Implementasi Kombinasi Artithmetic Mean Filter Dan High Boost Filtering Untuk Memperbaiki Kualitas Pada Citra Digital

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

MEDAN 2015

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

MEDAN 2015

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,

Dr. Poltak Sihombing, M.Kom NIP 196203171991031001

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 101401034

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

9. Ibu Dian Rachmawati, S.Si, M.Kom, selaku dosen pembimbing I yang telah memberikan 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 Square Error (MSE) dan Peak Signal to-Noise Ratio (PSNR).

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 Square Error (MSE) dan Peak Signal to-Noise Ratio (PSNR).

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak vi

Abstract vii

Daftar isi viii

Daftar Tabel x

Daftar Gambar xi

Bab 1 Pendahuluan

1.1Latar Belakang 1

1.2Rumusan Masalah 3

1.3Batasan Masalah 3

1.4Tujuan Penelitian 4

1.5Manfaat Penelitian 4

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

3.1.1 Analisis Masalah 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 Pustaka 73

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

2.5 b Kernel (3x3) 15

2.6 Perbaikan citra 19

2.7 Gaussian Noise 20

2.8 Salt and Pepper Noise 21

2.9 Citra dengan nilai piksel 23

3.1 Diagram Ishikawa 26

3.2 Use Case Diagram 29

3.3 Sequence Diagram 32

3.4 Activity Diagram 33

3.5 Flowchart sistem secara umum 39

3.6 Flowchart Arithmetic Mean Filter 40

3.7 Flowchart High Boost Filtering 41

3.8 Flowchart MSE dan PSNR 42

3.9 FormCover 43

3.10 Form Menu Process 44

4.1 Form Cover 47

4.2 Form Process 48

4.3 Form Simulasi Procces 48

4.4 Form Help 49

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 4.11 Grafik PSNR citra kombinasi pada Gaussian noise 62 4.12 Grafik MSE citra kombinasi pada Gaussian noise 63 4.13 Grafik PSNR citra kombinasi pada Salt and pepper noise 66 4.14 Grafik MSE citra kombinasi pada Salt and pepper noise 65

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)

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 Square Error (MSE) dan Peak Signal to-Noise Ratio (PSNR).

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 Square Error (MSE) dan Peak Signal to-Noise Ratio (PSNR).

BAB I

PENDAHULUAN

1.1Latar Belakang

Citra merupakan suatu kemiripan, atau imitasi dari suatu objek atau benda. Citra memiliki beberapa karakteristik yang mengandung suatu infomasi. Citra yang bagus dapat dilihat dari hasil kemiripan suatu objek atau benda yang tidak memiliki kerusakan atau cacat, sedangkan citra yang kurang bagus memiliki kerusakan yang menyebabkan penurunan kualitas.

Penurunan kualitas dari suatu citra biasanya dipengaruhi oleh banyak faktor, salah satu faktor tersebut adalah derau atau noise. Derau atau noise adalah gambar yang menggangu kualitas citra yang biasanya berbetuk bintik-bintik. Derau memiliki variasi yang beragam, namun beberapa jenis derau telah dideskripsikan secara matematis untuk mengetahui ciri-ciri derau dan cara untuk mengatasi derau tersebut.

Salah satu cara untuk memperbaiki citra yang dipengaruhi oleh derau atau

noise adalah dengan cara filtering. Filtering merupakan teknik yang digunakan untuk membuat citra menjadi lebih baik atau terlihat lebih jelas. Filtering juga memiliki beberapa jenis, salah satu metode yang termasuk jenis filtering yaitu Arithmetic mean filter.

Arithmetic mean filter merupakan jenis filter yang paling sederhana. Dalam operasinya, filter ini akan menggantikan nilai yang berada pada titik tengah seluruh matriks yang ada pada citra tersebut. Hasil dari proses filter ini akan membuat citra yang memiliki noise atau derau tertentu menjadi tereduksi noise tersebut. Citra yang telah melakukan proses filter belum tentu memiliki kualitas yang baik.

Kualitas citra dapat membuat citra digital menjadi lebih baik dan lebih bagus. 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.

Saya mengangkat dari penelitian sebelumnya tentang teknik filtering, noise,

dan high boost filtering antara lainnya :

1. Menurut (Wiliyana 2012), filter adalah alat untuk memproses data yang mempunyai ciri mengambil data asli untuk memproduksi data hasil sebagaimana yang diinginkan. Mean filter merupakan salah satu algoritma memperhalus citra dengan cara perhitungan nilai intensitas rata-rata citra pada setiap blok citra yang diproses.

2. Menurut (Putra 2008), penapis high-boost dapat diinterpretasikan seperti meninggikan frekuensi citra asli kemudian mengurangi komponen frekuensi rendah pada citra tersebut. Efek dari penapis High-boost ditekankan pada penajaman transisi tepian dan area citra.

3. Menurut (Sulistyo 2009), terkadang untuk menguji suatu algoritma untuk dapat mereduksi noise, maka noise dapat dihasilkan dari proses pembangkitan

noise yang sering disebut sebagai noise generator. Untuk membangkitkan

noise umumnya diambil suatu bilangan acak yang kemudian ditempatkan pada citra secara acak pula.

Berdasarkan penelitian tersebut, maka penulis mengangkat metode Arithmetic Mean Filter dan High Boost Filtering. Penulis tertarik untuk mengkombinasikan kedua metode tersebut.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka rumusan masalah yang dapat diambil adalah: 1. Bagaimana cara mereduksi jenis Gaussian noise dan Salt and Pepper noise

pada citra digital dengan menggunakan metode Arithmetic Mean Filter sebagai

filtering dan hasil dari pemrosesan tersebut dilakukan perbaikan kualitas citra dengan menggunakan metode High Boost Filtering untuk meningkatkan kualitas pada citra digital.

2. Bagaimana hasil kombinasi citra antara Arithmetic Mean Filter yang digunakan untuk mereduksi noise dan High Boost Filtering yang digunakan untuk meningkatkan kualitas citra untuk mendekati citra asli berdasarkan parameter Mean Squared Error (MSE) dan Peak Signal to Noise Rasio (PSNR).

1.3 Batasan Masalah

Batasan masalah yang dapat diambil dari latar belakang di atas adalah :

1. Jenis file citra asli yang digunakan adalah citra berwarna dengan format JPG 2. Menggunakan citra asli yang di ubah menjadi citra abu (grayscale) dengan

menambahkan Gaussian noise dengan persentasi noise 0 – 50% dan Salt-pepper noise dengan persentasi noise dalam range 0 – 50 %.

3. Menggunakan kernel 3x3 untuk Arithmetic Mean Filter dan pada High Boost Filtering nilai A bekisar antara 0,00 – 2,00

4. Parameter untuk analisis adalah Mean Squared Error (MSE), Peak Signal to Noise Rasio (PSNR) sebelum terkena noise dan setelah mengalami reduksi noise dan Running Time pada saat reduksi noise.

5. Tidak membahas tentang kompresi 6. Tools yang digunakan Matlab R2012a.

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah untuk mengetahui perbaikan kualitas citra dengan cara mengkombinasikan antara algoritma Arithmetic Mean Filter dan High Boost Filtering.

