4.2.2 Pengujian Kombinasi Arithmetic Mean Filter dan High Boost Filtering
Pada pengujian ini, hal yang dilakukan adalah melakukan proses peningkatan kualitas citra dengan menggunakan hasil filtering yang sudah dilakukan sebelumnya. Pada saat
proses High Boost Filtering di butuhkan nilai A yang di tentukan oleh pengguna. Adapun gambaran sistem ini dapat dilihat pada gambar 4.10 berikut ini:
Gambar 4.10 Gambaran sistem High Boost Filtering
Pada pengujian sistem ini akan melakukan beberapa pengujian, diantara lain : Pengujian citra terhadap hasil filtering jenis noise dan persentasi noise.
Universitas Sumatera Utara
4.2.2.1 Pengujian kombinasi Arithmetic Mean Filter dan High Boost Filtering
pada Gaussian Noise
Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 10, 20 ,30 ,40 dan 50 dengan nilai A yang optimal.
Tabel 4.3 Kernel 3x3 terhadap persentase noise
Perse ntasi
Noise Proses Generate
noise Citra Terkena
Noise Proses
Filtering Citra Hasil
Filtering Proses
High Boost Filter Citra Hasil
10
PSNR : 28.0976 dB MSE : 100.766
PSNR : 25.6314 dB MSE : 177.802
Running Time : 6.45085 s PSNR : 23.0105 dB
MSE : 325.107 A : 1.12078
Running Time : 12.2769 s 20
PSNR : 22.2072 dB MSE : 391.161
PSNR : 24.8658 dB MSE : 212.082
Running Time : 7.90713 s PSNR : 24.6265 dB
MSE : 224.096 A : 1.23091
Running Time : 10.0946 s
Universitas Sumatera Utara
30
PSNR : 18.9062 dB MSE : 841.156
PSNR : 23.9121 dB MSE : 264.167
Running Time : 6.50033 s PSNR : 19.2745 dB
MSE : 768.477 A : 1.25974
Running Time : 10.1871 s 40
PSNR : 16.7279 dB MSE : 1381.31
PSNR : 22.9069 dB MSE : 332.961
Running Time : 6.6844 s PSNR : 17.1351 dB
MSE : 1257.72 A : 1.39942
Running Time : 10.1436 s 50
PSNR : 15.0262 dB MSE : 2043.91
PSNR : 21.8111 dB MSE : 428.529
Running Time : 6.82706 s PSNR : 16.2283 dB
MSE : 1549.71 A : 1.42753
Running Time : 9.9521 s
Universitas Sumatera Utara
Dari pengujian yang dilakukan diatas diperoleh hasil peningkatan kualitas citra High boost filtering untuk noise sebesar 10 - 50 adalah untuk PSNR : 19.2745
dB, 24.6265 dB, 19.2745 dB, 17.1351 dB, 16.2283 dB. Untuk MSE : 325.107, 224.096, 768.477, 1257.72, 1549.71. Hasil pengujian dari peningkatan kualitas
tersebut dibandingkan dengan citra awal citra yang diberikan noise. Data pada citra awal yang diberikan noise sebesar 10 - 50 adalah untuk PSNR : 28.0976 dB,
22.2072 dB, 18.9062 dB, 16.7279 dB, 15.0262 dB. Untuk MSE : 100.766, 391.161, 841.156, 1381.31, 2043.91. Dari hasil kedua data tersebut dapat disimpulkan untuk
mengetahui citra yang lebih baik. Nilai PSNR yang lebih besar mengindikasikan bahwa kualitas tersebut lebih baik, sedangkan semakin kecil nilai MSE, semakin
bagus perbaikan citra yang digunakan. Untuk melihat perbedaan kombinasi citra tersebut dapat dilihat pada gambar 4.11 dan 4.12.
Gambar 4.11 Grafik PSNR citra kombinasi pada Gaussian noise
5 10
15 20
25 30
10 20
30 40
50
PSNR
Grafik Kombinasi PSNR Gaussian Noise
Awal Arithmetic
High Boost
Universitas Sumatera Utara
Gambar 4.12 Grafik MSE citra kombinasi pada Gaussian noise
Pada bagian data noise 10 lebih bagus untuk citra awal dibandingkan dengan citra hasil peningkatan kualitas citra. Sedangkan pada bagian data noise 20, 30,
40, dan 50 lebih bagus untuk citra hasil peningkatan kualitas citra. Pada citra hasil peningkatan kualitas citra digunakan nilai A untuk meningkatkan kualitas citra
tersebut. Hasil yang didapatkan dari pengujian tersebut untuk noise 10 nilai A yang digunakan untuk meningkatan kualitas citra yang paling bagus antara 1.05
– 1.1, untuk noise 20 antara 1.02
– 1.18, untuk noise 30 antara 0.96 – 1.36, untuk noise 40 antara 0.90
– 1.39, dan untuk noise 50 antara 0.85 – 1.42. Jika nilai A yang digunakan diluar dari kisaran tersebut, maka hasil perhitungan PNSR dan MSE akan
semakin buruk dibandingkan dengan nilai PNSR dan MSE citra awal. Dalam kisaran nilai A tersebut nilai PNSR dan MSE yang diperoleh lebih baik daripada nilai citra
awal untuk noise 20 sampai 50, sedangkan untuk noise 10 masih lebih baik citra awal.
