalah proses filter yang mengambil citra dengan gradiasi intensitas yang tinggi dan perbedaan intensitas yang rendah akan dikurangi atau dibuang. Agar itu terjadi, maka digunakan filter pelolos rendah dan filter pelolos semua (allpass filter) Ciri-ciri fungsi high pass filter adalah (Barus,L.2015):

1. Disebut sebagai sharpening mask, karena mempercepat pergantian batas gelap dan terang
2. Filter memiliki nilai positif di tengah, negatif di pinggir, dan total keseluruhan bobot harus 0
3. Hasil high pass filter adalah selisih antara allpass filter dengan low pass filter, dengan penjelasan berikut :
00 0 W= 0 1 0
000
Matriks diatas disebut sebagai matriks pelolos semua (allpass filter), Artinya :

= * .....................................(5)

Maka high pass filter adalah : =

−

= *−

*

=( −

)* .................(6)

Sehingga dapat mengidentikkan bahwa : =−

...............................(7)

22

Beberapa contoh matiks high pass filter yang berasa dari low pass filter adalah

00 0 =0 1 0 −
000

111 111 111

−1 −1 −1 = −1 8 −1
−1 −1 −1

00 0 =0 1 0 −
000

010 121 010

0 −1 0 = −1 4 −1
0 −1 0

2.7.1.3 High Boost Filter

High-Boost merupakan salah satu bagian dari operasi yang dapat dilakukan untuk melakukan perbaikan citra. High-Boost Filtering bertujuan untuk mempertahankan (mempertajam) komponen frekuensi tinggi dan menghilangkan (mengurangi) komponen frekuensi rendah (Rifangi,2014).
High boost filter adalah proses filter yang berasal dari citra dengan dasar pemrosesannya menggunakan metode low pass filter dan high pass filter. Metode ini memiliki ciri-ciri sebagai berikut :

1. Jika A = 1, maka high boost filter akan menjadi high pass filter biasa. 2. Hasilnya adalah citra yang lebih tajam pada bagian pinggirnya 3. Memiliki rumus :

High boost = A(asli) – (lowpass)

= A(asli) – ((asli) – (highpass))

= (A-1)(asli) + (highpass)

atau

High boost filter = (A – 1) allpass filter + high pass filter..........(8) (Najarian, Splinter,. 2012) dan ,bila A > 1 maka citra output merupakan citra high-pass yang ditambahkan dengan bagian dari citra asli (Putra D , 2010).

23
2.8 Perbaikan Citra (Image Restoration) Restorasi citra digital adalah suatu teknik yang memperhatikan bagaimana mengurangi perubahan bentuk dan penurunan kualitas citra yang diawali selama pembentukan citra tersebut. Restorasi citra berfokus pada penghilangan atau penekanan degradasi yang terjadi selama proses pengembalian bentuk citra sebernarnya. Degradasi semacam itu termasuk derau (noise), yang meliputi error pada nilai-nilai piksel, dan pengaruh optik seperti pengaburan fokus atau karena gerakan kamera(Barus,L.2015). Perbaikan citra bertujuan meningkatkan tampilan citra untuk pandangan manusia atau untuk mengkonversi suatu citra agar memiliki format yang lebih baik sehingga citra tersebut menjadi lebih mudah diolah dengan mesin (komputer). Adapun contoh dari perbaikan citra dapat dilihat pada gambar 2.13 (Rifangi,2014).
Gambar 2.13. Perbaikan citra
2.9 Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PNSR)
Ada beberapa parameter pengukuran kesalahan atau error dalam pemrosesan citra. Dua parameter yang paling umum digunakan adalah Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PNSR).
Mean Square Error (MSE) adalah kesalahan kuadrat rata-rata. Nilai MSE didapat dengan membandingkan nilai selisih pixel-pixel citra asal dengan citra hasil pada posisi pixel yang sama. Semakin besar nilai MSE, maka tampilan pada citra hasil

24
akan semakin buruk. Sebaliknya, semakin kecil nilai MSE, maka tampilan pada citra hasil akan semakin baik. MSE dapat dihitung dengan menggunakan rumus:
= ∑ ∑ ( ( , ) − ( , )) .....