1.5 Manfaat Penelitian

Manfaat penelitian ini adalah menghasilkan suatu aplikasi perangkat lunak yang dapat memperbaiki kualitas citra digital. Sedangkan manfaat bagi penulis adalah untuk mengetahui hasil yang optimal dalam memperbaiki kualitas citra digital dengan menggunakan metode Arithmetic Mean Filter dan High Boost Filtering.

1.6 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 “Implementasi Kombinasi Arihtmetic Mean Filter dan High Boost Filtering untuk Memperbaiki Kualitas pada Citra Digital.”, 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 pengolahn citra,

noise, metode Arihtmetic Mean Filter 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

Arihtmetic Mean Filter 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 bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat dalam pengembangan selanjutnya

BAB 2

TINJAUAN PUSTAKA

2.1 Pengertian citra

Secara umum pengertian 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).

Citra secara umum terbagi menjadi dua bagian, yaitu citra analog dan citra digital. Citra analog merupakan citra yang bersifat kontinu, seperti gambar pada monitor televisi, lukisan, dan lain sebagainya. Citra digital merupakan representasi dari sebuah citra dua dimensi sebagai sebuah kumpulan nilai digital yang disebut elemen gambar atau piksel. Piksel adalah satuan terkecil dari citra yang mengandung nilai terkuantisasi yang mewakili kecerahan dari sebuah warna pada sebuah titik tertentu.

2.1.1. Resolusi Citra

Resoulusi citra merupakan tingkat detail suatu citra. Semakin tinggi resolusi citra maka akan semakin tinggi pula tingkat detail dari citra tersebut. Satuan dalam pengukuran resolusi citra dapat berupa ukuran fisik (jumlah garis per mm/jumlah garis per inchi) ataupun dapat juga berupa ukuran citra menyeluruh (jumlah garis per tinggi citra). Resolusi sebuah citra dapat diukur dengan berbagai cara sebagai berikut (Putra,.

1. Resolusi pixel

Resolusi pixel merupakan perhitungan jumlah pixel dalam sebuah citra digital. Sebuah citra dengan tinggi N pixel dan lebar M pixel berarti memiliki resolusi sebesar M x N. Resolusi pixel akan memberikan dua buah angka integer yang secara berurutan akan mewakili jumlah pixel lebar dan jumlah pixel tinggi dari citra tersebut.

Pengertian lainnya dari resolusi pixel adalah merupakan hasil perkalian jumlah pixel lebar dan tingginya dan kemudian dibagi dengan 1 juta untuk mengubah ukuran citra tersebut dalam bentuk mega pixel. Jenis resolusi pixel seperti ini sering kali dijumpai dalam karena digital. Suatu citra yang memiliki lebar 2.048 pixel dan tinggi 1.536 pixel makan akan memiliki total pixel sebanyak 2.048 x 1.536 = 3.145.728 pixel atau 3,1 mega pixel.

2. Resolusi spasial

Resolusi spasial menunjukkan seberapa dekat jarak setiap garis pada citra. Jarak tersebut tergantung dari sistem yang menciptakan citra tersebut. Resolusi spasial menghasilkan jumlah pixel per satuan panjang. Resolusi spasial dari sebuah monitor komputer adalah 72 hingga 100 garis per inchi atau dalam resolusi pixel 72 hingga 100 pixle per inchi (ppi).

3. Resolusi spektrum

Sebuah citra digital membedakan intensitas ke dalam beberapa spektrum. Citra multi spektrum akan memberikan spektrum atau panjang gelombang yang lebih baik yang akan digunakan untuk menampilkan warna.

4. Resolusi temporal

Resolusi temporal berkaitan dengan video. Suatu video merupakan kumpulan frame statis yang berupa citra yang berurutan dan ditampilkan secara cepat. Resolusi temporal memberikan jumlah frame yang dapat ditampilkan setiap detik dengan satuan frame per second (fps).

5. Resolusi radiometrik

Resolusi ini memberikan nilai atau tingkat kehalusan citra yang dapat ditampilkan dan biasanya ditampilkan dalam satuan bit contoh citra 8 bit dan citra 256 bit. Semakin tinggi resolusi radiometrik ini makan semakin baik perbedaan intensitas yang ditampilkan

2.2 Jenis-jenis Citra Digital

Citra digital memiliki beberapa jenis, yaitu (Sianipar, 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 2.1.

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 2.2.

Gambar 2.2 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 2.3.

Gambar 2.3 Citra warna (RGB)

2.3 Pengolahan Citra

Pengolahan citra adalah pemrosesan citra khususnya dengan menggunakan komputer untuk membuat kualitas citra mejadi lebih baik. 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. Tentu saja citra akan sulit diinterpresentasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami gangguan mudah diinterprentasikan, maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik, salah satu cara dengan pengolahan citra. Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain, yang berarti jika input-nya citra maka

2.4 Operasi Pengolahan Citra

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut (Munir, 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 atau 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)

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. Rekonstuksi citra (image recontruction)

Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstuksi citra banyak digunakan dalam bidang medis.

2.5 Format File Citra

Format file citra standar yang digunakan saat ini terdiri dari beberapa jenis. Format-format ini digunakan dalam menyimpan citra dalam sebuah file. Setiap Format-format memiliki karakteristik masing-masing. Berikut beberapa format umum yang sering digunakan, yaitu :

1. Bitmap (.bmp)

Format .bmp adalah format penyimpanan standar tanpa kompresi yang umum dapat digunakan untuk menyimpan citra biner hingga citra warna. Format ini terdiri dari beberapa jenis yang setiap jenisnya ditentukan dengan jumlah bit yang digunakan untuk menyimpan sebuah nilai piksel.

2. Portable Network Graphics (.png)

Format .png adalah format penyimpanan citra terkompresi. Format ini dapat digunakan pada citra grayscale, citra dengan palet warna, dan juga citra fullcolor.

Format .png juga mampu menyimpan informasi hingga kanal alpha dengan penyimpanan sebesar 1 hingga 16 bit per kanal.

3. Joint Photografic Group (.jpg)

Format .jpg adalah format yang sangat umum digunakan saat ini khususnya untuk transmisi citra. Format ini digunakan untuk menyimpan citra hasil kompresi dengan metode JPEG.

2.6 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 dihasilkan lebih baik daripada citra aslinya untuk aplikasi tertentu. Contoh peningkatan kualitas citra dapat dilihat pada gambar 2.4.

Gambar 2.4 Peningkatan kualitas citra

2.6.1 Filter spasial (Spatial Filtering)

Pentapisan pada pengolahan citra biasa disebut dengan pentapisan spasial (spatial filtering). Filter spasial adalah operasi yang dilakukan terhadap intensitas piksel dari suatu image dan bukan terhadap komponen frekuensi dari gambar. Pada proses pentapisan, nilai pixel baru umumnya dihitung berdasarkan pixel tetangga. Cara perhitungan nilai pixel baru tersebut dapat dikelompokkan menjadi 2, yaitu pertama, pixel baru diperoleh melalui kombinasi linier pixel tetangga dan kedua, pixel baru diperoleh langsung dari salah satu nilai pixel tetangga. Berdasarkan kedua cara tersebut maka tapis juga dapat dikelompokkan menjadi dua yaitu tapis linier (tapis untuk cara pertama) dan tapis nonlinier (tapis untuk cara kedua).

