TA : Implementasi Adaptive Median Filter Sebagai Reduksi Noise Pada Citra Digital.

REDUKSI NOISE PADA CITRA DIGITAL

TUGAS AKHIR

Disusun Oleh :

Nama : Eva Listiyani NIM : 07.41020.0007

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

2013

STIKOM

ix

Halaman

ABSTRAKSI ... vi

KATA PENGANTAR ... viii

DAFTAR ISI ... ix

DAFTAR TABEL ... xiii

DAFTAR GAMBAR ... xiv

DAFTAR LAMPIRAN ... xv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah... 1

1.2 Rumusan Masalah ... 3

1.3 Batasan Masalah ... 3

1.4 Tujuan ... 4

1.5 Kontribusi ... 4

1.6 Sistematika Penulisan ... 5

BAB II LANDASAN TEORI ... 7

2.1 Metode Adaptive Median Filter ... 7

2.2 Citra Digital ... 9

2.2.1 Matriks Bitmap ... 12

2.2.2 Citra Warna ... 12

2.2.3 Citra Skala Keabuan (Grayscale) ... 13

2.2.4 Pixel ... 14

2.2.5 Dimensi dan Resolusi ... 16

2.3 Pengolahan Citra ... 17

2.3.1 Definisi Pengolahan Citra ... 17

2.3.2 Operasi Pengolahan Citra... 18

2.4 Pemrosesan Citra Digital ... 20

2.4.1 Filter ... 20

2.4.2 Kernel Filter ... 21

STIKOM

x

2.5.1 Noise Uniform ... 26

2.5.2 Noise Gaussian ... 27

2.6 MSE dan PSNR ... 28

BAB III METODOLOGI PENELITIAN ... 30

3.1 Analisa Permasalahan ... 30

3.2 Diagram Penelitian ... 32

3.2.1 Data Masukan ... 33

3.2.2 Data Selama Proses ... 33

3.2.3 Data Keluaran ... 34

3.3 Diagram Pengujian ... 35

3.3.1 Pengujian Penambahan Noise ... 35

3.3.2 Pengujian Proses Pengolahan Matriks Input dengan Adaptive Median Filter ... 36

3.3.3 Pengujian Perhitungan MSE dan PSNR ... 40

3.4 Evaluasi Sistem Keseluruhan ... 40

BAB IV IMPLEMENTASI DAN EVALUASI ... 42

4.1 Pengujian pada Noise Uniform dengan Citra RGB ... 42

4.2 Pengujian pada Noise Uniform dengan Citra Grayscale ... 43

4.3 Pengujian pada Noise Gaussian dengan Citra RGB ... 43

4.4 Pengujian pada Noise Gaussian dengan Citra Grayscale ... 44

4.5 Pengujian pada Noise Coretan dengan Citra RGB... 44

4.6 Pengujian pada Noise Coretan dengan Citra Grayscale ... 45

4.7 Analisis Hasil Implementasi ... 45

BAB V PENUTUP ... 48

5.1 Kesimpulan ... 48

5.2 Saran ... 49

DAFTAR PUSTAKA ... 50

STIKOM

xi

STIKOM

vi

efisien meningkat. Permasalahan yang timbul pada proses pencitraan adalah kemungkinan munculnya derau atau noise yang bisa saja muncul pada saat pengambilan citra. Berdasarkan masalah yang telah disebutkan di atas, dapat disimpulkan bahwa masalah yang dihadapi berkaitan dengan dengan kebutuhan akan adanya sebuah aplikasi perbaikan citra yang dapat membantu mengurangi

noise yang terdapat pada citra dua dimensi baik dalam format grayscale maupun

RGB. Oleh karena itulah, kami mengembangkan sebuah aplikasi yang dimplementasikan untuk mengolah citra yang ber-noise khususnya noise gaussian dan uniform dengan menggunakan adaptive median filter. Adaptive median filter merupakan filter yang digunakan untuk menghasilkan citra dengan kualitas yang lebih baik serta dapat mengekstrak informasi yang ada pada citra sekaligus dapat menghaluskan noise. Pengujian dilakukan dengan memberikan noise uniform dan

noise gaussian pada citra RGB maupun citra Grayscale. Dan setiap jenis noise

diberikan sebesar 5%, 10%, 20%, 40%, dan 60%, sehingga terdapat 20 jenis citra. Selanjutnya, 20 jenis citra tersebut difilter dengan menggunakan adaptive median

filter dan diukur hasilnya menggunakan metode MSE dan PSNR. Hasil dari

pengukuran tersebut, terdapat 6 jenis citra yang mengalami penurunan nilai MSE dan peningkatan nilai PSNR. Hal ini menunjukkan adanya perbaikan citra pada 6 jenis citra tersebut. Pengujian selanjutnya dilakukan dengan memberikan noise coretan pada citra RGB dan grayscale, sehingga terdapat 2 jenis citra. Hasil dari pengukuran tersebut terdapat 1 jenis citra yang mengalami penurunan nilai MSE dan peningkatan nilai PSNR. Hal ini menunjukkan adanya perbaikan citra pada 1 jenis citra tersebut. Dapat disimpulkan efektivitas penerapan metode adaptive

median filter terhadap pengurangan noise uniform dan gaussian sebesar 30%,

sedangkan efektivitas pada penerapan terhadap noise coretan sebesar 50%.

Kata Kunci : Filtering Citra, Adaptive Median Filter, Pengolahan Citra

STIKOM

vii

increase. The problems that arise in the imaging process is the possibility of noise or noise that may arise at the time of image acquisition. Based on the problems mentioned above, it can be concluded that the problems faced in relation to the need for an image enhancement application that can help reduce the noise contained in either two-dimensional image in grayscale or RGB format. Therefore, we developed an application implemented for image processing areas in particular noise and uniform Gaussian noise using adaptive median filter. Adaptive median filter is a filter that is used to produce images with better quality and can extract the information in the image as well as to smooth the noise. Testing is done by providing uniform noise and gaussian noise on RGB images or Grayscale images. And any kind of noise is given by 5%, 10%, 20%, 40%, and 60%, so there are 20 types of images. Furthermore, 20 kinds of image is filtered by using an adaptive median filter and measured the results using the MSE and PSNR. The results of these measurements, there are 6 types of imagery impaired MSE and PSNR improvement. This shows an improvement on the 6 types of image that image. The test is then performed to provide noise streaks in RGB and grayscale images, so there are 2 types of imagery. The results of these measurements are one type of image that decreased the value of MSE and PSNR improvement. This shows an improvement in the image of one kind of image. It can be concluded effective implementation of adaptive median filter method for uniform and Gaussian noise reduction by 30%, while the effectiveness of the implementation of the graffiti noise by 50%.

Keywords : Image Filtering, Adaptive Median Filter, Image Processing

STIKOM

1

1.1. Latar Belakang Masalah

Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai bentuk informasi visual (Murinto, 2007). Seiring dengan perkembangan teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai bidang.

Ketika sebuah citra ditangkap oleh kamera atau citra yang telah disimpan dalam waktu cukup lama, seringkali tidak dapat langsung digunakan sebaigaimana yang diinginkan karena kualitasnya belum memenuhi standar untuk kebutuhan pengolahan (Ahmad, 2005). Misalnya saja citra disertai oleh variasi intensitas yang kurang seragam akibat pencahayaan yang tidak merata, atau lemah dalam hal kontras sehingga obyek sulit sekali untuk dipisahkan dari latar belakangnya melalui operasi binerisasi karena terlalu banyak noise (gangguan atau distorsi dalam citra), dan lain sebagainya. Secara umum dapat dikatakan bahwa citra yang demikian kualitasnya masih rendah, baik oleh karena adanya

noise, maupun oleh sebab lainnya seperti tingginya variasi intensitas dari daerah

yang sama, atau karena lemahnya perbedaan intensitas dari dua atau lebih daerah yang berlainan. Citra dengan kualitas seperti ini memerlukan langkah-langkah perbaikan atau kualitasnya perlu ditingkatkan untuk memfasilitasi pengolahan yang akan dilakukan.

Banyak cara dan metode yang digunakan dalam pengurangan noise. Metode tersebut antara lain operasi aritmatik (aljabar), transformasi wavelet, metode

STIKOM

contour, metode intensity filtering, dan metode frequency filtering. Untuk

mengatasi noise tersebut perlu dilakukan usaha untuk memperbaiki kualitas citra itu. Median filter adalah salah satu filtering non-linear yang mengurutkan nilai intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai mediannya. Median filter telah digunakan secara luas untuk memperhalus dan mengembalikan bagian dari citra yang mengandung noise yang berbentuk bintik putih.

Pada penelitian terdahulu (Hwang, 1995) menjelaskan tentang dua algoritma baru untuk median filter adaptif dengan ukuran jendela variabel untuk menghilangkan impuls noise dengan kepadatan yang cukup tinggi dengan juga tetap menjaga ketajaman gambar yaitu dengan metode RAMF (Ranked-order

Based Adaptive Median Filter) dan SAMF (The Impulse Size Based Adaptive Median Filter). Hasil simulasi menunjukkan bahwa kinerja dari filter ini lebih

tinggi dari median filter.

Dalam penelitian lain yang dilakukan oleh (Jannah, 2008), sistem yang dibuat membahas tentang perbandingan antara tiga metode, yaitu filer Gaussian,

Mean, dan Median, tetapi hanya menggunakan sampel satu buah jenis noise yaitu salt&peppers. Pada awalnya pengguna memasukkan input data berupa citra. Citra

masukan adalah citra grayscale karena sistem hanya dibatasi untuk memproses citra grayscale. Kemudian pengguna diminta untuk memasukkan parameter untuk menambahkan noise pada citra. Jika parameter telah dimasukkan, maka sistem siap melakukan proses pengurangan noise citra.

Kualitas citra diukur dengan dua besaran, yaitu MSE (Mean Square Error) dan PSNR (Peak Signal to Noise Ratio). MSE (Mean Square Error) menyatakan

STIKOM

tingkat kesalahan kuadrat rata-rata dari codebook yang dihasilkan terhadap vektor

input. Semakin kecil nilai MSE menunjukkan semakin sesuai dengan vektor input.

Parameter PSNR bernilai sebaliknya, semakin besar parameter PSNR semakin bagus codebook yang dihasilkan.

