serta pada hasil deteksi tepi pada citra hasil
filtering
. Langkah awal yang dilakukan adalah meng
input file
citra berformaat
bitmap
dengan ukuran piksel.
File citra yang
di
input
kan akan langsung ditampilkan beserta
file name
dan ukuran dimensi
file
citra tersebut. Proses selanjutnya setelah proses peng
input
an adalah deteksi tepi dengan operator
Sobel
,
Prewitt
dan
Robert
. Pada Gambar 4.7 menunjukkan citra hasil deteksi tepi operator
Sobel
,
Prewitt
dan
Robert
terhadap citra asli dan citra hasil
filtering
. Selain itu ditunjukkan pula parameter perbandingan berupa nilai MSE, PSNR dan
Running Time
dari citra asli dan citra hasl
filtering
.
Gambar 4.7 Proses Deteksi Tepi Operator
Sobel, Prewitt
dan
Robert
pada
Form
Deteksi Tepi
4.3 Hasil Pengujian
4.3.1 Hasil Pengujian Pada Form Filtering
Hasil dari pengujian pada
form Filtering
bertujuan mengetahui hasil
filtering
dengan metode
Geometric Mean FIlter
dalam mereduksi masing-masing
noise
yang dibangkitkan. Probabilitas
noise
yang dapat dipakai dalam pengujian adalah 10, 20, 30, 40 dan 50. Hasil pegujian
metode
Geometric Mean Filter
terhadap
Gaussian Noise
dapat dilihat dari Tabel 4.1 sedangkan Tabel 4.2 menunjukan hasil
filtering
dari
Salt-Pepper Noise.
Tabel 4.1 Perbandingan Hasil Reduksi
Noise
terhadap Citra Ber
noise Gaussian Noise
Jenis
Noise
Citra Asli Citra Ber
noise
Hasil Filter
Gaussian Noise
10
vini.bmp g10.bmp
Gaussian Noise
20
vini.bmp g20.bmp
Gaussian Noise 30
vini.bmp g30.bmp
Gaussian Noise
40
vini.bmp g40.bmp
Tabel 4.1 Lanjutan Perbandingan Hasil Reduksi
Noise
terhadap Citra Ber
noise Gaussian
Noise
Jenis
Noise
Citra Asli Citra Ber
noise
Hasil Filter
Gaussian Noise
50
vini.bmp g50.bmp
Jenis
Noise
Citra Asli Citra
Noise
Hasil Filter
Salt and Pepper Noise
10
vini.bmp s10.bmp
Salt and Pepper Noise
20
Tabel 4.2 Perbandingan Hasil Reduksi
Noise
terhadap Citra Ber
noise Salt and Pepper
Noise
Tabel 4.2 Lanjutan Perbandingan Hasil Reduksi
Noise
terhadap Citra Ber
noise Salt and
Pepper Noise
Jenis
Noise
Citra Asli Citra
Noise
Hasil Filter
Salt and Pepper Noise
30
vini.bmp s30.bmp
Salt and Pepper Noise
40
vini.bmp s40.bmp
Salt and Pepper Noise
50
vini.bmp s50.bmp
vini.bmp s20.bmp
4.3.2 Hasil Pengujian Pada Form Deteksi Tepi
Hasil dari pengujian pada
form
Deteksi Tepi bertujuan untuk membandingkan kinerja deteksi tepi pada citra asli dan citra hasil
filtering
. Deteksi tepi yang dipakai yaitu Operator
Sobel, Prewitt
dan
Robert
. Metode
filtering
yang digunakan yaitu
Geometric Mean Filter
pada citra yang mengalami
noise Gaussian
dan
Salt-Pepper
dengan probabilitas
noise
adalah 10, 20, 30, 40 dan 50. Pegujian dapat dilihat dari tabel-tabel dibawah ini.
