Implementasi Harmonic Mean Filter dan Fuzzy C Means Clustering Pada Segmentasi Citra
DAFTAR PUSTAKA
Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Graha Ilmu: Yogyakarta.
Bezdek, J.C .1981. Pattern Recognition With Fuzzy Objective Function Algorithm. Plenum Press. New York
Chairy, Amalia. 2014. Implementasi Perbandingan Metode Harmonic-Mean Filter dan
Contraharmonic-Mean Filter untuk Mereduksi Noise Pada Citra Digital. Skripsi.
Universitas Sumatera Utara.
Fadilah, Azhar. 2014. Implementasi Metode Kombinasi Mean Filter dan Median Filter
Untuk Mereduksi Gaussian Noise, Salt and Pepper Noise, Speckle Noise, dan Exponential Noise Pada Citra Digital. Skripsi. Universitas Sumatera Utara.
Hamzah, A. 2001. Pengenalan Pola dengan Fuzzy Clustering. ACADEMIA ISTA,
Vol.4.No.1. Lembaga Penelitian Institut Sains dan Teknologi AKPRIND. Yogayakarta.
Hermawati, F.A. 2013. Pengolahan Citra Digital. ANDI: Yogyakarta.
Kadir, A. & Susanto. A. 2013. Teori dan Aplikasi Pengolahan Citra Digital. ANDI: Yogyakarta.
Munir, R. 2007. Pengantar Pratikum pengolahan Citra. Bandung: Penerbit ANDI. Nasir, Gamal. 2014. Implementasi Harmonic Mean Filter untuk Mereduksi Noise
pada Citra BMP dan PNG. Skripsi. Universitas Sumatera Utara.
Prasetyo, E. 2011. Pengolahan Citra Digital dan Aplikasinya menggunakan Matlab. ANDI: Yogyakarta.
Prayudha, Muhammad. 2011. Perancangan Perangkat Lunak Segmentasi Citra Dengan
Menggunakan Metode Fuzzy Clustering. Skripsi. Universitas Sumatera Utara.
Putra, D. 2010. Pengolahan Citra Digital. ANDI: Yogyakarta.
Sebayang, Ayu Nuraini.2011. Pengenalan Pola Dalam Fuzzy Clustering Dengan
Pendekatan Algoritma Genetika. Skripsi.Universitas Sumatera Utara.
Sitorus, Syahriol., Suyanto., Sawaluddin., Harahap, Suriawan., Hutagalung, Jannes. 2006. Pengolahan Citra Digital. USU: Medan.
(2)
102 Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O. D. & Wijanarto. 2009. Teori
(3)
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Sebelum melakukan perancangan terhadap sistem, perlu dilakukan analisis terhadap sistem yang akan dirancang. Analisis sistem adalah tahapan untuk memahami permasalahan dalam suatu sistem dan mempelajari permasalahan dalam sistem dan memberikan solusi penyelesaian atas permasalahan sistem berdasarkan kebutuhan pengguna.
3.1.1 Analisis Permasalahan
Masalah yang akan diselesaikan dengan sistem ini adalah bagaimana melakukan segmentasi pada citra digital dengan mengurangi noise yang terdapat pada citra tersebut terlebih dahulu. Dalam sistem ini, citra akan diberikan Gaussian noise atau
Uniform noise terlebih dahulu, kemudian dilakukan reduksi noise dengan Harmonic Mean Filter. Setelah noise pada citra direduksi, dilakukan segmentasi citra dengan
menggunakan algoritma Fuzzy C Means Clustering.
Masalah pada penelitian ini secara umum ditunjukkan dengan menggunakan diagram Ishikawa. Bentuk diagram Ishikawa seperti kerangka tulang ikan. Diagram
Ishikawa terdiri atas 2 bagian yaitu bagian tulang ikan yang merepresentasikan
penyebab atau akar dari suatu masalah (cause), dan bagian kepala ikan yang merepresentasikan dampak atau masalah yang diakibatkan oleh penyebab (effect). Diagram Ishikawa pada sistem ini dapat dilihat pada Gambar 3.1.
(4)
32
3.1.2 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi kebutuhan fungsional dan nonfungsional sistem.
3.1.2.1 Kebutuhan Fungsional Sistem
Kebutuhan fungsional merupakan spesifikasi hal-hal yang harus dilakukan oleh sebuah sistem. Dalam sistem segmentasi citra dan filtering ini terdapat beberapa kebutuhan fungsional yang harus dipenuhi, yaitu:
1. Sistem dapat menginput citra digital dengan format *.bmp atau *.png dan dengan ukuran citra maksimal 300x300 pixel dan menggunakan kernel 3x3 dari matriks nilai pixel citra.
2. Sistem dapat melakukan proses generate noise, noise yang digunakan pada sistem Gaussian Noise dan Uniform Noise dengan persentase noise 5%, 10%, 15%, 20%, 25%, 30%, 35%, 40%, 45%, 50%. Dan sistem dapat mereduksi
noise dengan metode Harmonic Mean Filter.
3. Sistem dapat melakukan proses segmentasi noise baik pada citra asli, citra bernoise dan citra hasil reduksi noise dengan menggunakan metode Fuzzy C
Means Clustering dengan jumlah cluster sebanyak maksimal 10 dengan proses
iterasi sebanyak 3 kali.
4. Sistem memiliki parameter yang akan digunakan untuk membandingkan kualitas citra pada proses reduksi noise atau segmentasi citra. Parameter tersebut adalah Mean Squared Error (MSE), Peak Signal to Noise Ratio
(PSNR) dan running time.
3.1.2.2 Kebutuhan NonFungsional Sistem
Kebutuhan non-fungsional adalah kebutuhan yang berisi kinerja operasional dan performance dari suatu sistem. Terdapat beberapa kebutuhan non-fungsional yang harus dipenuhi (Nasir, 2014), yaitu:
1. Performa
Perangkat lunak yang akan dibangun harus dapat menunjukkan hasil dan proses reduksi noise pada citra
(5)
33
2. Mudah digunakan
Sistem yang akan dibangun harus muda digunakan (user friendly), artinya sistem ini akan mudan digunakan oleh user dengan tampilan yang sederhana dan dapat dimengerti.
3. Hemat biaya
Sistem dan perangkat lunak digunakan tidak memerlukan perangkat tambahan yang dapat mengeluarkan biaya.
4. Dokumentasi
Sistem yang akan dibangun harus bisa menyimpan citra hasil proses filtering dan segmentasi.
5. Kontrol
Perangkat lunak yang dibangun memiliki kontrol berupa enable and disable pada tombol fungsi tertentu
6. Manajemen kualitas
Sistem atau perangkat lunak yang akan dibangun harus memiliki kualitas yang baik yaitu dapat menghitung nilai MSE dan PSNR secara tepat serta dapat menghitung nilai running time.
3.1.3 Analisis Proses
Sistem ini memiliki 3 proses, yaitu proses tambah noise, proses reduksi noise, dan proses segmentasi. Pada proses tambah noise terdapat dua pilihan noise yang akan ditambahkan, yaitu Gaussian Noise atau Uniform Noise. Proses reduksi noise dilakukan dengan metode Harmonic Mean Filter. Setelah reduksi noise, dilakukan proses yang terakhir yaitu proses segmentasi dengan menggunakan metode Fuzzy C
Means Clustering.
3.1.3.1 Analisis Proses Reduksi Noise dengan Metode Harmonic Mean Filter
Berikut ini merupakan contoh proses filtering dengan menggunakan metode
Harmonic Mean Filter pada suatu matriks citra berukuran 5x5:
(6)
34
Perhitungan dimulai dari koordinat f(2,2) dan dilakukan dengan mengambil matriks 3x3 dari matriks citra awal 5x5. Dan setelah itu dilanjutkan dengan matriks 3x3 disebelahnya.
