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.

102 Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O. D. & Wijanarto. 2009. Teori

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.

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

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:

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:

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}

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:

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}

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

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

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.

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

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.

43

44

Activity diagram untuk menu Implementasi-Segmentasi dapat dilihat pada Gambar 3.4

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.

46

Sequence diagram menu Implementasi-Segmentasi dapat dilihat pada Gambar 3.7

47

3.3 Perancangan Sistem

48

3.3.2 Flowchart Harmonic Mean Filter

49

3.3.3 Flowchart Fuzzy C Means Clustering

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.

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.

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

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

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 .

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.

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

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.

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.

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

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

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

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%.

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

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)

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 :

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

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%

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

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%

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

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

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

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

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

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

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.

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)

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

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

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

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 :

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 :

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

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

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

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

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

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.

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

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

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

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

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

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

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

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

DAFTAR LAMPIRAN

Halaman

A.Listing Program A-1

B.Curriculum Vitae B-1