Gambar 4.10. Form Simulasi Speckle Noise
4.2. Pengujian
Pengujian sistem akan dilakukan untuk mengetahui apakah ada pengaruh noise terhadap kinerja metode deteksi tepi dan seberapa besar nilai mean dan variance
pada tiap-tiap jenis noise yang dapat mempengaruhinya. Pengujian dilakukan pada citra berformat .bmp bitmap. Pengujian dibedakan pada tiap-tiap jenis
noise .
4.2.1. Pengujian Gaussian-Speckle Noise
Ketika aplikasi dijalankan, maka dipilih tombol Gaussian-Speckle Noise pada form home. Maka sistem akan masuk pada form Gaussian-Speckle Noise.
Selanjutnya input citra dengan tombol browse dan sistem otomatis hanya akan menerima citra dengan format .bmp. Proses tersebut dapat dilihat pada Gambar
4.11 dan 4.12.
Universitas Sumatera Utara
Gambar 4.11. Pilih Tombol Gaussian-Speckle Noise
Gambar 4.12. Browse Citra .bmp Pada F orm Gaussian-Speckle Noise
Berikutnya dilakukan proses noising atau pemberian noise pada citra inputan. Sebagai contoh, pada gaussian noise diberikan parameter dengan nilai
mean 0.01 dan variance 0.01. Pada speckle noise parameter variance bernilai 0.01
juga. Maka hasilnya dapat dilihat pada Gambar 4.13.
Universitas Sumatera Utara
Gambar 4.13. Tampilan Proses N oising dan Deteksi Tepi Pada Form
Gaussian-Speckle Noise
Dari gambar di atas, maka diperoleh nilai MSE dan PSNR masing-masing operator deteksi tepi sebagai berikut.
Tabel 4.1 Perbandingan nilai MSE dan PSNR masing-masing operator deteksi tepi
Marr-Hildreth Laplacian Of Gaussian
Prewitt MSE PSNR MSE PSNR MSE PSNR
0.0108643 67.7708 0.0145721 0.474826 0.00862122
0.474379
Untuk melihat seberapa besar pengaruh noise pada Gaussian-Speckle Noise
ini, dilakukan sampel dengan beberapa pengujian dengan nilai mean dan variance
berkala mulai dari 0 hingga 1. Sesuai dengan batasan masalah, bilangan ini diambil karena jika nilai mean maupun variance yang melebihi angka 1 maka
citra sudah tidak dapat lagi diidentifikasi dalam proses deteksi tepi. M mempresentasikan mean dan V mempresentasikan variance. MH untuk Marr-
Universitas Sumatera Utara
Ci
Hildreth ,
pada citra
Tabel
itra .bmp
LOG untuk ‘snail.bmp
l 4.2 Perban
Gaussia M
0 0
0.01 0
0.05 0
0.1 0
0.5 0 k Laplacian
’. Hasilnya
ndingan sa
an Spec
V V
.01 0.01
.05 0.05
.1 0.1
.5 0.5 n Of Gaus
seperti tabe
ampel pada
ckle
V ssian
dan P el berikut.
a simulasi G
MH
P untuk Pre
Gaussian-Sp
LOG
ewitt . Dilak
peckle Nois
kukan
se
P
Universitas Sumatera Utara
Da diberikan
terdeteksi nilai noise
Speckle N 0.5 ke ata
berikut.
Ta
Gaussia
Mean Va
0 0 0.01 0.0
0.05 0.0 0.1 0.1
0.5 0.5 1 1
Pada tabel 1. Semak
semak 2. Pada o
pada o perban
1 1
ari tabel 4 maka has
lagi, sehing e
yang men Noise
ini ada as. Untuk ni
abel 4.3 Per
an Spec
ariance Varia
01 0.01 05 0.05
1 0.1 5 0.5
1
l 4.3. dipero kin besar n
kin besar pu operator Ma
operator La ndingan nila
1
.2. dapat d sil deteksi
gga informa ngakibatkan
alah dengan ilai MSE da
rbandingan
ckle
ance MSE
0.01148 0.04052
0.08387 0.18588
0.19584
oleh kesimp nilai noise y
la. arr-Hildreth
aplacian Of ainya tidak s
dilihat bah tepi sema
asi citra tida n citra tidak
n nilai mean an PSNR m
n nilai MSE
MH PSNR
72.3686 899 67.5277
273 62.0533 776 58.8943
83 55.4384 47 55.2116
pulan sebaga yang diberi
h dan Prewit f Gaussian
signifikan. hwa semaki
akin buram ak didapat.
k dapat lagi n
dan varia masing-masi
E dan PSN
LOG MSE
0.0146637 0.0753174
0.123581 0.206787
0.213821
ai berikut: ikan, nilai
tt nilai PSN nilai PSNR
in besar n m. Artinya
Pada tabel d i di deteksi
nce yang m
ing, dapat d
R untuk T
G PSNR
0.47483 0 0.474838 0.0
0.476718 0.0 0.478212 0.0
0.480387 0.0 0.480386 0.0
MSE pada
R semakin k R semakin b
nilai noise citra asli
di atas, bes pada Gaus
menyentuh a dilihat pada
Tabel 4.2.