[ ]
Perhitungannya adalah sebagai berikut:
, =
�+ + + + + + + + = . ≈ 21,4 = 21
, =
+ + + + + + + +�=
. ≈ 8,16 = 8
, =
+ + + + + + + +� =. ≈ 10,04 = 10
, =
+ + + + + + + +�=
. ≈ 16,2 = 16
, =
+ + + + + + + +�=
. ≈ 20,68 = 21
, =
+ + + + + + + +� =. ≈ 20,13 = 20
, =
+ + + + + + + +�=
. ≈ 5,31 = 5
, =
+ + + + + + + +�=
. ≈ 12,85 = 13
, =
+ + + + + + + +�=
. = 18
Setelah perhitungan diatas selesai, maka didapatlah hasil citra yang sudah difilter:
(7)
35
3.1.3.2 Analisis Proses Segmentasi Citra dengan Metode Fuzzy C Means
Clustering
Berikut ini merupakan contoh proses segmentasi citra dengan menggunakan metode
Fuzzy C Means Clustering pada suatu matriks citra berukuran 5x5:
[ ]
Dari Matriks diatas, urutkan data dari yang terkecil sampai data terbesar, yaitu sebagai berikut:
2, 4, 5, 6, 8, 9, 10, 12, 12, 13, 14, 16, 18, 18, 20, 21, 21, 22, 26, 32, 35, 36, 44, 66, 82 Pertama-tama bangkitkan 5 bilangan acak (karena matriks citra 5x5) antara 2 (data terkecil) sampai 82(data terbesar), misalnya diperoleh:
Cluster-1 = 8.06 Cluster-2 = 14.36 Cluster-3 = 48.40 Cluster-4 = 60.25 Cluster-5 = 80.10
Hitung jarak data dengan centroid dengan meminimalkan jarak melalui iterasi. Lakukan iterasi-1 pada data pertama:
1. Hitung jarak data pertama ke pusat cluster pertama:
D11 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √100 + 900 + 256 + 16 + 36 = 36.17
2. Hitung jarak data pertama ke pusat cluster kedua:
D12 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √16 + 0 + 196 + 1156 + 576 = 44.10
3. Hitung jarak data pertama ke pusat cluster ketiga:
D13 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √900 + 16 + 324 + 1444 + 784 = 58.89
4. Hitung jarak data pertama ke pusat cluster keempat:
D14= √ − 2 + − 2 + (22 − 2 + − 2 + − 2
(8)
36
5. Hitung jarak data pertama ke pusat cluster kelima:
D15 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √3844 + 676 + 144 + 64 + 4 = 68.79
Pada data kedua:
1. Hitung jarak data kedua ke pusat cluster pertama:
D21 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √1 + 225 + 4 + 16 + 841 = 32.97
2. Hitung jarak data kedua ke pusat cluster kedua:
D22 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √25 + 225 + 784 + 676 + 1 = 41.36
3. Hitung jarak data kedua ke pusat cluster ketiga:
D23 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √1521 + 361 + 1024 + 900 + 25 = 61.89
4. Hitung jarak data kedua ke pusat cluster keempat:
D24 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √2601 + 16 + 289 + 225 + 100 = 56.84
5. Hitung jarak data kedua ke pusat cluster kelima:
D25 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √5041 + 121 + 4 + 0 + 625 = 76.10
Pada data ketiga:
1. Hitung jarak data ketiga ke pusat cluster pertama:
D31 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √324 + 100 + 225 + 196 + 5776 = 81.37
2. Hitung jarak data ketiga ke pusat cluster kedua:
D32 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √144 + 400 + 225 + 256 + 2116 = 56.04
3. Hitung jarak data ketiga ke pusat cluster ketiga:
D33 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √484 + 576 + 361 + 400 + 1764 = 59.87
4. Hitung jarak data ketiga ke pusat cluster keempat:
(9)
37
= √1156 + 81 + 16 + 25 + 3249 = 67.28
5. Hitung jarak data ketiga ke pusat cluster kelima:
D35 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √2916 + 36 + 121 + 100 + 5184 = 91.41
Pada data keempat:
1. Hitung jarak data keempat ke pusat cluster pertama:
D41 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √1296 + 1 + 49 + 144 + 676 = 46.54
2. Hitung jarak data keempat ke pusat cluster kedua:
D42 = √ − 2 + − 2 + (13 − 2 + − 2 + − 2
= √900 + 961 + 529 + 324 + 16 = 52.23
3. Hitung jarak data keempat ke pusat cluster ketiga:
D43 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √16 + 1225 + 729 + 484 + 64 = 50.18
4. Hitung jarak data keempat ke pusat cluster keempat:
D44 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √256 + 400 + 144 + 49 + 49 = 29.97
5. Hitung jarak data keempat ke pusat cluster kelima:
D45 = √ − 2 + − 2 + − 10)2 + − 2 + − 2
= √1296 + 25 + 9 + 64 + 484 = 43.34
Pada data kelima
1. Hitung jarak data kelima ke pusat cluster pertama:
D51 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √36 + 4 + 36 + 3600 + 0 = 60.63
2. Hitung jarak data kelima ke pusat cluster kedua:
D52 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √0 + 1024 + 576 + 900 + 900 = 58.31
3. Hitung jarak data kelima ke pusat cluster ketiga:
D43 = √ − 2 + − 2 + − 2 + − 2 + − 2
(10)
38
4. Hitung jarak data kelima ke pusat cluster keempat:
D44 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √2116 + 441 + 169 + 1681 + 361 = 69.05
5. Hitung jarak data kelima ke pusat cluster kelima:
D45 = √ − 2 + − 2 + − 2 + − 2 + − 2
= √4356 + 36 + 4 + 3136 + 16 = 86.88
Hasil perhitungan diatas diperoleh jarak antara data dengan cluster dan dimasukkan kedalam Tabel 3.1 dibawah ini:
Tabel 3.1 Cluster Citra
1 2 3 4 5 C1 C2 C3 C4 C5
1 18 36 22 2 12 36.17 44.10 58.89 50.91 68.79 2 9 21 8 10 35 32.97 41.36 61.89 56.84 76.10 3 26 16 21 20 82 81.37 56.04 59.87 67.28 91.41 4 44 5 13 18 32 46.54 52.23 50.18 29.97 43.34 5 14 4 12 66 6 60.63 58.31 71.19 69.05 86.88
Lakukan pemilihan cluster yang paling kecil sehingga diperoleh Tabel 3.2
Tabel 3.2 Pusat Cluster Citra
1 2 3 4 5 C1 C2 C3 C4 C5
1 18 36 22 2 12 36.17 44.10 58.89 50.91 68.79 2 9 21 8 10 35 32.97 41.36 61.89 56.84 76.10 3 26 16 21 20 82 81.37 56.04 59.87 67.28 91.41 4 44 5 13 18 32 46.54 52.23 50.18 29.97 43.34 5 14 4 12 66 6 60.63 58.31 71.19 69.05 86.88
Maka diperoleh cluster pertama adalah data pixel (1,1) dan(1,2) sehingga C11 : (18+9)/2: 13.5 . Cluster kedua adalah data pixel (2,3) dan (2,5) sehingga C21: (16+4)/2: 10. Cluster keempat adalah hanya data (4,4) sehingga C41: 18.
Lakukan iterasi-2 seperti langkah diatas dengan cluster-1 = 13.5, cluster-2 = 10 dan
(11)
39
dihentikan dan dari hasil pusat cluster yang diperoleh update nilai pixel, maka diperoleh matriks nilai pixel citra iterasi 1 seperti pada Tabel 3.3.
Tabel 3.3 Matriks Nilai Pixel 5x5 Iterasi 1
13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5 13.5
Dari Tabel 3.3 di atas dapat dilihat bahwa semua nilai pixel pada matriks citra satelit memiliki nilai yang homogen dengan nilai 13.5. Untuk blok yang lain pada citra dilakukan perhitungan yang sama seperti di atas yang hasilnya seperti pada pada Tabel 3.4.
Tabel 3.4 Matriks Nilai Pixel 5x5 Iterasi 1 pada blok-blok lain
13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa 13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa 13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa 13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa 13.5 13.5 13.5 13.5 13.5 aaa aaa aaa aaa aaa bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc bbb Bbb bbb bbb bbb ccc ccc ccc ccc ccc
Keterangan:
Nilai aaa : Nilai piksel blok-2 citra dihitung pada iterasi 1 Nilai bbb : Nilai piksel blok-3 citra dihitung pada iterasi 1 Nilai ccc : Nilai piksel blok-4 citra dihitung pada iterasi 1
Jika semua blok telah dihitung, maka akan terbentuk pola-pola yang homogen yang mempermudah dalam pengenalan pola karena terdapat pemisah antara pola-pola yang homogen yaitu nilai pikselnya.
3.2 Pemodelan Sistem
Penelitian ini menggunakan UML untuk mendesain dan merancang filtering dan segmentasi citra. Model UML yang digunakan adalah use case diagram, activity
(12)
40
3.2.1 Use Case Diagram
Use case diagram adalah diagram yang digunakan untuk menggambarkan interaksi
antara pengguna sistem dengan sistem itu sendiri. Use case mereperesentasikan hubungan antara aktor dengan sistem. Aktor merupakan semua pengguna (user) yang terlibat interaksi dengan sistem, seperti manusia, mesin, sistem eksternal, atau pun unit organisasi.
Use Case diagram sistem ini dapat dilihat pada gambar 3.2.
Gambar 3.2 Use Case diagram sistem
Gambar 3.2 menerangkan interaksi yang dapat dilakukan actor (user) dengan sistem. Sistem menyediakan dua fitur yang dapat digunakan user yaitu reduksi noise dan segmentasi citra. Proses reduksi noise menggunakan Harmonic Mean Filter dan proses segmentasi citra menggunakan Fuzzy C Means Clustering. Terdapat dua jenis
noise yang dapat digunakan untuk membangkitkan noise citra yaitu Uniform Noise
dan Gaussian Noise. Sistem juga akan melakukan perhitungan nilai MSE,PSNR dan
Running Time setelah user melakukan proses reduksi noise dan segmentasi citra dan
saat sistem membangkitkan noise.
(13)
41
Tabel 3.5 Spesifikasi Use Case generate noise
Name Generate Noise Actors User
Description Use case ini mendeskripsikan proses pembangkitan noise.
Preconditions User dapat melihat citra asli dan citra yang telah ditambah noise.
Post Conditions Sistem menampilkan citra yang telah di tambah noise. Success Scenario 1. User memasukkan nilai probabilitas untuk proses
generate noise.
2. Kemudian user mengeksekusi button noise yang terdapat disistem.
3. Sistem akan melakukan proses generate noise dan menampilkan citra hasil yang telah ditambahkan noise.
4. Pengguna dapat melihat citra hasil generate noise.
Alternative Flows Pengguna dapat memilih jenis noise yang akan ditambahkan, seperti Uniform noise atau Gaussian noise.
Spesifikasi use case reduksi noise dapat dilihat pada Tabel 3.6.
Tabel 3.6 Spesifikasi Use Case reduksi noise
Name Reduksi Noise Actors User
Description Use Case ini mendeskripsikan proses reduksi noise.
Preconditions Pengguna dapat melihat citra asli, citra yang telah ditambah
noise dan citra hasil reduksi noise.
Post Conditions Sistem menampilkan citra hasil reduksi noise. Success Scenario 1. Pengguna mengeksekusi button filtering.
2. Sistem akan melakukan proses filtering dan menampilkan hasil filtering Harmonic Mean Filter.
3. Pengguna dapat melihat hasil filtering Harmonic Mean
Filter.
Alternative Flows Pengguna dapat memilih citra noise yang akan direduksi, seperti citra Uniform Noise atau citra Gaussian Noise. Spesifikasi use case segmentasi citra dapat dilihat pada Tabel 3.7.
Tabel 3.7 Spesifikasi Use Case segmentasi citra
Name Segmentasi Citra
(14)
42
hasil segmentasi.
Post Conditions Sistem menampilkan citra yang telah di segmentasi. Success Scenario 1. Pengguna mengeksekusi button Segmentasi.
2. Sistem akan melakukan proses segmentasi dan menampilkan hasil segmentasi Fuzzy C Means
Clustering.
3. Pengguna dapat melihat hasil segmentasi Fuzzy C Means
Clustering.
Alternative Flows -
Spesifikasi use case menghitung nilai MSE, PSNR dan Running Time dapat dilihat pada Tabel 3.8.
Tabel 3.8 Spesifikasi Use Case menghitung nilai MSE, PSNR, dan Running Time
Name Menghitung Nilai MSE, PSNR dan Running Time
Actors User
Description Use Case ini mendeskripsikan proses perhitungan nilai MSE, PSNR dan Running Time.