Proses penapisan spasial tidak dapat dilepaskan dari teori kernel (mask). Untuk itu sebelum membahas proses penapisan akan diawali pembahasan tentang konsep kernel. Jenis metode yang digunakan untuk peningkatan kualitas citra (image enhacement) pada bagian spatial filtering 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.

2.6.2 Kernel

Kernel adalah matrik yang pada umumnya berukuran kecil dengan elemen-elemennya adalah berupa bilangan. Kernel digunakan pada proses konvolusi. Oleh karena itu kernel juga disebut dengan convolution window (jendela konvolusi). Ukuran kernel dapat berbeda-beda, seperti 2 x 2, 3 x 3, 5 x 5, dan sebagainya. Elemen-elemen kernel yang juga disebut bobot (weight) merupakan bilangan-bilangan yang membentuk pola-pola tertentu. Kernel biasa juga disebut dengan tapis (filter), template, mask, serta sliding window.

(a) (b)

Gambar 2.5 Kernel (2x2) pada bagian (a) dan kernel (3x3) pada bagian (b)

1 -1 1

-1 4 -1

1 -1 1

1 0

2.6.3 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, sehingga filter sangat cocok untuk proses penghalusan citra. Ciri-ciri dari fungsi low pass filter adalah sebagai berikut :

1. Untuk menghaluskan citra

2. Didasarkan pada perata-rataan nilai piksel dengan tetangga 3. Bobot filter selalu positif yang totalnya bernilai 1

4. Contoh beberapa filternya adalah :

1

9 [ ]

1

6 [ ]

2.6.4 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. Nilai koefisien filter ini pada koordinat pusat bernilai positif dan koefisie kelilingnya bernilai negatif. Bila proses pentapisan dilakukan di atas area yang nilai intensitasnya konstan atau mengalami perubahan yang lama maka nilai piksel keluaran adalah nol atau sangat kecil. Agar itu terjadi, maka digunakan filter pelolos rendah dan filter pelolos semua (allpass filter) Ciri-ciri fungsi high pass filter adalah :

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. I adalah image

4. Hasil high pass filter adalah selisih antara allpass filter dengan low pass filter, dengan penjelasan berikut :

W = [ ]

Matriks diatas disebut sebagai matriks pelolos semua (allpass filter), Artinya :

�

=

�

*

�

Maka high pass filter adalah :

�

_{ℎ ℎ}

=

�

−

�

=

�

*

�

− �

*

�

=

�

− �

)*

�

Sehingga dapat mengidentikkan bahwa :

�

ℎ ℎ

=

�

− �

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

�

ℎ ℎ

=

[ ]

−

1₉[ ]

=

1 9[

− − −

− 8 −

− − − ]

�

ℎ ℎ

=

[ ]

−

1₆[ ]

=

1

6[

−

− 4 −

2.6.5 High Boost Filter

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... (Najarian, Splinter. 2012)

2.7 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.

Gambar 2.6 Perbaikan citra

2.8 Derau (Noise)

Noise merupakan gangguan yang disebabkan oleh menyimpangnya data digital yang diterima oleh alat penerima data gambar yang mana dapat menurunkan kualitas citra. Derau dapat disebabkan oleh gangguan fisis (optik) pada alat penangkap citra misalnya kotoran debu yang menempel pada lensa foto maupun akibat proses pengolahan yang tidak sesuai.

Error ini muncul atau tampak pada citra keluaran tergantung dari tipe gangguan pada sinyal. Biasanya tipe error yang akan terjadi bisa diprediksi, sehingga dapat diantisipasi dengan metode yang paling sesuai untuk mereduksi efek derau yang terjadi. Pembersihan suatu citra yang terkorupsi oleh derau merupakan suatu area yang penting dalam perbaikan citra.

2.8.1 Gaussian noise

Gaussian noise merupakan model noise yang mengikuti distribusi normal standar dengan rata-rata nol dan standar deviasi 1. Efek dari noise ini pada gambar adalah munculnya titik-titik berwarna yang jumlahnya sama dengan persentase noise. Noise ini dapat dirumuskan sebagai berikut beserta contoh gambar noise tersebut (Prihatini, 2010).

, = , + �. � ...……..(1) Dimana : a = nilai bilangan acak berdistribusi gaussian

p = persentase noise

f(i,j) = nilai citra terkena noise

g(i,j) = nilai citra sebelum terkena noise

2.8.2 Salt and Pepper noise

Salt and pepper noise disebut juga dengan derau impuls, derau shot atau derau biner. 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.

……….(2)

Dimana p(z) adalah fungsi probabilitas kepadatan noise, Pa adalah probabilitas noise

jenis a (pepper) dan Pbadalah probabilitas noise b(salt) . 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 Probabilitas

selain nol , dan khususnya diperkirakan sama, nilai impulse noise akan mirip butiran

salt and pepper secara acak yang terdistribusi pada citra. Dengan alasan inilah noise bipolar impulse disebut juga salt-and-pepper noise (Sutoyo & Mulyanto, 2009). Seperti diberikan pada Gambar 2.7

2.9 Mean Filter

Mean Filter adalah filter yang digunakan untuk menghaluskan gambar yang terlalu kasar. Jika filter ini dilakukan pada gambar yang halus, maka hasil gambar tersebut akan semakin kabur. Contoh yang termasuk metode ini adalah Arithmetic Mean Filter.

Arithmetic Mean Filter adalah metode yang paling mudah dari Mean Filter.

Pada algoritma ini proses yang dilakukan adalah menghitung rata-rata dari citra yang rusak g(s,t) pada sebuah blok area citra yang didefinisikan oleh � . Nilai dari citra f(x,y) yang diperbaiki pada tiap titik (x,y) hanya dihitung dengan menggunakan piksel dalam daerah yang didefinisikan oleh � dengan rumus:

, = 1 ∑ _{, ∈�} , ……….…….(3) Dimana :

m = baris dari sebuah matriks n = kolom dari sebuah matriks

(x,y) = koordinat citra pada titik tengah matriks yang akan dirubah

(s,t) = koordinat citra rusak yang berada pada seluruh � � = blok area citra yang berada pada matriks

Biasanya matriks ini berukuran [ganjil x ganjil] agar ada poros tengah karena hasil perhitungan rerata akan diberikan pada titik tengah dari matriks. Perhatikan contoh berikut untuk memperjelas operasi ini.

Pada contoh gambar 2.8 ini matriks yang akan digunakan berukuran [3x3]. Matriks ini gunanya untuk memperlihatkan matriks � dari matriks original yang kemudian dioperasikan dengan rumus Arithmetic Mean Filter.

Gambar 2.9 Citra dengan nilai piksel

230 229 232 237 236 236 255 255 255

� Maka hasil filter-nya :

, = 1 ∑ _{, ∈�} ,

= 1

3 3 (230+229+232+237+236+236+255+255+255)

= 1

9 (2165)

= 240.555

≅ 4

Maka matriks � hasil filter adalah

230 229 232 237 241 236 255 255 255

3.0 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).