500 1000
1500 2000
2500
10 20
30 40
50
MSE
Grafik Kombinasi MSE Gaussian Noise
Awal Arithmetic
High Boost
Universitas Sumatera Utara
4.2.2.2 Pengujian kombinasi Arithmetic Mean Filter dan High Boost Filtering
pada Salt and Pepper Noise
Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 10, 20 ,30 ,40 dan 50 dengan nilai A yang optimal.
Tabel 4.4 Kernel 3x3 terhadap persentase noise
Perse ntasi
Noise Proses Generate
noise Citra Terkena
Noise Proses
Filtering Citra Hasil
Filtering Proses
High Boost Filter Citra Hasil
10
PSNR : 14.8913 dB MSE : 2108.37
PSNR : 21.5086 dB MSE : 459.428
Running Time : 9.29126 s PSNR : 20.4203 dB
MSE : 590.267 A : 1.20779
Running Time : 10.6091s 20
PSNR : 11.8682 dB MSE : 4229.26
PSNR : 18.9624 dB MSE : 825.726
Running Time : 9.27465 s PSNR : 16.6403 dB
MSE : 1409.45 A : 1.30468
Running Time : 10.3608 s
Universitas Sumatera Utara
30
PSNR : 10.1514 dB MSE : 6279.66
PSNR : 17.0771 dB MSE : 1274.61
Running Time : 9.51199 s PSNR : 13.6356 dB
MSE : 2815.28 A : 1.41558
Running Time : 10.3576 s 40
PSNR : 8.92041 dB MSE : 8337.57
PSNR : 15.6673 dB MSE : 1763.41
Running Time : 9.41055 s PSNR : 11.1878 dB
MSE : 4946.48 A : 1.52338
Running Time : 10.4683 s 50
PSNR : 7.99541 dB MSE : 10316.7
PSNR : 14.5199 dB MSE : 2296.64
Running Time : 9.2848 s PSNR : 9.65735 dB
MSE : 7036.32 A : 1.6483
Running Time : 10.4711 s
Universitas Sumatera Utara
Dari pengujian yang dilakukan diatas diperoleh hasil peningkatan kualitas citra High boost filtering untuk noise sebesar 10 - 50 adalah untuk PSNR : 16.6436
dB, 13.3944 dB, 13.3479 dB, 12.5371 dB, 12.8591 dB. Untuk MSE : 1407.51, 1409.45, 2815.28, 4946.48, 7036.32. Hasil pengujian dari peningkatan kualitas
tersebut dibandingkan dengan citra awal Citra terkena noise. Data pada citra awal yang diberikan noise sebesar 10 - 50 adalah untuk PSNR : 14.8913 dB, 11.8682
dB, 10.1514 dB, 8.92041 dB, 7.99541 dB. Untuk MSE : 2108.37, 4229.26, 6279.66, 8337.57, 10316.7. Dari hasil kedua data tersebut dapat disimpulkan untuk mengetahui
citra yang lebih baik. Nilai PSNR yang lebih besar mengindikasikan bahwa kualitas tersebut lebih baik, sedangkan semakin kecil nilai MSE, semakin bagus perbaikan
citra yang digunakan. Untuk melihat perbedaan kombinasi citra tersebut dapat dilihat pada gambar 4.13 dan 4.14.
Gambar 4.13 Grafik PSNR Citra kombinasi pada Salt and pepper noise
5 10
15 20
25
10 20
30 40
50
PSNR
Grafik Kombinasi PSNR Salt and Pepper Noise
Awal Arithmetic
High Boost
Universitas Sumatera Utara
Gambar 4.14 Grafik PSNR Citra kombinasi pada Salt and pepper noise
Pada bagian data noise 10, 20, 30, 40 dan 50 lebih bagus untuk citra hasil peningkatan kualitas citra. Pada citra hasil peningkatan kualitas citra High boost
filtering digunakan nilai A untuk meningkatkan kualitas citra tersebut. Hasil yang didapatkan dari pengujian tersebut untuk noise 10 nilai A yang digunakan untuk
meningkatan kualitas citra yang paling bagus antara 0.86 – 1.43, untuk noise 20
antara 0.76 – 1.61, untuk noise 30 antara 0.68 – 1.79, untuk noise 40 antara 0.61 –
1.94, dan untuk noise 50 antara 0.55 – 2.00. Jika nilai A yang digunakan diluar dari
kisaran tersebut, maka hasil perhitungan PNSR dan MSE akan semakin buruk dibandingkan dengan nilai PNSE dan MSE citra awal. Dalam kisaran nilai A tersebut
nilai PNSR dan MSE yang diperoleh lebih baik pada jenis Salt and pepper noise daripada pada jenis Gaussian noise, tetapi hasil citra yang telah melakukan filtering
jauh lebih baik pada jenis Gaussian noise dari pada Salt and pepper noise.
2000 4000
6000 8000
10000 12000
10 20
30 40
50
MSE
Grafik Kombinasi MSE Salt and Pepper Noise
Awal Arithmetic
High Boost
Universitas Sumatera Utara
4.2.3 Pengujian Black Box
Kategori