Oleh karena pentingnya nilai MSE dan PSNR pada citra untuk mengetahui kualitas citra yang telah difilter, maka kami melakukan penelitian dengan menggunakan adaptive median filter yang bertujuan untuk mereduksi atau mengurangi noise pada citra digital.

1.2. Rumusan Masalah

Dari permasalahan di atas, dapat diambil rumusan masalah, yaitu :

1. Bagaimana membuat aplikasi adaptive median filter dengan menggunakan bahasa pemrograman Visual Basic 6.0?

2. Seberapa besar tingkat efektivitas penerapan metode adaptive median

filter terhadap pengurangan noise pada citra digital?

1.3. Batasan Masalah

1. Noise diberikan secara manual oleh user yang sudah di-setting kan ke

dalam program.

2. Noise yang diberikan adalah Gaussian Noise, Uniform Noise, dan noise

coretan.

3. Sebagai alat ukur tingkat perbaikan citra digunakan perhitungan MSE dan PSNR

4. Menggunakan kernel 3x3 dan 5x5.

STIKOM

5. Citra yang digunakan adalah citra dengan format bitmap (*.bmp). 6. Citra yang digunakan adalah citra dua dimensi.

1.4. Tujuan Masalah

Tujuan dari pembuatan tugas akhir ini adalah :

1. Membuat aplikasi adaptive median filter dengan menggunakan bahasa pemrograman Visual Basic 6.0

2. Besarnya tingkat efektivitas penerapan metode adaptive median filter terhadap pengurangan noise pada citra digital

1.5. Kontribusi

Semakin meningkatnya kebutuhan untuk melakukan perbaikan citra secara efektif dan efisien menjadi meningkat. Permasalahan yang timbul pada proses pencitraan adalah kemungkinan munculnya derau atau noise yang muncul pada saat pengambilan citra. Pada penelitian sebelumnya, ada beberapa penerapan perancangan aplikasi untuk menghilangkan noise salt&pepper pada citra yang menggunakan standar median filter atau ada juga yang menggunakan metode

adaptive median filter pada noise yang berbeda da biasanya citra yang diterapkan

adalah citra grayscale. Pada penelitian ini dikembangkan perancangan aplikasi yang digunakan untuk menghilangkan atau mengurangi noise uniform dan

gaussian pada citra RGB maupun grayscale.

STIKOM

1.6. Sistematika Penulisan

Laporan penelitian tugas akhir ini tersusun atas beberapa bab dengan urutan sebagai berikut :

BAB I : Pendahuluan

Pada bab satu diuraikan mengenai latar belakang topik tugas akhir yang diambil, kemudian dirumuskan menjadi suatu permasalahan yang akan diselesaikan dalam tugas akhir ini, batasan-batasan masalah yang akan diteliti, tujuan dari penelitian tugas akhir ini, kontribusi yang dapat diberikan dari hasil penelitian ini terhadap perkembangan ilmu pengetahuan, serta sistematika penulisan buku Tugas Akhir.

BAB II : Landasan Teori

Bagian landasan teori menguraikan tentang teori-teori yang terkait dengan variabel-variabel penelitian termasuk uraian tentang pemilihan suatu teori yang diterapkan dalam menyelesaikan masalah. Teori yang akan diuraikan adalah tentang sistem yang digunakan yaitu Metode Adaptive Median Filter, Citra Digital yang meliputi Matriks Bitmap, Citra Warna, Citra Skala Keabuan (Grayscale),

Pixel, Dimensi dan Resolusi, kemudian penjelasan tentang

Pengolahan Citra yang diantaranya meliputi Definisi Pengolahan Citra, Operasi Pengolahan Citra, Pemrosesan Citra Digital antara lain Filter, Kernel Filter, Filter Median, dan beberapa informasi lain pendukung seperti Noise Uniform, Noise Gaussian, MSE (Mean

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

STIKOM

BAB III : Metode Penelitian

Dalam bab tiga diuraikan tentang metode penelitian yang digunakan dalam penelitian ini serta alasan dan penjelasan penggunaan metode tersebut dalam penelitian. Pada metode penelitian ini dimuat analisa permasalahan, diagram penelitian yang terdiri dari data masukan,data selama proses, dan data keluaran, serta diagram pengujian yang terdiri dari pengujian penambahan noise, pengujian proses pengolahan matriks input dengan adaptive median filter, pengujian kualitas citra dengan cara perhitungan nilai MSE dan PSNR dan evaluasi sistem yang digunakan.

BAB IV : Pengujian dan Evaluasi Sistem

Dalam bagian pengujian dan evaluasi sistem, diuraikan tentang hasil pengujian pada masing-masing noise serta pada citra RGB dan

grayscale serta analisis hasil pengujian sistem secara keseluruhan BAB V : Penutup

Bagian penutup merupakan bagian akhir dari laporan penelitian tugas akhir ini yang menguraikan kesimpulan-kesimpulan yang diperoleh dari proses penelitian, serta saran-saran untuk pengembangan penelitian selanjutnya.

STIKOM

7

BAB II

LANDASAN TEORI

2.1. Metode Adaptive Median Filter

Adaptive Median Filter dirancang untuk menghilangkan masalah yang

dihadapi dengan standar median filter. Perbedaan mendasar antara dua filter ini adalah bahwa pada adaptive median filter besarnya window (jendela/kernel) sekitarnya setiap piksel adalah variabel. Variasi ini tergantung pada median dari piksel dalam jendela sekarang atau saat ini. Jika nilai rata-rata adalah impuls, maka ukuran jendela akan diperluas. Jika tidak, proses lebih lanjut dilakukan pada citra dalam spesifikasi jendela saat ini. Pada dasarnya pada “pengolahan” citra diperlukan : piksel pusat dari jendela (window) dievaluasi untuk memverifikasi apakah itu suatu impuls atau bukan. Jika itu adalah suatu impuls, maka nilai piksel baru pada gambar yang telah difilter akan menjadi nilai median dari piksel dalam jendela itu. Jika piksel pusat bukan suatu impuls, maka nilai dari pusat piksel akan dipertahankan dalam citra yang difilter. Piksel (terkecuali) yang dipertimbangkan sebagai sebuah impuls, nilai grayscale dalam piksel pada gambar yang difilter adalah sama dengan citra masukan. Adaptive median filter memiliki tujuan ganda yaitu menghapus impuls noise pada gambar dan mengurangi distorsi pada gambar. Adaptive Median Filter dapat menangani operasi filter pada gambar rusak dengan impuls noise. Filter ini juga memperhalus noise. Dengan demikian,

filter ini memberikan output citra jauh lebih baik dari standar median filter. Filter ini melakukan pengolahan spasial untuk menentukan nilai mana

dalam citra yang terkena noise dengan membandingkan setiap pikselnya terhadap

STIKOM

tetangganya. Ukuran window dapat disesuaikan dengan batasan maksimum

window. Piksel yang berbeda dengan tetangganya maka dianggap sebagai noise

untuk kemudian digantikan dengan nilai median piksel yang ada dalam satu

window.

Misalnya , untuk (i,j) ∈ � ≡ 1,…, × 1,…, , adalah derajat

keabuan dari citra x dengan ukuran M×N pada lokasi (i,j), dan [Smin , Smax] adalah

jangkauan dinamik dari x dengan kata lain ≤ ≤ _� untuk semua

, ∈ �. Kemudian y didefinisikan sebagai citra yang terkena noise.

Disini akan dijelaskan tentang algoritma Adaptive Median Filter. Dimisalkan adalah sebuah window dengan ukuran × dan memiliki pusat di (i,j) sehingga

� = , : − ≤ � − ≤ ... (2.1)

dan _� × _� adalah ukuran maksimal window. Tujuan dari algoritma

Adaptive Median Filter ini adalah mengidentifikasi kandidat noise kemudian mengganti setiap dengan nilai median dari piksel yang ada pada window � . Untuk lebih jelasnya dapat dilihat pada penjelasan di bawah ini :

Untuk setiap piksel pada lokasi (i,j) , lakukan :

1. Inisialisasi ukuran pertama window, = + 3 , karakteristik matriks X. 2. Hitung nilai , , , , dan � , yang merupakan nilai minimum,

median, dan maksimum dari piksel-piksel yang ada dalam window � . 3. Jika , ≤ , ≤ � , , maju ke langkah 5. Jika tidak, atur

ukuran = + 2.

STIKOM

4. Jika ≤ _� , maka ulangi dari langkah 2. Selain itu ganti piksel dengan , kemudian set = 0.

5. Jika , ≤ ≤ � , maka bukan noise dan tidak perlu diganti nilainya kemudian, set = 1. Jika tidak, ganti dengan , dan set = 0.

2.2. Citra Digital

Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai bentuk informasi visual (Murinto, 2007). Seiring dengan perkembangan teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai bidang. Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Dimana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra. Nilai matriksnya menyatakan nilai kecerahan titik tersebut. Titik tersebut dinamakan sebagai elemen citra atau pixel (picture elemen). Dalam kamus komputer, gambar atau foto diistilahkan sebagai citra digital yang mempunyai representasi matematis berupa matriks × = .

Gonzales dan Woods (1992) mendefinisikan citra digital sebagai fungsi intensitas cahaya dua-dimensi f(x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y) sebanding dengan brightness (gray level) dan citra di titik tersebut.

STIKOM

Data atau informasi tidak hanya disajikan dalam bentuk tulisan, namun dapat berupa gambar, video ataupun audio. Ke-empat macam bentuk data atau informasi ini sering disebut multimedia (Munir, 2004).

Citra dapat berupa citra diam (still images) ataupun citra bergerak (moving

images). Citra diam adalah citra tunggal yang tidak bergerak. Sedangkan citra

bergerak adalah rangkaian citra diam yang ditampilkan secara beruntun sehingga memberi kesan pada mata kita sebagai gambar yang bergerak.

Citra digital merupakan representasi dari citra yang diambil oleh mesin dengan bentuk pendekatan berdasarkan sampling dan kuantisasi (Basuki, 2005) Setiap citra digital memiliki beberapa karakteristik, antara lain ukuran citra, resolusi dan format nilainya. Umumnya citra digital berbentuk persegi panjang yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel, sehingga ukuran citra selalu bernilai bulat.