Preconditions User mengeksekusi button noise, button Filtering dan button
segmentasi.
Post Conditions Sistem menampilkan nilai MSE, PSNR dan Running Time dari citra hasil generate noise, citra hasil filtering dan citra hasil segmentasi.
Success Scenario 1. Sistem melakukan proses perhitungan nilai MSE, PSNR dan Running Time citra hasil generate noise, citra hasil
filtering, dan citra hasil segmentasi.
2. User dapat melihat hasil perhitungan MSE, PSNR dan Running Time citra hasil generate noise dan citra hasil filtering, dan citra hasil segmentasi.
Alternative Flows -
3.2.2 Activity Diagram
Activity diagram adalah diagram aktivitas yang mendeskripsikan proses kerja dalam
sebuah sistem yang sedang berjalan. Diagram ini hampir memiliki peran yang sama dengan diagram alir yang memungkinkan user yang melakukan proses dapat memilih urutan yang sesuai dengan keinginannya. Activity diagram bertujuan untuk membantu memahami keseluruhan proses dan menggambarkan interaksi antara beberapa use
case. Activity diagram sistem ini terbagi tiga, yaitu Activity diagram menu Implementasi-Filtering, Activity diagram menu Implementasi-Segmentasi dan Activity diagram menu Home dan About.
(15)
43
(16)
44
Activity diagram untuk menu Implementasi-Segmentasi dapat dilihat pada Gambar 3.4
(17)
45
Activity diagram untuk menu Home dan menu About dapat dilihat pada Gambar 3.5
(a) (b)
Gambar 3.5 Activity diagram (a) menu Home dan (b) menu About
3.2.3 Sequence Diagram
Sequence diagram adalah diagram yang digunakan untuk menggambarkan interaksi-
interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Sequence Diagram berisi skenario atau rangkaian langkah-langkah yang dilakukan sebagai sebuah respon dari suatu kejadian untuk menghasilkan output tertentu.
(18)
46
Sequence diagram menu Implementasi-Segmentasi dapat dilihat pada Gambar 3.7
(19)
47
3.3 Perancangan Sistem
(20)
48
3.3.2 Flowchart Harmonic Mean Filter
(21)
49
3.3.3 Flowchart Fuzzy C Means Clustering
(22)
50
3.3.4 Perancangan Antarmuka Sistem (Interface)
Perancangan antarmuka digunakan untuk menampilkan antarmuka sistem yang akan digunakan oleh pengguna. Sistem ini dirancang dalam 5 form, yaitu form Home, form Implementasi - Filtering, form Implementasi – Segmentasi, form Help, dan form About. Form Home merupakan tampilan awal aplikasi. Form Implementasi - Filtering
merupakan menu form yang dapat digunakan oleh pengguna untuk melakukan proses
filtering. Form Implementasi – Segmentasi merupakan menu form yang dapat digunakan oleh pengguna untuk melakukan proses segmentasi. Form Help berisi panduan untuk pengguna dalam menggunakan aplikasi sistem. Form About berisi profil penulis.
3.3.4.1 Form Home
Form Home dapat dilihat pada Gambar 3.11
Gambar 3.11 Rancangan Form Home
Keterangan:
1. Merupakan Tool Strip Menu Item Home berfungsi menampilkan form Home. 2. Merupakan Tool Strip Menu Item Implementasi berfungsi memilih sub menu
Filtering atau Segmentasi.
3. Merupakan Tool Strip Menu Item Help berfungsi menampilkan form Help.
4. Merupakan Tool Strip Menu Item About berfungsi menampilkan form About. 5. Merupakan Sub Tool Strip Menu Item Implementasi – Filtering berfungsi
menampilkan form Filtering.
6. Merupakan Sub Tool Strip Menu Item Implementasi – Segmentasi berfungsi menampilkan form Segmentasi.
7. Merupakan Label untuk menampilkan Judul aplikasi. 8. Merupakan logo USU.
(23)
51
3.3.4.2 Form Implementasi – Filtering
Form Implementasi – Filtering dapat dilihat pada Gambar 3.12
Gambar 3.12 Rancangan Form Implementasi - Filtering
Keterangan:
1. Merupakan Label CA yaitu merupakan singkatan dari Citra Asli. 2. Merupakan Label CN yaitu merupakan singkatan dari Citra Noise. 3. Merupakan Label CN yaitu merupakan singkatan dari Citra Noise. 4. Merupakan Label CF yaitu merupakan singkatan dari Citra Filter. 5. Merupakan Label CF yaitu merupakan singkatan dari Citra Filter. 6. Merupakan Picture Box yang berfungsi menampilkan Citra Asli.
7. Merupakan Picture Box yang berfungsi menampilkan Citra Noise dari Gaussian
Noise.
8. Merupakan Picture Box yang berfungsi menampilkan Citra Noise dari Uniform
Noise.
(24)
52
10. Merupakan Picture Box yang berfungsi menampilkan Citra Filter dari Uniform
Noise.
11. Merupakan Label Nama yang menampilkan nama File Citra yang diinput. 12. Merupakan Label Size Citra yang menampilkan Size Citra yang diinput. 13. Merupakan Label Persentase Noise dari Citra Noise Gaussian.
14. Merupakan Label MSE yang akan menampilkan nilai MSE dari Citra Noise
Gaussian.
15. Merupakan Label PSNR yang akan menampilkan nilai PSNR dari Citra Noise
Gaussian.
16. Merupakan Label RT yang akan menampilkan nilai Running Time dari Citra
Noise Gaussian.
17. Merupakan Label Persentase Noise dari Citra Noise Uniform.
18. Merupakan Label MSE yang akan menampilkan nilai MSE dari Citra Noise
Uniform.
19. Merupakan Label PSNR yang akan menampilkan nilai PSNR dari Citra Noise
Uniform.
20. Merupakan Label RT yang akan menampilkan nilai Running Time dari Citra
Noise Uniform.
21. Merupakan Label Gaussian Noise yang menunjukan Picture box dari Filtering Citra Noise Gaussian.
22. Merupakan Label MSE yang akan menampilkan nilai MSE dari Filtering Citra
Noise Gaussian.
23. Merupakan Label PSNR yang akan menampilkan nilai PSNR dari Filtering Citra
Noise Gaussian.
24. Merupakan Label RT yang akan menampilkan nilai Running Time dari Filtering Citra Noise Gaussian.
25. Merupakan Label Uniform Noise yang menunjukan Picture box dari Filtering Citra Noise Uniform.
26. Merupakan Label MSE yang akan menampilkan nilai MSE dari Filtering Citra
Noise Uniform.
27. Merupakan Label PSNR yang akan menampilkan nilai PSNR dari Filtering Citra
(25)
53
28. Merupakan Label RT yang akan menampilkan nilai Running Time dari Filtering Citra Noise Uniform.
29. Merupakan Button Input Citra untuk membuka file citra asli.
30. Merupakan Button Reset yang berfungsi untuk menghapus seluruh kerja program kembali ke bentuk awal.
31. Merupakan Combo Box yang akan menampilkan persentase Noise dari Gaussian
Noise yang akan ditambahkan ke citra Asli.
32. Merupakan Combo Box yang akan menampilkan persentase Noise dari Uniform
Noise yang akan ditambahkan ke citra Asli.
33. Merupakan Button Filtering untuk mereduksi Noise Gaussian.
34. Merupakan Button Save untuk menyimpan Citra Gaussian Noise yang telah difilter.
35. Merupakan Button Filtering untuk mereduksi Noise Uniform.
36. Merupakan Button Save untuk menyimpan Citra Uniform Noise yang telah difilter.
37. Merupakan Group Box yang berisi keterangan dari parameter sistem.
3.3.4.3 Form Implementasi – Segmentasi
Form Implementasi – Segmentasi dapat dilihat pada Gambar 3.13
(26)
54
Keterangan :
1. Merupakan Picture Box yang akan menampilkan Citra yang diinput. 2. Merupakan PictureBox yang akan menampilkan Citra hasil segmentasi. 3. Merupakan Label Nama yang akan menampilkan nama Citra yang diinput. 4. Merupakan Label Size Citra yang akan menampilkan ukuran Citra yang diinput. 5. Merupakan Button Input Citra yang berfungsi untuk membuka file Citra yang
akan diinput.
6. Merupakan Button Reset yang berfungsi untuk menghapus seluruh kerja program kembali ke bentuk awal.
7. Merupakan Label Number of Cluster yang akan menampilkan jumlah cluster yang diinginkan.
8. Merupakan Combo Box yang memiliki daftar number of cluster yang telah ditentukan.
9. Merupakan Button Segmentasi yang berfungsi untuk melakukan proses segmentasi.
10. Merupakan Button Save yang berfungsi untuk menyimpan Citra hasil yang telah disegmentasi
11. Merupakan Label MSE yang berfungsi untuk menampilkan nilai MSE. 12. Merupakan Label PSNR yang berfungsi untuk menampilkan nilai PSNR. 13. Merupakan Label RT yang berfungsi untuk menampilkan nilai Running Time .
(27)
55
3.3.4.4 Form Help
Form Help dapat diihat pada Gambar 3.14
Gambar 3.14 Rancangan Form Help
Keterangan :
1. Merupakan Group Box untuk menampilkan penjelasan tentang Form Implementasi – Filtering.
2. Merupakan Group Box untuk menampilkan penjelasan tentang Form Implementasi – Segmentasi.
3.3.4.5 Form About
Form About dapat dilihat pada Gambar 3.15
Gambar 3.15 Rancangan Form About
Keterangan :
1. Merupakan Picture Box untuk menampilkan image profil dari penulis.
(28)
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Setelah melakukan proses Analisis dan Perancangan Sistem, tahap selanjutnya adalah Implementasi dan Pengujian Sistem. Implementasi sistem merupakan penerapan fungsionalitas suatu sistem setelah selesai dilakukan pemodelan dan perancangan sistem. Impelementasi sistem ini dibangun dengan menggunakan bahasa pemrograman C# dengan memakai IDE SharpDevelop. Sistem ini dirancang dalam 5 form, yaitu form
Home, form Implementasi - Filtering, form Implementasi – Segmentasi, form Help,
dan form About.