Walaupun tidak selalu berkorelasi dengan persepsi visual manusia, MSE merupakan ukuran yang baik untuk mengukur kesamaan dua buah citra yang dinyatakan dengan persamaan berikut:

��� = 1 ∑₌₁∑ ₌₁ , − , ……...(4)

Dimana :

m = ukuran baris sebuah citra n = ukuran kolom sebuah citra

fₐ(i,j) = intensitas citra di titik (i,j) sebelum terkena noise (i,j) = intensitas citra di titik (i,j) setelah noise dihilangkan

Semakin kecil nilai MSE, semakin bagus perbaikan citra yang digunakan.

PSNR merupakan nilai perbandingan antara harga maksimum warna pada citra hasil filtering dengan kuantitas gangguan (noise) yang dinyatakan dalam satuan decibel (db), noise yang dimaksud adalah akar rata-rata kuadrat nilai kesalahan (

MSE). Secara Matematis, nilai PSNR dapat dinyatakan dengan persamaan berikut :

...(5)

Tidak seperti MSE, nilai PSNR yang lebih besar mengindikasikan bahwa kualitas tersebut lebih baik.

) 255 ( 10 * 20

MSE Log

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

Analisis sistem pada dasarnya merupakan tahapan yang dilakukan untuk menghasilkan pemahaman yang menyeluruh terhadap kebutuhan sistem sehingga diperoleh tahap-tahap yang akan dikerjakan sistem. Tahap awal dalam analisis sistem ini adalah tahap analisis masalah yang bertujuan untuk mempelajari dan memahami masalah yang akan diselesaikan dengan menggunakan sistem ini. Kemudian dilanjutkan dengan tahap analisis persyaratan yang akan memenuhi kebutuhan dan permintaan pengguna (user), serta tahap analisis terakhir adalah analisis proses yang akan dikerjakan sistem.

3.1.1 Analisis Masalah

Pada penelitian ini masalah yang paling utama adalah perbaikan kualitas citra yang terkena noise yaitu, Gaussian Noise dan Salt and Pepper Noise menjadi citra yang lebih bagus. Citra digital yang digunakan untuk memperbaiki dan meningkatkan kualitas citra adalah citra grayscale. Untuk melakukan perbaikan kualitas citra menggunakan teknik filtering. Teknik filter yang digunakan adalah Arithmetic Mean Filter. Setelah proses filtering, kemudian dilakukan peningkatan kualitas citra menggunakan teknik High Boost Filtering.

Untuk mengidentifikasi masalah yang digunakan diagram ishikawa. Diagram

ishikawa adalah sebuah alat grafis yang digunakan untuk mengidentifikasi, mengeksplorasi dan menggambarkan suatu masalah serta sebab dan akibat dari masalah tersebut.

Diagram ini juga sering disebut sebagai diagram sebab-akibat atau diagram tulang ikan. Identifikasi terhadap permasalahan akan membantu analisis persyaratan sistem yang nantinya akan dikembangkan. Berikut diagram ishikawa pada Gambar 3.1

Gambar 3.1 Diagram Ishikawa

3.1.2 Analisis Persyaratan

Analisis kebutuhan sistem ini meliputi analisis persyaratan fungsional dan analisis persyaratan non-fungsional.

3.1.2.1 Persyaratan Fungsional

Persyaratan fungsional adalah segala sesuatu yang harus dimiliki oleh sistem. Dalam proses filtering pada citra digital dengan menggunakan Arithmetic Mean Filter dan proses peningkatan kualitas citra menggunakan High Boost Filtering terdapat beberapa hal yang menjadi persyaratan fungsional yang harus dipenuhi, antara lain :

7. Citra asli yang digunakan untuk melakukan proses adalah citra berwarna dengan format .jpg.

8. Citra asli tersebut di ubah menjadi citra abu (grayscale), lalu diberikan salah satu noise antara Gaussian noise atau Salt-pepper noise dengan persentasi

9. Menggunakan kernel 3x3 untuk Arithmetic Mean Filter dan pada High Boost Filtering nilai A yang digunakan bekisar antara 0,00 – 2,00.

10.Menggunakan perhitungan untuk analisis dengan metode Mean Squared Error (MSE), Peak Signal to Noise Rasio (PSNR) dan Running Time sebagai pembanding proses waktu kerja pada bagian citra tertentu.

11.Sistem melakukan proses filtering dengan Arithmetic Mean Filter dan melakukan proses peningkatan kualitas citra dengan High Boost Filtering.

12.Hasil dari proses High Boost Filtering dapat disimpan dengan format .jpg.

3.1.2.2 Persyaratan Non-Fungsional

Persyaratan non-fungsional adalah beberapa persyaratan yang harus dilakukan oleh sistem. Beberapa persyaratan non-fungsional yang dirancang untuk sistem ini adalah sebagai berikut :

1. Performa

Sistem yang akan dibangun harus dapat menunjukkan hasil dari proses perbaikan citra digital.

2. Mudah dipelajari dan digunakan

Sistem yang akan dibangun harus sederhana dan mudah dipelajari oleh pengguna (user).

3. Dokumentasi

Sistem yang akan dibangun dapat menyimpan citra digital hasil dari proses citra yang telah diperbaiki kualitasnya.

4. Kontrol

Sistem yang akan dibangun tidak dapat berjalan jika tidak memenuhi syarat yang telah ditetapkan .

5. Hemat Biaya

Sistem yang akan dibangun tidak memerlukan perangkat tambahan dalam proses eksekusinya.

3.1.3. Analisis Proses

Pada tahap ini langkah awal prosesnya yaitu pengambilan citra awal yang kemudian akan diubah menjadi citra grayscale. Kemudian citra grayscale tersebut akan diberikan pilihan Gaussian noise atau Salt and pepper noise dengan memberikan nilai

input yang sudah dibatasi antara 0 - 50%. Kemudian citra yang telah diberikan noise

akan melakukan proses filtering dengan Arithmetic Mean Filter. Hasil proses filtering

akan diproses menggunakan High Boost Filtering untuk meningkatkan kualitas citra. Setelah itu dilakukan proses perhitungan MSE, PSNR dan running time pada masing-masing proses.

3.2. Pemodelan

Pada bagian ini digunakan Unified Modeling Language (UML) sebagai bahasa spesifikasi standar suatu model yang berfungsi untuk membantu merancang sistem. Beberapa jenis UML yang digunakan dalam penelitian ini yaitu use case diagram, sequence diagram, dan activity digaram.

3.2.1. Use Case Diagram

Use case diagram adalah rangkaian/uraian sekelompok yang saling terkait dan membentuk sistem secara teratur yang dilakukan atau diawasi oleh sebuah aktor. Use case diagram biasanya menggambarkan proses sistem yaitu kebutuhan sistem dari sudut pandang user.

Gambar 3.2 Use Case Diagram

Pada use case ini terdapat actor yang memiliki pilihan untuk : a. Memilih Help adalah menu petunjuk penggunaan sistem.

b. Memilih Prosesadalah menu yang memiliki bagian menjalankan proses pengolahan citra menjadi citra yang lebih baik dengan menggunakan metode

Arithmetic Mean Filter dan High Boost Filtering. c. Cover adalah menu tampilan awal sistem.

