Tujuan Penelitian Manfaat Penelitian 0.01 b: 0.1 0.01 b: 0.5 0.1 b: 0.1 0.1 b: 0.5 1 b: 0.1 1

1.2 Perumusan Masalah

Rumusan masalah pada Penelitian ini adalah bagaimana mengimplementasikan dua metode yaitu Midpoint filter dan Yp Mean filterkemudian dilakukan perbandingan diantara keduanya sehingga diperoleh metode mana yang paling baik dalam mereduksi noise pada citra digital.

1.3 Batasan Masalah

Batasan masalah pada Penelitian ini adalah: 1. Citra digital yang digunakan sebagai input berformat bitmap .bmp. 2. Citra digital yang diolah adalah citra warna. 3. Citra digital yang digunakan sebagai input adalah citra yang sudah terkena noisedan citra yang ditambahkan noise. 4. Noise yang akan ditambahkan pada citra adalah Uniform dan Specklenoise. 5. Jenis filter yang digunakan adalah Midpoint filter dan Yp Mean filter. 6. Aplikasi berbasis desktop dan bahasa pemrograman yang digunakan adalah MATLAB 2012. 7. Parameter pembanding kualitas citra adalah Mean Square Error MSE, Peak Signal to Noise Ratio PSNR dan runtime proses.

1.4 Tujuan Penelitian

Penelitian ini bertujuan untuk mengetahui hasil perbandingan dari implementasi metode Midpoint filter dan Yp Mean filter untuk mereduksi noise pada citra digital.

1.5 Manfaat Penelitian

Penelitian ini diharapkan dapat memecahkan permasalahan cara mereduksi noise pada citra digital, sehingga dapat memberi kemudahan kepada para fotografer untuk menjadikan citra yang diperolehnya lebih baik dan bermanfaat.

1.6 Metodologi Penelitian

Metode penelitian yang dilakukan dalam penelitian ini adalah: Universitas Sumatera Utara

1. Studi pustaka

Pada tahap ini, akan dilakukan studi kepustakaan dengan mengumpulkan jurnal- jurnal, buku-buku dan skripsi yang berkaitan dengan proses restorasi citra dan metode yang digunakan. 2. Analisis dan Perancangan Pada tahap ini akan dilaksanakan analisis data yang diperlukan kemudian dilakukan perancangan Flowchart dan user interface. 3. Implementasi Pada tahap ini akan dilaksanakan proses implementasi rumus dari metode yang dipakai ke dalam bentuk pengkodean coding. 4. Pengujian Pada tahap ini akan dilakukan pengujian terhadap sistem berdasarkan hasil analisis data dan perancangan sistem. 5. Dokumentasi Pada tahap ini dilakukan penyusunan laporan dari hasil analisis dan perancangan sistem dalam format penulisan penelitian. 1.7 Sistematika Penulisan Agar pembahasan lebih sistematis, maka tulisan ini dibuat dalam lima bab, yaitu : Bab I Pendahuluan Berisi latar belakang, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan. Bab II Landasan Teori Berisi teori mengenai penolahan citra, proses filtering, metode Midpoint dan Yp Mean filter dan noise yang akan direduksi. Bab III Analisis dan Perancangan Berisi tentang analisis metode Midpoint filter dan Yp Mean filter dalam mereduksi noise pada citra digital yang terdiri dari Use Universitas Sumatera Utara Case diagram, Activity diagram, Pseudocode program, Flowchart dan perancangan tampilan form aplikasi. Bab IV Implementasi dan Pengujian Berisi implementasi sistem dan pembuatan program sesuai dengan analisis dan perancangan sistem kemudian dilakukan pengujian terhadap sistem. Bab V Kesimpulan dan Saran Berisi kesimpulan yang diperoleh dari hasil penelitian dan saran-saran yang berguna untuk pengembangan penelitian selanjutnya. BAB 2 Universitas Sumatera Utara LANDASAN TEORI

2.1 Citra Digital

2.1.1 Pengertian Citra Digital

Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, fx,y dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap pasangan koordinat x,y disebut intensitas atau level keabuan grayscale dari gambar di titik itu. Jika x,y dan f semuanya berhinggafinite dan nilainya diskrit, maka gambar itu disebut citra digital. Sebuah citra digital terdiri dari sejumlah elemen yang berhingga, dimana masing-masing mempunyai lokasi dan nilai tertentu. Elemen-elemen ini disebut sebagai picture element, image element, pels atau pixels. Bidang pengolahan citra meliputi pengolahan citra dari suatu komputer digital. Gambar dihasilkan dari seluruh spektrum elektromagnetik mulai dari gamma sampai gelombang radio [2].

2.1.2 Jenis Citra

Nilai suatu piksel memiliki nilai dalam rentang tertentu, dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun secara umum jangkauannya adalah 0-255. Citra dengan penggambaran seperti ini digolongkan ke dalam citra integer. Berikut adalah jenis- jenis citra berdasarkan nilai pikselnya.

2.1.2.1 Citra Biner

Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Citra biner juga disebut sebagai citra BW Black and White atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pikselnya. Universitas Sumatera Utara Citra biner seringkali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi, ataupun dithering. Gambar 2.1Citra biner 2.1.2.2 Citra Grayscale Citra Grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pikselnya, dengan kata lain bagian Red = Green = Blue. Nilai tersebut digunakan untuk menunjukan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan dan putih. Tingkatan keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra Grayscale memiliki kedalaman warna 8 bit 256 kombinasi warna keabuan [6]. Gambar 2.2Citra grayscale

2.1.2.3 Citra Warna

Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar RGB = Red Green Blue. Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna mempunyai gradasi sebanyak 255 warna. Berarti setiap piksel mempunyai kombinasi warna sebanyak 2 8 . 2 8 . 2 8 = 2 24 = 16 juta warna lebih. Itulah sebabnya format ini dinamakan true color karena Universitas Sumatera Utara mempunyai jumlah warna yang cukup besar sehingga bisa dikatakan hampir mencakup semua warna di alam. Penyimpanan citra true color di dalam memori berbeda dengan citra Grayscale. Setiap piksel dari citra Grayscale 256 gradasi warna diwakili oleh 1 byte. Sedangkan setiap piksel citra true color diwakili oleh 3 byte, dimana masing-masing byte merepresentasikan warna merah Red, hijau Green dan biru Blue [10]. Gambar2.3Citra warna 2.1.3 Format file citra Format file citra standart yang digunakan saat ini terdiri dari beberapa jenis. Format- format ini digunakan dalam menyimpan citra dalam sebuah file. Setiap format memiliki karakteristik masing-masing. Berikut adalah salah satu format umum yang digunakan saat ini.

2.1.3.1 Bitmap .bmp

Format bitmap adalah format penyimpanan standar tanpa kompresi yang umum dapat digunakan untuk menyimpan citra biner hingga citra warna. Format ini terdiri dari beberapa jenis yang tiap jenisnya ditentukan dengan jumlah bit yang digunakan untuk menyimpan sebuah nilai piksel.

2.2 Pengolahan Citra Digital

Pengolahan Citra Digital adalah sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas citra peningkatan kontras, transformasi warna, restorasi citra, transformasi gambar rotasi, translasi, skala, transformasi geometrik, melakukan pemilihan citra ciri yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada Universitas Sumatera Utara citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Input dari pengolahan citra adalah citra, sedangkan outputnya adalah citra hasil pengolahan [10].