P MSE
P 0.4
00904846 0.4 0198517 0.4
0285034 0.4 0482788 0.4
0484772 0.4
semua ope
kecil, sedan besar, mesk
yang tidak
arnya ssian-
angka tabel
PSNR 474366
474372 474335
47424 474046
474015
erator
ngkan kipun
Universitas Sumatera Utara
Untuk melihat lebih jelas berapa nilai MSE dan PSNR tiap operator yang mengidentifikasikan bahwa citra masih dalam kondisi baik atau sudah buram pada
hasil deteksi tepi dilakukan pengujian lagi pada rentang tertentu pada nilai mean dan variance di Gaussian-Speckle Noise ini.
Berdasarkan Tabel 4.2. nilai mean dan variance yang berada di antara 0 dan 0.1 mengidentifikasikan citra hasil deteksi tepi masih terlihat baik sedangkan
di atas 0.1, citra sudah terlihat buram. Namun untuk melihat lebih jelas batas nilai MSE dan PSNR yang dapat diidentifikasi dilakukan pengujian lagi dengan
rentang 0.09 sampai dengan 0.9 dengan urutan yang acak dan ditambah satu kriteria lagi yaitu kondisi citra yang disingkat dengan “KC” yang memiliki nilai
baik jika citra teridentifikasi “T” citra masih bisa diidentifikasi dalam deteksi tepi atau buram “B” citra tidak dapat lagi diidentifikasi dalam deteksi tepi.
Pengujian dilakukan pada citra “snail.bmp”.
Tabel 4.4 Pengukuran Nilai MSE dan PSNR pada Gaussian-Speckle Noise
Gaussian Speckle KC
MH LOG P
Mean Variance
Variance MSE
PSNR MSE
PSNR MSE
PSNR 0.09 0.1
0.09 T 0.0796661 59.1181 0.121216 0.478215
0.0270996 0.47428 0.1 0.09 0.1
T 0.0776367
59.2301 0.118607 0.478123 0.0265656 0.474242
0.15 0.1 0.2
T 0.114349 57.5485 0.151825 0.479157 0.034668 0.474158
0.2 0.09 0.09 T
0.070343 59.6586 0.117157 0.47802 0.027771 0.474237 0.1 0.19 0.21
T 0.136322 56.7851 0.167557 0.479555
0.0382996 0.474124 0.2 0.3
0.2 B
0.147675 56.4377 0.180283 0.479837
0.0425415 0.474099 0.3 0.4
0.1 B
0.134445 56.8454 0.173233 0.47957 0.0449371 0.474201
0.4 0.6 0.09
B 0.149399 56.3873 0.186676 0.479893
0.049118 0.474245 0.1 0.8
0.9 B
0.197113 55.1837 0.209961 0.480433
0.0481873 0.474019 0.9 0.9
0.9 B
0.195435 55.2208 0.213745 0.480351
0.0477142 0.474006
Berdasarkan Tabel 4.4. diperoleh kesimpulan sebagai berikut: 1. Pada operator Marr-Hildreth, nilai MSE yang citranya masih bisa
diidentifikasi berkisar dari 0 hingga 0.13. Artinya MSE lebih dari 0.13 pada operator Marr-Hildreth di Gaussian-Speckle Noise dapat diartikan citra
Universitas Sumatera Utara
buram, dengan syarat semua nilai mean dan variance di Gaussian-Speckle Noise
ada tidak ada nilai mean maupun variance yang bernilai 0. Sedangkan untuk nilai PSNR yang citranya masih bisa diidentifikasi yaitu 56.5 ke atas,
maka nilai kurang dari 56.5 dapat diartikan citra buram. 2. Pada operator LOG, nilai MSE yang citranya masih bisa diidentifikasi
berkisar dari 0 hingga 0.16. Artinya MSE lebih dari 0.16 pada operator LOG di Gaussian-Speckle Noise dapat diartikan citra buram, dengan syarat semua
nilai mean dan variance di Gaussian-Speckle Noise ada tidak ada nilai mean maupun variance yang bernilai 0. Sedangkan untuk nilai PSNR yang citranya
masih bisa diidentifikasi yaitu berkisar kurang dari 0.478. 3. Pada operator Prewitt, nilai MSE yang citranya masih bisa diidentifikasi
berkisar dari 0 hingga 0.03. Artinya MSE lebih dari 0.03 pada operator Prewitt
di Gaussian-Speckle Noise dapat diartikan citra buram, dengan syarat semua nilai mean dan variance di Gaussian-Speckle Noise ada tidak ada nilai
mean maupun variance yang bernilai 0. Sedangkan untuk nilai PSNR yang
citranya masih bisa diidentifikasi yaitu 0.4742, maka nilai kurang dari 0.4742 dapat diartikan citra buram.
Dengan demikian ada pengaruh Gaussian-Speckle Noise pada citra terhadap kinerja metode deteksi tepi. Semakin besar nilai mean dan variance yang
diberikan pada Gaussian-Speckle Noise maka semakin berkurang kualitas citra atau semakin buram citra yang dihasilkan. Sehingga juga mempengaruhi kinerja
ketiga operator deteksi tepi, dimana citra semakin tidak dapat diidentifikasi.
Universitas Sumatera Utara
4.2.2. Pen
Kategori