Berikut ini merupakan tabel dokumen naratif dari use casecover yang dapat dilihat pada tabel 3.1

Tabel 3.1 Dokumentasi Naratif Use CaseCover Nama Use case Proses

Actor Pengguna

Description Use case ini menjalankan tampilan awal digunakan dari system ini

Pre-Condition Aplikasi siap untuk menerima inputan. Typical

course of event

Kegiatan pengguna Respon sistem

1. Menekan tombol Cover 2. Menampilkan tampilan awal dari pilihan cover.

Alternatecourse Aksi Aktor Respon sistem Post condition Sistem telah melakukan proses pemilihan menu cover.

Tabel 3.2 Dokumentasi Naratif Use Case Proses

Nama Use case Proses Actor Pengguna

Description Use case ini menjalankan proses perbaikan citra yang akan digunakan dari system ini

Pre-Condition Aplikasi siap untuk menerima inputan.

Typical course of

event

Kegiatan pengguna Respon sistem 1. Menekan tombol proses

3. Memilih gambar yang ingin diolah (*.jpg) dengan menekan tombol Open File .

2. Menampilkan isi dari pilihan proses

4. Sistem akan merespon dengan masuk ke direktori penyimpanan citra

5. Menampilkan citra yang telah dipilih oleh pengguna 6. Pengguna mengubah

citra awal menjadi citra grayscale dengan menekan tombol Proses.

8. Selanjutnya

menambahkan salah satu noise pada citra grayscale dengan memilih ukuran noise (dalam range 0%-50%) pada slider noise yang diinginkan

7. Sistem akan melakukan proses grayscale dan menampilkan hasilnya.

9. Sistem akan menampilkan hasil noise yang

diinginkan pada citra grayscale

10. Selanjutnya proses untuk mengurangi noise dengan metode Arithmetic Mean Filter dengan menekan tombol Proses.

13.Selanjutnya proses untuk meningkatkan kualitas citra dengan metode High Boost Filtering dengan cara menentukan range (dalam range 0,00-2,00) pada slider High Boost Filter yang diinginkan.

14.Sistem akan menampilkan hasil citra grayscale yang telah tereduksi noise beserta running time.

15.Sistem akan menampilkan hasil citra grayscale yang telah ditingkatkan kualitasnya beserta running time.

12. Menekan button MSE, PSNR pada bagian Grayscale, Arithmetic Mean Filter dan High Boost Filter.

13. Menampilkan nilai MSE dan PSNR.

Alternatecourse Aksi Aktor Respon sistem Post condition Sistem telah melakukan proses perbaikan citra yang

menghasilkan citra.

Tabel 3.3 Dokumentasi Naratif Use CaseHelp Nama Use case HELP

Actor Pengguna

Description Use case ini menjelaskan cara penggunaan dari system ini. Pre-Condition Aplikasi siap untuk menerima inputan.

Typical course of

event

Kegiatan pengguna Respon system

1. Menekan menu HELP

2. Menampilkan isi dari HELP tersebut.

Alternatecourse Aksi Aktor Respon system Post condition Sistem telah melakukan proses pemilihan menu HELP

3.2.2. Sequence Diagram

Sequence diagram (diagram urutan) adalah sutau diagram yang memperlihatkan atau menampilkan interaksi-interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Sequence diagram digunakan untuk menggambarkan scenario atau rangkaian langkah-langkah yang dilakukan sebagai sebuah respon dari suatu kejadian/event untuk menghasilkan output apa yang dhasilkan.

3.2.3. Activity Diagram

Activity Diagram menggambarkan berbagai alir aktivitas dalam system yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin tejadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Berikut ini merupakan activity diagram pada sistem yang akan dirancang.

3.3. Pseudocode Program

Pseudocode adalah deskripsi dari algoritma pemrograman komputer yang menggunakan struktur sederhana dari beberapa bahasa pemograman tetapi bahasa tersebut hanya ditujukan agar dapat dibaca manusia.Tujuan penggunaan utama dari

pseudocode adalah untuk memudahkan manusia dalam memahami prinsip-prinsip dari suatu algoritma.

3.3.1 Pseudocode Arithmetic Mean Filter

Tabel 3.4 PseudocodeArithmetic Mean Filter

No Pseudocode

1. data getimage(handles.axes3);

2. data temp=I;

3. [baris kolom warna] [b k c]

4. I=getimage(handles.axes3);

temp=I;

[b k c]=size(temp);

for x=1:1:b perulangan baris for y=1:1:k perulangan kolom for z=1:1:c perulangan warna try

matriks(1,1)=temp(x-1,y-1,z); catch

matriks(1,1)=0; end

percobaan try

matriks(1,2)=temp(x-1,y,z); menangkap hasil catch

yang salah matriks(1,2)=0; pada try end

try matriks(1,3)=temp(x-1,y+1,z); catch matriks(1,3)=0; end try matriks(2,1)=temp(x,y-1,z); catch matriks(2,1)=0; end try matriks(2,2)=temp(x,y,z); catch matriks(2,2)=0; end try

matriks(2,3)=temp(x,y+1,z); catch

matriks(2,3)=0; end

try

matriks(3,1)=temp(x+1,y-1,z); catch

matriks(3,1)=0; end

try

matriks(3,2)=temp(x+1,y,z); catch

matriks(3,2)=0; end

try

matriks(3,3)=temp(x+1,y+1,z); catch

matriks(3,3)=0; end

filtered(x,y,z)=0; hasil for i=1:3

for j=1:3

filtered(x,y,z)=filtered(x,y,z)+matriks(i,j); hasil end

end

arithmatik(x,y,z) = (filtered(x,y,z)/9); hasil end

end

end

Keterangan :

1. Membaca citra dari axes3.

2. Menyimpan citra sementara dalam bentuk matriks. 3. Membentuk variabel dari baris kolom dan warna.

3.3.2 Pseudocode High Boost Filtering

Tabel 3.5 PseudocodeHigh Boost Filtering

No Pseudocode

1. data getimage(handles.axes3);

2. data temp=I;

3. [baris kolom warna] [b k c]

4. I=getimage(handles.axes4);

temp=I;

[b k c]=size(temp);

for x=1:1:b perulangan baris for y=1:1:k perulangan kolom for z=1:1:c perulangan warna try matriks(1,1)=temp(x-1,y-1,z); catch matriks(1,1)=0; end try matriks(1,2)=temp(x-1,y,z); catch matriks(1,2)=0; end try matriks(1,3)=temp(x-1,y+1,z); catch matriks(1,3)=0; end try matriks(2,1)=temp(x,y-1,z); catch matriks(2,1)=0; end try matriks(2,2)=temp(x,y,z); catch matriks(2,2)=0; end try matriks(2,3)=temp(x,y+1,z); catch matriks(2,3)=0; end try matriks(3,1)=temp(x+1,y-1,z); catch matriks(3,1)=0; end try matriks(3,2)=temp(x+1,y,z); catch matriks(3,2)=0; end try matriks(3,3)=temp(x+1,y+1,z);

catch

matriks(3,3)=0; end

nilai pada slider nilai = get(hObject,'value'); A = + nilai;

maktris H=(1/9)*[-1 -1 -1; -1 8 -1; -1 -1 - 1]; highpass K=[0 0 0; 0 1 0; 0 0 0];

rumush high boost HB= ((A-1).*K) + H; for i = 1:3

for j = 1:3

sharpened(i,j)= matriks(i,j)*HB(i,j); end

end

nilai dari 0-255 sharpened=uint8(sharpened);

hasil filtered(x,y,z)=0; for i=1:3

for j=1:3

filtered(x,y,z)=filtered(x,y,z)+sharpened(i,j); end

end

end

end

end

Keterangan :