Gambar 2.1 Citra dengan resolusi (Basuki, 2005)

Resolusi adalah kerapatan piksel dari citra yang berarti banyaknya jumlah piksel yang menyusun citra tersebut. Resolusi berbeda dengan ukuran panjang dan lebar pada umumnya. Pada setiap inchi atau cm bisa terdapat beberapa piksel,

STIKOM

seperti satuan dots per inch (dpi) yang berarti berapa titik/piksel pada tiap satu inchi-nya.

Untuk dapat diolah dengan komputer maka citra harus direpresentasikan secara numerik dalam bentuk matriks atau array. Citra dengan ukuran resolusi M x N (M = lebar, N = tinggi) dapat dinyatakan dengan array berukuran M x N. Sehingga dapat dikatakan bahwa array tersebut merupakan representasi citra dalam bentuk data nilai atau secara numerik. Representasi citra dari fungsi malar (kontinu) menjadi nilai-nilai diskrit disebut digitalisasi (Munir, 2004:18).

Contoh pada gambar 2.2 Citra abu-abu berukuran M x N tersebut dapat digambarkan dalam bentuk array atau matriks berukuran M x N sebagai berikut:

Gambar 2.2 Array abu-abu dari gambar 2.1 (Basuki, 2005) Karena indeks dari array yang penulis gunakan dimulai dari koordinat (0,0) pada pojok kiri atas, maka indeks array akan berakhir pada koordinat (M-1, N-1) di pojok kanan bawah. Dengan begitu, ukuran dari array tetap M x N. Berdasarkan gambar 2.2 kita dapat mengetahui nilai-nilai piksel penyusun citra. Misal, pada array dengan koordinat (0,0) memiliki nilai 56 dan pada koordinat (4,4) bernilai 150 juga.

STIKOM

2.2.1. Matriks Bitmap

Citra disimpan di dalam berkas (file) dengan format tertentu (Munir, 2004). Format citra yang baku di lingkungan sistem operasi Microsoft Windows adalah berkas bitmap (*.bmp). Saat ini format BMP memang “kalah” populer dibandingkan dengan format JPG atau GIF. Hal ini karena berkas BMP pada umumnya tidak dimampatkan sehingga ukuran berkasnya relatif lebih besar daripada berkas JPG maupun GIF. Hal ini juga yang menyebabkan format BMP sudah jarang digunakan.

Meskipun format BMP tidak mangkus dari segi ukuran berkas, namun format BMP mempunyai kelebihan dari segi kualitas gambar. Citra dalam format BMP lebih bagus daripada citra dalam format yang lainnya, karena citra dalam format BMP umumnya tidak dimampatkan sehingga tidak ada informasi yang hilang. Terjemahan bebas bitmap adalah pemetaan bit. Artinya, nilai intensitas

pixel di dalam citra dipetakan disejumlah bit tertentu. Peta bit yang umum adalah

8, artinya setiap pixel panjangnya 8 bit. Delapan bit ini merepresentasikan nilai intensitas pixel. Dengan demikian ada sebanyak 28 = 256 derajat keabuan, mulai dari 0-255.

2.2.2. Citra Warna

RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang nilai. Untuk monitor komputer, nilai rentangnya paling kecil =0 dan paling besar= 255. Pilihan skala 256 ini adalah didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak

STIKOM

256x256x256 = 16777216 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai suatu vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y, dan komponen-z. misalkan sebuah vektor dituliskan sebagai r = (x,y,z). untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut : warna RGB (30, 75, 255). Putih = RGB (255, 255, 255), sedangkan untuk hitam=RGB (0, 0, 0). Gambar 2.3 menunjukkan citra warna

Gambar 2.3 Citra Warna (RGB), (Tidak ada nama,

http://repository.usu.ac.id/bitstream/123456789/29726/4/Chapter%20II.pdf

,diakses tanggal 12 Januari 2013)

2.2.3. Citra Skala Keabuan (Grayscale)

Citra skala keabuan memberi kemungkinan warna yang lebih banyak dari pada citra biner, karena terdapat kemungkinan nilai-nilai lain antara nilai minimum (0) hingga nilai maksimum. Banyaknya kemungkinan nilai tergantung

STIKOM

dari jumlah bit yang digunakan. Contoh, jika skala keabuan yang digunakan bernilai 4 bit, maka jumlah kemungkinan nilai adalah 24 = 16, dan nilai maksimum adalah 24-1 = 15. Sedangkan untuk skala keabuan 8 bit, maka jumlah kemungkinan nilainya adalah 28 = 256, dengan nilai maksimumnya 28-1 = 255

Format citra ini umumnya memiliki warna antara hitam sebagai warna minimal dan warna putih sebagai warna maksimal, sedangkan warna diantaranya adalah warna kelabu.

= 255 100 0 255 255 100 0 100 = 100 0 255 0 255 255 255 0 = 100 0 255 0 200 200 0 255 = 255 255 0 255 200 255 255 0

Gambar 2.4 Citra abu-abu 8 bit dan representasinya dalam data digital (Achmad, 2005)

Dalam prakteknya warna yang dipakai tidak terbatas pada warna kelabu, sebagai contoh dipilih warna minimalnya adalah warna putih dan warna maksimalnya adalah warna merah, maka semakin besar nilainya maka semakin besar pula intensitas warna merahnya. Beberapa buku menyebut format citra ini sebagai citra intensitas (Achmad, 2005).

2.2.4. Pixel

Pixel (Picture Elements) adalah nilai tiap-tiap entri matriks pada bitmap.

Rentang nilai-nilai pixel ini dipengaruhi oleh banyaknya warna yang dapat ditampilkan. Jika suatu bitmap dapat menampilkan 256 warna maka nilai-nilai

pixel nya dibatasi dari 0-255. Suatu bitmap dianggap mempunyai ketepatan yang

tinggi jika dapat menampilkan lebih banyak warna. Prinsip ini dapat dilihat dari

STIKOM

contoh pada gambar 4 yang memberikan contoh dua buah bitmap dapat memiliki perbedaan dalam menangani transisi warna putih ke warna hitam.

Gambar 2.5 Perbedaan ketepatan warna bitmap (Jannah, 2008)

Perbedaan ketepatan warna bitmap pada gambar 2.5 menjelaskan bahwa

bitmap sebelah atas memberikan nilai untuk warna lebih sedikit daripada bitmap

dibawahnya. Untuk bitmap dengan pola yang lebih kompleks dan dimensi yang lebih besar, perbedaan keakuratan dalam memberikan nilai warna akan terlihat lebih jelas.

Menurut Usman Ahmad (2005:14) sebuah pixel adalah sampel dari pemandangan yang mengandung intensitas citra yang dinyatakan dalam bilangan bulat. Sebuah citra adalah kumpulan pixel-pixel yang disusun dalam larik dua dimensi. Indeks baris dan kolom (x,y) dari sebuah pixel dinyatakan dalam bilangan bulat. Pixel (0,0) terletak pada sudut kiri atas pada citra, indeks x bergerk ke kanan dan indeks y bergerak ke bawah. Konversi ini dipakai merujuk pada cara penulisan larik yang digunakan dalam pemrograman komputer. Letak titik origin pada koordinat grafik citra dan koordinat pada grafik matematika terdapat perbedaan. Hal yang berlawanan untuk arah vertikal berlaku pada kenyataandan juga pada sistem grafik dalam matematika yang sudah lebih dulu dikenal. Gambar berikut memperlihatkan perbedaan kedua sistem ini.

STIKOM

Gambar 2.6 Perbedaan Letak Titik Origin Pada Koordinat Grafik dan pada Citra (Jannah, 2008)

2.2.5. Dimensi dan Resolusi

Dimensi bitmap adalah ukuran bitmap yang dinotasikan dengan menulis lebar x tinggii bitmap. Satuan ukur dimensi bitmap adalah berupa satuan ukur metris maupun pixel. Dimensi yang digunakan oleh bitmap mewakili ordo matriks citra itu sendiri. Model matriks untuk bitmap dipengaruhi oleh kerapatan pixel atau resolusi. Kerapatan pixel ini digunakan bitmap dalam mendekati kekontinyuan. Semakin besar resolusi suatu bitmap, obyek yang ditampilkan citra tersebut semakin akurat.

Kerapatan titik-titik pada citra dinamakan resolusi, yang menunjukkan seberapa tajam gambar ini ditampilkan yang ditunjukkan dengan jumlah baris dan kolom. Resolusi merupakan ukuran kuantitas bukan kualitas. Pixel merupakan satuan ukuran terhadap jumlah area photo-receptor pada sensor gambar kamera, yang menentukan seberapa banyak data yang dapat ditangkap.

Resolusi digunakan untuk pendataan (sampling) citra dari sensor. Sensor mengubah citra dari fungsi kontinu ke fungsi diskrit sehingga semakin besar

STIKOM

resolusi citra maka informasi yang dihasilkan akan semakin baik, sebab data yang diperoleh menjadi lebih banyak.

2.3. Pengolahan Citra

2.3.2. Definisi Pengolahan Citra

Image processing atau pengolahan citra adalah salah bidang dalam dunia

komputer yang mulai berkembang sejak manusia memahami bahwa komputer tidak hanya mampu menangani data teks, tetapi juga data citra (Ahmad, 2005:4). Terminologi pengolahan citra dipergunakan bila hasil pengolahan data yang berupa citra, adalah juga berbentuk citra yang lain, yang mengandung atau memperkuat informasi khusus pada citra hasil pengolahan sesuai dengan tujuan pengolahannya.

Sesuai dengan perkembangannya, pengolahan citra mempunyai dua tujuan utama, yakni sebagai berikut:

1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat informasi yang diharapkan dengan menginterpretasikan citra yang ada. Dalam hal ini interpretasi terhadap informasi yang ada tetap dilakukan oleh manusia (human percpetion).

2. Mengekstraksi informasi ciri yang menonjol pada suatu citra, dimana hasilnya adalah informasi citra dimana manusia mendapat informasi ciri dari citra secara numerik atau dengan kata lain komputer (mesin) melakukan interpretasi terhadap informasi yang ada pada citra melalui

STIKOM

besaran-besaran data yang dapat dibedakan secara jelas (besaran-besaran ini berupa (besaran-besaran numerik).

Pengolahan citra

Citra masukan _{Citra keluaran}

Gambar 2.7 Pengolahan citra

Secara umum, operasi-operasi pada pengolahan citra diterapkan pada citra bila:

1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra.

2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, diukur 3. Sebagian citra perlu digabung dengan citra yang lain.