Tabel 4.3 Perbandingan Hasil Deteksi Tepi Terhadap Citra Asli Citra Asli
Deteksi Tepi
Sobel Prewitt
Robert
vini.bmp MSE : 6282,7234
PSNR dB: 1,0149 RTs :0,369
MSE :6624,9178 PSNRdB :0,9919
RTs:0,263 MSE :8462,8401
PSNRdB :0,8856 RTs :0,286
Tabel 4.4 Perbandingan Hasil Deteksi Tepi Terhadap Citra Hasil
Filtering
dari
Gausssian Noise
dengan Probabilitas Berbeda
Perse ntase
Noise
Citra Ber
noise
Hasil Filter Deteksi Tepi
Sobel Prewitt
Robert
10
fg10.bmp MSE :
7498,466 PSNRdB :
0,9381 RTs :
0,414 MSE :
7759,2843 PSNRdB :
0,9233 RTs :
0,395 MSE :
9202,7495 PSNRdB :
0,8492 RTs :
0,386
Tabel 4.4 Lanjutan Perbandingan Hasil Deteksi Tepi Terhadap Citra Hasil
Filtering
dari
Gausssian Noise
dengan Probabilitas Berbeda
Perse ntase
Noise
Citra Ber
noise
Hasil Filter Deteksi Tepi
Sobel Prewitt
Robert
20
fg20.bmp MSE :
8620,8352 PSNRdB :
0,8775 RTs :
0,375 MSE :
8139,1202 PSNRdB :
0,9025 RTs :
0,303 MSE :
8635,2295 PSNRdB :
0,8768 RTs :
0,27
30
fg30.bmp MSE :
10883,0895 PSNRdB :
0,7763 RTs :
0,366 MSE :
10298,3488 PSNRdB :
0,8003 RTs :
0,41 MSE :
10900,1099 PSNRdB :
0,7756 RTs :
0,379
40
MSE : 11432,8543
PSNRdB : 0,7549
RTs : 0,298
MSE : 11099,181
PSNRdB : 0,7678
RTs : 0,33
MSE : 13961,8734
PSNRdB : 0,6681
RTs : 0,318
Tabel 4.4 Lanjutan Perbandingan Hasil Deteksi Tepi Terhadap Citra Hasil
Filtering
dari
Gausssian Noise
dengan Probabilitas Berbeda
Perse ntase
Noise
Citra Ber
noise
Hasil Filter Deteksi Tepi
Sobel Prewitt
Robert
50
fg50.bmp MSE :
13086,1085 PSNRdB :
0,6963 RTs :
0,394 MSE :
12159,2249 PSNRdB :
0,7282 RTs :
0,387 MSE :
13108,1793 PSNRdB :
0,6955 RTs :
0,442
Tabel 4.5 Perbandingan Hasil Deteksi Tepi Terhadap Citra Hasil
Filtering
dari
Salt-Pepper Noise
dengan Probabilitas Berbeda
Perse ntase
Noise
Citra Ber
noise
Hasil Filter Deteksi Tepi
Sobel Prewitt
Robert
10
fs10.bmp MSE :
5433,1692 PSNRdB :
1,0780 RTs :
0,458 MSE :
5950,6335 PSNRdB :
1,0385 RTs :
0,377 MSE :
8692,1481 PSNRdB :
0,8739 RTs :
0,371
Tabel 4.5 Lanjutan Perbandingan Hasil Deteksi Tepi Terhadap Citra Hasil
Filtering
dari
Salt-Pepper Noise
dengan Probabilitas Berbeda
Perse ntase
Noise
Citra Ber
noise
Hasil Filter Deteksi Tepi
Sobel Prewitt
Robert
20
fs20.bmp MSE :
5654,86705 PSNRdB :
1,0607 RTs :
0,336 MSE :
6018,9334 PSNRdB :
1,0336 RTs :
0,313 MSE :
9077,9053 PSNRdB :
0,8551 RTs :
0,369
30
MSE : 6419,9542
PSNRdB : 1,0055
RTs : 0,424
MSE : 6461,8883
PSNRdB : 1,0027
RTs : 0,346
MSE : 9652,8713
PSNRdB : 0,8284
RTs : 0,35
40
MSE : 7224,0499
PSNRdB : 0,9543
RTs : 0,366
MSE : 6984,7239
PSNRdB : 0,9689
RTs : 0,358
MSE : 10301,4678
PSNRdB : 0,8002
RTs : 0,368
Tabel 4.5 Lanjutan Perbandingan Hasil Deteksi Tepi Terhadap Citra Hasil