2.2.1 Restorasi Citra

Restorasi citra bertujuan untuk merekonstruksi atau memperbaiki citra yang terdegradasi dengan suatu priori knowledge dan fenomena degradasi tersebut. Dimana citra hasil diharapkan dapat menyerupai citra aslinya. Teknik restorasi berorientasi pada pemodelan degradasi dan mengaplikasikan proses kebalikannya untuk memperbaiki citra aslinya. Degradasi citra terjadi pada saat akuisisi citra digital baik dari sensor ataudigitizer. Bentuk dari degradasi ini dapat berupa citra dengan noise, citra kabur atau kombinasi keduanya.Citra yang terdegradasi dalam domain spasial dapat dinyatakan dengan fungsi berikut [3].: …...………………………………………………....2.1 Keterangan : hx,y : Representasi spasial dari fungsi degradasi fx,y : Citra asli η x,y : Noise . : Simbol proses konvolusi spasial x dany : koordinat piksel

2.2.2 Filter Spasial

Filter pada pengolahan citra biasa disebut dengan pentapisan spasial spasial filtering. Pada proses filtering, nilai piksel baru umumnya dihitung berdasarkan piksel tetangga. Cara perhitungan nilai piksel baru tersebut dapat dikelompokan menjadi 2, yaitu linier dan nonlinier, linier filter memperoleh piksel baru melalui kombinasi linier piksel tetangga, sedangkan nonlinier filterpiksel baru diperoleh langsung dari salah satu nilai piksel tetangga [5]. , , , , y x y x h y x f y x g η + ∗ = Universitas Sumatera Utara

2.2.3 Midpoint filter

Midpoint filter adalah filter yang mencari rata-rata nilai gray level maksimum dan minimum dalam suatu citra yang ditentukan oleh suatu kernel.Midpoint filter dapat didefinisikan sebagai berikut [5] : �̂�, � = ��� �,�∈��� ���,��+��� �,�∈��� ���,�� 2 …….……………...……………….2.2 Keterangan : ��� �,� : Intensitas maksimum piksel tetangga ��� �,� : Intensitas minimum piksel tetangga S : citra y dan x: koordinat piksel citra g : kernel p dan q: Koordinat citra Ilustrasi Midpoint filter : Gambar 2.4. Ilustrasi Midpoint filter Gambar 2.4 merupakan proses dari Midpoint filter dimana kernel 3x3 sebelah kiri menunjukan kernel awal yang mewakili citra yang terkena noise dan kernel disebelah kanan menunjukan kernel hasil yang mewakili citra setelah mengalami proses filter. Dari kernel awal dilakukan proses Midpoint filter yaitu dengan cara melakukan operasi pada piksel piksel tetangga, seperti rumus yang di tuliskan diatas piksel baru diperoleh dari penjumlahan intensitas maksimum 7 dan minimum 1 piksel-piksel tetangga kemudian dibagi dua. sehingga diperoleh nilai 4 sebagai intensitas piksel yang baru pada kernel hasil. Universitas Sumatera Utara

2.2.4 Yp mean filter

Yp Mean filter adalah termasuk bagian dari nonlinier filter yang baik dalam mereduksi noise dan menajamkan garis tepi citra dibandingkan aritmatik mean filter [7]. Dimana Yp mean filter termasuk dalam kelompok mean filter, hal tersebut terlihat dari formula yang digunakan oleh filter ini yaitu mencari nilai rata-rata dari intensitas tetangga kernel yang melingkupinya. [11]. Yp mean filter dapat didefinisikan sebagai berikut [6]: �̂�, � = � ∑ ��,� � �,�∈��� � � � ………………………..............…….………..……….2.3 Keterangan : Q : Orde filter S : citra y dan x : koordinat piksel citra m dan n: Ukuran Jendela g : kernel p dan q : Koordinat citra Gambar 2.5. Ilustrasi Yp mean filter Gambar 2.5 merupakan proses dari Yp mean filter dimana kernel 3x3 sebelah kiri menunjukan kernel awal yang mewakili citra yang terkena noise dan kernel disebelah kanan menunjukan kernel hasil yang mewakili citra setelah difilter. Dari kernel awal dilakukan proses Yp mean filter yaitu dengan cara melakukan operasi rumus Yp mean filter seperti gambar diatas terhadap seluruh intensitas piksel-piksel Universitas Sumatera Utara tetangga, dengan menggunakan orde filter 2 sehingga diperoleh nilai 5 sebagai intesitas piksel baru pada kernel hasil.

2.2.5 Noise

Noise sesungguhnya adalah komponen dalam citra yang tidak dikehendaki. Dalam praktik, kehadiran noise tidak dapat dihindari. noise merupakan informasitidakdiinginkanyang mencemaricitra bentuknyabiasanya berupa titik- titikataupiksel-piksel berintensitas beda yang mengganggu citra. Noise biasanyaterjadipadasaatakuisisicitra, yaitu proses capture pada kamera dan proses scan pada scanner. Noise dapat digambarkan dengan suatu sifat-sifat statistik dari nilai grayscale dalam komponen model noise, yang dinyatakan dalam variable random dengan suatu Probability Density Function PDF[4].

2.2.5.1 UniformNoise

UniformNoisemerupakan derau yang biasa digunakan untuk mendegradasi citra pada evaluasi algoritma pengolahan citra. Pembangkit bilangan acak pada uniform noise dapat dihitung melalui rumus [2]: � = � + � − � ∗ ���� …………………………...………………………..….....2.4 Keterangan : a : variabel penentu noise dimana nilainya lebih besar dari nol b : variabel penentu noise dimana nilainya lebih besar dari nol rand : bilangan acak a b Universitas Sumatera Utara Gambar 2.6 a Citra asli b Citra dengan Uniform noise

2.2.5.2 SpeckleNoise

Speckle noise adalah derau yang dihasilkan oleh interferensi atas gelombang- gelombang pada saat radiasi monokromatis disebarkan pada permukaan dengan kekasaran sesuai dengan panjanggelombangnya. Speckle noise biasa disebut derau multiplikatif speckledikarenakan ia bersifatmenambahkan derau multiplikatif pada citra asli, dimana persamaannya adalah [7] : gi,j = fi,j + ni,j fi,j………………….……..……………….…..………..2.5 Keterangan : fi,j : Citra asli ni,j : Derau acak terdistribusi seragam gi,j : Citra dengan noise i,j : Koordinat piksel a b Gambar 2.7 a Citra asli b Citra dengan Speckle noise

2.3 Penilaian Kinerja Restorasi Citra

Mean Square Error MSE dan Peak signal to Noise Ratio PSNR adalah dua parameter yang sering digunakan untuk menentukan baik tidaknya kinerja restorasi citra.

2.3.1 MSE

Universitas Sumatera Utara ��� = 1 �� ∑ ∑ � � �, � − � � �, � 2 � � =1 � �=1 ………...……..………………………2.6 Keterangan : M dan N : Ukuran panjang dan lebar citra fai,j : Intensitas citra dititik i,j sebelum terkena Noise fb i,j : Intensitas citra di titik i,j setelah Noise dihilangkan Semakin kecil nilai MSE, kinerja restorasi citra semakin baik [5].