2.3.2. Operasi Pengolahan Citra

Operasi-operasi pengolahan citra diklasifikasikan dalam beberapa jenis sebagai berikut (Munir, 2004):

1. Perbaikan kualitas citra (image enhancement)

Bertujuan untuk memperbaiki kualitas yang dimiliki citra dengan cara memanipulasi parameter-parameter citra, sehingga ciri-ciri khusus yang terdapat pada citra dapat ditonjolkan. Contoh-contoh operasi perbaikan citra:

a. Perbaikan kontras gelap/terang b. Perbaikan tepian objek

c. Penajaman

STIKOM

d. Pemberian warna semu e. Penapisan derau

2. Pemugaran citra (image restoration)

Bertujuan menghilangkan atau meminimumkan cacat pada citra. Dengan operasi ini penyebab degradasi gambar dapat diketahui. Contoh-contoh operasi pemugaran citra:

a. penghilangan kesamaran (deblurring) b. penghilangan derau (noise)

3. Pemampatan citra (image compression)

Bertujuan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam operasi ini adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode JPEG.

4. Segmentasi citra (image segmentation)

Tujuan dari operasi ini untuk memecah suatu citra ke dalam beberapa segmen dengan kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.

5. Pengorakan citra (image analysis)

Bertujuan menghitung besaran kuantitatif dari citra untuk menghilangkan deskripsinya. Teknik pengorakan citra mengektraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Contoh-contoh operasi pengorakan citra:

a. Pendeteksian tepi objek (edge detection)

STIKOM

b. Ekstraksi batas (boundary) c. Representasi daerah (region)

6. Rekontruksi citra (image reconstruction)

Bertujuan membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekontruksi citra banyak digunakan dalam bidang medis. Contohnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.

2.4. Pemrosesan Citra Digital 2.4.1. Filter

Filtering merupakan suatu proses yang mengambil sebagian sinyal

frekuensi tertentu dan membuang sinyal pada frekuensi lain (Sigit, dkk ,2005).

Filtering pada citra menggunakan prinsip sama, yaitu mengambil fungsi citra

pada frekuensi tertentu dan membuang fungsi citra pada frekuensi-frekuensi lain.

Dari sifat-sifat citra pada bagian frekuensi, prinsip-prinsip filtering dapat dikembangkan menjadi berikut :

1. Bila ingin mempertahankan gradasi atau banyaknya level warna pada suatu citra, maka kita mempertahankan frekuensi rendah dan membuang frekuensi tinggi. Prinsip ini dinamakan Low Pass Filter dan banyak digunakan untuk reduksi noise dan proses blur.

2. Bila ingin mendapatkan threshold atau citra biner yang menunjukkan bentuk suatu gambar, maka kita mempertahankan frekuensi tinggi dan membuang frekuensi rendah. Prinsip ini dinamakan High Pass Filter

STIKOM

dan banyak digunakan untuk menentukan garis tepi (edge) atau sketsa citra.

3. Bila ingin mempertahankan gradasi dan bentuk dengan tetap mengurangi banyaknya bidang frekuensi (bandwidth) dan membuang sinyal yang tidak perlu maka kita mempertahankan frekuensi rendah dan frekuensi tinggi, sedangkan frekuensi tengahan dibuang. Prinsip ini dinamakan Band Stop Filter. Teknik yang dikembangkan menggunakan Wavelet Transform yang banyak digunakan untuk kompresi, restorasi, dan denoising.

2.4.2. Kernel Filter

Kernel atau mask memberikan petunjuk tentang apa yang harus dilakukan

filter terhadap data. Pada umumnya kernel mempunyai panjang danlebar ganjil.

Pola bilangan ganjil n bertujuan agar matriks kernel mempunyai jari-jari r sehingga n=2r-1. Contoh cara penentuan lokasi entri-entri matriks dapat dilihat pada contoh gambar dengan (i,j) yang berjalan dari -2 hingga 2 dan (x,y) yang berjalan dari 0 sampai 4.

Gambar 2.8 Penentuan Lokasi Entri pada Kernel Filter (Jannah, 2008)

STIKOM

2.4.3. Filter Median

Cara kerja filter median dalam jendela tertentu mirip dengan filter linier namun prosesnya bukan lagi dengan pembobotan.

Rinaldi Munir (2004:126) menjelaskan filter median sebagai suatu jendela yang memuat sejumlah pixel ganjil. Jendela digeser titik demi titik pada seluruh daerah citra. Pada setiap pergeseran dibuat jendela baru. Titik tengah dari jendela ini diubah dengan nilai median dari jendela tersebut.

Berikut disajikan ilustrasi penggunaan filter median berukuran 3x3 pixel terhadap bitmap 2 dimensi.

Gambar 2.9 Ilustrasi Penerapan Filter Median Berukuran 3x3 Pixel (Jannah, 2008)

Cara mencari nilai median di atas adalah :

1. Baca nilai pixel yang akan diproses beserta pixel-pixel tetangganya 2. Urutkan nilai-nilai pixel dari yang paling kecil hingga yang paling

besar.

3. Pilih nilai pada bagian tengah untuk nilai yang baru bagi pixel (x,y).

STIKOM

Median pada kelompok tersebut adalah 40 (cetak tebal). Titik tengah dari jendela (55) diganti dengan nilai median (40). Jadi, filter median menghilangkan nilai pixel yang sangat berbeda dengan pixel tetangganya.

Penggunaan median filter itu sendiri juga mempunyai suatu kelemahan yaitu gambar yang sudah diproses akan tampak sedikit blur atau kabur. (Sulistyo, Wiwin, dkk, 2011).

Median filter adalah merupakan filter spasial non-liner, yang hasil prosesnya berdasarkan pada peringkat (rangking) nilai piksel. Secara statistik median mencari nilai yang berada ditengah deretan semua angka yang telah diurutkan. Cara pengurutan yang diambil dalam aplikasi ini adalah dengan menggunakan bubble sort.

Algoritma bubble sort adalah salah satu algoritma pengurutan yang paling sederhana, baik dalam hal pengertian maupun penerapannya. Ide dari algoritma ini adalah mengulang proses pembandingan antara tiap-tiap elemen array dan menukarrnya apabila urutannya salah. Pembandingan elemen-elemen ini akan terus diulang hingga tidak perlu dilakukan penukaran lagi. Algoritma ini termasuk dalam golongan algoritma comparison sort, karena menggunakan perbandingan dalam operasi antar elemennya. Berikut ini adalah gambaran dari algoritma

bubble sort. Pass Pertama

(4 2 5 3 9) menjadi (2 4 5 3 9) (2 4 5 3 9) menjadi (2 4 5 3 9) (2 4 5 3 9) menjadi (2 4 3 5 9) (2 4 3 5 9) menjadi (2 4 3 5 9)

STIKOM

Pass Kedua

(2 4 3 5 9) menjadi (2 4 3 5 9) (2 4 3 5 9) menjadi (2 3 4 5 9) (2 3 4 5 9) menjadi (2 3 4 5 9) (2 3 4 5 9) menjadi (2 3 4 5 9)

Pass Ketiga

(2 3 4 5 9) menjadi (2 3 4 5 9) (2 3 4 5 9) menjadi (2 3 4 5 9) (2 3 4 5 9) menjadi (2 3 4 5 9) (2 3 4 5 9) menjadi (2 3 4 5 9)

Dapat dilihat pada proses di atas, sebenarnya pada pass kedua, langkah kedua, array telah terurut. Namun, algoritma tetap dilanjutkan hingga pass kedua berakhir. Pass ketiga dilakukan karena definisi terurut dalam algoitma bubble sort adalah tidak ada satupun penukaran pada suatu pass, sehingga pass ketiga dibutuhkan untuk mem-verifikasi keurutan array tersebut.

Beberapa kelebihan dari algoritma Bubble Sort adalah sebagai berikut :

 Algoritma yang sederhana

 Mudah untuk diubah menjadi kode

 Definisi terurut terdapat dengan jelas dalam algoritma

 Cocok untuk pengurutan data dengan elemen kecil telah terurut

Algoritma yang sederhana. Hal ini dilihat dari proses pengurutan yang hanya menggunakan rekurens dan perbandingan, tanpa penggunaan proses lain.

STIKOM

Algoritma pengurutan lain cenderung menggunakan proses lain, misalnya proses partisi pada algoritma Quick Sort.

Mudah untuk diubah menjadi kode. Hal ini diakibatkan oleh sederhananya

bubble sort , sehingga kecil kemungkinan terjadi kesalahan sintax dalam

pembuatan kode.

Definisi terurut terdapat dengan jelas dalam algoritma. Definisi terurut ini adalah tidak adanya satu kalipun swap pada satu kali pass. Berbeda dengan algoritma lain yang seringkali tidak memiliki definisi terurut yang jelas tertera algoritmanya, misalnya Quick Sort yang hanya melakukan partisihingga hanya dua buah nilai yang dibandingkan.

Cocok untuk pengurutan data dengan elemen kecil telah terurut. Algoritma

bubble sort memiliki kondisi best case dengan kompleksitas algoritma.

Beberapa kekurangan dari algoritma bubble sort adalah sebagai berikut :

 Tidak efektif dalam pengurutan data berskala besar

 Langkah pengurutan yang terlalu panjang

2.5. Noise

Noise adalah citra atau gambar atau piksel yang mengganggu kualitas

citra. Noise dapat disebabkan oleh gangguan fisis (optik) pada alat akuisisi maupun secara disengaja akibat proses pengolahan yang tidak sesuai, selain itu

noise juga dapat disebabkan oleh kotoran-kotoran yang terjadi pada citra.

Terdapat beberapa noise sesuai dengan bentuk dan karakteristik jenis, yaitu

salt&pepper, gaussian, uniform, dan noise speckle. Banyak metode yang ada

STIKOM

dalam pengolahan citra yang bertujuan untuk mengurangi atau menghilangkan

noise.