1. Membaca citra dari axes4.

2. Menyimpan citra sementara dalam bentuk matriks. 3. Membentuk variabel dari baris kolom dan warna.

3.3.3 Pseudocode menghitung nilai MSE dan PSNR

Tabel 3.6 Pseudocode nilai MSE dan PSNR No Pseudocode

1. [M N] size(citra);

2. error citra_awal - citra_noise;

3. MSE sum(sum(error .* error)) / (M * N); 4. PSNR 10*log(255*255/MSE) / log(10)

Keterangan :

1. Deklarasi ukuran matriks citra kolom adalah M dan baris adalah N. 2. Deklarasi nilai error.

3. Hitung nilai MSE. 4. Hitung nilai PSNR.

3.4. Perancangan Sistem

3.4.1. Flowchart Sistem

Flowchart adalah suatu bagan dengan simbol-simbol tertentu yang menggambarkan urutan proses secara menditail dan hubungan antara sutau proses (intruksi) dengan proses lainnya dalam suatu program. Flowchart memiliki fungsi untuk memudahkan proses pengecekan terhadap sistem yang ingin dibuat apabila ada yang terlupakan dalam analisis masalah. Berikut merupakan flowchart awal dari sistem secara umum yang nantinya akan dibangun yang dapat dilihat pada gambar 3.6.

Sub FlowchartArithmetic Mean Filter :

Sub Flowchart High Boost Filtering :

Sub Flowchart MSE dan PSNR

3.4.2 Perancangan Antarmuka (Interface)

Sistem kombinasi algoritma restorasi citra ini dirancang dengan menggunakan bahasa pemrograman MATLAB 2012a. Perancangan antarmuka atau interface ini bertujuan untuk memudahkan interaksi antara manusia dengan komputer sehingga manusia dapat menggunakan sistem dengan baik dan mudah untuk digunakan.

3.4.2.1 Form Cover

Dibawah ini merupakan form cover dalam sistem ini, dan memiliki menu bar ,yaitu

Process, Help, dan Exit. Dimana pada bagian ini merupakan tampilan awal sistem. Dapat dilihat pada Gambar 3.9 dibawah ini :

Gambar 3.9 Form Cover

Keterangan :

1. Judul Percobaan. 2. Nama dan Nim Penulis. 3. LOGO Fasilkom-Ti. 4. Program studi .

3.4.2.2 Form Menu Process

Gambar 3.10 Form Menu Process Keterangan :

1. Open File

Berfungsi untuk mencari citra yang akan di input dalam format .jpg. 2. Axes1

Merupakan tempat untuk menampilkan citra yang telah dipilih. 3. Proses

Merupakan tombol untuk mengubah citra awal menjadi citra grayscale. 4. Axes2

Merupakan tempat untuk menampilkan citra yang telah diubah ke citra

grayscale. 5. Slider noise

Merupakan input-an dimana tersedia dua jenis noise yang dibatasi dengan

range 0% sampai 50% dengan cara digeser pada salah satu slider noise . 6. Axes3

Merupakan tempat untuk menampilkan citra dengan noise yang diinginkan. 7. Text

8. Proses

Merupakan tombol untuk mereduksi noise dengan Arithmetic Mean Filter.

9. Axes4

Merupakan tempat menampilkan hasil citra yang telah di filtering. 10.Running Time

Merupakan tempat menampilkan waktu pada saat proses telah selesai. 11.Slider High Boost Filtering

Merupakan slider untuk melakukan proses High Boost Filtering dengan pergeseran yang diinginkan dari range 0 sampai 2.

12.Axes5

Merupakan tempat untuk menampilkan citra yang telah melakukan proses

High Boost Filtering.

13.Text

Menampilkan nilai yang digunakan untuk proses High Boost Filtering pada

slider.

14.PSNR dan MSE

Merupakan tomboluntuk melakukan proses perhitungan nilai PSNR dan MSE.

15.Text

Merupakan tempat menampilkan nilaiPSNR dan MSE. 16.Save

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1 Implementasi Sistem

Setelah melakukan proses analisis dan perancangan sistem, proses selanjutnya dalam penerapan pembuatan aplikasi adalah proses implementasi dan pengujian sistem. Implementasi merupakan tahap di mana sistem melakukan fungsionalitas utamanya setelah suatu program atau perangkat lunak selesai dirancang. Sedangkan tahap pengujian merupakan tahap yang dilakukan setelah proses pengimplementasikan selesai dilakukan dan sampai proses uji coba sesuai dengan kriteria-kriteria yang diinginkan pengguna pada tahap perancangan sistem. Pada sistem ini terdapat 3 form

yaitu formCover, form Procces, dan form Help.

4.1.1FormCover

Form cover merupakan form yang ditampilkan pertama kali pada saat aplikasi dijalakan. Form ini berisi tentang informasi mengenai judul skripsi, penulis, dan program studi. Berikut pada gambar 4.1 ditampilkan Formcover pada sistem ini :

Gambar 4.1 Form Cover

4.1.2Form Procces

Form Procces ini merupakan tampilan untuk melakukannya semua proses pengolahan citra. Dimana pada tahap pertama citra awal di tampilkan pada proses, kemudian diubah menjadi grayscale lalu diberikan noise yang diinginkan. Setelah diberi noise dilakukan proses Arithmetic Mean Filter dan hasil proses tersebut diproses kembali menggunakan High Boost Filtering. Setelah semua proses pengolahan citra selesai, maka dapat dilakukan proses perhitungan PSNR dan MSE serta dapat menyimpan hasil citra yang telah diolah pada proses High Boost Filtering. Berikut merupakan tampilan Form Procces dapat dilihat pada gambar 4.2 dan simulasinya pada gambar 4.3.

Gambar 4.2 Form Procces

4.1.3Form Help

Form Help merupakan form yang berisi tentang penjelasan dari cara penggunaan sistem. Form Help dapat dilihat pada gambar 4.6.

Gambar 4.4 Form Help

4.2 Pengujian

Pengujian sistem dilakukan untuk mengetahui sampai sejauh mana kombinasi kedua metode tersebut dilakukan untuk memperbaiki kualitas citra. Pengujian akan dilakukan dengan menggunakan citra digital yang berformat JPG. Citra digital tersebut merupakan citra RGB. Sistem akan mengubah citra digital RGB ke dalam citra grayscale. Kemudian akan dilakukan proses penambahan noise, lalu dilakukan

filtering menggunakan Arithmetic Mean Filter dan peningkatan kualitas citra menggunakan High Boost Filtering. Setelah semua proses pengolahan citra dilakukan, hasil citra digital yang telah diproses tersebut dapat disimpan ke dalam format *.jpg.