4.1.1 Form Home
Form ini yang pertama kali muncul saat aplikasi dijalankan. Form Home
menampilkan judul skripsi, logo Fasilkom-TI, dan menu strip yang didalamnya terdapat beberapa menu yang digunakan untuk memanggil form – form yang tersedia
di sistem. Tampilan form Home dapat dilihat di Gambar 4.1 .
Gambar 4.1 Tampilan Form Home
4.1.2 Form Implementasi – Filtering
Form ini merupakan form yang akan melakukan implementasi filtering sebuah citra
dengan metode Harmonic Mean Filter. Form ini menampilkan citra asli, citra bernoise, dan citra filter. Pada form ini citra asli akan diberi noise baik Gaussian Noise
(29)
57
maupun Uniform Noise sesuai dengan persentase noise yang diinginkan setelah itu citra akan difilter dengan metode Harmonic Mean Filter. Pada form ini juga dihitung nilai MSE,PSNR dan Running Time sebagai parameter perbandingan baik pada saat pembangkitan noise maupun saat proses filtering. Tampilan Form Implementasi –
Filtering dapat dilihat pada Gambar 4.2.
Gambar 4.2 Tampilan Form Implementasi – Filtering 4.1.3 Form Implementasi – Segmentasi
Form ini merupakan form yang akan melakukan proses implementasi segmentasi
sebuah citra dengan metode Fuzzy C Means Clustering. Form ini akan menampilkan citra hasil segmentasi beserta hasil perhitungan MSE, PSNR, Running Time. Pada
form ini citra yang dapat disegmentasi adalah citra asli, citra yang telah diberi noise,
dan citra yang telah difilter. Tampilan form Implementasi – Segmentasi dapat dilihat pada Gambar 4.3.
(30)
58
Gambar 4.3 Tampilan Form Implementasi – Segmentasi
4.1.4 Form Help
Form ini merupakan panduan bagi pengguna agar dapat dengan mudah menggunakan
aplikasi ini. Tampilan form Help dapat dilihat pada Gambar 4.4.
(31)
59
4.1.5 Form About
Form ini berisi profil singkat penulis/peneliti. Tampilan form About dapat dilihat pada
Gambar 4.5.
Gambar 4.5 Tampilan Form About 4.2 Pengujian Sistem
Pengujian sistem merupakan tahapan selanjutannya setelah implementasi sistem. Pengujian sistem bertujuan untuk membuktikan sistem yang dibangun telah berjalan dengan baik dan mengetahui citra hasil segmentasi serta mengetahui perbandingan citra hasil segmentasi dengan metode Fuzzy C Means Clustering dimana sebelumnya telah difiltering dengan metode Harmonic Mean Filter dengan citra hasil segmentasi dengan metode Fuzzy C Means Clustering tanpa difiltering terlebih dahulu. Pengujian sistem ini dilakukan pada citra berwarna tanpa noise berformat *.bmp dan *.png dengan ukuran maksimal 300 x 300 piksel.
4.2.1 Proses Pengujian Reduksi Gaussian Noise
Pengujian metode filter diawali dengan memilih citra yang akan digunakan dalam proses filtering. Dalam sistem ini terdapat dua jenis citra yang bisa dibaca oleh sistem yaitu citra *.bmp dan citra *.png. Setelah citra yang telah dipilih tampil pada sistem, langkah selanjutnya adalah memilih jenis noise yang akan dibangkitkan dengan tentukan terlebih dahulu persentase noise yang diinginkan. Noise yang akan dipakai
(32)
60
yaitu 10% dan 50%. Lalu sistem akan menampilkan citra bernoise berdasarkan persentase noise yang telah ditentukan. Nilai MSE, PSNR, dan Running Time dari citra bernoise tersebut akan dihitung oleh sistem dan akan muncul bersamaan dengan tampilan citra bernoise. Proses pembangkitan Gaussian Noise dapat dilihat pada Gambar 4.6 untuk persentase noise 10% dan Gambar 4.7 untuk persentase noise 50%.
(a) (b)
Gambar 4.6 Tampilan Citra yang diberi Gaussian Noise dengan persentase noise
10% (a) Citra *.bmp (b) Citra *.png
(a) (b)
Gambar 4.7 Tampilan Citra yang diberi Gaussian Noise dengan persentase noise
(33)
61
Tahap selanjutnya adalah proses filtering dengan Harmonic Mean Filter dengan menekan button Filtering. Dimana citra yang telah diberi Gaussian Noise dengan persentase noise 10% dan 50% akan direduksi dengan metode Harmonic
Mean Filter. Lalu sistem akan menampilkan citra hasil filtering beserta nilai
MSE,PSNR dan Running Time yang sebelumnya telah dihitung oleh sistem. Tampilan proses filtering Gaussian Noise dapat dilihat pada Gambar 4.8 dan Gambar 4.9.
(a) (b)
Gambar 4.8 Tampilan proses filtering terhadap citra Gaussian Noise dengan
persentase noise 10% (a) Citra *.bmp (b) Citra *.png
(34)
62
4.2.2 Proses Pengujian Reduksi Uniform Noise
Proses Pengujian metode filter dalam mereduksi Uniform Noise sama seperti proses pengujian pada Gaussian Noise. Perbedaan hanya terletak pada noise yang akan digunakan. Pada proses pengujian reduksi Uniform Noise, noise yang dipilih adalah
Uniform Noise. Proses pembangkitan Uniform Noise dapat dilihat pada Gambar 4.10
untuk persentase noise 10% dan Gambar 4.11 untuk persentase noise 50%
(a) (b)
Gambar 4.10 Tampilan citra yang diberi Uniform Noise dengan persentase noise 10%
(a)Citra *.bmp (b) Citra *.png
(a) (b)
Gambar 4.11 Tampilan citra yang diberi Uniform Noise dengan persentase noise 50%
(a)Citra *.bmp (b) Citra *.png
Tampilan proses filtering Uniform Noise dapat dilihat pada Gambar 4.12 untuk reduksi noise dengan persentase 10% dan Gambar 4.13 untuk reduksi noise dengan persentase 50%.
(35)
63
(a) (b)
Gambar 4.12 Tampilan proses filtering terhadap citra Uniform Noise dengan
persentase noise 10% (a) Citra *.bmp (b) Citra *.png
(a) (b)
Gambar 4.13 Tampilan proses filtering terhadap citra Uniform Noise dengan
persentase noise 50% (a) Citra *.bmp (b) Citra *.png 4.2.3 Proses Pengujian Segmentasi Citra
(36)
64
cluster yang tersedia adalah 1 sampai 10. Lalu sistem akan melakukan proses
segmentasi dengan menekan button segmentasi. Setelah itu sistem akan menampilkan citra hasil segmentasi beserta nilai MSE, PSNR, dan Running Time. Proses pengujian segmentasi citra dapat dilihat pada Gambar 4.14 yaitu proses segmentasi citra terhadap citra asli, citra bernoise Gaussian Noise, Uniform Noise, dan citra hasil reduksi dengan metode Harmonic Mean Filter dengan jumlah cluster 7.
(a) (b)
(37)
65
(e)
Gambar 4.14 Tampilan proses segmentasi citra (a) Segmentasi citra terhadap citra
asli (b) Segmentasi citra terhadap citra bernoise Gaussian dengan persentase 30% (c) Segmentasi citra terhadap citra hasil reduksi Gaussian Noise (d) Segmentasi citra terhadap citra bernoise Uniform dengan persentase 30% (e) Segmentasi citra terhadap citra hasil reduksi Uniform Noise
4.3 Hasil Pengujian
4.3.1 Hasil Pengujian Filtering
Pengujian metode filter dilakukan terhadap 2 citra dengan format *.bmp dan *png dengan ukuran dimensi citra yang berbeda. Berikut adalah citra asli yang akan digunakan untuk menguji metode filter pada penelitian ini :
(38)
66
Hasil pengujian metode Harmonic Mean Filter pada citra dengan format *.bmp dan *.png dapat dilihat pada tabel 4.1 dan 4.2.