Noise muncul biasanya sebagai akibat dari pembelokkan yang tidak bagus

(sensor noise, photographic gain noise). Gangguan tersebut umumnya berupa variasi intensitas suatu piksel dengan piksel-piksel tetangganya. Secara visual, gangguan mudah dilihat oleh mata karena tampak berbeda dengan piksel tetangganya. Piksel yang mengalami gangguan umumnya memiliki frekuensi tinggi. Komponen citra yang berfrekuensi rendah umumnya mempunyai nilai piksel konstan atau berubah sangat lambat. Operasi denoise dilakukan untuk menekan komponen yang berfrekuensi tinggi dan meloloskan komponen yang berfrekuensi rendah (Munir, 2004)

Reduksi noise adalah suatu proses menghilangkan atau mengurangi noise dari suatu signal. Reduksi noise secara konsep hampir sama penerapannya pada setiap jenis signal, tetapi untuk implementasinya, reduksi noise tergantung dari jenis signal yang akan diproses.

Secara umum metode untuk mereduksi noise dapat dilakukan dengan cara melakukan operasi pada citra digital dengan menggunakan suatu jendela ketetanggan , kemudian jendela tersebut diterapkan dalam citra. Proses tersebut dapat juga disebut proses filtering.

2.5.1. Noise Uniform

Noise Uniform seperti halnya Noise Gaussian dapat dibangkitkan dengan

cara membangkitkan bilangan acak [0,1] dengan distribusi uniform. Kemudian untuk titik-titik yang terkena noise , nilai fungsi citra ditambahkan dengan noise yang ada, atau dirumuskan dengan :

STIKOM

, = , + .� ... (2.2) Dimana :

a = nilai bilangan acak berdistribusi uniform dari noise p = persentase noise

y(i,j) = nilai citra terkena noise

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

Noise Uniform merupakan noise sintesis yang sebenarnya dalam

penerapannya jarang digunakan, tetapi secara pemrograman pembangkitan noise

uniform ini merupakan jenis pembangkitan noise yang paling mudah. 2.5.2. Noise Gaussian

Noise Gaussian merupakan model noise yang mengikuti distribusi normal

standar dengan rata-rata nol dan standar deviasi 1. Efek dari noise ini adalah munculnya titik-titik berwarna yang jumahnya sama dengan persentase noise.

Dengan rumus :

= 1 2��

−( −�)2∕2�2 _{... (2.3)} Noise Gaussian dapat dibangkitkan dengan cara membangkitkan bilangan

acak [0,1]dengan distribusi Gaussian. Kemuadian titik-titik yang terkena noise, nilai fungsi citra ditambahkan dengan noise yang ada, atau dirumuskan dengan :

, = , + .� ... (2.4) Dimana :

a = nilai bilangan acak berdistribusi Gaussian p = persentase noise

y (i,j) = nilai citra terkena noise

STIKOM

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

Untuk membangkitkan bilangan acak berdistribusi Gaussian , tidak dapat langsung menggunakan fungsi rnd, tetapi diperlukan suatu metode yang digunakan untuk mengubah distribusi bilangan acak ke dalam fungsi f tertentu. Dalam buku ini digunakan metode rejection untuk memudahkan dalam alur pembuatan programnya. Metode rejection dikembangkan dengan cara membangkitkan dua bilangan acak (x,y) dan ditolak bila y>f(x).

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

Dalam citra digital terdapat suatu standar pengukuran error (galat) kualitas citra, yaitu besar PSNR dan MSE.

Tingkat keberhasilan dan peforma dari suatu metode filtering pada citra dihitung dengan menggunakan Peak Signal to Noise Ratio atau biasa disingkat dengan PSNR. Meskipun peforma metode filtering juga dapat diukur dengan teknik visual (hanya melihat pada citra hasil dan membandingkannya dengan citra yang terdapat noise). Namun hasil pengukuran teknik visual setiap orang berbeda-beda. Sehingga MSE dan PSNR merupakan solusi pengukuran peforma yang baik.

Peak Signal to Noise Ratio (PSNR) adalah sebuah perhitungan yang

menentukan nilai dari sebuah citra yang dihasilkan. Nilai PSNR ditentukan oleh besar atau kecilnya nilai MSE yang terjadi pada citra. Semakin besar nilai PSNR, semakin baik pula hasil yang diperoleh pada tampilan citra hasil. Sebaliknya, semakin kecil nilai PSNR, maka akan semakin buruk pula hasil yang diperoleh pada tampilan citra hasil. Satuan nilai dari PSNR sama seperti MSE, yaitu decibel

STIKOM

(dB). Jadi hubungan antara nilai PSNR dengan nilai MSE adalah semakin besar nilai PSNR, maka akan semakin kecil nilai MSE-nya. PSNR secara umum digunakan untuk mengukur kualitas pada penyusunan ulang citra. Hal ini lebih mudah didefinisikan dengan Mean Square Error (MSE).

Mean Square Error (MSE) adalah kesalahan kuadrat rata-rata. Nilai

MSE didapat dengan membandingkan nilai selisih pixel-pixel citra asal dengan citra hasil pada posisi pixel yang sama. Semakin besar nilai MSE, maka tampilan pada citra hasil akan semakin buruk. Sebaliknya, semakin kecil nilai MSE, maka tampilan pada citra hasil akan semakin baik. (Lestari, 2006)

Misal I (x,y) adalah citra masukan I’(x,y) adalah citra keluaran, keduanya

memiliki M baris dan N kolom, maka didefinisikan sebagai berikut :

� = 1 _{=1 =1} � , − �′( , ) 2 ... (2.5) Rumus menghitung PSNR adalah :

� = 20 × �10 255/ � ... (2.6) Dimana : x = ukuran baris dari citra

y = ukuran kolom dari citra I = matriks citra awal I’= matriks citra hasil

STIKOM

30

BAB III

METODE PENELITIAN

Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain :

1. Studi Kepustakaan

Studi kepustakaan berupa pencarian data-data literatur melalui pencarian dari internet, dan konsep-konsep teoritis dari buku-buku penunjang serta metode yang akan digunakan untuk melakukan pengolahan citra.

2. Penelitian Laboratorium

Penelitian laboratorium dilakukan dengan perancangan perangkat lunak, implementasi perangkat lunak, pengambilan data, pengujian aplikasi, dan kemudian melakukan evaluasi dari data hasil pengujian.

3.1. Analisa Permasalahan

Saat ini kebutuhan untuk melakukan perbaikan citra secara efektif dan efisien meningkat. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses perbaikan citra dan bagaimana solusi untuk memecahkan masalah itu.

Permasalahan yang timbul pada proses pencitraan adalah kemungkinan munculnya derau atau noise yang bisa saja muncul pada saat pengambilan citra, hal ini dapat disebabkan oleh temperatur, tingkat kelembaban, kebocoran cahaya yang mempengaruhi emulsi fotonya atau kebocoran panas dari elektron yang tidak tertangkap oleh plat citra.

STIKOM

Dari permasalahan di atas, dapat disimpulkan bahwa alat bantu dalam perbaikan citra akan sangat membantu manusia dalam melakukan pemrosesan citra. Selain menghemat waktu dan tenaga, citra yang dihasilkan juga akan terlihat lebih baik dan lebih jelas. Tentunya peran manusia bukan sama sekali ditiadakan, citra yang dihasilkan perlu diperiksa dan dianalisis lebih lanjut secara manual, hanya saja analisis yang dilakukan akan menjadi lebih mudah.

Berdasarkan masalah yang telah disebutkan di atas, dapat disimpulkan bahwa masalah yang dihadapi berkaitan dengan dengan kebutuhan akan adanya sebuah aplikasi perbaikan citra yang dapat membantu mengurangi noise yang terdapat pada citra dua dimensi baik dalam format grayscale maupun RGB. Oleh karena itulah, kami mencoba untuk mengembangkan sebuah aplikasi yang dimplementasikan untuk mengolah citra yang ber-noise khususnya noise gaussian dan uniform dengan menggunakan adaptive median filter. Tujuan dari aplikasi ini adalah untuk menghasilkan citra dengan kualitas yang lebih baik serta dapat mengekstrak informasi yang ada pada citra.

3.2. Diagram Penelitian

Pada subbab ini akan dijelaskan mengenai desain aplikasi sistem untuk implementasi metode output. Diagram penelitian ini berisikan penjelasan data yang diperlukan untuk dapat menerapkan metode perbaikan citra ber-noise ini. Desain data meliputi data masukan, data selama proses dan data keluaran. Desain proses antara lain menjelaskan tentang proses penambahan noise dan memasukkan tingkat intensitas noise yang akan diberikan pada citra, proses

STIKOM

reduksi noise (filtering citra) dan proses pembentukan kembali sinyal menjadi citra.

Data yang digunakan untuk implementasi perangkat lunak ini dibagi menjadi tiga bagian utama, yaitu data masukan, data yang digunakan selama proses perbaikan citra ber-noise dan data keluaran.

Seperti yang telah diuraikan sebelumnya, pengolahan citra dengan menggunakan metode adaptive median filter ini terdiri dari 3 tahap, yaitu tahap pra-pengolahan, pengolahan, dan analisis. Berikut adalah diagram blok pada proses secara keseluruhan pada gambar 3.1 :

Gambar 3.1 Blok Diagram sistem secara global

Berdasarkan blok diagram gambar 3.1, terdapat beberapa tahapan proses, antara lain :

1. Proses Pra-pengolahan. Tahap ini berfungsi untuk memberikan noise secara manual, lebih tepatnya memberikan nilai persentase noise dan

text CITRA MASUKAN CITRA KELUARAN Pre-processing Proses penambahan noise : 1. Noise Gaussian 2. Noise Uniform

Processing Proses pengurangan noise dengan menggunakan adaptive median filter Analyzing Membandingkan antara citra tak noise, citra ber-noise, dan citra yang telah di filter.

Yang selanjutnya dihitung dan dibandingkan nilai

MSE dan PSNR nya.

PROSES UTAMA

STIKOM

jenis noise yang kita inginkan. Jenis noise yang ada pada aplikasi pengolahan ini adalah noise gaussian dan uniform. Jika citra (data masukan) sudah ber-noise, user tidak perlu lagi menjalankan proses ini dengan kata lain user dapat menjalankan proses selanjutnya.

2. Tahap Pengolahan. Tahap ini berfungsi untuk mengolah lebih lanjut citra yang telah didapatkan dari tahap pra-pengolahan. Pada tahap ini, citra yang ber-noise di-filter dengan menggunakan adaptive median filter. Setelah di-filter citra hasil akan menjadi data keluaran.

3. Tahap Analisis. Pada tahap ini, citra dianalisis secara sederhana. Ada 3 citra yang dibandingkan, yaitu citra asli atau citra yang tidak ber-noise, citra yang telah ber-noise, dan citra hasil (citra yang telah di-filter) yang selanjutnya akan dihitung nilai MSE dan PSNR nya.