4.2.1Pengujian Arithmetic Mean Filter

Pada pengujian Arithmetic Mean Filter, hal pertama yang dilakukan setelah memilih citra yaitu mengubah citra berwarna (RGB) menjadi citra grayscale. Kemudian memberikan noise dengan batasan noise yang dapat dipilih dalam range 0% - 50 %. Jenis noise yang dipilih ada dua yaitu Gaussian noise dan Salt and Pepper noise. Pada pengujian Arithmetic Mean Filter ini membuat citra yang memiliki noise menjadi berkurang noise tersebut.

Adapun gambaran sistem ini dapat dilihat pada gambar 4.5 berikut ini:

4.2.1.1 Pengujian Gaussian noise terhadap Arithmetic Mean Filter

Dibawah ini merupakan tabel gambar pengujian dengan persentasi noise 10% , 20 % ,30% , 40% dan 50%.

Tabel 4.1 Citra digital grayscale terhadap persentase noise

Persentasi Noise

Proses Generate noise (Citra Terkena Noise)

Proses Filtering (Citra Hasil)

10 %

PSNR : 28.0976 dB MSE : 100.766

PSNR : 25.6314 dB MSE : 177.802

Running Time : 6.79937 s 20%

PSNR : 22.2072dB MSE : 391.161

PSNR : 24.8658 dB MSE : 212.082

30 %

PSNR : 18.9062 dB MSE : 841.156

PSNR : 23.9121 dB MSE : 264.167

Running Time : 6.50572 s 40 %

PSNR : 16.7279 dB MSE : 1381.31

PSNR : 22.9069 dB MSE : 332.961

Running Time : 6.06767 s 50 %

PSNR : 15.0262 dB MSE : 2043.91

PSNR : 21.8111 dB MSE : 428.529

Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise

sebesar 10%-50%. Sebagaimana terlihat pada tabel 4.1. noise yang tergenerate 10% memiliki nilai PSNR sebesar 28.0976 dB dan MSE sebesar 100.766, citra yang terkena generate noise 10% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 25.6314 dB dan MSE sebesar 177.802. noise yang tergenerate 20% memiliki nilai PSNR sebesar 22.2072 dB dan MSE sebesar 391.161, citra yang terkena generate noise 20% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 24.8658 dB dan MSE sebesar 212.082. noise yang tergenerate 30% memiliki nilai PSNR sebesar 18.9062 dB dan MSE sebesar 841.156, citra yang terkena generate noise 30% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 23.9121 dB dan MSE sebesar 264.167. noise yang tergenerate 40% memiliki nilai PSNR sebesar 16.7279 dB dan MSE sebesar 1381.31, citra yang terkena generate noise 40% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 22.9069 dB dan MSE sebesar 332.961. noise yang tergenerate 50% memiliki nilai PSNR sebesar 15.0262 dB dan MSE sebesar 2043.91, citra yang terkena generate noise 50% melakukan proses filtering kemudian memiliki nilai PSNR sebesar 21.8111 dB dan MSE sebesar 428.529.

Untuk melihat secara matematis perbandingan nilai PSNR sebelum dan sesudah filtering mengenerate noise sebesar 10%-50%. Dapat dilihat gambar 4.6 grafik sebelum dilakukan filtering dengan Gaussian noise.

Gambar 4.6 Grafik PSNR sebelum dan sesudah filtering 0

5 10 15 20 25 30

10% 20% 30% 40% 50%

PSNR

Grafik PSNR Gaussian Noise

Awal Arithmetic

Dapat dilihat pada gambar 4.6, secara grafik dilihat bahwa nilai PSNR semakin menurun apabila generate noise bernilai besar. Nilai PSNR sebelum filtering yang digenerate noise sebesar 10% adalah 28.0976 dB, 20% adalah 22.2072 dB, 30% adalah 18.9062 dB, 40% adalah 16.7279 dB dan 50% adalah 15.0262 dB. nilai PSNR sesudah filtering yang digenerate noise sebesar 10% adalah 25.6314 dB, 20% adalah 24.8658 dB, 30% adalah 23.9121 dB, 40% adalah 22.9069 dB dan 50% adalah 21.8111 dB.

Untuk melihat secara matematis perbandingan nilai MSE sebelum dan sesudah

filtering mengenerate noise sebesar 10%-50%. Dapat dilihat gambar 4.7 grafik sesudah filtering dengan Gaussian noise.

Gambar 4.7 Grafik MSE sebelum dan sesudah filtering

Dapat dilihat pada gambar 4.7, Nilai MSE sebelum filtering yang digenerate noise

sebesar 10% adalah 100.766, 20% adalah 391.161, 30% adalah 841.156, 40% adalah 1381.31 dan 50% adalah 2043.91. Nilai MSE sesudah filtering yang digenerate noise

sebesar 10% adalah 177.802, 20% adalah 212.082, 30% adalah 264.167, 40% adalah 332.961 dan 50 % adalah 428.529.

0 500 1000 1500 2000 2500

10% 20% 30% 40% 50%

MSE

Grafik MSE Gaussian noise

Awal Arithmetic

4.2.1.2 Pengujian Salt and Pepper noise terhadap Arithmetic Mean Filter.

Dibawah ini merupakan table gambar pengujian dengan persentasi noise 10%, 20% ,30% , 40% dan 50%.

Tabel 4.2 Citra digital grayscale terhadap persentase noise

Persentasi Noise

Proses Generate noise (Citra Terkena Noise)

Proses Filtering (Citra Hasil)

10%

PSNR : 14.8913 dB MSE : 2108.37

PSNR : 21.5086 dB MSE : 459.428

Running Time : 6.45085 s 20 %

PSNR : 11.8682 dB MSE : 4229.26

PSNR : 18.9624 dB MSE : 825.726

30%

PSNR : 10.1514 dB MSE : 6279.66

PSNR : 17.0771 dB MSE : 1274.61

Running Time : 6.50033 s 40%

PSNR : 8.92041 dB MSE : 8337.57

PSNR : 15.6673 dB MSE : 1763.41

Running Time : 6.6844 s 50 %

PSNR : 7.99541 dB MSE : 10316.7

PSNR : 14.5199 dB MSE : 2296.64

Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise

sebesar 10%-50% .Sebagaimana terlihat pada tabel 4.2. noise yang tergenerate 10% memiliki nilai PSNR sebesar 14.8913 dB dan MSE sebesar 2108.37, setelah melakukan proses filtering kemudian memiliki nilai PSNR sebesar 21.5086 dB dan MSE sebesar 459.428. Noise yang tergenerate 20% memiliki nilai PSNR sebesar 11.8682 dB dan MSE sebesar 4229.26, setelah melakukan proses filtering kemudian memiliki nilai PSNR sebesar 18.9624 dB dan MSE sebesar 825.726. Noise yang tergenerate 30% memiliki nilai PSNR sebesar 10.1514 dB dan MSE sebesar 6279.66, setelah melakukan proses filtering kemudian memiliki nilai PSNR sebesar 17.0771 dB dan MSE sebesar 1274.61. Noise yang tergenerate 40% memiliki nilai PSNR sebesar 8.92041 dB dan MSE sebesar 8337.57, setelah melakukan proses filtering kemudian memiliki nilai PSNR sebesar 15.6673 dB dan MSE sebesar 1763.41. Noise yang tergenerate 50% memiliki nilai PSNR sebesar 7.99541 dB dan MSE sebesar 10316.7, setelah melakukan proses filtering kemudian memiliki nilai PSNR sebesar 14.5199 dB dan MSE sebesar 2296.64.

