4.2 Pengujian
Pengujian sistem akan dilakukan untuk mengetahui sampai sejauh mana perbandingan kedua metode tersebut dapat dilakukan restorasi citra . Pengujian akan dilakukan pada
citra digital yang berformat BMP. Citra digital yang akan diuji dengan aplikasi ini yaitu 256x256 pixel. Citra digital tersebut merupakan citra RGB. Oleh sistem nantinya
akan diubah ke dalam grayscale. Citra digital yang telah ter-filter akan disimpan ke dalam format .bmp . untuk pemrosesan menggunakan dua buah kernel, yaitu 3x3
dan5x5 pada metode Harmonic Mean Filter sedangkan metode Contra-Harmonic Mean Filter menggunakan kernel 3x3.
4.2.1 Pengujian Harmonic Mean Filter
Pada pengujian Harmonic Mean Filter, hal pertama yang dilakukan setelah memilih citra yaitu mengubah citra berwarnaRGB menjadi citra grayscale. Kemudian
memberikan noise dengan batasan noise yang dapat dipilih 1-40 . Jenis noise yang dipilih ada dua yaitu Salt and Pepper noise dan Speckle noise. Setelah itu pilih juga
kernel untuk pemerosesan citra. Adapun gambaran sistem ini dapat dilihat pada gambar 4.7 berikut ini:
Gambar 4.7 Gambaran Sistem Harmonic Mean Filter
Universitas Sumatera Utara
Pada pengujian sistem ini akan melakukan beberapa pengujian , diantara lain : Pengujian Ukuran Citra terhadap jenis noise serta persentasi noise.dan kernel yang
digunakan.
4.2.1.1 Pengujian salt pepper noise terhadap ukuran citra dan masing-masing
kernel pada Harmonic Mean Filter.
Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1, 10 , 20 ,30 dan 40 dan ukuran gambar 256x256
piksel. Tabel 4.1 Ukuran Citra 256x256 piksel , kernel 3x3 terhadap persentasi noise
Persentasi Noise
Proses Generate noise
Citra Terkena Noise
Proses Filtering
Citra Hasil
1
MSE : 230.894 RMSE : 15.1952
PSNR : 24.4967 dB Running time : 0.078 s
MSE : 27325.3 RMSE : 165.304
PSNR : 3.76516 dB Running time : 0.312 s
Universitas Sumatera Utara
10
MSE : 2138.23 RMSE : 46.241
PSNR : 14.8303 dB Running time : 0.093 s
MSE : 27313.3 RMSE : 165.267
PSNR : 3.76707 dB Running time : 0.37 s
20
MSE : 4386.3 RMSE : 66.2291
PSNR : 11.7098 dB Running time : 0.078 s
MSE : 27297 RMSE : 165.218
PSNR : 3.76966 dB Running time : 0.3276 s
Universitas Sumatera Utara
Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1-40 .Sebagaimana terlihat pada tabel 4.1. noise yang tergenerate 1
memiliki nilai MSE sebesar 230.894 ,RMSE sebesar 15.1952 dan PSNR sebesar 24.4967 dB , citra yang terkena generate noise 1 melakukan proses filtering
30
MSE : 6633.61 RMSE : 81.447
PSNR : 9.91331dB Running time : 0.078 s
MSE : 27278.3 RMSE : 165.161
PSNR : 3.77263 dB Running time : 0.343 s
40
MSE : 8950.25 RMSE : 94.6058
PSNR : 8.61254 dB Running time : 0.062 s
MSE : 27254.8 RMSE : 165.09
PSNR : 3.77638 dB Running time : 0.358 s
Universitas Sumatera Utara
kemudian memiliki nilai MSE sebesar 27325.3 ,RMSE sebesar 165.304 dan PSNR sebesar 3.76516 dB. noise yang tergenerate 10 memiliki nilai MSE sebesar
2138.23,RMSE sebesar 46.241 dan PSNR sebesar 14.8303 dB , citra yang terkena generate noise 10 melakukan proses filtering kemudian memiliki nilai MSE sebesar
27313.3,RMSE sebesar 165.267 dan PSNR sebesar 3.76707 dB. noise yang tergenerate 20 memiliki nilai MSE sebesar 4386.3 ,RMSE sebesar 66.2291 dan
PSNR sebesar 11.7098 dB , citra yang terkena generate noise 20 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27297, RMSE sebesar 168.218 dan
PSNR sebesar 3.76966 dB. noise yang tergenerate 30 memiliki nilai MSE sebesar 6633.61, RMSE sebesar 81.447 dan PSNR sebesar 9.9133 dB , citra yang terkena
generate noise 30 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27278.3, RMSE sebesar 165.161 dan PSNR sebesar 3.77263 dB. noise yang
tergenerate 40 memiliki nilai MSE sebesar 8950.25, RMSE sebesar 94.6058 dan PSNR sebesar 8.61524 dB , citra yang terkena generate noise 40 melakukan proses
filtering kemudian memiliki nilai MSE sebesar 27254.8, RMSE sebesar 165.09 dan PSNR sebesar 3.77638 dB.
Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan
menggunakan kernel 3x3 dan 5x5 dan mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel. Dapat dilihat gambar 4.8 grafik sebelum dilakukan filtering
dengan salt Pepper noise.
Gambar 4.8 grafik sebelum dilakukan filtering
Universitas Sumatera Utara
Dapat dilihat pada gambar 4.8 , nilai MSE yang digenerate noise sebesar 1 adalah 231.762 , 10 adalah 2217.88 , 20 adalah 4486.37 , 30 adalah 6626.85 dan 40
adalah 8791.32. secara grafik dilihat bahwa nilai MSE semakin meningkat apabila di generate noise yang bernilai besar. Nilai RMSE yang digenerate noise sebesar 1
adalah 15.2237 ,10 adalah 47.0944 , 20 adalah 66.9807, 30 adalah 81.4055 dan 40 adalah 93.7621. Nilai PSNR yang digenerate noise sebesar 1 adalah 24.4804
dB, 10 adalah 14.6714 dB, 20 adalah 11.6119 dB, 30 adalah 9,91773 dB dan 40 adalah 8.69026 dB.
Dapat dilihat gambar 4.9 grafik sesudah dilakukan filtering dengan menggunakan kernel 3x3.
Gambar 4.9 grafik sesudah dilakukan filtering menggunakan kernel 3x3
Dapat dilihat pada gambar 4.9 , nilai MSE yang digenerate noise sebesar 1 adalah 27325.3 , 10 adalah 27312.6 , 20 adalah 27296.1, 30 adalah 27277.9 dan
40 adalah 27257.1. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.304 ,10 adalah 165.262, 20 adalah 165.215, 30 adalah 165.16 dan 40 adalah
165.097. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76516 dB, 10 adalah 3.76717 dB, 20 adalah 3.7698 dB, 30 adalah 3.77269 dB dan 40 adalah
3.77601 dB. Dapat dilihat gambar 4.10 grafik sesudah dilakukan filtering dengan
menggunakan kernel 5x5.
Universitas Sumatera Utara
Gambar 4.10 grafik sesudah dilakukan filtering menggunakan kernel 5x5
Dapat dilihat pada gambar 4.10 , nilai MSE yang digenerate noise sebesar 1 adalah 27326.5 , 10 adalah 27314.1 , 20 adalah 27298, 30 adalah 27280.2 dan
40 adalah 27259.8. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.307 ,10 adalah 165.27, 20 adalah 165.221, 30 adalah 165.167 dan 40 adalah
165.105. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76516 dB, 10 adalah 3.76693 dB, 20 adalah 3.7695 dB, 30 adalah 3.77233 dB dan 40 adalah
3.77557 dB. Dapat dilihat pada kedua tabel diatas bahwa nilai MSE,RMSE dan PSNR yang
bagus terletak pada kernel 3x3 dengan ukuran piksel 256 x256.
4.2.1.2 Pengujian Speckle noise terhadap ukuran citra dan masing-masing kernel
pada Harmonic Mean Filter.
Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1, 10 , 20 ,30 dan 40 dan ukuran gambar 256x256
piksel. Untuk melihat kualitas citra pada metode Harmonic Mean Filter yang akan dibandingkan dengan metode Contra Harmonic Mean Filter.