Filtering
dari
Salt-Pepper Noise
dengan Probabilitas Berbeda
Perse ntase
Noise
Citra Ber
noise
Hasil Filter Deteksi Tepi
Sobel Prewitt
Robert
50
MSE : 7961,2208
PSNRdB : 0,9121
RTs : 0,394
MSE : 7597,0556
PSNRdB : 0,9324
RTs : 0,344
MSE : 11085,6812
PSNRdB : 0,7683
RTs : 0,333
Setelah dilakukan proses pengujian pada operator deteksi tepi Operator
Sobel, Prewitt
dan
Robert
terhadap citra asli. Maka diperoleh nilai dari setiap MSE, PSNR dan
Running Time
. Perbandingan nilai yang diperoleh dapat dilihat pada Tabel 4.6 di bawah ini.
Tabel 4.6 Tabel Perbandingan Nilai MSE, PSNR, dan
Runtime
Hasil Deteksi Tepi Pada Citra Asli
Sobel Prewitt
Robert
MSE PSNR
dB RT
s MSE
PSNR dB
RT s
MSE PSNR
dB RT
s
6282,723 1,0149 0,369 6624,9178 0,9919 0,263 8462,8401 0,8856
0,286 Dapat dilihat pada Tabel 4.6, nilai MSE citra asli yang mengalami deteksi tepi
Sobel
adalah 6282,723, pada deteksi tepi
Prewitt
adalah 6624,9178 dan deteksi tepi
Robert
adalah 8462,8401. Kemudian nilai PSNR pada citra asli yang mengalami deteksi tepi
Sobel
adalah 1,0149 dB, pada deteksi tepi
Prewitt
adalah 0,9919 dB dan pada deteksi tepi
Robert
adalah 0,8856 dB. Sedangkan nilai
Running Time
pada citra asli yang mengalami deteksi tepi
Sobel
adalah 0,369 s, pada deteksi tepi
Prewitt
adalah 0,263 s dan pada deteksi tepi
Robert
adalah 0,286 s.
Untuk melihat perbandingannya lebih jelas, hasil pengujian deteksi tepi operator
Sobel, Prewiit
dan
Robert
terhadap citra asli juga ditampilkan dalam bentuk grafik. Grafik pada Gambar 4.8 menunjukkan hasil pengujian deteksi tepi pada citra asli.
Gambar 4.8 Hasil Pengujian Deteksi Tepi Pada Citra Asli.
Semakin kecil nilai MSE, semakin bagus perbaikan citra yang digunakan, sedangkan nilai PSNR yang lebih besar mengindikasikan bahwa kualitas tersebut lebih baik. Dari Gambar
Grafik 4.8, Hasil proses pengujian menunjukkan nilai MSE paling kecil diantara operator
Sobel
,
Prewitt
dan
Robert
pada citra
bitmap
tersebut adalah operator
Sobel
dengan nilai 628,723
,
sedangkan nilai PSNR paling besar diataran operator
Sobel
,
Prewitt
dan
Robert
pada citra
bitmap
yang telah dilakukan pengujian adalah operator
Sobel
dengan nilai 1,0149dB dan proses yang relatif cepat di dapat dengan kecepatan proses 0,263s diperoleh oleh operator
Prewitt
. Setelah dilakukan proses pengujian pada operator deteksi tepi Operator
Sobel, Prewitt
dan
Robert
terhadap citra hasli
filtering
dengan
Gaussian Noise
. Maka diperoleh nilai rata-rata
dari setiap MSE, PSNR dan
Running Time
. Perbandingan nilai rata-rata yang di peroleh dapat
dilihat pada Tabel 4.7 di bawah ini.
