Pada grafik diatas dapat dilihat bahwa nilai PSNR semakin menurun apabila nilai persentasi noise nya bernilai besar. Kemudian setelah difilter nilai
PSNR nya menjadi semakin besar dibandingkan dengan nilai PSNR sebelum dilakukan filtering.
Dapat dilihat pada Gambar 4.10. dan Gambar 4.11. bahwa pengujian Gamma noise dengan metode Harmonic Mean Filtering sesuai dengan teori
berdasarkan pada perbandingan nilai parameter MSE dan PSNR sebelum dan setelah dilakukan proses reduksi noise. Kecuali pada nilai MSE pada nilai
persentasi Gamma noise 10 yang nilai MSE sebelum difilter lebih kecil daripada setelah difilter.
4.2.2.2. Pengujian Metode Harmonic Mean Filter dengan Rayleigh noise
Pengujian ini menguji hasil reduksi Rayleigh noise dengan menggunakan metode Harmonic Mean Filtering. Dalam pengujian ini nanti akan diambil data berupa
nilai dari MSE dan PSNR sebelum dan setelah dilakukan proses filtering, serta Running time saat direduksi. Pada penelitian ini dipakai persentasi noise antara
1 sampai 50, untuk itu akan digunakan persentasi 10, 20, 30, 40 dan 50 sebagai sampel pengujian.
Pengujian Harmonic Mean Filtering pada Rayleigh noise dapat ditunjukkan pada tabel 4.4 berikut :
Tabel 4.4. Pengujian Metode Harmonic Mean Filter dengan Rayleigh noise
Persentasi noise
Citra Terkena Rayleigh noise Citra setelah direduksi dengan
Metode Harmonic Mean Filtering 10
nilai MSE = 80.6452 nilai PSNR = 29.065dB
nilai MSE = 1342.12 nilai PSNR = 16.8529dB
Running time = 0.25s 20
nilai MSE = 145.823 nilai PSNR = 26.4925dB
nilai MSE = 1330.03 nilai PSNR = 16.8922dB
Running time = 0.265625s 30
nilai MSE = 205.237 nilai PSNR = 25.0082dB
nilai MSE = 1330.91 nilai PSNR = 16.8893 dB
Running time = 0.3125s
40
nilai MSE = 265.364 nilai PSNR = 23.8924dB
nilai MSE = 1333.05 nilai PSNR = 16.8823 dB
Running time = 0.28125s 50
nilai MSE = 324.12 nilai PSNR = 23.0237dB
nilai MSE = 1331.39 nilai PSNR = 16.8877 dB
Running time = 0.234375s
Citra pada tabel diatas merupakan citra asli yang sudah dikonversi ke grayscale kemudian diberi noise dengan persentasi 1 sampai 50. Terlihat pada
tabel diatas citra dengan noise 10 memiliki nilai MSE sebesar 80.6452 dan nilai PSNR sebesar 29.065 dB. Citra yang terkena noise 10 kemudian di filtering
sehingga didapat nilai MSE sebesar 1342.12 dan nilai PSNR sebesar 16.8529 dB. Citra dengan noise 20 memiliki nilai MSE sebesar 145.823 dan nilai PSNR
sebesar 26.4925 dB. Citra yang terkena noise 20 kemudian di filtering sehingga didapat nilai MSE sebesar 1330.03 dan nilai PSNR sebesar 16.8922 dB. Citra
dengan noise 30 memiliki nilai MSE sebesar 205.237 dan nilai PSNR sebesar 25.0082 dB. Citra yang terkena noise 30 kemudian di filtering sehingga didapat
nilai MSE sebesar 1330.91 dan nilai PSNR sebesar 16.8893 dB. Citra dengan noise 40 memiliki nilai MSE sebesar 265.364 dan nilai PSNR sebesar 23.8924
200 400
600 800
1000 1200
1400 1600
10 20
30 40
50 MSE sebelum difilter
MSE setelah difilter
dB. Citra yang terkena noise 40 kemudian di filtering sehingga didapat nilai MSE sebesar 1333.05 dan nilai PSNR sebesar 16.8823 dB. Citra dengan noise
50 memiliki nilai MSE sebesar 324.12 dan nilai PSNR sebesar 23.0237 dB. Citra yang terkena noise 50 kemudian di filtering sehingga didapat nilai MSE
sebesar 1331.39 dan nilai PSNR sebesar 16.8877 dB. Perbandingan nilai MSE dan PSNR citra yang terkena Rayleigh noise
dengan citra ber-noise yang sudah dilakukan proses filtering dapat dilihat pada grafik di gambar 4.12 dan gambar 4.13 berikut ini:
Gambar 4.12. Grafik Perbandingan nilai MSE Rayleigh noise sebelum dan setelah dilakukan proses filtering dengan metode Harmonic Mean Filtering
Pada grafik diatas dapat dilihat bahwa nilai MSE semakin meningkat apabila nilai persentasi noise nya juga bernilai besar. Kemudian setelah di filter
nilai MSE nya menjadi semakin besar dibandingkan dengan nilai MSE sebelum dilakukan filtering.
5 10
15 20
25 30
35
10 20
30 40
50 PSNR sebelum difilter
PSNR setelah difilter
Gambar 4.13. Grafik Perbandingan nilai PSNR Rayleigh noise sebelum dan setelah dilakukan proses filtering dengan metode Harmonic Mean Filtering
Pada grafik diatas dapat dilihat bahwa nilai PSNR semakin menurun apabila nilai persentasi noise nya bernilai besar. Kemudian setelah di filter nilai
PSNR nya menjadi semakin kecil dibandingkan dengan nilai PSNR sebelum dilakukan filtering.
Dapat dilihat pada Gambar 4.12. dan Gambar 4.13. bahwa pengujian Rayleigh noise dengan metode Harmonic Mean Filtering tidak sesuai dengan
teori berdasarkan pada perbandingan nilai parameter MSE dan PSNR sebelum dan setelah dilakukan proses reduksi noise.
0.05 0.1
0.15 0.2
0.25 0.3
10 20
30 40
50 Running Time Weighted Mean Filtering
Running Time Harmo nic Mean Filtering
0.05 0.1
0.15 0.2
0.25 0.3
0.35
10 20
30 40
50 Running Time Weighted Mean Filtering
Running Time Harmo nic Mean Filtering
Dari hasil pengujian diatas dapat kita lihat perbandingan dari running time masing- masing metode pada garfik di gambar 4.14 dan 4.15 berikut :
Gambar 4.14. Grafik perbandingan Running Time masing-masing metode dengan Gamma noise
Gambar 4.15. Grafik perbandingan Running Time masing-masing metode dengan Rayleigh noise
Dari Gambar 4.14. dan gambar 4.15. dapat dilihat bahwa running time dari metode Weighted Mean Filtering lebih kecil daripada running time dari metode
Harmonic Mean Filtering pada pengujian dengan kedua noise. Hal ini berarti
metode Weighted Mean Filtering lebih cepat dalam filtering kedua noise daripada metode Harmonic Mean Filtering.
4.2.3 Pengujian Black Box