bisa diidentifikasi yaitu berkisar 57.00, maka nilai kurang dari itu dapat diartikan citra buram.
2. Pada operator LOG, nilai MSE yang citranya masih bisa diidentifikasi berkisar dari 0 hingga 0.12. Artinya MSE lebih dari 0.12 pada operator LOG
di Speckle-Gaussian Noise dapat diartikan citra buram, dengan syarat semua nilai mean dan variance di Speckle-Gaussian 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 Speckle-Gaussian Noise dapat diartikan citra buram, dengan syarat
semua nilai mean dan variance di Speckle-Gaussian Noise ada tidak ada nilai mean
maupun variance yang bernilai 0. Sedangkan untuk nilai PSNR yang citranya masih bisa diidentifikasi yaitu 0.4743, maka nilai kurang dari 0.4743
dapat diartikan citra buram.
Dengan demikian ada pengaruh Speckle-Gaussian Noise pada citra terhadap kinerja metode deteksi tepi. Semakin besar nilai mean dan variance yang
diberikan pada Speckle-Gaussian 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.
4.2.3. Pengujian Gaussian Noise
Pengujian selanjutnya menggunakan sampel yang sama yaitu pada citra ‘snail.bmp’ dan nilai mean serta variance yang sama seperti pengujian yang
sebelumnya. Berikut hasil perbandingan sampel pada simulasi Gaussian noise pada tabel 4.8.
Universitas Sumatera Utara
T
Citra Tabel 4.8 Pe
.bmp G
M
0.0
0.0
0.1
0.5
1
erbandinga
Gaussian
M V
01 0.01
05 0.05
1 0.1
5 0.5
1
an sampel p
MH pada simul
H asi Gaussia
LOG an
noise
P
P
Universitas Sumatera Utara
Sama seperti pengujian sebelumnya, dari tabel 4.8. dapat dilihat bahwa semakin besar nilai noise yang diberikan maka hasil deteksi tepi semakin buram.
Artinya citra asli tidak terdeteksi lagi, sehingga informasi citra tidak didapat. Pada tabel di atas, besarnya nilai noise yang mengakibatkan citra tidak dapat lagi di
deteksi pada Gaussian noise ini adalah dengan nilai mean dan variance yang menyentuh angka 0.5 ke atas. Untuk nilai MSE dan PSNR masing-masing, dapat
dilihat pada tabel berikut.
Tabel 4.9 Perbandingan nilai MSE dan PSNR untuk Tabel 4.8.
Gaussian MH LOG
P
Mean Variance
MSE PSNR MSE PSNR MSE PSNR
72.3686 0 0.47483 0
0.474366 0.01 0.01
0.0088501 68.6613
0.0116882 0.474805 0.00727844 0.474369 0.05 0.05
0.0205383 65.0052
0.0374451 0.475434 0.0161438 0.474364 0.1 0.1
0.0386505 62.2593
0.0709229 0.476523 0.0221405 0.47436 0.5 0.5
0.117035 57.4476
0.168991 0.479384 0.0508118 0.474477
1 1
0.134369 56.8478 0.191528 0.479935 0.0633392 0.474701
Pada tabel 4.9. diperoleh kesimpulan sebagai berikut: 1. Semakin besar nilai noise yang diberikan, nilai MSE pada semua operator
semakin besar pula. 2. Pada operator Marr-Hildreth terlihat jelas semakin banyak noise maka nilai
PSNR semakin kecil. 3. Pada operator Laplacian Of Gaussian terlihat bahwa semakin banyak noise
maka nilai PSNR semakin besar meskipun tidak terlalu signifikan. 4. Sedangkan pada operator Prewitt terjadi penurunan dan penaikan nilai PSNR
meskipun tidak terlalu signifikan.
Universitas Sumatera Utara
Seperti pada pengujian pengukuran MSE dan PSNR sebelumnya, pada Gaussian Noise
juga dilakukan hal yang sama dengan variabel, objek dan parameter yang sama. Hasilnya dapat dilihat pada Tabel 4.10.
Tabel 4.10 Pengukuran Nilai MSE dan PSNR pada Gaussian Noise
Gaussian KC
MH LOG P
Mean Variance
MSE PSNR MSE PSNR MSE PSNR 0.09 0.1
T 0.0403595 62.0713 0.0772552 0.476714
0.0213013 0.474346 0.1 0.09
T 0.0326691
62.9894 0.0638885 0.476313 0.0205688 0.474365
0.15 0.1 T 0.0335236
62.8773 0.0638428 0.476233 0.0232544 0.474387
0.2 0.09 T
0.0281219 63.6403 0.0502472 0.47566
0.0237579 0.474376 0.1 0.19
T 0.0791016
59.149 0.12323 0.478246 0.0326691 0.474349
0.2 0.3 T
0.1026 58.0193 0.147125 0.478891 0.0417328 0.474348 0.3 0.4
T 0.118225
57.4037 0.160934 0.479227 0.0463562 0.474391 0.4 0.6
B 0.13652 56.7788 0.178299 0.479693 0.0498962 0.474384
0.1 0.8 B
0.162704 56.0168 0.190445
0.480056 0.047348 0.47413 0.9 0.9
B 0.133194
56.886 0.189102 0.479842 0.061615 0.474648
Berdasarkan Tabel 4.10. diperoleh kesimpulan sebagai berikut: 1. Pada operator Marr-Hildreth, nilai MSE yang citranya masih bisa
diidentifikasi berkisar dari 0 hingga 0.11. Artinya MSE lebih dari 0.11 pada operator Marr-Hildreth di Gaussian Noise dapat diartikan citra buram, dengan
syarat nilai mean dan variance di Gaussian Noise ada tidak ada nilai mean maupun variance yang bernilai 0. Sedangkan untuk nilai PSNR yang citranya
masih bisa diidentifikasi yaitu berkisar lebih dari 57.00, maka nilai kurang dari itu 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 Noise dapat diartikan citra buram, dengan syarat nilai mean dan variance
di Gaussian Noise ada tidak ada nilai mean maupun variance yang bernilai 0. Sedangkan untuk nilai PSNR yang citranya masih bisa
diidentifikasi yaitu berkisar rata-rata 0.478. 3. Pada operator Prewitt, nilai MSE yang citranya masih bisa diidentifikasi
berkisar dari 0 hingga 0.045. Artinya MSE lebih dari 0.045 pada operator
Universitas Sumatera Utara
Prewit mean
varian bisa di
De kinerja m
diberikan semakin b
operator d
4.2.4. Pen