Tabel 4.7 Tabel Perbandingan Rata-rata Nilai MSE, PSNR, dan
Runtime
Hasil Deteksi Tepi Pada Citra Hasil Reduksi
Gaussian Noise
pada Citra Hasil
Filtering
0,2 0,4
0,6 0,8
1 1,2
MSE PSNR
RT
Perbandingan Nilai MSE, PSNR, RT pada Citra Asli
Sobel Prewitt
Robert
Pro babi
litas Citra Hasil Deteksi Tepi
Sobel Prewitt
Robert
MSE PSNR
dB RT
s MSE
PSNR dB
RT s
MSE PSNR
dB RT
s 10
7498,466 0,9381
0,414 7759,284
0,9919 0,395
9202,7495 0,8492
0,386 20
8620,8352 0,8775
0,375 8139,1202
0,9025 0,313
8635,2295 0,8768
0,27 30 10883,0894
0,7763 0,366
10298,3488 0,8003
0,41 10900,1099
0,7756 0,379
40 11432,8543 0,7549
0,298 11099,181
0,7677 0,33
13961,8735 0,6681
0,318 50 13086,1085
0,6963 0,394
12159,225 0,7282
0,387 13108,1793
0,6956 0,442
Rata -
Rata
10304,2707 0,80862 0,3694
9891,032 0,83812
0,367 11161,6283
0,77306 0,359
Pada Tabel 4.7 menunjukan nilai MSE, PSNR dan
Running Time
dari deteksi tepi
Sobel
,
Prewitt
dan
Robert
pada citra yang telah mengalami proses
filtering
dengan
generate noise
adalah
Gaussian Noise.
Citra
bitmap
diberikan
noise
dengan probablitas
noise
rentang antara Kemudian dilakukan proses
filtering
dengan metode
Geometric Mean Filter.
Dari nilai MSE, PSNR dan
Running Time
setiap probablitas
noise
yang diperoleh pada hasil pengujian kemudian dilakukan perhitungan nilai rata-rata dari setiap parameter tersebut. Dimana nilai rata-
rata MSE dari deteksi tepi
Sobel
pada citra hasil
filtering
dengan
Gaussian Noise
adalah 10304,2707, pada deteksi tepi
Prewitt
adalah 9891,032 dan pada deteksi tepi
Robert
adalah 11161,6283. Kemudian nilai rata-rata PSNR pada citra hasil
filtering
dengan
Gaussian Noise
pada deteksi tepi
Sobel
adalah 0,80862 dB, pada deteksi tepi
Prewitt
adalah 0,83812 dB dan pada deteksi tepi
Robert
adalah 0,77306 dB. Sedangkan nilai rata-rata
Running Time
pada citra hasil
filtering
dengan
Gaussian Noise
dari deteksi tepi
Sobel
adalah 0,3694 s, pada deteksi tepi
Prewitt
adalah 0,367 s dan pada deteksi tepi
Robert
adalah 00,359 s.
Untuk melihat perbandingannya lebih jelas, hasil pengujiannya deteksi tepi operator
Sobel, prewiit
dan
Robert
terhadap citra hasil
filtering
dengan
Gaussian Noise
juga ditampilkan dalam bentuk grafik. Grafik pada Gambar 4.9 menunjukkan hasil pengujian deteksi tepi pada
citra hasil
fitering
dengan
Gaussian Noise
.
Gambar 4.9 Hasil Pengujian Deteksi Tepi Pada Citra Hasil
Filtering
dengan
Gaussian Noise
.