3.2.1. Data Masukan

Data masukan yang pertama dari pengguna adalah arsip citra yang dipilih oleh pengguna. Pada sistem ini citra yang dimasukkan berupa arsip citra dengan format .bmp. Data masukan kedua adalah tingkat banyaknya noise yang akan ditambahkan pada citra masukan. Citra masukan berupa citra dua dimensi baik berformat grayscale maupun RGB.

3.2.2. Data Selama Proses

Pada tahap proses filtering untuk memperbaiki citra ber-noise terdapat beberapa tahap yaitu penambahan noise, pemilihan matriks input, dan pembentukan matriks output. Pada proses penambahan noise, dihasilkan satu data citra ber-noise. Data ini akan digunakan sebagai data input untuk proses selanjutnya, yaitu pemilihan matriks input. Pada proses ini matriks citra noise

STIKOM

yang awalnya berukuran 2 dimensi (memiliki baris dan kolom) akan dipecah dan diambil per kolom. Sehingga proses ini akan menghasilkan data berupa matriks yang berukuran 1 kolom dan n baris. Data yang dihasilkan adalah matriks, dan hasil ini akan digunakan untuk data pada proses berikutnya. Hal ini akan terus-menerus dilakukan hingga proses pembentukan sinyal output. Data pada setiap proses akan berukuran 1 dimensi, sehingga setiap kolom disimpan pada suatu matriks temporary yang berguna untuk menggabungkan seluruh matriks kolom.

3.2.3. Data Keluaran

Data keluaran yang dihasilkan sistem adalah citra hasil filtering dengan metode Adaptive Median Filter. Data lain yang akan ditampilkan pada pengguna adalah nilai PSNR dan nilai MSE dari setiap citra hasil. Nilai PSNR dan MSE adalah ukuran yang digunakan untuk mengukur kualitas dalam pemrosesan citra, khususnya penghilangan noise.

3.3. Diagram Pengujian

Untuk mengetahui apakah aplikasi yang dibuat berjalan sesuai dengan yang diharapkan, maka akan dilakukan pengujian dan evaluasi sistemuntuk setiap tahapan-tahapan dalam pembuatan aplikasi. Dimulai dari proses penambahan

noise, proses pemilihan matriks input, dan proses pengolahan matriks input

dengan Adaptive Median Filter.

STIKOM

3.3.1. Pengujian Penambahan Noise

START

Citra Masukan

Jumlah Noise (Variance)

Tambahkan Noise

Citra Bernoise

STOP

Gambar 3.2 Diagram Alir Proses Penambahan Noise

Pada proses ini dilakukan penambahan noise terhadap data citra yang telah dipilih oleh user. User memasukkan tingkat intensitas noise yang akan diberikan pada citra. Parameter yang diperlukan dalam proses penambahan noise ini adalah nilai variance. Semakin besar nilai variance maka citra akan semakin banyak mengandung noise. Jenis noise yang dikenakan pada citra adalah noise Gaussian dan Uniform. Kisaran nilai variance yang diberikan pada sistem ini adalah antara 1% hingga 100%. Jika proses penambahan noise telah dilakukan , maka akan dilanjutkan dengan proses berikutnya yaitu proses pemilihan matriks inputnya.

Untuk mengetahui apakah proses penambahan noise dapat berjalan dengan baik, dilakukan pengujian pada citra yang normal (normal artinya citra yang tak ber-noise) yang dimasukkan sebagai data masukan yang kemudian ditambahkan

STIKOM

jenis dan persentase (variance) noise yang diinginkan. Kemudian kita amati apakah ada perubahan pada citra yang normal tersebut. Apabila terdapat bercak berwarna hitam putih pada citra grayscale atau bercak berwarna merah, hijau, dan biru pada citra RGB itu artinya noise yang diinginkan telah berhasil ditambahkan.

3.3.2. Pengujian Proses Pengolahan Matriks Input dengan Adaptive Median Filter

START Matriks Citra

Noise 2D Hitung Jumlah Kolom Matriks Iterasi sebanyak

jumlah kolom Ambil nilai tiap kolom dari matriks

citra Simpan pada matriks temporary

Matriks input kolom n baris

STOP

Gambar 3.3 Diagram Alir Proses Pemilihan Matriks Input

STIKOM

Proses ini bertujuan untuk mengubah matrik masukan 2 dimensi menjadi matriks 1 dimensi karena sistem ini akan diimplementasikan pada matriks 1 dimensi. Pada proses ini dilakukan pengambilan nilai matriks tiap kolom dari data matriks citra 2D hasil dari proses penambahan noise. Sehingga data yang dihasilkan berupa matriks yang berukuran 1 kolom dan n baris. Sehingga pada saat dilakukan proses filtering, data yang diolah berukuran 1 dimensi bukan 2 dimensi lagi. Urutan prosesnya dapat didefinisikan sebagai berikut :

1. Hitung jumlah kolom matrik masukan

2. Ambil nilai tiap kolom dari matrik masukan dan simpan pada matrik sementara

3. Hasil keluaran berupa matrik 1 dimensi

Pada proses filter median tidak terjadi proses konvolusi, karena pada operasi filter median tidak ada bobot yang dipakai. Berikut diagram alir dari proses filter median:

STIKOM

Gambar 3.4 Diagram Alir Proses Adaptive Median Filter

START

Inisialisasi ukuran pertama window, , karakteristik matriks

X.

STOP

Hitung nilai minimum, median, dan maksimum dari piksel-piksel yang

ada dalam window

Jika nilai minimum <= median <= maksimum

Atur ukuran w=w+2

No

Yes

Yes

No No

Yes

STIKOM

Urutan prosesnya dapat didefinisikan sebagai berikut: Untuk setiap piksel pada lokasi (i,j) , lakukan :

1. Inisialisasi ukuran pertama window, = + 3 , karakteristik matriks X. 2. Hitung nilai � , , � , , dan � � , yang merupakan nilai minimum,

median, dan maksimum dari piksel-piksel yang ada dalam window � . 3. Jika � , ≤ � , ≤ � � , , maju ke langkah 5. Jika tidak, atur

ukuran = + 2.

4. Jika ≤ _� , maka ulangi dari langkah 2. Selain itu ganti piksel dengan � , kemudian set = 0.

5. Jika � , ≤ ≤ � � , maka bukan noise dan tidak perlu diganti nilainya kemudian, set = 1. Jika tidak, ganti dengan � , dan set = 0.

Untuk mengetahui apakah proses filtering dengan menggunakan metode

adaptive median filter dapat berjalan dengan baik atau tidak, maka dilakukan

pengujian dengan cara melihat dari hasil citra keluaran. Apakah citra yang dihasilkan berbeda dengan citra yang ber-noise (pada proses sebelumnya) artinya citra keluaran nantinya akan berkurang noise nya dan gambarnya terlihat lebih baik dari citra yang ber-noise sebelumnya dengan kata lain sudah terlihat perbaikan citranya atau belum.

STIKOM

3.3.3. Pengujian Perhitungan MSE dan PSNR

Untuk pengujian nilai perhitungan nilai MSE dan PSNR dilakukan dengan membandingkan antara nilai MSE atau PSNR citra ber-noise yang dikurangkan dengan citra normal yang selanjutnya disebut sebagai MSE atau PSNR awal, dan nilai MSE atau PSNR citra hasil filter dikurangkan dengan citra yang normal yang selanjutnya disebut sebagai MSE atau PSNR akhir.

Jika nilai MSE awal lebih tinggi daripada MSE akhir maka citra tersebut memiliki penurunan nilai error sehingga dapat dikatakan citra tersebut semakin baik. Sebaliknya, jika nilai MSE awal lebih rendah daripada MSE akhir maka citra tersebut memiliki kenaikan nilai error sehingga dapat dikatakan citra tersebut semakin buruk.

Begitu juga dengan PSNR, jika nilai PSNR awal lebih rendah daripada PSNR akhir maka citra tersebut memiliki kenaikan kualitas citra sehingga dapat dikatakan citra tersebut semakin baik. Sebaliknya, jika nilai PSNR awal lebih tinggi daripada PSNR akhir maka citra tersebut memiliki penurunan kualitas citra sehingga dapat dikatakan citra tersebut semakin buruk.

3.4. Evaluasi Sistem Keseluruhan

Setelah melalui proses pengujian di atas maka perlu dilakukan pengujian sistem secara keseluruhan. Dimulai dari proses memasukkan citra masukan, kemudian melakukan penambahan jenis dan persentase noise yang diinginkan. Selanjutnya melakukan proses filter dengan menggunakan metode Adaptive

Median Filter dan menghitung berapa nilai MSE dan PSNR nya. Kemudian

sebagai tambahan yang tak kalah penting, kita juga harus dapat sedikit

STIKOM

menganalisa apakah terjadi perbaikan citra atau sebaliknya. Kedua kemungkinan tersebut mungkin saja terjadi pada proses filtering ini. Jika keseluruhan sistem telah berjalan sesuai dengan langkah – langkah tersebut, maka secara keseluruhan sistem ini sudah dikatakan baik.

STIKOM

42

IMPLEMENTASI DAN EVALUASI

Pengujian sistem yang dilakukan merupakan pengujian terhadap aplikasi yang telah selesai dibuat. Dimulai dari memasukkan data masukan ke dalam aplikasi, penambahan noise baik dari jenis maupun persentase yang diinginkan oleh user, proses pem-filter-an dengan menggunakan metode Adaptive Median

Filter, perhitungan dan perbandingan nilai MSE dan PSNR, kemudian yang

terakhir adalah pengujian secara keseluruhan yaitu aplikasi melakukan pengurangan noise dengan menggunakan metode adaptive median filter.