2.3.2 PSNR

PSNR merupakan nilai perbandingan antara harga maksimum warna pada citra hasil filtering dengan kuantisasi gangguan noise yang dinyatakan dalam satuan decibeldB, noise yang dimaksud adalah akar rata-rata kuadrat nilai kesalahan √���.Secara matematis, nilai PSNR dapat dirumuskan sebagai berikut : PSNR = 20log 10 255 √��� ………………………….….………………………2.7 Keterangan : PSNR : nilai Peak Signal to Noise Ratio MSE : nilai Mean Square Error 255 : nilai Grayscale Semakin besar nilai PSNR, kinerja restorasi citra semakin baik [8]. BAB 3 Universitas Sumatera Utara ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

Analisis sistem merupakan tahap awal yang dilakukan sebelum membangun sebuah sistem. Analisis sistem meliputi analisis masalah, analisis kebutuhan dan analisis proses.

3.1.1 Analisis Masalah

Analisis masalah merupakan proses menganalisis apa saja masalah yang terjadi sehingga diperlukan suatu penelitian untuk menyelesaikan masalah tersebut. Analisis masalah dapat digambarkan dengan menggunakan diagram Ishikawa atau sering disebut Fishbone diagram, dimana Bone pada diagram menunjukan akar-akar permasalahan dan kepala ikan menunjukan masalah umum yang terjadi. Diagram Ishikawa yang ditunjukan pada Gambar 3.1 terbagi atas dua bagian yaitu bagian akar permasalahan dan Masalah umum. Bagian permasalahan melingkupi empat aspek yaitu Man, Method, Machine danMaterial. Man adalah aspek permasalahan yang disebabkan oleh sumber daya manusia, Method adalah aspek permasalahan yang berasal dari metode yang pernah digunakan, Machine adalah aspek permasalahan yang berasal dari penggunaan perangkat sedangkan Material merupakan aspek permasalahan yang bersumber dari bahan-bahan yang digunakan dalam mengelolah sistem. Sedangkan bagian kepala merupakan masalah yang terjadi dari keseluruhan akar-akar permasalahan Diagram Ishikawa pada sistem ini dapat dilihat pada gambar 3.1. Universitas Sumatera Utara Terdapat noise pada citra digital Man Method Machine Material Capturing objek yang tidak sempurna Kamera yang tidak fokus Proses pembangkitan noise Pada citra digital Citra yang sudah usang Interferensi listrik Pada saat akuisis Human Error pada saat Pengambilan citra Gambar 3.1 Diagram Ishikawa Analisis Masalah

3.1.2 Analisis Kebutuhan

Analisis kebutuhan adalah proses analisis hal-hal yang harus dipenuhisuatu sistem. Analisiskebutuhan dibagi atas kebutuhan fungsional dan nonfungsional.

3.1.2.1 Kebutuhan Fungsional

Kebutuhan fungsional adalah segala sesuatu yang harus dimiliki oleh sistem. Pada penelitian ini kebutuhan fungsional sistem adalah: 1. Citra digital yang dapat diolah adalah citra digital berformat .bmp tidak memiliki noise atau yang sudah memiliki noise. 2. Jenis noise yang akan dibangkitkan pada citraadalah Speckle dan Uniformnoise. 3. Sistem menggunakan kernel 3 x 3. 4. Sistem menggunakan Mean Squared Error MSE, Peak Signal to NoiseRatio PSNR dan Runtime proses sebagai parameter pembanding kinerja metode filter. 5. Citra hasil proses filter dapat disimpan dengan format file asalnya yaitu .bmp. Universitas Sumatera Utara

3.1.2.2 Kebutuhan Nonfungsional

Kebutuhan nonfungsional adalah segala hal yang harus dilakukan sistem. Pada penelitian ini kebutuhan nonfungsional sistem meliputi beberapa aspek, yaitu: 1. Tampilan Performance Sistem menggunakan tampilan yang sederhana dan mudah digunakan user friendly. 2. Ekonomi Economic Sistem tidak menggunakan perangkat yang mengeluarkan biaya yang besar. 3. Pengontrolan Sistem Control Sistem memberikan umpan balik pada setiap respon yang diberikan pengguna. 4. Efisiensi Sistem Eficiency Sistem mengurangi waktu pengguna dalam menghitung ukuran dimensi citra dan mereduksi noise pada citra digital. 5. Pelayanan Sistem Service Sistem memberi kemudahan dalam mereduksi noise sehingga memudahkan fotografer untuk memperbaiki kualitas suatu citra. Selain itu sistem juga mengembalikan informasi citra yang mengalami penuruan mutu akibat noise.

3.1.3 Analisis Proses

Analisis proses bertujuan untuk mengetahui cara kerja suatu sistemsecara detil. Analisis proses pada sistem ini dilakukan dengan proses pemodelan, yaitu proses merancang piranti lunak sebelum melakukan pengkodeancoding. Model piranti lunak dapat dianalogikan seperti pembuatan blueprint pada pembangunangedung. Membuat model dari sebuah sistem yang kompleks sangatlah penting karena kita tidakdapat memahami keseluruhan sistem tanpa dimodelkan. Semakin kompleks sebuah sistem, semakinpenting pula penggunaan teknik pemodelan. Teknik pemodelan sistem pada penelitian ini dilakukan dengan menggunakan Undifined Modelling LanguageUML, yaitu sebuah bahasa yang telah menjadi standar dalamindustri untuk menggambar, merancang dan mendokumentasikan sistem piranti lunak. UMLmenawarkan sebuah standar untuk merancang model sebuah Universitas Sumatera Utara sistem.Dengan menggunakan UML kita dapat membuat model untuk semua jenis aplikasi piranti lunak,dimana aplikasi tersebut dapat berjalan pada piranti keras, sistem operasi dan jaringan apapun, sertaditulis dalam bahasa pemrograman apapun.

3.1.3.1 Use Case diagram

Use Case diagram merupakan diagram yangmenggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Sebuah Use Casemerepresentasikan sebuah interaksi antara aktor dengan sistem. Aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistemuntuk melakukan pekerjaan-pekerjaan tertentu.Use Case diagram dapat sangat membantu bila kita sedang menyusun requirement sebuah sistem,mengkomunikasikan rancangan dengan klien dan merancang test case untuk semua feature yangada pada sistem.Use case diagram sistem ditunjukan pada gambar 3.2. Sistem Implementasi dan Perbandingan Metode Midpoint Filter dan Yp Mean Filter Dalam mereduksi noise pada citra digital Pengguna Memilih jenis filter untuk citra yang diinginkan Proses Filter dengan citra yang dibangkitkan noise Proses Filter dengan citra yang sudah memiliki nosie «uses» «uses» Speckle noise Uniform noise Midpoint Filter Yp Mean Filter Yp Mean filter Midpoint filter «extends» «extends» «extends» «extends» «extends» «extends» hitung MSE, PSNR dan Runtime «extends» «extends» Hitung runtime proses Gambar 3.2 Use Case diagram sistem Use Case diagrampada gambar 3.2 menampilkan interaksi antara pengguna dan sistem. Interaksi yang dilakukan oleh pengguna adalah memilih jenis proses filter, dimana proses filter terbagi atas dua yaitu proses filter dengan citra yang dibangkitkan noise dan proses filter dengan citra yang sudah memiliki noise. Pada proses filter dengan citra yang dibangkitkan noise akan dilakukan beberapa hal yaitu Universitas Sumatera Utara membangkitkan Speckle dan Uniformnoise, melakukan proses filter untuk citra yang sudah ditambah salah satu dari kedua noise tersebut dan menampilkan perhitungan MSE, PSNR dan Runtime Proses. Sedangkan pada proses filter dengan citra yang sudah memiliki noise citra akan langsung di filter dengan kedua metode tersebut, lalu akan tampil citra hasil dan runtime prosesnya.