Dari grafik pada Gambar 4.9, Semakin kecil nilai MSE, semakin bagus perbaikan citra yang digunakan, maka hasil proses pengujian menunjukkan nilai MSE paling kecil diantara
operator
Sobel
,
Prewitt
dan
Robert
pada citra
bitmap
tersebut adalah operator
Prewitt
dengan nilai 9891,032
,
sedangkan nilai PSNR yang lebih besar mengindikasikan bahwa kualitas tersebut lebih baik, sehingga nilai PSNR paling besar diantara operator
Sobel
,
Prewitt
dan
Robert
pada citra
bitmap
yang telah dilakukan pengujian adalah operator
Prewitt
dengan nilai 0,83812 dB dan
0,2 0,4
0,6 0,8
1 1,2
MSE PSNR
RT
Perbandingan Nilai MSE, PSNR dan Running Time pada citra filtering dengan Gaussian Noise
Sobel Prewitt
Robert
proses yang relatif paling cepat di dapat dengan kecepatan proses 0,359 s diperoleh oleh operator
Robert
.
Setelah dilakukan proses pengujian pada operator deteksi tepi Operator
Sobel, Prewitt
dan
Robert
terhadap citra hasli
filtering
dengan
Salt-Pepper Noise
. Maka diperoleh nilai rata-rata
dari setiap MSE, PSNR dan
Running Time
. Perbandingan nilai rata-rata yang di peroleh dapat
dilihat pada Tabel 4.9 di bawah ini. Tabel 4.8 Tabel Perbandingan Rata-rata Nilai MSE, PSNR, dan
Runtime
Hasil Deteksi Tepi Pada Citra Hasil Reduksi
Salt-Pepper Noise
pada Citra Hasil
Filtering
Pro babi
litas Citra Hasil Deteksi Tepi
Sobel Prewitt
Robert
MSE PSNR
dB RT
s MSE
PSNR dB
RT s
MSE PSNR
dB RT
s 10
7498,466 0,9381
0,414 7759,2843
0,9233 0,395
9202,7495 0,8497
0,386 20
8620,835 0,8775
0,375 8139,1202
0,9025 0,303
8635,2295 0,8768
0,27 30
6419,9542 1,0055
0,424 6461,8883
1,0027 0,346
9652,8713 0,8284
0,35 40
7224,0499 0,9543
0,366 6984,7239
0,9689 0,358
10301,4678 0,8002
0,368 50
7961,2208 0,9121
0,394 7597,0556
0,9324 0,344
11085,6812 0,7683
0,333 Rata
- Rata
7544,90518 0,9375
0,3946 7388,414
0,94596 0,3492
9775,59986 0,82468
0,3414
Pada Tabel 4.9 menunjukan nilai MSE, PSNR dan
Running Time
dari deteksi tepi
Sobel
,
Prewitt
dan
Robert
pada citra yang telah mengalami proses
filtering
dengan
generate noise
adalah
Salt-Pepper Noise.
sama halnya dengan pengujian pada
Gaussian Noise c
itra
bitmap
diberikan
noise
dengan probablitas
noise
rentang antara Kemudian dilakukan proses
filtering
dengan metode
Geometric Mean Filter.
Dari nilai MSE, PSNR dan
Running Time
setiap probablitas
noise
yang diperoleh pada hasil pengujian kemudian dilakukan perhitungan nilai rata-rata dari setiap parameter tersebut. Dimana nilai rata-rata MSE dari deteksi tepi
Sobel
,
Prewitt
dan
Robert
berturut-turut pada citra hasil
filtering
dengan
noise Salt-Pepper Noise
adalah
0,2 0,4
0,6 0,8
1 1,2
MSE PSNR
RT
Perbandingan Nilai MSE, PSNR, Running Time pada Citra Hasil Filtering dengan Salt-Pepper Noise
Sobel Prewitt
Robert
7544,90518, 7388,414, 9775,59986
. Kemudian nilai rata-rata PSNR pada citra hasil
filtering
dengan
noise Salt-Pepper Noise
dari tepi
Sobel
,
Prewitt
dan
Robert
berturut-turut adalah
0,9375
dB,
0,94596 dB, 0,82468 dB.