Universitas Sumatera Utara
Tabel 4.2 Ukuran Citra 128 x 128 piksel , kernel 3x3 terhadap persentasi noise
Persentasi Noise
Proses Generate noise
Citra Terkena Noise
Proses Filtering
Citra Hasil
1
MSE : 27288.5 RMSE : 165.192
PSNR : 3.771 dB Running time : 0.04680 s
MSE : 27294.5 RMSE : 165.211
PSNR : 3.77004 dB Running Time : 0.124801 s
10
MSE : 27288.6 RMSE : 165.193
PSNR : 3.771 dB Running time : 0.07800 s
MSE : 27314.9 RMSE : 165.272
PSNR : 3.76681 dB Running Time : 0.124801 s
Universitas Sumatera Utara
20
MSE : 27288.8 RMSE : 165.193
PSNR : 3.77095 dB Running time : 0.07800 s
MSE : 27343.6 RMSE : 165.359
PSNR : 3.76225 dB Running Time : 0.124801 s
30
MSE : 27288.6 RMSE : 165.193
PSNR : 3.77099 dB Running time : 0.07800 s
MSE : 27381.1 RMSE : 165.49
PSNR : 3.75535 dB Running time : 0.1248 s
40
MSE : 27288.3 RMSE : 165.192
PSNR : 3.77103 dB Running time : 0.0624 s
MSE : 27745.7 RMSE : 166.57
PSNR : 3.69885 dB Running time : 0.109201 s
Universitas Sumatera Utara
Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1-40 .Sebagaimana terlihat pada tabel 4.2. noise yang
tergenerate 1 memiliki nilai MSE sebesar 27288.5 ,RMSE sebesar 165.192 dan PSNR sebesar 3.771 dB , citra yang terkena generate noise 1 melakukan proses
filtering kemudian memiliki nilai MSE sebesar 27294.5,RMSE sebesar 165.211 dan PSNR sebesar 3.77004 dB. noise yang tergenerate 10 memiliki nilai MSE sebesar
27288.6,RMSE sebesar 165.193 dan PSNR sebesar 3.771 dB , citra yang terkena generate noise 10 melakukan proses filtering kemudian memiliki nilai MSE sebesar
27314.9, RMSE sebesar 165.272 dan PSNR sebesar 3.76681 dB. noise yang tergenerate 20 memiliki nilai MSE sebesar 27288.8, RMSE sebesar 165.193 dan
PSNR sebesar 3.77095 dB , citra yang terkena generate noise 20 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27343.6, RMSE sebesar 165.359 dan
PSNR sebesar 3.76225 dB. noise yang tergenerate 30 memiliki nilai MSE sebesar 27288.6, RMSE sebesar 165.193 dan PSNR sebesar 3.77099 dB , citra yang terkena
generate noise 30 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27381.1, RMSE sebesar 165.49 dan PSNR sebesar 3.75535 dB. noise yang tergenerate
40 memiliki nilai MSE sebesar 27288.3, RMSE sebesar 165.192 dan PSNR sebesar 3.77103 dB , citra yang terkena generate noise 40 melakukan proses
filtering kemudian memiliki nilai MSE sebesar 27745.7, RMSE sebesar 166.57 dan PSNR sebesar 3.69885 dB.
Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan
menggunakan kernel 3x3 dan 5x5 dan mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel. Dapat dilihat gambar 4.11 grafik sebelum dilakukan filtering
dengan Speckle noise.
Universitas Sumatera Utara
Gambar 4.11 grafik sebelum dilakukan filtering
Dapat dilihat pada gambar 4.11 , nilai MSE yang digenerate noise sebesar 1 adalah 27324.5 , 10 adalah 27323.9 , 20 adalah 27323.9 , 30 adalah 27324.2 dan
40 adalah 27324.4. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.301 ,10 adalah 165.3 , 20 adalah 165.299, 30 adalah 165.3 dan 40 adalah 165.301.
Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76528 dB, 10 adalah 3.76537 dB, 20 adalah 3.76538 dB, 30 adalah 3.76533 dB dan 40 adalah 3.7653
dB. Dapat dilihat gambar 4.12 grafik sesudah dilakukan filtering dengan
menggunakan kernel 3x3.
Gambar 4.12 grafik sesudah dilakukan filtering menggunakan kernel 3x3
Universitas Sumatera Utara
Dapat dilihat pada gambar 4.9 , nilai MSE yang digenerate noise sebesar 1 adalah 27328.9 , 10 adalah 27348.8, 20 adalah 27377.7, 30 adalah 27422.4 dan
40 adalah 79022. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.315, 10 adalah 165.375, 20 adalah 165.462, 30 adalah 165.597 dan 40 adalah
281.109. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76458 dB, 10 adalah 3.76142 dB, 20 adalah 3.75684 dB, 30 adalah 3.74975 dB dan 40 adalah
-0.846 dB. Dapat dilihat gambar 4.13 grafik sesudah dilakukan filtering dengan
menggunakan kernel 5x5.
Gambar 4.13 grafik sesudah dilakukan filtering menggunakan kernel 5x5
Dapat dilihat pada gambar 4.13 , nilai MSE yang digenerate noise sebesar 1 adalah 27330.2, 10 adalah 27350.4, 20 adalah 27379.7, 30 adalah 27428.1 dan
40 adalah 31238.4. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.318, 10 adalah 165.379, 20 adalah 165.468, 30 adalah 165.61 dan 40 adalah
176.744. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76438 dB, 10 adalah 3.76117 dB, 20 adalah 3.75651 dB, 30 adalah 3.74909 dB dan 40 adalah
3.18392 dB. Dapat dilihat pada kedua tabel diatas bahwa nilai MSE,RMSE dan PSNR yang
bagus terletak pada kernel 3x3 dengan ukuran piksel 256 x256.
Universitas Sumatera Utara
4.2.2 Pengujian Contra-Harmonic Mean Filter