3.1.3.2 Activity diagram

Activity diagram merupakan diagram yang menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang,bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram tidak menggambarkan behaviour internal sebuah sistem dan interaksi antar subsistem secara eksak, namun lebih menggambarkan proses-proses dan alur-alur aktivitasdari level atas secara umum.Aktivitas menggambarkan prosesyang berjalan, sementara Use Case menggambarkan bagaimana aktor menggunakan sistem untukmelakukan aktivitas. Pada gambar 3.2 Use Case diagram menunjukan interaksi yang dapat dilakukan pengguna terhadap sistem sedangkan masing-masing alur aktifitas dari interaksi tersebut ditunjukan oleh Activity diagram pada gambar 3.3 dan 3.4. Activity diagram proses filter dengan citra yang dibangkitkan noiseditunjukan oleh gambar 3.3. Universitas Sumatera Utara Menginput Citra tanpa noise Menampilkan Citra tanpa noise Mengisi probabilitas noise Memilih jenis noise yang dibangkitkan Menampilkan Citra terkena noise Melakukan proses Midpoint dan Yp Mean Filter Menampilkan nilai MSE, PSNR dan Runtime Menekan tombol Save Menyimpan Citra hasil Filter Pengguna Sistem Menekan tombol Filter Gambar 3.3 Activity diagram Proses filter dengan citra yang dibangkitkan noise Activity diagram pada gambar 3.3menampilkan alir aktifitas yang dibagi atas dua bagian yaitu bagian pengguna dan sistem. Pada diagram diatas ditampilkan hal apa saja yang dilakukan pengguna terhadap sistem dan bagaimana sistem merespon hal tersebut. Alir aktifitas bermula dari pengguna menginput citra tanpa noisekemudian membangkitkan noise dengan memilih probabilitas noise dan jenis noise-nya lalu sistem pengguna menekan tombol filter sehingga sistem melakukan proses filter terhadap citra dengan noise dengan metode Midpoint dan Yp Mean filter. Setelah proses filter selesai sistem kemudian menampilkan hasilnya berupa citra hasil dan perhitungan MSE, PSNR dan runtime proses. Lalu jika pengguna ingin menyimpan citra hasil filter maka pengguna tinggal menekan tombol filter. Activity diagram proses filter dengan citra yang sudah memilikinoiseditunjukan oleh gambar 3.4. Universitas Sumatera Utara Menginput Citra yang sudah memiliki noise Menampilkan Citra yang sudah memiliki noise Menekan tombol Filter Melakukan proses Midpoint Filter dan Yp Mean Filter Menekan tombol Save Menyimpan Citra hasil Filter Menampilkan Citra Hasil Midpoint Filter dan Yp Mean Filter Menampilkan Ukuran dimensi Citra yang sudah memiliki noise Pengguna Sistem Menampilkan Runtime proccess filter Gambar 3.4 Activity diagram Proses filter dengan citra yang sudah memiliki noise Activity diagram pada gambar 3.4menampilkan alir aktifitas yang dibagi atas dua bagian yaitu bagian pengguna dan sistem. Pada diagram diatas ditampilkan hal apa saja yang dilakukan pengguna terhadap sistem dan bagaimana sistem merespon hal tersebut. Pada bagian proses filter ini alir aktifitas bermula dari pengguna menginput citra yang sudah memiliki noise, kemudian sistem menampilkan citra tersebut selanjutnya pengguna menekan tombol filter sehingga sistem melakukan proses filter terhadap citra yang sudah memiliki noise tersebut dengan metode Midpoint dan Yp Mean filter. Setelah proses selesai sistem menampilkan citra hasil dan perhitungan runtime proses. Lalu jika pengguna ingin menyimpan citra hasil filter maka pengguna tinggal menekan tombol filter. 3.1.3.3 Sequence diagram Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem. Sequencediagram terdiri atas dimensi vertikal waktu dan dimensi horizontal objek-objek yang terkait.Sequence diagram biasa digunakan untuk menggambarkan rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event untuk Universitas Sumatera Utara menghasilkan output tertentu. Diawali dariapa yang men-trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internaldan output apa yang dihasilkan. Pada sistem ini proses dibedakan menjadi dua yaitu Proses filter dengan citra yang dibangkitkan noise dan Proses filter dengan citra yang sudah memilikinoise. Interaksi antar objek pada kedua proses filter akan dijelaskan pada gambar 3.5 dan 3.6. Pengguna Filter Hitung MSE, PSNR, Runtime Input Citra tanpa noise Input Citra Bangkit noise pada citra Bangkit Noise Reduksi noise dengan Filter Hitung MSE, PSNR dan Runtime Tampilkan citra tanpa noise Tampilkan Citra dengan noise Tampilkan citra hasil filter Tampilkan nilai MSE, PSNR dan Runtime Gambar 3.5 Sequence diagram Proses filter dengan citra yang dibangkitkan noise Gambar 3.5 menampilkan sequence diagram yang terdiri dari beberapa objek yang saling berinteraksi dimana objek tersebut terdiri atas pengguna, input citra, bangkit noise, filter dan hitung nilai MSE, PSNR dan runtime proses. Seluruh objek saling berinteraksi dan memberikan respon terhadap objek lainnya. Pengguna melakukan input citra tanpa noise pada objek input citra, yang kemudian objek input citra menampilkan citra tersebut pada pengguna. Objek-objek tersebut berinteraksi dan memberikan respon berupa message pada pengguna. Universitas Sumatera Utara Pengguna Filter Hitung Runtime Input Citra tanpa noise Input Citra Reduksi citra noise dengan Filter Hitung Runtime Tampilkan Citra dengan noise Tampilkan citra hasil filter Tampilkan nilai MSE, PSNR dan Runtime Gambar 3.6 Sequence diagram Proses filter dengan citra yang sudah memiliki noise Gambar 3.6 menampilkan sequence diagram dengan citra yang memiliki noise yang terdiri atas beberapa objek yang saling berinteraksi dimana objek tersebut terdiri atas pengguna, input citra, filter dan hitung runtime proses. Seluruh objek saling berinteraksi dan memberikan respon terhadap objek lainnya. Pengguna menginputkan citra yang sudah memiliki noise pada objek input citra, yang kemudian objek input citra menampilkan citra tersebut pada pengguna. Kemudian citra yang diinput tadi langsung difilter oleh objek filter dan dihitung runtime prosesnya oleh objek runtime proses lalu objek filter menampilkan citra hasil filter dan objek hitung runtime proses menampilkan nilai runtime proses pada pengguna.