4.1. Pengujian Implementasi Metode Adaptive Median Filter pada Noise Uniform dengan Citra RGB

Pengujian metode adaptive median filter pada noise uniform dilakukan pada citra warna (RGB). Hal tersebut untuk diketahui apakah filter ini cocok untuk menghilangkan atau mengurangi noise pada citra tersebut. Berikut ini hasil pengujian implementasi metode adaptive median filter pada noise uniform dengan citra RGB :

Tabel 4.1 Hasil Pengujian dengan Noise Uniform pada Citra RGB No Besar

Noise

MSE awal

MSE

akhir MSE

PSNR awal

PSNR

akhir PSNR 1 5% 2,9235 7,1778 4,2543 43,359 39,679 -3,68 2 10% 1,3099 8,7953 7,4854 48,13 38,588 -9,542 3 20% 4,8483 1,3619 -3,4864 41,141 48,13 6,989 4 40% 1,5545 3,1169 1,5624 45,12 43,359 -1,761 5 60% 3,1949 7,8755 4,6806 43,359 39,099 -4,26

STIKOM

4.2. Pengujian Implementasi Metode Adaptive Median Filter pada Noise Uniform dengan Citra Grayscale

Pengujian metode adaptive median filter pada noise uniform dilakukan pada citra Grayscale. Hal tersebut untuk diketahui apakah filter ini cocok untuk menghilangkan atau mengurangi noise pada citra tersebut. Berikut ini hasil pengujian implementasi metode adaptive median filter pada noise uniform dengan citra grayscale :

Tabel 4.2 Hasil Pengujian dengan Noise Uniform pada Citra Grayscale No Besar

Noise

MSE awal

MSE

akhir MSE

PSNR awal

PSNR

akhir PSNR 1 5% 2,973 5,0939 2,1209 43,359 41,141 -2,218 2 10% 1,279 6,6542 5,3752 48,13 39,679 -8,451 3 20% 4,475 1,1646 -3,3104 42,11 48,13 6,02 4 40% 1,4951 3,347 1,8519 48,13 43,359 -4,771 5 60% 3,156 9,1471 5,9911 43,359 38,588 -4,771

4.3. Pengujian Implementasi Metode Adaptive Median Filter pada Noise Gaussian dengan Citra RGB

Pengujian metode adaptive median filter pada noise gaussian dilakukan pada citra warna (RGB). Hal tersebut untuk diketahui apakah filter ini cocok untuk menghilangkan atau mengurangi noise pada citra tersebut. Berikut ini hasil pengujian implementasi metode adaptive median filter pada noise gaussian dengan citra RGB:

Tabel 4.3 Hasil Pengujian dengan Noise Gaussian pada Citra RGB No Besar

Noise

MSE awal

MSE

akhir MSE

PSNR awal

PSNR

akhir PSNR 1 5% 6,6008 7,9221 1,3213 39,679 39,099 -0,58 2 10% 3,229 1,1691 -2,0599 43,359 48,13 4,771 3 20% 1,1079 2,4163 1,3084 48,13 45,12 -3,01

STIKOM

4 40% 3,1222 7,2349 4,1127 43,359 39,679 -3,68 5 60% 5,2285 1,5815 -3,647 41,141 45,12 3,979

4.4. Pengujian Implementasii Metode Adaptive Median Filter pada Noise Gaussian dengan Citra Grayscale

Pengujian metode adaptive median filter pada noise gaussian dilakukan pada citra Grayscale. Hal tersebut untuk diketahui apakah filter ini cocok untuk menghilangkan atau mengurangi noise pada citra tersebut. Berikut ini hasil pengujian implementasi metode adaptive median filter pada noise gaussian dengan citra grayscale:

Tabel 4.4 Hasil Pengujian dengan Noise Gaussian pada Citra Grayscale No Besar

Noise

MSE awal

MSE

akhir MSE

PSNR awal

PSNR

akhir PSNR 1 5% 6,5867 5,723 -0,8637 39,679 40,349 0,67 2 10% 3,0429 9,4375 6,3946 43,359 38,589 -4,77 3 20% 1,0477 2,3665 1,3188 48,13 45,12 -3,01 4 40% 2,995 8,0924 5,0974 43,359 39,099 -4,26 5 60% 5,5104 1,9788 -3,5316 40,349 45,12 4,771

4.5. Pengujian Implementasi Metode Adaptive Median Filter pada Tes Coret Citra RGB

Pengujian metode adaptive median filter pada tes coret dilakukan pada citra warna (RGB). Hal tersebut untuk diketahui apakah filter ini cocok untuk menghilangkan atau mengurangi noise coretan pada citra tersebut. Berikut ini hasil pengujian implementasi metode adaptive median filter pada noise coretan dengan citra RGB:

STIKOM

Tabel 4.5 Hasil Pengujian dengan Noise Coretan pada Citra RGB No Besar

Noise

MSE awal

MSE

akhir MSE

PSNR awal

PSNR

akhir PSNR 1 3,8893 1,9319 -1,9574 42,11 45,12 3,01

4.6. Pengujian Implementasi Metode Adaptive Median Filter pada Tes Coret Citra Grayscale

Pengujian metode adaptive median filter pada tes coret dilakukan pada citra

Grayscale. Hal tersebut untuk diketahui apakah filter ini cocok untuk

menghilangkan atau mengurangi noise coretan pada citra tersebut. Berikut ini hasil pengujian implementasi metode adaptive median filter pada noise coretan dengan citra grayscale:

Tabel 4.6 Hasil Pengujian dengan Noise Coretan pada Citra Grayscale No Besar

Noise

MSE awal

MSE

akhir MSE

PSNR awal

PSNR

akhir PSNR 1 1,9867 2,3468 0,3601 45,12 45,12 0

4.7. Analisis Hasil Implementasi

Berdasarkan tabel 4.1 terlihat bahwa metode adaptive median filter pada penerapan noise uniform pada citra RGB memberikan hasil MSE = -3,4864 dan

PSNR = 6,989 dengan besar noise 20%. Pada pengujian pada metode adaptive

median filter pada penerapan noise uniform pada citra grayscale memberikan

hasil MSE = -3,3104 dan PSNR = 6,02 dengan besar noise 20% yang ditunjukkan pada tabel 4.2. Dari penjelasan tersebut terlihat bahwa MSE keduanya bernilai negatif sedagkan PSNR keduanya bernilai positif, terjadi

STIKOM

penurunan nilai MSE dan peningkatan nilai PSNR yang artinya telah terjadi perbaikan kualitas citra.

Berdasarkan tabel 4.3 terlihat bahwa metode adaptive median filter pada penerapan noise gaussian pada citra RGB memberikan hasil MSE = -2,0599 dan

PSNR = 4,771 dengan besar noise 10%, sedangkan pada pengujian dengan besar

noise 60%, memberikan hasil MSE = -3,647 dan PSNR = 3,979. Pada pengujian pada metode adaptive median filter pada penerapan noise gaussian pada citra grayscale memberikan hasil MSE = -0,8637 dan PSNR = 0,67 dengan besar noise 5%, sedangkan pada pengujian dengan besar noise 60%, memberikan hasil MSE = -3,5316 dan PSNR = 4,771 yang ditunjukkan pada tabel 4.4. Dari penjelasan tersebut terlihat bahwa MSE keduanya bernilai negatif sedagkan PSNR keduanya bernilai positif, terjadi penurunan nilai MSE dan peningkatan nilai PSNR yang artinya telah terjadi perbaikan kualitas citra.

Berdasarkan tabel 4.5 terlihat bahwa metode adaptive median filter pada penerapan noise coretan pada citra RGB memberikan hasil MSE = -1,9574 dan

PSNR = 3,01, sedangkan pengujian pada citra grayscale memberikan hasil

MSE = 0,3601 dan PSNR = 0. Dari penjelasan tersebut terlihat bahwa pada

noise coretan dengan citra RGB MSE bernilai negatif sedagkan PSNR bernilai positif, terjadi penurunan nilai MSE dan peningkatan nilai PSNR yang artinya telah terjadi perbaikan kualitas citra. Sedangkan pada noise coretan dengan citra

grayscale terjadi sebaliknya yaitu MSE bernilai positif dan PSNR bernilai 0, terjadi penurunan nilai MSE dan tidak ada peningkatan nilai PSNR yang artinya tidak terjadi perbaikan kualitas citra,

STIKOM

Pada tabel 4.1, 4.2, 4.3, dan 4.4 terlihat bahwa ada 6 pengujian yang hasilnya sesuai dengan apa yang kami harapkan yaitu perbaikan kualitas citra yang dapat dilihat dari penurunan nilai MSE dan peningkatan nilai PSNR. Ada 6 pengujian yang mengalami perbaikan citra dari 20 pengujian yang dilakukan, artinya efektivitas penerapan metode adaptive median filter terhadap pengurangan

noise uniform dan gaussian pada citra digital adalah sebesar 30%.

Sedangkan pada tabel 4.5 dan 4.6 terlihat bahwa ada 1 dari 2 pengujian yang mengalami perbaikan kualitas citra, artinya efektivitas penerapan metode adaptive

median filter terhadap pengurangan coretan pada citra digital adalah sebesar 50%.

STIKOM

48

PENUTUP

5.1. Kesimpulan

Aplikasi Adaptive Median Filter dapat digunakan untuk mengurangi noise

uniform dan gaussian, pada citra RGB dan grayscale dengan hasil sebagai

berikut:

1. Penerapan noise uniform pada citra RGB memberikan hasil MSE = -3,4864 dan PSNR = 6,989, pada citra grayscale memberikan hasil MSE = -3,3104 dan PSNR = 6,02 dengan besar noise 20%.

2. Penerapan noise gaussian pada citra RGB memberikan hasil MSE = -2,0599 dan PSNR = 4,771 dengan besar noise 10%, sedangkan pada pengujian dengan besar noise 60%, memberikan hasil MSE = -3,647 dan PSNR = 3,979. Penerapan noise gaussian pada citra grayscale memberikan hasil

MSE = -0,8637 dan PSNR = 0,67 dengan besar noise 5%, sedangkan pada pengujian dengan besar noise 60%, memberikan hasil MSE = -3,5316 dan

PSNR = 4,771.

3. Penerapan noise coretan pada citra RGB memberikan hasil MSE = -1,9574 dan PSNR = 3,01, sedangkan pengujian pada citra grayscale memberikan hasil MSE = 0,3601 dan PSNR = 0.

4. Perbaikan kualitas citra dilihat dari penurunan nilai MSE dan peningkatan nilai PSNR.

5. Efektivitas penerapan metode adaptive median filter terhadap pengurangan

noise uniform dan gaussian pada citra digital adalah sebesar 30%.

STIKOM

6. Efektivitas penerapan metode adaptive median filter terhadap pengurangan

noise coretan pada citra digital adalah sebesar 50%.

