Berikut dilakukan pengujian pada citra berformat .jpeg
Tabel 4.5 Pengujian Speckle dengan tingkat blurring berbeda dan kadar noise yang sama 20
Lenpixel Tetaderajat MSE
PSNR Noise : Speckle
MSE PSNR
MSE PSNR
Lucy-Richardson 10
10 222,158
24,664 20
4655,02 11,451
4306,34 11,789
penguins.jpeg 30
30 586,485
20,448 20
5337,64 10,857
4797,97 11,320
45 45
795,182 19,126
20 5731,73
10,547 5091,41
11,062 60
60 918,108
18,501 20
6018,61 10,335
5288,68 10,897
75 75
963,724 18,291
20 6174,16
10,225 5420,38
10.79 85
85 1013,86
18,071 20
6297,82 10,138
5550,94 10,687
100 100
1195,1 17,356
20 6645,24
9,905 5922,73
10,405 Metode
Blurring Noise + Blur
Hasil I
Tabel 4.6 Pengujian Speckle dengan tingkat blurring sama tetapi kadar noise yang berbeda
Lenpixel Tetaderajat MSE
PSNR Noise : Speckle
MSE PSNR
MSE PSNR
Lucy-Richardson 31
11 256,015
24,048 5
3505,12 12,683
3363,33 12,863
Hydrangeas.jpg 31
11 256,015
24,048 15
3529,61 12,653
3376,89 12,845
31 11
256,015 24,048
35 3609,93
12,555 3408,89
12,804 31
11 256,015
24,048 55
3741,16 12,400
3408,89 12,804
31 11
256,015 24,048
75 3873,29
12,25 3606,22
12,560 31
11 256,015
24,048 85
3930,35 12,186
3649,79 12,508
31 11
256,015 24,048
100 4025,49
12,082 3723,59
12,421 Metode
Blurring Noise + Blur
Hasil I
Universitas Sumatera Utara
Pada masing-masing tabel pengujian Lucy-Richardson diperoleh kesimpulan yaitu:
1. Pada tabel 4.5 dengan berbedanya kadar blur yang diberikan tetapi dengan
memberikan noise yang sama pada citra berformat .jpeg diperoleh hasil MSE yang semakin besar jika kadar blur yang diberikan juga semakin
bertambah. Hasil ini berlaku pada noise salt and pepper, speckle, dan Gaussian.
2. Pada tabel 4.6 dengan kadar blur yang sama diberikan pada citra berformat
.jpeg dan .bmp tetapi perubahan terjadi pada kadar noisenya diperoleh hasil yang sama yaitu MSE semakin besar ketika terjadi perubahan noise
tersebut. Adapun grafik antara perubahan blur dan noise dengan MSE yang dihasilkan
dari masing-masing citra .jpeg ditunjukkan pada gambar 4.13 dan 4.14.
Gambar 4.13 Perubahan blur pada noise speckle terhadap nilai MSE
Terdapat 3 garis didalam grafik tersebut yaitu : 1.
Garis merah merupakan garis MSE dari gambar blur 2.
Garis hijau merupakan garis MSE dari gambar blur dan noise 3.
Garis kuning merupakan garis MSE dari hasil restorasi citra tersebut
Universitas Sumatera Utara
Gambar 4.14 Perubahan noise terhadap nilai MSE
Terdapat 3 garis didalam grafik tersebut yaitu : 1.
Garis merah merupakan garis MSE dari gambar blur 2.
Garis hijau merupakan garis MSE dari gambar blur dan noise 3.
Garis kuning merupakan garis MSE dari hasil restorasi citra tersebut Kesimpulan dari kedua gambar grafik diatas yaitu jika garis kuning yaitu garis
yang merupakan citra hasil restorasi lebih dekat dengan garis merah maka hasil restorasinya baik, sebaliknya jika mendekat garis hijau maka hasil restorasinya
tidak begitu baik.