3.1.3.4 Pseudocode Program

Pseudocode merupakan algoritma yang diterjemahkan dari bahasa pemrograman yang sulit dimengerti manusia menjadi bahasa yang lebih mudah dimengerti manusia. Berikut adalah Pseudocode program dari Midpoint filter, Yp Mean filter, Specklenoise, Uniformnoise, MSE dan PSNR. Universitas Sumatera Utara

3.1.3.4.1 PseudocodeMidpoint filter

Midpoint filter merupakan metode filter yang mengganti nilai piksel tengah kernel dengan proses Midpoint filter. Proses Midpoint filter adalahpenjumlahan antara intensitas piksel tetangga terbesar dan terkecil kemudian dibagi dua. Hasil dari proses perhitungan tersebut yang akan menjadi nilai piksel baru pada citra hasil. Pseudocode untuk proses Midpoint filter dapat dilihat pada gambar 3.7. Gambar 3.7 PseudocodeMidpoint filter

3.1.3.4.2 PseudocodeYp Mean filter

Pada proses filter menggunakan Yp Mean filter, nilai piksel tengah citra dengan noise akan diganti dengan nilai yang diperoleh dari proses Yp Mean. Dimana prosesnya adalah jumlah kuadrat seluruh intensitas piksel pada kernel di bagi dengan ukuran kernelnya lalu diakarkan dengan orde filter. Pseudocode Yp Mean filterdapat dilihat pada gambar 3.8. temp -citraNoise [m,n,c] - sizetemp Ukuran - 3 Orde - 2 Setengah - floorukuran 2 citra_Yp - doubletemp; for i - 1+setengah to m-setengah for j - 1+setengah to n-setengah for co - 1 to c jum - 0 for p - -setengah to setengah for q - -setengah to setengah maskPsetengah+1-p,setengah+1-q- tempi-p,j-q,co end end midP - maskP: midP -minmidP+maxmidP2 Citra_Midpointi,j,co - midP end end end Universitas Sumatera Utara Gambar 3.8 PseudocodeYp Mean filter

3.1.3.4.3 PseudocodeSpecklenoise

Specklenoise diperoleh dengan menambahkan citra asli dengan rumus pembangkit Specklenoise. Dimana proses pembangkitan Specklenoise sangat bergantung pada probabilitas noisedan bilangan acak.Pseudocode Speckle noise dapat dilihat pada gambar 3.9. Gambar 3.9 PseudocodeSpecklenoise

3.1.3.4.4 PseudocodeUniformnoise

Uniformnoise dibangkitkan berdasarkan bilangan acak terdistribusi Uniform dimana untuk membangkitkannya bergantung pada nilai maksimum, nilai minimum dan temp -citraNoise [m,n,c] - sizetemp Ukuran - 3 Orde - 2 Setengah - floorukuran 2 citra_Yp - doubletemp; for i - 1+setengah to m-setengah for j - 1+setengah to n-setengah for co - 1 to c jum - 0 for p - -setengah to setengah for q - -setengah to setengah jum - jum + tempi+p, j+q,coorde ukuran ukuran end end citra_Ypi,j,co - jum 1orde end end end Citra - citraAsli Temp -citra probabilitas- 0.05 temp - im2doubletemp Speckle - temp+sqrt12probabilitastemp.randsizetemp-.5 Universitas Sumatera Utara bilangan acak. Prosesnya adalah dengan menambahkan citra asli dengan rumus pembangkit Uniformnoise. PseudocodeUniformnoise dapat dilihat pada gambar 3.10. Gambar 3.10 PseudocodeUniformnoise

3.1.3.4.5 Pseudocode MSE

MSE merupakan parameter pembanding kinerja metode filter dengan membandingkan citra asli dengan citra setelah mengalami proses filtering. Tujuannya untuk mendapatkan selisih nilai antara keduanyanya, sehingga jika selisih nilainya kecil maka metode tersebut sangat baik dalam mereduksi noise.Pseudocode untuk menentukan MSE dapat dilihat pada gambar 3.11. Gambar 3.11 Pseudocode MSE

3.1.3.4.6 Pseudocode PSNR

Proses penentuan PSNR sangat bergantung pada MSE. Dalam perhitungannya PSNR berbanding terbalik dengan MSE, sehingga hasil yang didapat semakin besar nilai PSNR maka semakin baik metode tersebut dalam mereduksi noise. Pseudocode untuk menentukan PSNR dapat dilihat pada gambar 3.12. Gambar 3.12 Pseudocode PSNR Citra - citraAsli temp - citra var_a - 0.1 var_b - 0.5 temp - im2doubletemp UniformNoise - temp+ var_a+var_b – var_a randsizetemp if UniformNoise 255 UniformNoise - 255 elseif UniformNoise 0 UniformNoise - 0 end NilaiMSE - sum doubleCitraAsli - doubleCitraHasil.2panjangCitralebarCitra PSNR - 20 log10 double255sqrtMSE Universitas Sumatera Utara

3.2 Perancangan Sistem

Perancangan sistem merupakan perancangan proses, alur dan gambaran sistem. Ketiga hal tersebut digambarkan dengan perancangan flowchart dan interface.

3.2.1 Perancangan Flowchart

Flowchartmerupakan gambaran atau bagan yang memperlihatkan urutan dan hubungan antar proses beserta pernyataannya. Flowchart berguna untuk memberikan kemudahan dalam melakukan pengecekan bagian-bagian yang terlupakan dalam analisis masalah. Gambaran ini dinyatakan dengan symbol, sehingga setiap simbol menggambarkan proses tertentu. Sedangkan setiap proses dihubungkan dengan garis penghubung. Flowchart sistem dapat dilihat pada gambar 3.13. Cara kerja flowchart sistem pada penelitian ini berawal dari proses input citra, jika yang diinput adalah citra tanpa noise maka akan diinputkan citra tanpa noise namun jika tidak maka yang diinputkan adalah citra yang sudah memiliki noise. Jika citra yang diinput adalah citra tanpa noise maka akan dilakukan proses pembangkitan noisejika tidak maka proses langsung berlanjut ke proses filter. Jika noise yang akan dibangkitkan adalah Specklenoise maka akan dibagkitkan Specklenoise namun jika tidak maka akan dibangkitkan Uniformnoise. Jika proses pembangkitan selesai maka akan diperoleh citra dengan noise. Kemudian citra tersebut akan difilter dengan kedua metode yaitu Midpoint filter dan Yp Mean filter. Kemudian akan dihitung runtime proses, MSE dan PSNR untuk citra yang dibangkitkan noise. Dari perhitungan parameter tersebut akan didapat metode mana yang paling baik dalam mereduksi noise. Flowchart sistem dapat dilihat pada gambar 3.13. Universitas Sumatera Utara Mulai Citra tanpa noise Beri Speckle noise? Bangkitkan Uniform noise Bangkitkan Speckle noise Bangkitkan fungsi Midpoint filter dan Yp Mean filter Citra Hasil Midpoint Filter dan Yp Mean filter Hitung MSE PSNR untuk citra yang dibangkitkan noise Selesai Y Input citra tanpa noise ? N Y N Hitung runtime proses Citra dengan noise Gambar 3.13 Flowchart Sistem

3.2.2 Perancangan Interface

Perancangan interface merupakan proses merancang tampilan aplikasi. Perancangan interface terdiri atas rancanganform utama, formproses filter dengan citra yang Universitas Sumatera Utara dibangkitkan noise, form proses filter dengan citra yang sudah memiliki noise, form help dan form about.