Untuk melihat secara matematis perbandingan nilai PSNR dan MSE sebelum dilakukan filtering dan sesudah dilakukan filtering dengan mengenerate noise sebesar 10%-50%. Dapat dilihat gambar 4.8 dan 4.9 grafik sebelum dan sesudah dilakukan

filtering.

Gambar 4.8 Grafik PSNR sebelum dan sesudah filtering 0

5 10 15 20 25

10% 20% 30% 40% 50%

PSNR

Grafik PSNR Salt and Pepper Noise

Awal Arithmetic

Dapat dilihat pada gambar 4.8, nilai PSNR sebelum filtering yang digenerate

noise sebesar 10% adalah 14.8913 dB, 20% adalah 11.8682 dB, 30% adalah 10.1514 dB, 40% adalah 8.92041 dB dan 50% adalah 7.99541 dB. nilai PSNR yang digenerate

noise sebesar 10% adalah 21.5086 dB, 20% adalah 18.9624 dB, 30% adalah 17.0771 dB, 40% adalah 15.6673 dB dan 50% adalah 14.5199 dB.

Gambar 4.9 Grafik MSE sebelum dan sesudah filtering

Dapat dilihat pada gambar 4.9, Nilai MSE sebelum filtering yang digenerate noise

sebesar 10% adalah 2108.37, 20% adalah 4229.26, 30% adalah 6279.66, 40% adalah 8337.57 dan 50 % adalah 10316.7. Nilai MSE sesudah filtering yang digenerate noise

sebesar 10% adalah 459.428, 20% adalah 825.726, 30% adalah 1274.61, 40% adalah 1763.41 dan 50% adalah 2296.64.

0 2000 4000 6000 8000 10000 12000

10% 20% 30% 40% 50%

MSE

Grafik MSE Salt and Pepper Noise

Awal Arithmetic

error = citra_arithmetic - citra_highboost; MSE = sum(sum(error .* error)) / (M * N) if(MSE > 0)

PSNR = 10*log(255*255/MSE) / log(10) else

PSNR = 99 end

set(handles.text15,'string',MSE);

% --- Executes on button press in pushbutton10.

function pushbutton10_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton10 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% --- Executes on slider movement.

function slider5_Callback(hObject, eventdata, handles)

% hObject handle to slider5 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'Value') returns position of slider

% get(hObject,'Min') and get(hObject,'Max') to determine range of slider

F = getimage(handles.axes2); mu = 0; % Nilai bawaan mu

deviasi = get(hObject,'value'); sigma = + deviasi

[m n p] = size(F); noise = double(F); for i=1 : m

for j=1 : n for k=1 : p

derau = randn * sigma + mu;

G(i,j,k) = round(noise(i,j,k) + derau); if G(i,j,k) > 255

G(i,j,k) = 255; elseif G(i,j,k) < 0 G(i,j,k) = 0;

G = uint8(G); end;

end; end; end;

handles.gui.G = G; citranoise = G;

guidata(hObject, handles) axes(handles.axes3); imshow(citranoise);

set(handles.text9,'string',sigma);

% --- Executes during object creation, after setting all properties. function slider5_CreateFcn(hObject, eventdata, handles)

% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: slider controls usually have a light gray background. if isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor',[.9 .9 .9]); end

%

-function Untitled_1_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

cover

delete(handles.figure1)

%

-function Untitled_2_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

Help

delete(handles.figure1)

% --- Executes on button press in pushbutton11.

function pushbutton11_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton11 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

[nama_file_simpan, path_simpan]=uiputfile(... {'*.jpg','(*.jpg)';

'*.*','Semua File(*.*)'},... 'Menyimpan Citra Hasil'); G=getimage(handles.axes5);

imwrite(G,fullfile(path_simpan,nama_file_simpan),'JPG');

%

-function Untitled_3_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_3 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

close;

3.

Form Help

function varargout = Help(varargin)

% HELP MATLAB code for Help.fig

% HELP, by itself, creates a new HELP or raises the existing % singleton*.

%

% H = HELP returns the handle to a new HELP or the handle to % the existing singleton*.

%

% HELP('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in HELP.M with the given input

arguments. %

% HELP('Property','Value',...) creates a new HELP or raises the % existing singleton*. Starting from the left, property value pairs are

% applied to the GUI before Help_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application

% stop. All inputs are passed to Help_OpeningFcn via varargin. %

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one

% instance to run (singleton)". %

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Help % Last Modified by GUIDE v2.5 16-Jul-2014 13:43:48

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Help_OpeningFcn, ... 'gui_OutputFcn', @Help_OutputFcn, ... 'gui_LayoutFcn', [] , ...

'gui_Callback', []); if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else

gui_mainfcn(gui_State, varargin{:}); end

% End initialization code - DO NOT EDIT

% --- Executes just before Help is made visible.

function Help_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn. % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Help (see VARARGIN) % Choose default command line output for Help

handles.output = hObject;

% Update handles structure

% UIWAIT makes Help wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Help_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure

varargout{1} = handles.output;

% --- Executes on selection change in listbox2.

function listbox2_Callback(hObject, eventdata, handles)

% hObject handle to listbox2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = cellstr(get(hObject,'String')) returns listbox2 contents as cell array

% contents{get(hObject,'Value')} returns selected item from listbox2

% --- Executes during object creation, after setting all properties. function listbox2_CreateFcn(hObject, eventdata, handles)

% hObject handle to listbox2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: listbox controls usually have a white background on Windows. % See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

%

-function Untitled_1_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

cover

delete(handles.figure1)

% --

---function Untitled_2_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

Skripsi

delete(handles.figure1)

%

-function Untitled_3_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_3 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

CURRICULUM VITAE

Nama

: Lorent Oliver Barus

Alamat Sekarang

: Jln. Bunga Cempaka No.51 UTR LK III Padang Bulan Medan

Alamat Orang Tua

: Jln. Bunga Cempaka No.51 UTR LK III Padang Bulan Medan

Telp/Hp

: 0856-6261-664

Email

:

lorent_barus@yahoo.com

Riwayat Pendidikan

SD Impres Medan dari Tahun 1998 s/d Tahun 2004

SMP Budi Murni 2 Medan dari Tahun 2004 s/d Tahun 2007

SMU Budi Murni 2 Medan dari Tahun 2007 s/d Tahun 2010

Universitas Sumatera Utara dari Tahun 2010 s/d Tahun 2014

Keahlian

Bahasa : Bahasa Indonesia

Bahasa Pemrograman : MATLAB