Citra piksel awal seperti pada gambar 2.9, dengan hasil filter untuk d = 2 seperti pada gambar 2.10.
5 6
5 7
8 9 10 1
3 2
5 6 10 3
2 7
4 4
5 1
2 3
5 3
3
Gambar 2.9 Piksel Awal
Piksel citra tersebut kemudian akan dilakukan reduksi terhadap noise dengan nilai inputan d = 2. Maka perhitungannya adalah :
�2,2 = 1
9 − 2 �
5 + 5 + 5 + 6 + 6 + 9 + 10 = 1
7
� 46 = 6,57 = 7
Hasil filter : 5
6 5
7 8
9 7
1 3
2 5
6 10 3
2 7
4 4
5 1
2 3
5 3
3
Gambar 2.10 Hasil Filter dengan d = 2
2.6. Pengukuran Kinerja Restorasi Citra
2.6.1. Mean squared error MSE
Perbaikan citra pada dasarnya merupakan proses yang bersifat subjektif sehingga parameter keberhasilannya bersifat subjektif pula. Untuk itu diperlukan adanya alat
ukur kuantitatif yang bisa digunakan untuk mengukur kinerja prosedur perbaikan citra [9]. Semakin kecil nilai MSE maka citra hasil reduksi semakin mendekati citra
aslinya. Persamaannya:
��� =
1 ���
∑ ∑ �
�
�, � − �
�
�, �
2 �
� =1 �
�=1
………………..2.7
Universitas Sumatera Utara
Keterangan : M dan N = ukuran panjang dan lebar citra.
�
�
�, � = intensitas citra di titik �, � sebelum terkena noise. �
�
�, � = intensitas citra di titik �, � setelah noise dihilangkan.
2.6.2. Peak signal-to-noise ratio PSNR
Kualitas citra hasil reduksi juga dapat diukur secara kuantitatif dengan mengguanakan besaran Peak Signal-to-Noise Ratio PSNR dengan satuan desiBel dB. Semakin
besar nilai PSNR maka citra hasil reduksi semakin mendekati citra aslinya, dengan kata lain semakin bagus kualitas citra hasil reduksi tersebut, dan berlaku sebaliknya.
Persamaannya: ���� = 20 � ���
10
�
255 √���
� ………………..2.8
2.7. Relevansi Penelitian
Berikut penelitian tentang pengolahan citra yang membahas metode geometric mean filter ataupun alpha-trimmed mean filter:
1. Wiliyana dari Universitas Sumatera Utara mengangkat judul skripsinya
“Perbandingan Algoritma Arithmetic dengan Geometric Mean Filter untuk Reduksi Noise pada Citra”. Tugas akhir ini memberikan kesimpulan
perbandingan antara Algoritma Arithmetic dengan Geometric Mean Filter dalam melakukan reduksi noise pada citra. Berdasarkan penelitian ini, didapat
kesimpulan bahwa Algoritma Geometric Mean Filter lebih baik dalam melakukan reduksi terhadap salt and paper noise dengan diberikan
probabilitas yang sama seperti pada pengujian Algoritma Arithmetic Mean Filter. Hal ini dapat terlihat dengan adanya nilai MSE yang terdapat pada
Algoritma Geometric Mean Filter lebih kecil dibandingkan dengan Algoritma Arithmetic Mean Filter [12].
2. Vijaykumar, V.R., et al melakukan penelitian dengan judul “Fast and Efficient
Algorithm to Remove Gaussian Noise in Digital Images”. Penelitian ini bertujuan untuk menentukan metode yang paling bagus dalam mereduksi
Universitas Sumatera Utara
gaussian noise. Metode yang dilakukan penelitian antara lain mean filter, wiener filter, alpa-trimmed mean filter, K-means filter, bilateral filter dan
trilateralfilter. Penelitian dilakukan dengan menggunakan parameter MSE dan PSNR. Berdasarkan hasil penelitian, didapat kesimpulan metode jenis
nonlinear filter paling bagus untuk melakukan reduksi noise [11]. 3.