3.2.2.1 Rancangan interface form utama

Form utama adalah form yang pertama muncul pada saat aplikasi dijalankan. Pada Form ini terdapat nama sistem, logo universitas dan nama, nim, program studi, universitas programmer. Rancangan form utama dapat dilihat pada gambar 3.14. Gambar 3.14 Rancangan interfaceform utama Tabel 3.1 Keterangan gambar form utama No Keterangan 1 Static Text untuk menampilkan judul penelitian 2 Axis untuk menampilkan gambar logo USU 3 Static Text untuk menampilkan Nama, Nim, Program studi dan Universitas penulis

3.2.2.2 Rancangan interfaceformProses filter dengan citra yang

dibangkitkan noise Form ini merupakanform yang menampilkan proses pembangkitan Speckle dan Uniformnoise pada citra kemudian dilakukan proses filter menggunakan metode Midpoint dan Yp Mean filter. Dari kedua metode tersebut akan diperoleh parameter 1 2 3 Universitas Sumatera Utara penentu kinerja metode restorasi citra. Rancangan interfaceformproses filter dengan citra yang dibangkitkan noisedapat dilihat pada gambar 3.15. Gambar 3.15 Rancangan interfaceform Proses filter dengan citra yang dibangkitkan noise Tabel 3.2 Keterangan form Proses filter dengan citra yang dibangkitkan noise No Keterangan 1 Static Text untuk menampilkan judul form proses filter dengan penambahan noise 2 Panel citra asli 3 Axis untuk menampilkan citra asli 4 Push Button Open File untuk membuka file gambar .bmp 5 Static Text untuk menampilkan tulisan ukuran dimensi citra 6 Edit Text untuk menampilkan panjang dimensi citra 7 Edit Text untuk menampilkan lebar dimensi citra 8 Panel Specklenoise 9 Pop-up menu menampilkan probabilitas noise 10 Push Button Speckle untuk membangkitkan Specklenoise pada citra asli 11 Pop-up menu menampilkan probabilitas noise 12 Push Button Uniform untuk membangkitkan Uniformnoise pada citra asli 13 Panel citra dengan noise 14 Axis untuk menampilkan citra dengan noise 15 Panel Midpoint filter 16 Axis untuk menampilkan citra hasil Midpoint filter 1 4 2 3 5 6 7 9 8 11 10 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 22 Universitas Sumatera Utara 17 Push Button filter untuk melakukan proses filtering 18 Edit Text untuk menampilkan nilai MSE citra hasil Midpoint filter 19 Edit Text untuk menampilkan nilai PSNR citra hasil Midpoint filter 20 Edit Text untuk menampilkan nilai Runtime citra hasil Midpoint filter 21 Push Button untuk menyimpan citra hasil Midpoint filter 22 Push Button untuk membersihkan seluruh citra 23 Edit Text untuk menampilkan nilai MSE citra hasil Yp Mean filter 24 Edit Text untuk menampilkan nilai PSNR citra hasil Yp Mean filter 25 Edit Text untuk menampilkan nilai Runtime citra hasil Yp Mean filter 26 Panel Yp Mean filter 27 Axis untuk menampilkan citra hasil Yp Mean filter 28 Push Button untuk menyimpan citra hasil Yp Mean filter

3.2.2.3 Rancangan interface form Proses filter dengan citra yang sudah

memiliki noise Form ini menampilkan proses filter pada citra yang sudah terdapat noise didalamnya. Rancangan interface`Proses filter dengan citra sudah memilikinoisedapat dilihat pada gambar 3.16. 3.16 Rancangan interface form Proses filter dengan citra yang sudah memiliki noise Tabel 3.3 Keterangan form proses filter dengan citra yang sudah memiliki noise No Keterangan 1 Static Text untuk menampilkan judul form proses filter dengan citra yang sudah memilikinoise 2 1 4 5 8 7 9 11 3 6 10 12 13 14 15 16 17 Universitas Sumatera Utara 2 Panel citra Asli 3 Axes untuk menampilkan citra Asli dengan noise berformat .bmp 4 Push Button Open filte untuk membuka file gambar berformat .bmp 5 Push Button Open filte untuk membersihkan citra 6 Edit Text untuk menampilkan panjang dimensi citra 7 Edit Text untuk menampilkan lebar dimensi citra 8 Panel citra Hasil Midpoint filter 9 Axes untuk menampilkan citra hasil Midpoint filter 10 Push Button untuk melakukan proses filter dengan metode Midpoint filter 11 Edit text untuk menampilkan runtime proses Midpoint filter 12 Push Button untuk menyimpan citra hasil Midpoint filter 13 Panel citra Hasil Yp Mean filter 14 Axes untuk menampilkan citra hasil Yp Mean filter 15 Push Button untuk melakukan proses filter dengan metode Yp Mean filter 16 Edit text untuk menampilkan runtime proses Yp Mean filter 17 Push Button untuk menyimpan citra hasil Yp Mean filter

3.2.2.4 Rancangan interface form About

Form ini menampilkan foto dan data diri programmer. Rancangan interfaceform About dapat dilihat pada gambar 3.17. Gambar 3.17 Rancangan interfaceformAbout Tabel 3.4 Keterangan gambar formAbout 1 2 4 5 3 Universitas Sumatera Utara No Keterangan 1 Static Text untuk menampilkan judul form About 2 Panel untuk mengelompokan data 3 Axes untuk menampilkan foto programmer 4 Panel untuk mengelompokan data 5 Static Text untuk menampilkan Biodata Programmer

3.2.2.5 Rancangan interface form Help

Form ini menampilkan petunjuk aplikasi yang dapat menuntun pengguna dalam menggunakan aplikasi ini. Rancangan interfaceformHelpdapat dilihat pada gambar 3.18. Gambar 3.18 Rancangan interfaceformHelp Tabel 3.5 Keterangan gambar formHelp BAB 4 No Keterangan 1 Static Text untuk menampilkan judul form Petunjuk penggunaan aplikasi 2 Panel untuk mengelompokan data 3 Static Text untuk menampilkan petunjuk penggunaan aplikasi 4 Panel untuk mengelompokan data 5 Static Text untuk menampilkan petunjuk penggunaan aplikasi 1 2 3 4 5 Universitas Sumatera Utara IMPLEMENTASI DAN PENGUJIAN

4.1 Implementasi

Setelah dilakukan analisis dan perancangan pada sistem tahap selanjutnya adalah implementasi. Pada tahap ini akan dibuat keseluruhan program dari fungsi-fungsi form yang sudah dirancang. Sistem ini dibangun menggunakan bahasa pemrograman MatLab 2012. Pada sistem ini terdapat lima buah form yaitu form utama, form proses filter dengan citra yang dibangkitkan noise, form proses filter dengan citra yang sudah memiliki noise, form help dan form about.

