Hasil Pengujian ANALISIS DAN PERANCANGAN SISTEM

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