Tabel 4.1 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise dan
Uniform Noise pada Citra *.bmp
Prob abili tas Citra Gaussian Noise Citra Hasil Harmonic Mean Filter terhadap Gaussian Noise Citra Uniform Noise Citra Hasil Harmonic Mean Filter terhadap Uniform Noise 5 %
MSE : 15,165 PSNR: 3,632
MSE : 602,428 PSNR: 2,033
MSE : 141,505 PSNR: 2,662
MSE : 529,384 PSNR: 2,089
Running Time:
0,509
Running Time:
1,155
Running Time :
0,464
Running Time :
1,138
MSE : 16,646 PSNR: 3,591
MSE : 446,709 PSNR: 2,163
MSE : 125,229 PSNR: 2,715
MSE : 460,638 PSNR: 2,149
Running Time: 0,701 Running Time: 1,654 Running Time: 0,67 Running Time: 1,557 10%
MSE : 60,009 PSNR: 3,034
MSE : 609,233 PSNR: 2,028
MSE : 597,290 PSNR: 2,036
MSE : 590,347 PSNR: 2,041
(39)
67
Running Time:
0,491
Running Time:
1,142
Running Time :
0,477
Running Time :
1,159
MSE : 67,871 PSNR: 2,981
MSE : 450,232 PSNR: 2,159
MSE : 525,620 PSNR: 2,092
MSE : 501,780 PSNR: 2,112
Running Time: 0,697 Running Time: 1,581 Running Time: 0,639 Running Time: 1,572 15%
MSE : 149,694 PSNR: 2,637
MSE : 702,863 PSNR: 1,966
MSE : 1340,397 PSNR: 1,685
MSE : 673,735 PSNR: 1,984
Running Time :
0,499
Running Time:
1,13
Running Time :
0,473
Running Time:
1,128
MSE : 153,586 PSNR: 2,626
MSE : 545,632 PSNR: 2,076
MSE : 1180,551 PSNR: 1,740
MSE : 565,303 PSNR: 2,060
Running Time: 0,687 Running Time: 1,551 Running Time: 0,622 Running Time: 1,526 20%
(40)
68
Running Time :
0,509
Running Time :
1,151
Running Time :
0,474
Running Time :
1,148
MSE : 245,674 PSNR: 2,422
MSE : 579,625 PSNR: 2,049
MSE : 2113,091 PSNR: 1,448
MSE : 647,319 PSNR: 2,001
Running Time: 0,677 Running Time: 1,559 Running Time: 0,619 Running Time: 1,548 25%
MSE : 358,882 PSNR: 2,258
MSE : 918,585 PSNR: 1,849
MSE : 3752,681 PSNR: 1,238
MSE : 906,971 PSNR: 1,855
Running Time: 0,538 Running Time: 1,146 Running Time: 0,482 Running Time: 1,146
MSE : 384,448 PSNR: 2,228
MSE : 652,849 PSNR: 1,998
MSE : 3209,992 PSNR: 1,306
MSE : 743,044 PSNR: 1,942
Running Time: 0,718 Running Time: 1,569 Running Time: 0,621 Running Time: 1,549 30%
MSE : 556,111 PSNR: 2,067
MSE : 967,766 PSNR: 1,827
MSE : 5317,523 PSNR: 1,087
MSE : 1062,975 PSNR: 1,786
(41)
69 Running Time: 0,55 Running Time: 1,145 Running Time: 0,465 Running Time: 1,136
MSE : 586,336 PSNR: 2,044
MSE : 779,066 PSNR: 1,921
MSE : 4495,192 PSNR: 1,160
MSE : 857,349 PSNR: 1,879
Running Time: 0,731 Running Time: 1,556 Running Time: 0,62 Running Time: 1,542 35%
MSE : 710,500 PSNR: 1,961
MSE : 1214,466 PSNR: 1,728
MSE : 7116,070 PSNR: 0,960
MSE : 1228,720 PSNR: 1,723
Running Time: 0,529 Running Time: 1,144 Running Time: 0,498 Running Time: 1,145
MSE : 658,770 PSNR: 1,994
MSE : 944,753 PSNR: 1,837
MSE : 5954,940 PSNR: 1,038
MSE : 979,718 PSNR: 1,821
Running Time: 0,675 Running Time: 1,57 Running Time: 0,629 Running Time: 1,546 40%
(42)
70
0,496 1,139 0,431 1,13
MSE : 921,197 PSNR: 1,848
MSE : 1401,355 PSNR: 1,705
MSE : 7561,545 PSNR: 0,934
MSE : 1092,640 PSNR: 1,774
Running Time: 0,69 Running Time: 1,569 Running Time: 0,68 Running Time: 1,564 45%
MSE : 1226,225 PSNR: 1,724
MSE : 1738,534 PSNR: 1,572
MSE : 11461,434 PSNR: 0,753
MSE : 1605,260 PSNR: 1,607
Running Time: 0,515 Running Time: 1,158 Running Time: 0,454 Running Time: 1,128
MSE : 1304,307 PSNR: 1,697
MSE : 1682,026 PSNR: 1,587
MSE : 9234,531 PSNR: 0,847
MSE : 1197,773 PSNR: 1,734
Running Time: 0,678 Running Time: 1,538 Running Time: 0,653 Running Time: 1,558 50%
MSE : 1659,468 PSNR: 1,593
MSE : 2363,394 PSNR: 1,439
MSE : 13918,952 PSNR: 0,669
MSE : 1789,291 PSNR: 1,560
Running Time: 0,504 Running Time: 1,127 Running Time: 0,46 Running Time: 1,135
(43)
71
MSE : 1745,329 PSNR: 1,571
MSE : 2357,325 PSNR: 1,402
MSE : 11154,208 PSNR: 0,765
MSE : 1328,872 PSNR: 1,689
Running Time: 0,683 Running Time: 1,567 Running Time: 0,673 Running Time: 1,564
Tabel 4.2 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise dan
Uniform Noise pada Citra *.png
Prob abili tas Citra Gaussian Noise Citra Hasil Harmonic Mean Filter terhadap Gaussian Noise Citra Uniform Noise Citra Hasil Harmonic Mean Filter terhadap Uniform Noise 5%
MSE : 16,064 PSNR: 3,607
MSE : 674,774 PSNR: 1,983
MSE : 141,826 PSNR: 2,661
MSE : 529,186 PSNR: 2.089
Running Time: 0,526 Running Time: 1,129 Running Time: 0,459 Running Time: 1,127
MSE : 17,492 PSNR: 3,570
MSE : 450,380 PSNR: 2,159
MSE : 125,114 PSNR: 2,715
MSE : 460,072 PSNR: 2,149
Running Time: 0,691 Running Time: 1,554 Running Time: 0,653 Running Time: 1,568
(44)
72
10%
MSE : 68,083 PSNR: 2,980
MSE : 595,069 PSNR: 2,038
MSE : 596,339 PSNR: 2,037
MSE : 588,848 PSNR: 2,043
Running Time: 0,707 Running Time: 1,554 Running Time: 0,485 Running Time: 1,147
MSE : 67,488 PSNR: 2,983
MSE : 500,726 PSNR: 2,113
MSE : 525,891 PSNR: 2,092
MSE : 501,457 PSNR: 2,112
Running Time: 0,7 Running Time:
1,571 Running Time: 0,689 Running Time: 1,563 15%
MSE : 120,559 PSNR: 2,731
MSE : 731,694 PSNR: 1,948
MSE : 1351,150 PSNR: 1,682
MSE : 672,745 PSNR: 1,985
Running Time: 0,505 Running Time: 1,132 Running Time: 0,484 Running Time: 1,144
MSE : 155,790 PSNR: 2,620
MSE : 534,042 PSNR: 2,085
MSE : 1181,983 PSNR: 1,740
MSE : 562,616 PSNR: 2,062
Running Time: 0,67 Running Time: 1,575 Running Time: 0,639 Running Time: 1,585
(45)
73
20%
MSE : 276,451 PSNR: 2,371
MSE : 878,402 PSNR: 1,869
MSE : 2407,672 PSNR: 1,431
MSE : 782,639 PSNR: 1,919
Running Time: 0,521 Running Time: 1,179 Running Time: 0,483 Running Time: 1,167
MSE : 272,804 PSNR: 2,377
MSE : 705,431 PSNR: 1,964
MSE : 2110,249 PSNR: 1,488
MSE : 646,673 PSNR: 2,002
Running Time: 0,719 Running Time: 1,544 Running Time: 0,642 Running Time: 1,55 25%
MSE : 347,589 PSNR: 2,272
MSE : 1101,590 PSNR: 1,770
MSE : 3758,135 PSNR: 1,238
MSE : 906,294 PSNR: 1,855
Running Time: 0,521 Running Time: 1,145 Running Time: 0,467 Running Time: 1,143
MSE : 392,249 PSNR: 2,219
MSE : 846,341 PSNR: 1,885
MSE : 3214,358 PSNR: 1,305
MSE : 742,033 PSNR: 1,942
(46)
74
30%
MSE : 564,336 PSNR: 2,061
MSE : 1194,344 PSNR: 1,735
MSE : 5329,611 PSNR: 1,086
MSE : 1047,600 PSNR: 1,792
Running Time: 0,524 Running Time: 1,105 Running Time: 0,468 Running Time: 1,186
MSE : 618,764 PSNR: 2,021
MSE : 1174,518 PSNR: 1,743
MSE : 4505,027 PSNR: 1,159
MSE : 856,899 PSNR: 1,880
Running Time: 0,697 Running Time: 1,568 Running Time: 0,631 Running Time: 1,589 35%
MSE : 747,965 PSNR: 1,939
MSE : 1321,420 PSNR: 1,692
MSE : 7167,376 PSNR: 0,957
MSE : 1220,873 PSNR: 1,726
Running Time: 0,532 Running Time: 1,17 Running Time: 0,474 Running Time: 1,177
MSE : 688,961 PSNR: 1,974
MSE : 1309,622 PSNR: 1,695
MSE : 5946,233 PSNR: 1,038
MSE : 975,517 PSNR: 1,823
(47)
75
0,748 1,63 0,642 1,567
40%
MSE : 816,545 PSNR: 1,901
MSE : 1837,092 PSNR: 1,548
MSE : 9283,372 PSNR: 0,845
MSE : 1397,996 PSNR: 1,667
Running Time: 0,495 Running Time: 1,123 Running Time: 0,466 Runnning Time: 1,119
MSE : 1097,814 PSNR: 1,772
MSE : 1476,546 PSNR: 1,643
MSE : 7533,024 PSNR: 0,936
MSE : 1090,721 PSNR: 1,775
Running Time: 0,693 Running Time: 1,519 Running Time: 0,628 Running Time: 1,559 45%
MSE : 1245,252 PSNR: 1,717
MSE : 2232,843 PSNR: 1,464
MSE : 11486,131 PSNR: 0,752
MSE : 1591,411 PSNR: 1,611
Running Time: 0,497 Running Time: 1,114 Running Time: 0,466 Running Time: 1,125
(48)
76 Running Time: 0,733 Running Time: 1,589 Running Time: 0,636 Running Time: 1,568 50%
MSE : 1594,032 PSNR: 1,610
MSE : 2473,157 PSNR: 1,419
MSE : 13949,549 PSNR: 0,668
MSE :1784,562 PSNR: 1,561
Running Time: 0,533 Running Time: 1,159 Running Time: 0,461 Running Time: 1,131
MSE : 1793,058 PSNR: 1,559
MSE : 2603,547 PSNR: 1,397
MSE : 11139,402 PSNR: 0,776
MSE : 1323,972 PSNR: 1,691
Running Time: 0,679 Running Time: 1,546 Running Time: 0,654 Running Time: 1,553
Dari Tabel 4.1 dan 4.2 menunjukan metode Harmonic Mean Filter bekerja baik pada kedua jenis noise yaitu Gaussian Noise dan Uniform Noise. Hal ini ditunjukan oleh nilai parameter MSE,PSNR dan Running Time yang berubah setelah proses filtering. Harmonic Mean Filter bekerja lebih baik pada Uniform Noise dibandingkan dengan Gaussian Noise. Hal ini dapat dilihat dari proses pembangkitan
noise dan proses filtering dimana nilai parameter MSE citra hasil filtering lebih kecil
daripada nilai MSE pada citra bernoise. Dan nilai parameter PSNR citra hasil filtering yang lebih besar daripada nilai PSNR pada citra bernoise. Sedangkan pada Gaussian
Noise nilai parameter MSE cira hasil filtering lebih besar daripada nilai MSE citra
bernoise. Dan nilai PSNR citra hasil filtering lebih kecil daripada citra bernoise. Sedangkan nilai parameter Running Time pada citra Tulip.bmp lebih besar daripada citra Koala.bmp karena citra Tulip.bmp mempunyai dimensi citra 260x285 pixels lebih besar dari citra Koala.bmp yang mempunyai dimensi citra 250x215 pixels.