4.1.1 Form Utama

Gambar 4.1 Form Utama Universitas Sumatera Utara Form utama adalah form yang tampil pertama kali pada saat sistem dijalankan. Form ini menampilkan nama sistem, logo universitas, nama, nim, program studi dan universitas penulis.

4.1.2 Form Proses Filter dengan citra yang dibangkitkan noise

Formini merupakan form proses filter yang menampilkan proses pembangkitan noise terhadap citra aslinya dengan parameter yang dimiliki masing-masing noise kemudian citra dengan noise tersebut difilter dengan metode Midpoint filter dan Yp Mean filter. Perhitungan MSE, PSNR dan runtime akan tampil bersama dengan citra hasil filter. Parameter pembanding tersebut yang kemudian akan menjadi acuan pengguna dalam membandingkan metode mana yang paling baik dalam mereduksi noise. Form proses filter dengan citra yang dibangkitkan noise dapat dilihat pada gambar 4.2. Gambar 4.2 Form Proses Filter dengan citra yang dibangkitkan noise

4.1.3 Form Proses Filter dengan citra yang sudah memiliki noise

Formini merupakan form yang menampilkan proses filter pada citra yang sudah memiliki noise terlebih dahulu. Setelah citra dengan noise berhasil diinputkan kemudian citra tersebut difilter dengan metode Midpoint filter dan Yp Mean filter. Parameter pembandingnya adalah citra hasil dan runtime proses dari kedua metode tersebut. Universitas Sumatera Utara Gambar 4.3 Form Proses Filter dengan citra yang sudah memiliki noise

4.1.4 Form Help

Form ini merupakan form petunjuk yang membantu pengguna dalam menggunakan sistem. Pada form ini terdapat teks yang menerangkan hal-hal yang dapat dilakukan pengguna terhadap sistem.Form help dapat dilihat pada gambar 4.4. Gambar 4.4 Form Help

4.1.5 Form About

Universitas Sumatera Utara Form ini merupakan form yang menampilkan identitas programmer. Identitas yang ditampilkan pada form ini adalah foto dan data diri programmer.Form about dapat dilihat pada gambar 4.5. Gambar 4.5 Form About

4.2 Pengujian

Setelah sistem selesai diimplementasikan, tahap selanjunya adalah tahap pengujian sistem. Pada tahap ini akan diperoleh hasil dari proses yang dilakukan sistem. Citra yang akan diuji pada proses filter adalah citra berformat .bmp. pada proses filter dengan citra yang akan dibangkitkan Speckle noise, probabilitas noise yang akan dibangkitkan adalah 1, 5,10 dan 15 sedangkan untuk pembangkitan Uniform noisedigunakan dua variable penentu yaitu varibel a dan bdimana nilai untuk variable a adalah 0.01, 0.1 dan 1 dan untuk b adalah 0.1 dan 0.5.

4.2.1 Proses filter dengan citra yang dibangkitkan noise

Proses filter ini dilakukan dengan pembangkitan noise terlebih dahulu terhadap citra aslinya, kemudian citra dengan noise tersebut difilter dengan metode Midpoint dan Yp Mean filter. Gambar proses filter dengan citra yang dibangkitkan noise dapat dilihat pada gambar 4.6. Universitas Sumatera Utara Gambar 4.6 Form Proses Filter dengan citra yang dibangkitkan noise Gambar 4.6 menunjukan proses filter dengan citra yang dibangkitkan noise yang diawali dari menginput citra asli pada sistem kemudian sistem akan menampilkan citra dan ukuran dimensinya. Lalu pengguna akan menuju ketahap pembangkitan noise dengan mengisi parameter pembangkitnya dan memilih jenis noise yang dibangkitkan. Setelah citra asli diberi noise kemudian citra tersebut akan difilter dengan Midpoint dan Yp Mean filter. Citra hasil metode filter akan tampil bersamaan dengan parameter pembandingnya yaitu MSE, PSNR dan runtime proses. Dimana ketiga parameter tersebut yang akan menjadi acuan pengguna untuk membandingkan metode filter yang digunakan sistem. Citra hasil dari kedua metode filter dapat disimpan dengan menekan tombol Save.

4.2.2 Proses filter dengan citra yang sudah memilikinoise

Proses filter ini dilakukan untuk citra yang dianggap sudah memiliki noise. Setelah citra berhasil diinput citra akan difilter dengan metode Midpoint dan Yp Mean filter. Gambar proses filter dengan citra yang sudah memilikinoise dapat dilihat pada gambar 4.7. 1 2 3 4 5 Universitas Sumatera Utara Gambar 4.7 Form Proses Filter dengan citra yang sudah memiliki noise Gambar 4.7 menampilkan proses filter terhadap citra yang dianggap sudah memiliki noise. Proses berawal dari menginputkan citra yang sudah memiliki noise kemudian citra tersebut difilter dengan metode Midpoint filter atau Yp Mean filter. Sistem akan menampilkan citra hasil filter bersama dengan runtime prosesnya. Tampilan Citra hasil dan runtime proses yang akan menjadi acuan pengguna dalam membandingkan kinerja kedua metode tersebut dalam mereduksi citra yang sudah memiliki noise. Citra hasil dari kedua metode filter dapat disimpan dengan menekan tombol Save.