Sedangkan nilai rata-rata
Running Time
deteksi tepi
Sobel
adalah
0,3946
s, deteksi tepi
Prewitt
adalah
0,3492
s dan deteksi tepi
Robert
adalah
0,3414
s. Untuk melihat perbandingannya lebih jelas, hasil pengujiannya deteksi tepi operator
Sobel, Prewiit
dan
Robert
terhadap citra hasil
filtering
dengan
Salt-Pepper Noise
juga ditampilkan dalam bentuk grafik. Grafik pada Gambar 4.10 menunjukkan hasil pengujian deteksi
tepi pada citra hasil
fitering
dengan
Gaussian Noise.
Gambar 4.10 Hasil Pengujian Deteksi Tepi Pada Citra Hasil
Filtering
dengan Salt-Pepper
Noise
.
Dari Gambar Grafik 4.10, hasil proses pengujian menunjukkan nilai MSE paling kecil diantara operator
Sobel
,
Prewitt
dan
Robert
pada citra
bitmap
tersebut dengan nilai 7388,414
untuk citra asli adalah operator
Prewitt,
nilai PSNR paling besar diantara operator
Sobel
,
Prewitt
dan
Robert
pada citra
bitmap
yang telah dilakukan pengujian adalah operator
Prewitt
dengan nilai 0,94596 dB dan proses yang relatif paling cepat di dapat dengan kecepatan proses 0,3414 s
diperoleh oleh operator
Robert
.
Dari Hasil deteksi tepi pada citra hasil
filtering
diperoleh nilai MSE, PSNR terbaik adalah deteksi tepi
Prewitt
sedangkan dalam hal
Running Time
adalah operator
Robert.
Untuk mengetahui hasil yang optimal dalam mendeteksi tepi menggunakan operator
Sobel
,
Prewitt
atau
Robert
setelah citra asli mengalami
filtering
dengan metode
Geometric Mean Filter
kita dapat melihat Tabel 4.9.
Tabel 4.9 Tabel Perbandingan Nilai MSE, PSNR, dan
Runtime
Hasil Deteksi Tepi Pada Citra Asli, Hasil Reduksi
Gaussian Mean Filter
dan Hasil Reduksi pada Citra Hasil
Reduksi
Salt-Pepper Noise
.
Citra Citra Hasil Deteksi Tepi
Sobel Prewitt
Robert
MSE PSNR
dB RT
s MSE
PSNR dB
RT s
MSE PSNR
dB RT
s Asli
6282,723 1,0149
0,369 6624,9178
0,9919 0,263
8462,8401 0,8856
0,286
Gaussian Noise
10304,2707 0,80862 0,3694
9891,032 0,83812
0,367 11161,6283
0,77306 0,359
Salt- Pepper
Noise
7544,90518 0,9375
0,3946 7388,414
0,94596 0,3492
9775,59986 0,82468
0,3414
Grafik pada Gambar 4.11 dibawah ini menunjukkan perbandingan nilai MSE dari hasil pengujian deteksi tepi citra asli, citra hasil
filtering
dengan
Gaussian Noise
dan citra hasil
filtering
dengan
Salt-Pepper Noise.
2000 4000
6000 8000
10000 12000
Sobel Prewitt
Robert
Perbandingan Nilai MSE
Citra Asli Gaussian Noise
Salt-Peper Noise
Gambar 4.11 Perbandingan Nilai MSE pada Deteksi Tepi Citra Asli, Citra Hasil
Filtering
dengan
Gaussian Noise
dan Citra Hasil
Filtering
dengan S
alt-Pepper Noise
Dari grafik pada Gambar 4.11, hasil proses pengujian menunjukkan nilai MSE paling kecil untuk deteksi tepi
Sobel
pada citra asli, citra
Gaussian Noise
dan citra
Salt-Pepper Noise
dengan nilai 6282,723 diperoleh citra asli. Kemudian Hasil proses pengujian menunjukkan nilai
MSE paling kecil untuk deteksi tepi
Prewitt
dengan nilai 6624,9178 oleh citra asli. Untuk deteksi tepi
Robert,
didapat hasil nilai MSE paling kecil dengan nilai 8462,8401 pada citra asli. Selanjutnya grafik pada Gambar 4.12 dibawah ini menunjukkan perbandingan nilai
PSNR dari hasil pengujian deteksi tepi citra asli, citra hasil
filtering
dengan
Gaussian Noise
dan citra hasil
filtering
dengan
Salt-Pepper Noise.