(49)
77
Dari Tabel 4.1 dan 4.2 dapat disimpulkan bahwa pada proses pembangkitan
Gaussian noise nilai MSE citra berformat .bmp cenderung lebih besar daripada citra
berformat .png, nilai PSNR citra berformat .bmp cenderung lebih kecil daripada citra berformat .png, dan Running Time pada proses pembangkitan noise citra berformat .bmp lebih kecil daripada citra berformat .png. Pada proses filtering Gaussian Noise, nilai MSE citra berformat .bmp lebih kecil daripada citra berformat .png, nilai PSNR citra berformat .bmp lebih besar daripada citra berformat .png, dan Running Time citra berformat .bmp lebih besar daripada citra berformat .png. Sedangkan pada proses pembangkitan Uniform Noise nilai MSE pada citra berformat .bmp lebih kecil daripada citra berformat .png, nilai PSNR pada citra berformat .bmp lebih besar daripada citra berformat .png, dan Running Time pada citra berformat .bmp lebih kecil daripada citra berformat .png. Pada proses filtering Uniform Noise, nilai MSE pada citra berformat .bmp lebih besar daripada citra berformat .png, nilai PSNR citra berformat .bmp lebih kecil daripada citra berformat .png, Running Time citra berformat .bmp lebih kecil daripada citra berformat png.
4.3.2 Hasil Pengujian Segmentasi
Hasil pengujian segmentasi citra terhadap citra asli, citra bernoise Gaussian
Noise, citra bernoise Uniform Noise .bmp dan .png, serta citra hasil reduksi Harmonic Mean Filter dapat dilihat pada tabel 4.3, tabel 4.4, dan tabel 4.5
Tabel 4.3 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Asli *.bmp dan *.png
Juml ah
Clust er
Citra Asli
Koala.bmp (250x215 pixels)
Citra Asli
Koala.png (250x215 pixels)
Citra Asli
Tulip.bmp (260x285 pixels)
Citra Asli
Tulip .png (260x285 pixels)
(50)
78
MSE : 3799,800 PSNR: 1,233
MSE : 3799,800 PSNR: 1,233
MSE : 5204,898 PSNR: 1,096
MSE : 5204,898 PSNR: 1,096
Running Time:
1,117
Running Time:
0,846
Running Time :
1,182
Running Time :
1,182
2
MSE : 1402,022 PSNR: 1,666
MSE : 1705,097 PSNR: 1,581
MSE : 2479,616 PSNR: 1,418
MSE : 2611,222 PSNR: 1,396
Running Time: 1,873 Running Time: 1,592 Running Time: 2,207 Running Time: 2,192 3
MSE : 1184,812 PSNR: 1,739
MSE : 1488,764 PSNR: 1,640
MSE : 1976,665 PSNR: 1,571
MSE : 2337,816 PSNR: 1,444
Running Time:
2,756
Running Time:
2,514
Running Time :
3,443
Running Time :
3,424
4
MSE : 1007,725 PSNR: 1,809
MSE : 1245,778 PSNR: 1,724
MSE : 1404,710 PSNR: 1,665
MSE : 2029,464 PSNR: 1,505
Running Time: 3,984 Running Time: 3,703 Running Time: 4,917 Running Time: 4,916 5
(51)
79
MSE : 570,509 PSNR: 2,056
MSE : 798,455 PSNR: 1,910
MSE : 1110,710 PSNR: 1,767
MSE : 1542,433 PSNR: 1,624
Running Time :
5,114
Running Time:
4,851
Running Time :
6,641
Running Time:
6,63
6
MSE : 519,549 PSNR: 2,097
MSE : 643,589 PSNR: 2,004
MSE : 922,883 PSNR: 1,847
MSE : 1138,685 PSNR: 1,756
Running Time: 6,65 Running Time: 6,308 Running Time: 8,671 Running Time: 8,666 7
MSE : 463,735 PSNR: 2,146
MSE : 535,481 PSNR: 2,084
MSE : 894,811 PSNR: 1,861
MSE : 1072,179 PSNR: 1,782
Running Time :
8,305
Running Time :
7,897
Running Time :
10,892
Running Time :
10,802
8
MSE : 450,904 PSNR: 2,158
MSE : 507,559 PSNR: 2,107
MSE : 876,752 PSNR: 1,870
MSE : 911,917 PSNR: 1,853
Running Time: 10,083 Running Time: 9,743 Running Time: 13,733 Running Time: 13,729 9
(52)
80
MSE : 428,849 PSNR: 2,180
MSE : 500,064 PSNR: 2,114
MSE : 743,140 PSNR: 1,942
MSE : 878,354 PSNR: 1,869
Running Time:
12,182
Running Time:
11,68
Running Time:
16,09
Running Time:
16,678
10
MSE : 397,529 PSNR: 2,213
MSE : 433,699 PSNR: 2,175
MSE : 494,441 PSNR: 2,118
MSE : 661,495 PSNR: 1,992
Running Time:
14,307
Running Time:
13,866
Running Time:
19,149
Running Time:
19,382
Dari Tabel 4.3 menunjukan bahwa segmentasi citra dengan metode Fuzzy C
Means Clustering bekerja lebih baik pada citra .bmp daripada citra .png. Hal itu dapat
dilihat dari nilai MSE citra .bmp lebih kecil dari nilai MSE citra .png, nilai PSNR citra .bmp lebih besar dari nilai PSNR citra .png, sedangkan nilai Running Time citra .bmp lebih besar dari citra .png. Jumlah cluster juga mempengaruhi kualitas citra yang dihasilkan oleh segmentasi fuzzy c means clustering. Hal ini dapat dilihat dari semakin banyak jumlah cluster maka semakin bagus kualitas citra yang dihasilkan yang dapat dilihat dari nilai MSE yang semakin kecil dan nilai PSNR yang semakin besar. Nilai
Running Time dari proses segmentasi dipengaruhi oleh besar dimensi citra yang akan
disegmentasi, semakin besar dimensi citra tersebut maka semakin besar pula nilai
(53)
81
Tabel 4.4 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra bernoise
Gaussian Noise dan Citra Hasil Reduksi terhadap Citra Gaussian Noise pada
Citra *.bmp dan *.png dengan Persentase Noise 30% Juml ah Clust er Citra BerNoise Koala.bmp (250x215 pixels) Citra BerNoise Koala.png (250x215 pixels) Citra Filtering Koala.bmp (250x215 pixels) Citra Filtering Koala.png (250x215 pixels) 1
MSE : 4040,687 PSNR: 1,206
MSE : 4191,553 PSNR: 1,190
MSE : 3941,029 PSNR: 1,217
MSE : 4073,505 PSNR: 1,203
Running Time:
0,853
Running Time:
0,844
Running Time :
0,846
Running Time :
0,881
2
MSE : 1711,754 PSNR: 1,579
MSE : 1546,362 PSNR: 1,623
MSE : 1710,543 PSNR: 1,579
MSE : 1540,866 PSNR: 1,625
Running Time: 1,585 Running Time: 1,604 Running Time: 1,594 Running Time: 1,649 3
MSE : 1284,450 PSNR: 1,704
MSE : 1249,929 PSNR: 1,716
MSE : 1274,372 PSNR: 1,738
MSE : 1191,328 PSNR: 1,737
Running Time:
2,484
Running Time:
2,5
Running Time :
2,515
Running Time :
(54)
82
4
MSE : 1083,327 PSNR: 1,778
MSE : 1015,866 PSNR: 1,806
MSE : 1051,673 PSNR: 1,791
MSE : 982,856 PSNR: 1,820
Running Time: 3,557 Running Time: 3,575 Running Time: 3,582 Running Time: 3,588 5
MSE : 1011,897 PSNR: 1,807
MSE : 914,709 PSNR: 1,851
MSE : 1030,243 PSNR: 1,800
MSE : 904,174 PSNR: 1,856
Running Time :
4,822
Running Time:
4,847
Running Time :
4,847
Running Time:
4,85
6
MSE : 992,438 PSNR: 1,816
MSE : 846,817 PSNR: 1,885
MSE : 902,120 PSNR: 1,857
MSE : 823,387 PSNR: 1,897
Running Time: 6,384 Running Time: 6,288 Running Time: 6,301 Running Time: 6,38 7
MSE : 924,391 PSNR: 1,847
MSE : 765,217 PSNR: 1,929
MSE : 876,929 PSNR: 1,870
MSE : 750,141 PSNR: 1,937
Running Time :
7,919
Running Time :
7,939
Running Time :
7,926
Running Time :
(55)
83
8
MSE : 762,054 PSNR: 1,931
MSE : 662,236 PSNR: 1,992
MSE : 760,456 PSNR: 1,933
MSE : 661,639 PSNR: 1,992
Running Time: 9,761 Running Time: 9,781 Running Time: 9,754 Running Time: 10,025 9
MSE : 669,201 PSNR: 1,987
MSE : 644,711 PSNR: 2,003
MSE : 666,356 PSNR: 1,991
MSE : 643,005 PSNR: 2,009
Running Time: 11,773 Running Time: 11,744 Running Time: 11,725 Running Time: 11,752 10
MSE : 612,678 PSNR: 2,025
MSE : 594,082 PSNR: 2,039
MSE : 764,695 PSNR: 1,929
MSE : 592,539 PSNR: 2,043
Running Time: 13,897 Running Time: 13,91 Running Time: 13,992 Running Time: 13,996
Dari Tabel 4.4 menunjukan bahwa segmentasi citra Fuzzy C Means Clustering lebih baik bekerja pada citra Gaussian Noise .png daripada citra Gaussian Noise .bmp. Hal ini dapat dilihat dari nilai MSE citra Gaussian Noise .png yang lebih kecil daripada nilai MSE citra Gaussian Noise .bmp dan nilai PSNR citra Gaussian Noise .png lebih besar daripada nilai PSNR pada citra Gaussian Noise .bmp. Pada segmentasi citra hasil reduksi Harmonic Mean Filter, citra hasil reduksi Gaussian
(56)
84
daripada nilai MSE citra hasil reduksi Gaussian Noise .bmp dan nilai PSNR citra hasil reduksi Gaussian Noise .png lebih besar daripada nilai PSNR pada citra hasil reduksi
Gaussian Noise .bmp. Segmentasi citra pada citra hasil reduksi baik citra .bmp
maupun citra .png memiliki hasil yang lebih baik daripada citra bernoise Gaussian
Noise baik citra.bmp maupun citra .png karena citra hasil reduksi memiliki nilai MSE
yang lebih kecil dan nilai PSNR yang lebih besar daripada citra bernoise Gaussian
Noise.