Universitas Sumatera Utara
Berikut dilakukan pengujian pada citra berformat .bmp
Tabel 4.7 Pengujian Speckle dengan blurring yang berbeda tetapi dengan noise yang sama
Lenpixel Tetaderajat MSE
PSNR Noise : Speckle
MSE PSNR
MSE PSNR
Lucy-Richardson 10
10 222,162
24,664 20
4652,37 11,454
4305,66 11,790
Penguins.bmp 30
30 586,483
20,448 20
5334,53 10,859
4798,12 11,320
45 45
795,17 19,126
20 5731,78
10,547 5089,5
11,061 60
60 918,1
18,501 20
6017,92 10,336
5286,76 10,898
75 75
963,714 18,291
20 6178,9
10,221 5423,29
10,788 85
85 1013,85
18,071 20
6300,22 10,137
5555,31 10,683
100 100
1195,1 17,356
20 6646,36
9,904 5929,81
10,400 Metode
Blurring Noise + Blur
Hasil I
Tabel 4.8 Pengujian Speckle dengan blurring yang sama namun dengan kadar noise yang berbeda
Lenpixel Tetaderajat MSE
PSNR Noise : Speckle
MSE PSNR
MSE PSNR
Lucy-Richardson 31
11 256,014
24,048 5
3504,1 12,685
3362,7 12,863
Hydrangeas.bmp 31
11 256,014
24,048 15
3529,95 12,653
3376,17 12,846
31 11
256,014 24,048
35 3615,69
12,548 3413,91
12,798 31
11 256,014
24,048 55
3740,34 12,401
3505,38 12,683
31 11
256,014 24,048
75 3687,29
12,256 3607,79
12,563 31
11 256,014
24,048 85
3932,72 12,183
3654,68 12,502
31 11
256,014 24,048
100 4030,18
12,077 3728,45
12,415 Metode
Blurring Noise + Blur
Hasil I
53
Universitas Sumatera Utara
Keterangan: 1.
Pada Tabel 4.7 pengujian speckle dengan blurring yang berbeda tetapi dengan noise yang sama didapatkan hasil, perubahan blur yang diberikan
mempengaruhi nilai MSE yang dihasilkan. 2.
Pada tabel 4.8 didapatkan hasil MSE yang meningkat sesuai dengan terjadinya peruabahan noise yang diberikan.
Adapun grafik antara perubahan blur dan noise dengan MSE yang dihasilkan dari masing-masing citra .jpeg ditunjukkan pada gambar 4.15 dan 4.16.
Gambar 4.15 Perubahan blur pada noise speckle terhadap nilai MSE
Terdapat 3 garis didalam grafik tersebut yaitu : 1.
Garis merah merupakan garis MSE dari gambar blur 2.
Garis hijau merupakan garis MSE dari gambar blur dan noise 3.
Garis kuning merupakan garis MSE dari hasil restorasi citra tersebut
Universitas Sumatera Utara
Gambar 4.16 Perubahan noise terhadap nilai MSE
Terdapat 3 garis didalam grafik tersebut yaitu : 1.
Garis merah merupakan garis MSE dari gambar blur 2.
Garis hijau merupakan garis MSE dari gambar blur dan noise 3.
Garis kuning merupakan garis MSE dari hasil restorasi citra tersebut Kesimpulan dari kedua gambar grafik diatas yaitu jika garis kuning yaitu garis
yang merupakan citra hasil restorasi lebih dekat dengan garis merah maka hasil restorasinya baik, sebaliknya jika mendekat garis hijau maka hasil restorasinya
tidak begitu baik.
Universitas Sumatera Utara
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan Setelah melakukan beberapa tahap, yang dimulai dari tahap penelitian, perancangan
hingga tahap implementasi Perbandingan Algoritma Wiener dan Lucy-Richardson untuk memperbaiki kualitas citra dapat disimpulkan bahwa:
1. Berdasarkan hasil MSE yang didapatkan perubahan blur yang diberikan pada
citra .jpeg maupun .bmp lebih mempengaruhi citra hasil dari Lucy- Richardson dibandingkan dengan perubahan noisenya, sedangkan pada filter
Wiener perubahan blur dan noisenya seimbang. 2.
Algoritma Wiener lebih baik dibandingkan Lucy-Richardson dalam merestorasi gambar blur dan noise untuk jenis noise salt and pepper, speckle
ataupun Gaussian dimana dengan citra yang sama .jpeg dan .bmp yang diuji pada kedua algoritma tersebut diperoleh hasil MSE yang lebih besar pada
percobaan Lucy-Richardson. 3.
Pada filter Wiener hasil dengan autocorrelation yaitu hasil II lebih baik dibandingkan dengan hasil I.
4. Hasil perbandingan untuk filter Wiener dan Lucy-Richardson citra .jpeg pada
noise speckle nilai MSE-nya lebih rendah dibandingkan dengan citra .bmp pada perubahan blur sedangkan pada perubahan noise citra .bmp lebih rendah
dibandingkan dengan citra .jpeg.
4.2 Saran
Berikut ini adalah saran yang dapat digunakan untuk tahap pengembangan sistem ini antara lain:
1. Menambah pengujian lain dengan jenis citra yang dicoba seperti .png dan
.gif. 2.
Sebaiknya tidak terlalu besar blur dan noise yang diberikan kepada citra sehingga hasil yang didapatkan lebih akurat.
3. Ketika proses pengujian berjalan, penulis mendapatkan hasil bahwa filter
Wiener baik digunakan untuk citra dengan gangguan blur dan noise
Universitas Sumatera Utara