5.2. Saran

Agar pada penelitian selanjutnya aplikasi ini dapat dikembangkan lebih sempurna, maka penulis memberikan saran sebagai berikut :

1. Penerapan pada noise yang lain yaitu noise salt&pepper, sehingga dapat melihat perbandingan perbaikan kualitas citra.

2. Perlu dilakukan uji coba pada citra tiga dimensi untuk mengetahui kemampuan filter dengan metode adaptive median dalam mengurangi noise untuk melakukan perbaikan citra.

STIKOM

50

Achmad, B. & Firdausy, K. 2005. Teknik Pengolahan Citra Digital

Menggunakan Delphi. Jogjakarta: Ardi Publishing.

Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Edisi Pertama. Yogyakarta : Graha Ilmu.

Arunachalam, A. & Bharat, Shyam, B. Adaptive Median Filtering of Still

Images. (Online).

(http://homepages.cae.wisc.edu/~ece533/project/f03/arjunshyam.doc, diakses pada 18 November 2012)

Basuki, A. & Palandi, J.F.F. 2005. Pengolahan Citra Digital Menggunakan

Visual Basic. Jogjakarta: Graha Ilmu.

H, Hwang & Haddad R. A. 1995. Adaptive Median Filters : New Algorithm

and Result.

Intan Permatasari, Desy. 2007. Perbaikan Citra Dengan Menggunakan

Metode Transformasi Dual-Tree Complex Wavelet

Jannah, Asmaniatul. 2008. Analisis Perbandingan Metode Filter Gaussian,

Mean, dan Median Terhadap Reduksi Noise Salt and Pepper

Lestari, Desi. 2003. Implementasi Teknik Watermarking Digital pada

Domain Dct Untuk Citra Berwarna. Yogyakarta

Lei, Peng. 1995. Seminar Report : Adaptive Median Filtering

Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan

Algoritmik. Bandung : Informatika.

Nuryadin, Sony. 2006. Analisis Filtering Citra dengan Metode Mean Filter

dan Median Filter.

R.C. Gonzalez, R.E. Woods. 1992. Digital Image Processing. USA : Addison-Wesley Publishing Company.

Rheinadi, Ryan. 2009. Analisis Algoritma Bubble Sort.

Sigit, Riyanto, dkk. 2005. Step by Step Pengolahan Citra Digital. Yogyakarta : ANDI Offset.

Sulistyo, Wiwin, dkk, 2011. Analisis Penerapan Metode Median Filter

Untuk Mengurangi Noise pada Citra Digital

STIKOM

51

Tidak ada nama. Praktikum 7-Mereduksi Noise. (Online). (http://lecturer.eepis-its.edu/~riyanto/citra-bab7.pdf , diakses tanggal 20 Agustus 2012)

TIdak ada nama. Praktikum 9-Reduksi Noise. (Online). ( http://lecturer.eepis-its.edu/~nana/index_files/materi/Prak_Citra/PrakReduksiNoise.pdf

diakses tanggal 20 Agustus 2012)

STIKOM

penurunan nilai MSE dan peningkatan nilai PSNR yang artinya telah terjadi perbaikan kualitas citra.

Berdasarkan tabel 4.3 terlihat bahwa metode adaptive median filter pada penerapan noise gaussian pada citra RGB memberikan hasil MSE = -2,0599 dan

PSNR = 4,771 dengan besar noise 10%, sedangkan pada pengujian dengan besar noise 60%, memberikan hasil MSE = -3,647 dan PSNR = 3,979. Pada pengujian pada metode adaptive median filter pada penerapan noise gaussian pada citra grayscale memberikan hasil MSE = -0,8637 dan PSNR = 0,67 dengan besar noise 5%, sedangkan pada pengujian dengan besar noise 60%, memberikan hasil MSE = -3,5316 dan PSNR = 4,771 yang ditunjukkan pada tabel 4.4. Dari penjelasan tersebut terlihat bahwa MSE keduanya bernilai negatif sedagkan PSNR keduanya bernilai positif, terjadi penurunan nilai MSE dan peningkatan nilai PSNR yang artinya telah terjadi perbaikan kualitas citra.

Berdasarkan tabel 4.5 terlihat bahwa metode adaptive median filter pada penerapan noise coretan pada citra RGB memberikan hasil MSE = -1,9574 dan

PSNR = 3,01, sedangkan pengujian pada citra grayscale memberikan hasil

MSE = 0,3601 dan PSNR = 0. Dari penjelasan tersebut terlihat bahwa pada noise coretan dengan citra RGB MSE bernilai negatif sedagkan PSNR bernilai positif, terjadi penurunan nilai MSE dan peningkatan nilai PSNR yang artinya telah terjadi perbaikan kualitas citra. Sedangkan pada noise coretan dengan citra grayscale terjadi sebaliknya yaitu MSE bernilai positif dan PSNR bernilai 0, terjadi penurunan nilai MSE dan tidak ada peningkatan nilai PSNR yang artinya tidak terjadi perbaikan kualitas citra,

STIKOM

47

Pada tabel 4.1, 4.2, 4.3, dan 4.4 terlihat bahwa ada 6 pengujian yang hasilnya sesuai dengan apa yang kami harapkan yaitu perbaikan kualitas citra yang dapat dilihat dari penurunan nilai MSE dan peningkatan nilai PSNR. Ada 6 pengujian yang mengalami perbaikan citra dari 20 pengujian yang dilakukan, artinya efektivitas penerapan metode adaptive median filter terhadap pengurangan noise uniform dan gaussian pada citra digital adalah sebesar 30%.

Sedangkan pada tabel 4.5 dan 4.6 terlihat bahwa ada 1 dari 2 pengujian yang mengalami perbaikan kualitas citra, artinya efektivitas penerapan metode adaptive median filter terhadap pengurangan coretan pada citra digital adalah sebesar 50%.

STIKOM

48 PENUTUP

5.1. Kesimpulan

Aplikasi Adaptive Median Filter dapat digunakan untuk mengurangi noise uniform dan gaussian, pada citra RGB dan grayscale dengan hasil sebagai berikut:

1. Penerapan noise uniform pada citra RGB memberikan hasil MSE = -3,4864 dan PSNR = 6,989, pada citra grayscale memberikan hasil MSE = -3,3104 dan PSNR = 6,02 dengan besar noise 20%.

2. Penerapan noise gaussian pada citra RGB memberikan hasil MSE = -2,0599 dan PSNR = 4,771 dengan besar noise 10%, sedangkan pada pengujian dengan besar noise 60%, memberikan hasil MSE = -3,647 dan PSNR = 3,979. Penerapan noise gaussian pada citra grayscale memberikan hasil

MSE = -0,8637 dan PSNR = 0,67 dengan besar noise 5%, sedangkan pada pengujian dengan besar noise 60%, memberikan hasil MSE = -3,5316 dan

PSNR = 4,771.

3. Penerapan noise coretan pada citra RGB memberikan hasil MSE = -1,9574 dan PSNR = 3,01, sedangkan pengujian pada citra grayscale memberikan hasil MSE = 0,3601 dan PSNR = 0.

4. Perbaikan kualitas citra dilihat dari penurunan nilai MSE dan peningkatan nilai PSNR.

5. Efektivitas penerapan metode adaptive median filter terhadap pengurangan noise uniform dan gaussian pada citra digital adalah sebesar 30%.

STIKOM

49

6. Efektivitas penerapan metode adaptive median filter terhadap pengurangan noise coretan pada citra digital adalah sebesar 50%.

5.2. Saran

Agar pada penelitian selanjutnya aplikasi ini dapat dikembangkan lebih sempurna, maka penulis memberikan saran sebagai berikut :

1. Penerapan pada noise yang lain yaitu noise salt&pepper, sehingga dapat melihat perbandingan perbaikan kualitas citra.

2. Perlu dilakukan uji coba pada citra tiga dimensi untuk mengetahui kemampuan filter dengan metode adaptive median dalam mengurangi noise untuk melakukan perbaikan citra.

STIKOM

50

Achmad, B. & Firdausy, K. 2005. Teknik Pengolahan Citra Digital Menggunakan Delphi. Jogjakarta: Ardi Publishing.

Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Edisi Pertama. Yogyakarta : Graha Ilmu.

Arunachalam, A. & Bharat, Shyam, B. Adaptive Median Filtering of Still

Images. (Online).

(http://homepages.cae.wisc.edu/~ece533/project/f03/arjunshyam.doc, diakses pada 18 November 2012)

Basuki, A. & Palandi, J.F.F. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Jogjakarta: Graha Ilmu.

H, Hwang & Haddad R. A. 1995. Adaptive Median Filters : New Algorithm and Result.

Intan Permatasari, Desy. 2007. Perbaikan Citra Dengan Menggunakan Metode Transformasi Dual-Tree Complex Wavelet

Jannah, Asmaniatul. 2008. Analisis Perbandingan Metode Filter Gaussian, Mean, dan Median Terhadap Reduksi Noise Salt and Pepper

Lestari, Desi. 2003. Implementasi Teknik Watermarking Digital pada Domain Dct Untuk Citra Berwarna. Yogyakarta

Lei, Peng. 1995. Seminar Report : Adaptive Median Filtering

Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung : Informatika.

Nuryadin, Sony. 2006. Analisis Filtering Citra dengan Metode Mean Filter dan Median Filter.

R.C. Gonzalez, R.E. Woods. 1992. Digital Image Processing. USA : Addison-Wesley Publishing Company.

Rheinadi, Ryan. 2009. Analisis Algoritma Bubble Sort.

Sigit, Riyanto, dkk. 2005. Step by Step Pengolahan Citra Digital. Yogyakarta : ANDI Offset.

Sulistyo, Wiwin, dkk, 2011. Analisis Penerapan Metode Median Filter Untuk Mengurangi Noise pada Citra Digital

STIKOM

51

Tidak ada nama. Landasan Teori. (Online)

http://repository.usu.ac.id/bitstream/123456789/29726/4/Chapter%20II .pdf ,diakses tanggal 12 Januari 2013)

Tidak ada nama. Praktikum 7-Mereduksi Noise. (Online). (http://lecturer.eepis-its.edu/~riyanto/citra-bab7.pdf , diakses tanggal 20 Agustus 2012)

TIdak ada nama. Praktikum 9-Reduksi Noise. (Online). (http://lecturer.eepis-its.edu/~nana/index_files/materi/Prak_Citra/PrakReduksiNoise.pdf diakses tanggal 20 Agustus 2012)

STIKOM