Tabel 4.5 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra bernoise
Uniform Noise dan Citra Hasil Reduksi terhadap Citra Uniform Noise pada Citra
*.bmp dan *.png dengan Persentase Noise 30% Juml ah Clust er Citra BerNoise Koala.bmp (250x215 pixels) Citra BerNoise Koala.png (250x215 pixels) Citra Filtering Koala.bmp (250x215 pixels) Citra Filtering Koala.png (250x215 pixels) 1
MSE : 3744,863 PSNR: 1,239
MSE : 3764,439 PSNR: 1,237
MSE : 3847,238 PSNR: 1,227
MSE : 3871,726 PSNR: 1,225
Running Time:
0,854
Running Time:
0,843
Running Time :
0,861
Running Time :
0,854
2
MSE : 1300,558 PSNR: 1,698
MSE : 1304,358 PSNR: 1,697
MSE : 1343,313 PSNR: 1,684
MSE : 1450,942 PSNR: 1,651
Running Time: 1,582 Running Time: 1,595 Running Time: 1,599 Running Time: 1,59
(57)
85
3
MSE : 1235,595 PSNR: 1,783
MSE : 1266,104 PSNR: 1,761
MSE : 1239,246 PSNR: 1,778
MSE : 1435,485 PSNR: 1,656
Running Time:
2,492
Running Time:
2,496
Running Time :
2,494
Running Time :
2,492
4
MSE : 806,575 PSNR: 1,906
MSE : 1050,998 PSNR: 1,791
MSE : 854,462 PSNR: 1,881
MSE : 1240,573 PSNR: 1,719
Running Time: 3,57 Running Time: 3,57 Running Time: 3,578 Running Time: 3,574 5
MSE : 651,862 PSNR: 1,998
MSE : 710,869 PSNR: 1,961
MSE : 676,572 PSNR: 2,014
MSE : 848,144 PSNR: 1,884
Running Time :
4,849
Running Time:
4,847
Running Time :
4,845
Running Time:
4,83
6
MSE : 567,466 PSNR: 2,059
MSE : 589,347 PSNR: 2,042
MSE : 586,058 PSNR: 2,045
MSE : 820,030 PSNR: 1,899
(58)
86
7
MSE : 416,086 PSNR: 2,193
MSE : 472,943 PSNR: 2,138
MSE : 434,923 PSNR: 2,174
MSE : 617,803 PSNR: 2,022
Running Time :
8,162
Running Time :
7,923
Running Time :
7,887
Running Time :
7,918
8
MSE : 367,480 PSNR: 2,247
MSE : 443,159 PSNR: 2,166
MSE : 394,211 PSNR: 2,217
MSE : 513,814 PSNR: 2,102
Running Time: 9,708 Running Time: 9,752 Running Time: 9,75 Running Time: 9,543 9
MSE : 366,682 PSNR: 2,248
MSE : 431,651 PSNR: 2,177
MSE : 377,508 PSNR: 2,236
MSE : 496,008 PSNR: 2,117
Running Time: 11,741 Running Time: 11,807 Running Time: 11,783 Running Time: 11,748 10
MSE : 355,991 PSNR: 2,261
MSE : 371,796 PSNR: 2,242
MSE : 360,524 PSNR: 2,256
MSE : 477,549 PSNR: 2,134
Running Time: 13,887 Running Time: 13,938 Running Time: 14,111 Running Time: 13,922
(59)
87
Dari Tabel 4.5 menunjukan bahwa segmentasi citra Fuzzy C Means Clustering lebih baik bekerja pada citra Uniform Noise .bmp daripada citra Uniform Noise .png. Hal ini dapat dilihat dari nilai MSE citra Uniform Noise .bmp yang lebih kecil daripada nilai MSE citra Gaussian Noise .png dan nilai PSNR citra Uniform Noise .bmp lebih besar daripada nilai PSNR pada citra Uniform Noise .png. Pada segmentasi citra hasil reduksi Harmonic Mean Filter, citra hasil reduksi Uniform Noise .bmp lebih baik daripada citra hasil reduksi Gaussian Noise .png. Hal ini dapat dilihat dari nilai MSE citra hasil reduksi Uniform Noise .bmp yang lebih kecil daripada nilai MSE citra hasil reduksi Gaussian Noise .png dan nilai PSNR citra hasil reduksi Uniform
Noise .bmp lebih besar daripada nilai PSNR pada citra hasil reduksi Uniform Noise
.png. Segmentasi citra pada citra bernoise Uniform Noise baik citra .bmp maupun citra .png memiliki hasil yang lebih baik daripada citra hasil reduksi baik citra.bmp maupun citra .png karena citra bernoise Uniform Noise memiliki nilai MSE yang lebih kecil dan nilai PSNR yang lebih besar daripada citra hasil reduksi.
Tabel 4.6. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Gaussian Noise pada Citra *.bmp Prob
abilit as
Gaussian Noise
Citra Gaussian Noise Citra Hasil Harmonic Mean Filter
MSE PSNR Running Time MSE PSNR Running Time
5% 15,165 3,632 0,509 602,428 2,033 1,155
10% 60,009 3,034 0,491 609,233 2,028 1,142
15% 149,694 2,637 0,499 702,863 1,966 1,13
20% 238,745 2,435 0,509 755,664 1,934 1,151
25% 358,882 2,258 0,538 918,585 1,849 1,146
30% 556,111 2,067 0,55 967,766 1,827 1,145
35% 710,500 1,961 0,529 1214,466 1,728 1,144
40% 947,575 1,836 0,496 1565,903 1,618 1,139
45% 1226,225 1,724 0,515 1738,534 1,572 1,158
50% 1659,468 1,593 0,504 2363,394 1,439 1,127
(60)
88
Berdasarkan Tabel 4.6 dapat dilihat bahwa Harmonic Mean Filter tidak bekerja cukup baik pada citra Gaussian Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil filtering lebih besar daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra hasil filtering lebih kecil daripada nilai rata-rata PSNR citra
noise. Sehingga dapat disimpulkan Harmonic Mean Filter tidak bekerja baik pada
citra Gaussian Noise. Rata-rata nilai Running Time yang diperlukan untuk mereduksi citra Gaussian Noise yaitu 1,143 s.
Tabel 4.7. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Uniform Noise pada Citra *.bmp Prob
abilit as
Uniform Noise
Citra Uniform Noise Citra Hasil Harmonic Mean Filter
MSE PSNR Running Time MSE PSNR Running Time
5% 141,505 2,662 0,464 529,384 2,089 1,138
10% 597,290 2,036 0,477 590,347 2,041 1,159
15% 1340,397 1,685 0,473 673,735 1,984 1,128
20% 2410,599 1,430 0,474 783,745 1,918 1,148
25% 3752,681 1,238 0,482 906,971 1,855 1,146
30% 5317,523 1,087 0,465 1062,975 1,786 1,136
35% 7116,070 0,960 0,498 1228,720 1,723 1,145
40% 9267,037 0,846 0,431 1403,889 1,665 1,13
45% 11461,434 0,753 0,454 1605,260 1,607 1,128
50% 13918,952 0,669 0,46 1789,291 1,560 1,135
Rata
-rata 5532,249 1,337 0,468 1057,432 1,823 1,139
Berdasarkan Tabel 4.7 dapat dilihat bahwa Harmonic Mean Filter bekerja baik pada citra Uniform Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil
filtering lebih kecil daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra
hasil filtering lebih besar daripada nilai rata-rata PSNR citra noise. Sehingga dapat disimpulkan Harmonic Mean Filter bekerja baik pada citra Uniform Noise. Rata-rata ilai Running Time yang diperlukan untuk mereduksi citra Uniform Noise yaitu 1,139s.
(61)
89
Tabel 4.8. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Gaussian Noise pada Citra .png Prob
abilit as
Gaussian Noise
Citra Gaussian Noise Citra Hasil Harmonic Mean Filter
MSE PSNR Running Time MSE PSNR Running Time
5% 16,064 3,607 0,526 674,774 1,983 1,129
10% 68,083 2,980 0,707 595,069 2,038 1,154
15% 120,559 2,731 0,505 731,694 1,948 1,132
20% 276,451 2,371 0,521 878,402 1,869 1,179
25% 347,589 2,272 0,521 1101,590 1,770 1,145
30% 564,336 2,061 0,524 1194,344 1,735 1,105
35% 747,965 1,939 0,532 1321,420 1,692 1,17
40% 816,545 1,901 0,495 1837,092 1,548 1,123
45% 1245,252 1,717 0,497 2232,843 1,464 1,114
50% 1594,032 1,610 0,533 2473,157 1,419 1,159
Rata -rata
579,688 2,355 0,536 1304,038 1,747 1,141
Berdasarkan Tabel 4.8 dapat dilihat bahwa sama seperti citra .bmp, pada citra .png Harmonic Mean Filter tidak bekerja cukup baik pada citra Gaussian Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil filtering lebih besar daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra hasil filtering lebih kecil daripada nilai rata-rata PSNR citra noise. Sehingga dapat disimpulkan Harmonic Mean Filter tidak bekerja baik pada citra Gaussian Noise. Rata-rata nilai Running Time yang diperlukan untuk mereduksi citra Gaussian Noise yaitu 1,141 s.