Gambar 4.12 Perbandingan Nilai PSNR pada Deteksi Tepi Citra Asli, Citra Hasil
Filtering
dengan
Gaussian Noise
dan Citra Hasil
Filtering
dengan S
alt-Pepper Noise
Dari grafik pada Gambar 4.12, hasil proses pengujian menunjukkan nilai PSNR paling besar untuk deteksi tepi
Sobel
pada citra asli, citra
Gaussian Noise
dan citra
Salt-Pepper Noise
dengan nilai 1,0149 dB diperoleh citra asli. Kemudian Hasil proses pengujian menunjukkan nilai PSNR paling besar untuk deteksi tepi
Prewitt
dengan nilai 0,9919 dB juga diperoleh citra asli. Untuk deteksi tepi
Robert,
di dapat hasil nilai PSNR paling besar dengan nilai 0,8856 dB juga diperoleh citra asli.
Grafik pada Gambar 4.13 dibawah ini menunjukkan perbandingan nilai
Running Time
dari hasil pengujian deteksi tepi citra asli, citra hasil
filtering
dengan
Gaussian Noise
dan citra hasil
filtering
dengan
Salt-Pepper Noise.
0,2 0,4
0,6 0,8
1 1,2
Sobel Prewitt
Robert
Perbandingan Nilai PSNR
Citra Asli Gaussian Noise
Salt-Pepper Noise
Gambar 4.13 Perbandingan Nilai
Running Time
pada Deteksi Tepi Citra Asli, Citra Hasil
Filtering
dengan
Gaussian Noise
dan Citra Hasil
Filtering
dengan S
alt-Pepper Noise
Dari grafik pada Gambar 4.13, hasil proses pengujian menunjukkan nilai
Running Time
yang paling besar untuk deteksi tepi
Sobel
pada citra asli, citra
Gaussian Noise
dan citra
Salt- Pepper Noise,
proses yang relatif cepat ditunjukan oleh citra asli dengan kecepatan proses 0,369 s. Kemudian Hasil proses pengujian menunjukkan nilai
Running Time
yang relatif paling cepat untuk deteksi tepi
Prewitt
dengan nilai 0,263 s diperoleh juga pada citra asli. Sedangkan nilai
Running Time
untuk deteksi tepi
Robert
dengan nilai 0,286 s diperoleh pada citra asli. Untuk Hasil perbandingan akhir secara keseluruhan dari nilai MSE, PSNR dan
Running Time
sebagai paramater pembanding pengujian untuk deteksi tepi
Sobel, Prewitt
dan
Robert
pada citra asli, citra
Gaussian Noise
dan citra
Salt-Pepper Noise
di peroleh bahwa nilai MSE paling kecil dengan nilai 6282,723 pada citra asli dengan deteksi tepi operator
Sobel
. Nilai PSNR paling dengan nilai 1,0149 dB pada citra asli dengan deteksi tepi operator
Sobel
. Proses tercepat di dapat dengan kecepatan proses 0,263 s diperoleh dari hasil deteksi tepi operator
Prewitt
pada citra asli.
BAB 5
0,05 0,1
0,15 0,2
0,25 0,3
0,35 0,4
0,45
Sobel Prewitt
Robert
Perbandingan Nilai RT
Citra Asli Gaussian Nise
Salt-Pepper Noise
KESIMPULAN DAN SARAN
5.1 Kesimpulan