Srinivas, R. Panda, S. melakukan penelitian dengan judul “Performance Analysis of Various Filters for Image Noise Removal in Different Noise
Environment”. Penelitian ini bertujuan untuk membandingkan metode yang bagus dan efisien untuk mereduksi tiga tipe noise yaitu salt and pepper noise,
gaussian noise dan speckle noise dengan probabilitas 10-60. Dengan metode-metode yang akan dibandingkan yaitu average filter AF, adaptive
median filter AMF, standard median filter SMF dan alpha-trimmed mean filter ATMF. Penelitian dilakukan dengan menggunakan parameter MSE
dan PSNR. Berdasarkan penelitian ini didapat kesimpulan bahwa standard median filter SMF bagus untuk mereduksi salt and pepper noise dengan
probabilitas 50-60, average filter AF bagus untuk mereduksi salt and pepper noise dengan probabilitas
≥ 60 , gaussian noise, dan speckle noise, adaptive median filter AMF bagus untuk mereduksi gaussian noise, dan
speckle noise dengan probabilitas 10-20, dan alpha-trimmed mean filter tidak termasuk jenis metode yang baik dan efisien untuk mereduksi ketiga
noise tersebut [8].
Universitas Sumatera Utara
BAB 3 ANALISIS DAN PERANCANGAN
3.1. Analisis Sistem
Analisis sistem merupakan suatu langkah awal untuk menentukan perangkat lunak seperti apa yang akan dihasilkan ketika akan membuat suatu perangkat lunak.
3.1.1. Diagram ishikawa
Diagram Ishikawa untuk menganalisa masalah yang akan dilakukan penyelesaian terhadap masalah yang dikemukakan. Diagram Ishikawa pada sistem ini dapat dilihat
pada gambar 3.1.
Adanya Noise Pada Citra man
machine method
proses capture tidak sempurna Pencahayaan tidak merata
Lensa kamera tidak bagus ataupun rusak
Kontras citra terlalu rendah Tidak ahli mengambil gambar
Bintik-bintik pada lensa kamera
3.1 Diagram Ishikawa Permasalahan
Universitas Sumatera Utara
Pada gambar 3.1 ishikawa diagram dijelaskan bahwa permasalahan adanya noise pada citra digital dapat dikelompokkan menjadi 3 tiga bagian yaitu dari sudut
pandang man, method, dan machine. Berdasarkan sudut pandang man masalahnya yaitu tidak ahli mengambil gambar. Berdasarkan sudut pandang method yaitu adanya
pencahayaan yang tidak merata, proses capture yang tidak sempurna, dan kontras citra terlalu rendah. Berdasarkan sudut pandang machine yaitu lensa kamera yang tidak
bagus ataupun rusak dan adanya bintik-bintik pada lensa kamera.
3.1.2. Analisis fungsional
Persyaratan analisis fungsional meliputi masukan, keluaran dan proses. Berikut akan dijelaskan lebih rinci.
3.1.2.1. Analisis masukan Masukan dari sistem untuk mereduksi noise pada citra berupa parameter-parameter
yang dibutuhkan, yaitu: a Gambar yang digunakan pada aplikasi ini yaitu gambar truecolor dengan
ekstensi .bmp yang mengandung noise ataupun tidak mengandung noise untuk melakukan perbandingan terhadap metode Geometric Mean Filter dan
Alpha-Trimmed Mean Filter. b Metode menggunakan kernel 3x3 untuk melakukan reduksi.
c Pilih nilai d untuk melakukan reduksi dengan metode Alpha-Trimmed Mean Filter.
d Probabilitas untuk membangkitkan noise yaitu 1 sampai 5 0.01 sampai 0.05.
e Parameter yang digunakan untuk melakukan perbandingan terhadap kedua metode adalah Mean Squared Error MSE, Peak Signal-to-Noise Ratio
PSNR dan runtime. Jika nilai MSE kecil berarti citra hasil reduksi semakin mendekati citra aslinya. Jika nilai PSNR besar berarti citra hasil reduksi
semakin mendekati citra aslinya dan metode yang digunakan sangat bagus.
3.1.2.2. Analisis keluaran Keluaran dari sistem hasil reduksi noise pada citra pada perbandingan yaitu: Gambar
yang telah mengalami pengurangan noise serta nilai MSE, PSNR dan runtime.
Universitas Sumatera Utara
3.1.2.3. Proses membaca nilai piksel Pada citra bitmap 24-bit, setiap pikselnya mengandung 24-bit kandungan warna, dan
untuk tiap warna masing-masing terdiri dari 8-bit atau 1 byte yaitu R red, G green, dan B blue. Nilai yang terkandung tiap warna yaitu antara 0 sampai 255. Contoh
sebuah citra bitmap dengan nilai R = 00110110 biner, G = 01110111 biner, B = 01000010 biner.
3.2 Representasi Piksel Pada Citra