Tabel 4.9. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Uniform Noise pada Citra *.png Prob
abilit as
Uniform Noise
Citra Uniform Noise Citra Hasil Harmonic Mean Filter
(62)
90
10% 596,339 2,037 0,485 588,848 2,043 1,147
15% 1351,150 1,682 0,484 672,745 1,985 1,144
20% 2407,672 1,431 0,483 782,639 1,919 1,167
25% 3758,135 1,238 0,482 906,971 1,855 1,146
30% 5329,611 1,086 0,468 1047,600 1,792 1,186
35% 7167,376 0,957 0,474 1220,873 1,726 1,177
40% 9283,372 0,845 0,466 1397,996 1,667 1,119
45% 11486,131 0,752 0,466 1591,411 1,611 1,125 50% 13949,549 0,668 0,461 1784,562 1,561 1,131 Rata
-rata 5547,116 1,336 0,473 1052,283 1,825 1,147
Berdasarkan Tabel 4.9 dapat dilihat bahwa Harmonic Mean Filter bekerja baik pada citra Uniform Noise. Hal ini dapat dilihat dari nilai rata-rata MSE citra hasil sama seperti citra .bmp, pada citra .png filtering lebih kecil daripada nilai rata-rata MSE citra noise. Nilai rata-rata PSNR citra hasil filtering lebih besar daripada nilai rata-rata PSNR citra noise. Sehingga dapat disimpulkan Harmonic Mean Filter bekerja baik pada citra Uniform Noise. Rata-rata nilai Running Time yang diperlukan untuk mereduksi citra Uniform Noise yaitu 1,147 s.
Tabel 4.10. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Gaussian Noise pada Citra *.bmp dan Citra
*.png
Prob abilit as
Gaussian Noise
Citra Hasil Harmonic Mean Filter pada citra .bmp
Citra Hasil Harmonic Mean Filter pada citra .png
MSE PSNR Running Time MSE PSNR Running Time
5% 602,428 2,033 1,155 674,774 1,983 1,129
10% 609,233 2,028 1,142 595,069 2,038 1,154
15% 702,863 1,966 1,13 731,694 1,948 1,132
20% 755,664 1,934 1,151 878,402 1,869 1,179
(63)
91
30% 967,766 1,827 1,145 1194,344 1,735 1,105
35% 1214,466 1,728 1,144 1321,420 1,692 1,17
40% 1565,903 1,618 1,139 1837,092 1,548 1,123
45% 1738,534 1,572 1,158 2232,843 1,464 1,114
50% 2363,394 1,439 1,127 2473,157 1,419 1,159
Rata
-rata 1143,884 1,799 1,143 1304,038 1,747 1,141 Berdasarkan tabel 4.10 dapat dilihat bahwa pada reduksi Gaussian Noise nilai rata-rata MSE citra hasil filtering pada citra .bmp lebih kecil daripada nilai rata-rata MSE citra hasil filtering pada citra .png. Nilai rata-rata PSNR citra hasil filtering pada citra .bmp lebih besar daripada nilai rata-rata PSNR citra hasil filtering pada citra .png. Rata-rata Running Time pada citra .bmp lebih besar daripada rata-rata Running
Time pada citra .png.
Tabel 4.11. Perbandingan Nilai MSE, PSNR, dan Running Time Hasil Metode
Harmonic Mean Filter terhadap Uniform Noise pada Citra *.bmp dan citra *.png Prob
abilit as
Uniform Noise
Citra Hasil Harmonic Mean Filter pada citra .bmp
Citra Hasil Harmonic Mean Filter pada citra .png
MSE PSNR Running Time MSE PSNR Running-Time
5% 529,384 2,089 1,138 529,186 2,089 1,127
10% 590,347 2,041 1,159 588,848 2,043 1,147
15% 673,735 1,984 1,128 672,745 1,985 1,144
20% 783,745 1,918 1,148 782,639 1,919 1,167
25% 906,971 1,855 1,146 906,971 1,855 1,146
30% 1062,975 1,786 1,136 1047,600 1,792 1,186
35% 1228,720 1,723 1,145 1220,873 1,726 1,177
40% 1403,889 1,665 1,13 1397,996 1,667 1,119
45% 1605,260 1,607 1,128 1591,411 1,611 1,125
50% 1789,291 1,560 1,135 1784,562 1,561 1,131
Rata
(1)
x
4.2. Pengujian Sistem 59
4.2.1. Proses Pengujian Reduksi Gaussian Noise 59
4.2.2. Proses Pengujian Reduksi Uniform Noise 62
4.2.3. Proses Pengujian Segmentasi Citra 63
4.3. Hasil Pengujian 65
4.3.1. Hasil Pengujian Filtering 65
4.3.2 Hasil Pengujian Segmentasi 77
Bab 5 KESIMPULAN DAN SARAN 99
5.1. Kesimpulan 99
5.2. Saran 100
(2)
DAFTAR TABEL
Halaman
Tabel 2.1 Warna dan Nilai Penyusun Warna 12
Tabel 3.1 Cluster Citra 38
Tabel 3.2 Pusat Cluster Citra 38
Tabel 3.3 Matriks Nilai Pixel 5x5 Iterasi 1 39
Tabel 3.4 Matriks Nilai Pixel 5x5 Iterasi 1 pada Blok-blok Lain 39
Tabel 3.5 Spesifikasi Use Case Generate Noise 41
Tabel 3.6 Spesifikasi Use Case Reduksi Noise 41
Tabel 3.7 Spesifikasi Use Case Segmentasi Citra 41
Tabel 3.8 Spesifikasi Use Case Menghitung Nilai MSE, PSNR, dan Running
Time 42
Tabel 4.1 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise
dan Uniform Noise pada Citra *.bmp 66
Tabel 4.2 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise
dan Uniform Noise pada Citra *.png 71
Tabel 4.3 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Asli
*.bmp dan *.png 77
Tabel 4.4 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise Gaussian Noise dan Citra Hasil Reduksi terhadap Citra Gaussian
Noise pada Citra *.bmp dan *.png dengan persentasse noise 30% 81 Tabel 4.5 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise
Uniform Noise dan Citra Hasil Reduksi terhadap Citra Uniform Noise pada Citra *.bmp dan *.png dengan persentase noise 30% 84 Tabel 4.6 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp 87 Tabel 4.7 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.bmp 88 Tabel 4.8 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.png 89 Tabel 4.9 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.png 89 Tabel 4.10 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp dan Citra
*.png 90
Tabel 4.11 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic Mean Filter terhadap Uniform Noise pada Citra *.bmp dan Citra
*.png 91
Tabel 4.12 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic Mean Filter terhadap Citra *.bmp pada Citra Gaussian Noise *.bmp dan
Citra Uniform Noise *.bmp 92
(3)
xii Tabel 4.13 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic Mean Filter terhadap Citra *.png pada Citra Gaussian Noise *.png dan
Citra Uniform Noise *.png 93
Tabel 4.14 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Asli *.bmp dan *.png 94 Tabel 4.15 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra
Hasil Filtering pada Citra *.bmp 95
Tabel 4.16 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra
Hasil Filtering pada Citra *.png 96
Tabel 4.17 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra
Hasil Filtering pada Citra *.bmp 97
Tabel 4.18 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra
(4)
DAFTAR GAMBAR
Halaman
Gambar 2.1 Contoh Citra Digital 8
Gambar 2.2 Contoh Citra Biner 10
Gambar 2.3 Contoh Citra Grayscale 11
Gambar 2.4 Gambar 2.5
Contoh Citra Berwarna (RGB)
(a) Citra Asli, (b) Citra dengan Gaussian Noise, (c) Citra denganUniform Noise
12 16
Gambar 2.6 (a) Kernel 2x2 (b) Kernel 3x3 20
Gambar 3.1 Diagram Ishikawa 31
Gambar 3.2 Use Case diagram sistem 40
Gambar 3.3 Activity Diagram Menu Implementasi - Filtering 43
Gambar 3.4 Activity Diagram Menu Implementasi - Segmentasi 44
Gambar 3.5 Activity diagram (a) menu Home dan (b) menu About 45
Gambar 3.6 Sequence Diagram Menu Implementasi - Filtering 45
Gambar 3.7 Sequence Diagram Menu Implementasi - Segmentasi 46
Gambar 3.8 Flowchart Sistem 47
Gambar 3.9 Flowchart Harmonic Mean Filter 48
Gambar 3.10 Flowchart Fuzzy C Means Clustering 49
Gambar 3.11 Rancangan Form Home 50
Gambar 3.12 Rancangan Form Implementasi - Filtering 51
Gambar 3.13 Rancangan Form Implementasi – Segmentasi 53
Gambar 3.14 Rancangan Form Help 55
Gambar 3.15 Rancangan Form About 55
Gambar 4.1 Tampilan Form Home 56
Gambar 4.2 Tampilan Form Implementasi – Filtering 57
Gambar 4.3 Tampilan Form Implementasi – Segmentasi 58
Gambar 4.4 Tampilan Form Help 58
Gambar 4.5 Gambar 4.6
Tampilan Form About
Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise 59
10% (a) Citra *.bmp (b) Citra *.png 60
Gambar 4.7 Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise Gambar 4.8
50% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
60
Persentase Noise 10% (a) Citra *.bmp (b) Citra *.png 61
(5)
xiv
Gambar 4.9 Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png 61 Gambar 4.10 Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise
Gambar 4.11
10% (a) Citra *.bmp (b) Citra *.png
Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise 62
Gambar 4.12 Gambar 4.13 Gambar 4.14
50% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap Citra Gaussian Noise dengan Persentase Noise 10% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png
Tampilan proses segmentasi citra (a) Segmentasi citra terhadap citra asli (b) Segmentasi citra terhadap citra bernoise Gaussian dengan persentase 30% (c) Segmentasi citra terhadap citra hasil reduksi
Gaussian Noise (d) Segmentasi citra terhadap citra bernoise Uniform
dengan persentase 30% (e) Segmentasi citra terhadap citra hasil reduksi
Uniform NoiseUniform Noise, Citra Hasil Reduksi Uniform Noise
62 63 63
65
Gambar 4.15 Citra yang akan digunakan dalam pengujian Harmonic Mean
(6)
DAFTAR LAMPIRAN
Halaman
A.Listing Program A-1
B.Curriculum Vitae B-1