4.2.3 Hasil pengujian

Pengujian metode filter dilakukan terhadap 3 gambar berformat bitmap dengan ukuran dimensi yang bervariasi. Berikut adalah gambar asli yang diuji pada penelitian ini: a b c 1 2 3 4 5 Universitas Sumatera Utara Gambar 4.8 a Fuji.bmp ukuran dimensi 1024 x 768 piksel, b Eagle.bmp ukuran dimensi 500 x 500 piksel dan c Dog.bmp ukuran dimensi 225 x 225 piksel Tabel 4.1 Hasil pengujian metode Midpoint filter dan Yp Mean filter dalam mereduksi citra yang dibangkitkan Specklenoise Citra dengan Specklenoise Citra hasil Midpoint filter Citra hasil Yp Mean filter Dog.bmp Ukuran dimensi : 225 x 225 Probabilitas noise : 1 R MSE : 23937.7 PSNR : 24.3 dB R MSE : 23931.7 PSNR : 24.5 dB G MSE : 18739. 7 PSNR : 25.4 dB G MSE : 18739 PSNR : 25.43 dB B MSE : 14636.5 PSNR : 26.5 dB B MSE : 14636 PSNR : 26.55 dB Runtime : 5.0076 Detik Runtime : 1.4196 Detik Eagle.bmp Ukuran dimensi : 500 x 500 Probabilitas noise : 1 R MSE : 18070 PSNR : 25.56 dB R MSE : 18068 PSNR : 25.56 dB G MSE : 16457 PSNR : 25.96 dB G MSE : 16455.5 PSNR : 25.97 dB B MSE : 13840 PSNR : 26.71 dB B MSE : 13839 PSNR : 26.71 dB Runtime : 37.59Detik Runtime : 9.85 Detik Fuji.bmp Ukuran dimensi : 1024 x 768 Probabilitas noise : 1 R MSE : 8336 PSNR : 28.9 dB R MSE : 8336 PSNR : 28.92 dB G MSE : 13651 PSNR : 26.77 dB G MSE : 13650 PSNR : 25.78 dB Universitas Sumatera Utara B MSE : 20131 PSNR : 25.1 dB B MSE : 20129 PSNR : 25.1 dB Runtime : 160.2Detik Runtime : 34.35Detik Dog.bmp Ukuran dimensi : 225 x 225 Probabilitas noise : 5 R MSE : 23934.6 PSNR : 24.34 dB R MSE : 23929.6 PSNR : 24.35 dB G MSE : 18740.4 PSNR : 25.4 dB G MSE : 18736.7 PSNR : 25.42 dB B MSE : 14636.5 PSNR : 26..47 dB B MSE : 14634.3 PSNR : 26.48 dB Runtime : 4.9764 Detik Runtime : 1.4196 Detik Eagle.bmp Ukuran dimensi : 500 x 500 Probabilitas noise : 5 R MSE : 18073 PSNR : 25.56 dB R MSE : 18068 PSNR : 25.56 dB G MSE : 16460 PSNR : 25.96 dB G MSE : 16455 PSNR : 25.97 dB B MSE : 13844 PSNR : 26.71 dB B MSE : 13840 PSNR : 26.72 dB Runtime : 38.46Detik Runtime : 9Detik Fuji.bmp Ukuran dimensi : 1024 x 768 Probabilitas noise : 5 R MSE : 8336 PSNR : 28.9 dB R MSE : 8336 PSNR : 28.92 dB G MSE : 13651 PSNR : 26.77 dB G MSE : 13650 PSNR : 25.78 dB B MSE : 20131 PSNR : 25.1 dB B MSE : 20129 PSNR : 25.12 dB Runtime : 160.3Detik Runtime : 34.37Detik Universitas Sumatera Utara Dog.bmp Ukuran dimensi : 225 x 225 Probabilitas noise : 10 R MSE : 23939.1 PSNR : 24.3 dB R MSE : 23928.7 PSNR : 24.34 dB G MSE : 18741.4 PSNR : 25.4 dB G MSE : 18734.2 PSNR : 25.4 dB B MSE : 14637.6 PSNR : 26..47 dB B MSE : 14631.2 PSNR : 26.48 dB Runtime : 5.0076 Detik Runtime : 1.404 Detik Eagle.bmp Ukuran dimensi : 500 x 500 Probabilitas noise : 10 R MSE : 18077 PSNR : 25.55 dB R MSE : 18068 PSNR : 25.56 dB G MSE : 16463 PSNR : 25.96 dB G MSE : 16455 PSNR : 25.97 dB B MSE : 13847 PSNR : 26.71 dB B MSE : 13840 PSNR : 26.72 dB Runtime : 38Detik Runtime : 9.04Detik Fuji.bmp Ukuran dimensi : 1024 x 768 Probabilitas noise : 10 R MSE : 8338 PSNR : 28.92 dB R MSE : 8335 PSNR : 28.92 dB G MSE : 13653 PSNR : 26.77 dB G MSE : 13648 PSNR : 26.78 dB B MSE : 20148 PSNR : 25.1 dB B MSE : 20135 PSNR : 25.1 dB Runtime : 160.2Detik Runtime : 34.31Detik Dog.bmp Ukuran dimensi : 225 x 225 Probabilitas noise : 15 R MSE : 23944.2 PSNR : 24.33 dB R MSE : 23927.9 PSNR : 24.34 dB G MSE : 18743.4 PSNR : 25.4 dB G MSE : 18732.6 PSNR : 25.4 dB B MSE : 14637.6 B MSE : 14630 Universitas Sumatera Utara PSNR : 26.47 dB PSNR : 26.5 dB Runtime : 5.038 Detik Runtime : 1.4508 Detik Eagle.bmp Ukuran dimensi : 500 x 500 Probabilitas noise : 15 R MSE : 18081 PSNR : 25.55 dB R MSE : 18068 PSNR : 25.56 dB G MSE : 16466 PSNR : 25.96 dB G MSE : 16455 PSNR : 25.97 dB B MSE : 13850 PSNR : 26.71 dB B MSE : 13839 PSNR : 26.72 dB Runtime : 38Detik Runtime : 8.54Detik Fuji.bmp Ukuran dimensi : 1024 x 768 Probabilitas noise : 15 R MSE : 8339 PSNR : 28.91 dB R MSE : 8334 PSNR : 28.92 dB G MSE : 13655 PSNR : 26.78 dB G MSE : 13647 PSNR : 26.78 dB B MSE : 20155 PSNR : 25.1 dB B MSE : 20137 PSNR : 25.1 dB Runtime : 160.7Detik Runtime : 34.35Detik Table 4.1 menampilkan hasil pengujian metode Midpoint filter dan Yp Mean filter dalam mereduksi Specklenoise. Dari citra hasil yang ditampilkan kedua metode tersebut baik dalam mereduksi Specklenoise hal itu terlihat dari bintik-bintik Specklenoise terlihat samar pada citra hasil metode filter. Pada kedua metode diatas terlihat bahwa semakin besar probabilitas noise maka semakin besar pula nilai MSE nya namun berbanding terbalik dengan nilai PSNR nya, tetapi nilai runtime proses tidak terpengaruh oleh probabilitas noise. Dari parameter pembanding yang ditampikan Metode Yp Mean filter memiliki nilai MSE lebih kecil, nilai PSNR lebih besar dan runtime proses yang lebih singkat dari pada Midpoint filter. Hal tersebut menunjukan bahwa Metode Yp Mean filter lebih baik dalam mereduksi Specklenoise. Tabel 4.2 Hasil pengujian metode Midpoint filter dan Yp Mean filter dalam mereduksi citra yang dibangkitkan Uniformnoise Universitas Sumatera Utara Citra dengan Uniformnoise Citra hasil Midpoint filter Citra hasil Yp Mean filter Dog.bmp Ukuran dimensi : 225 x 225 a : 0.01 dan b : 0.1 R MSE : 23916.4 PSNR : 24.34 dB R MSE : 23915.8 PSNR : 24.34 dB G MSE : 18725.5 PSNR : 25.4 dB G MSE : 18725 PSNR : 25.4 dB B MSE : 14624.3 PSNR : 26.48 dB B MSE : 14623.8 PSNR : 26.48 dB Runtime : 4.99203 Detik Runtime : 1.38841 Detik Eagle.bmp Ukuran dimensi : 500 x 500 a : 0.01 dan b : 0.1 R MSE : 18057 PSNR : 25.56 dB R MSE : 18056 PSNR : 25.56 dB G MSE : 16445 PSNR : 25.97 dB G MSE : 16444 PSNR : 25.97 dB B MSE : 13830 PSNR : 26.72 dB B MSE : 13829 PSNR : 26.72 dB Runtime : 37.59Detik Runtime : 8.5 Detik Fuji.bmp Ukuran dimensi : 1024 x 768 a : 0.01 dan b : 0.1 R MSE : 8328 PSNR : 28.92 dB R MSE : 8328 PSNR : 28.93 dB G MSE : 13641 PSNR : 26.78 dB G MSE : 13640 PSNR : 26.78 dB B MSE : 20118 PSNR : 25.1 dB B MSE : 20118 PSNR : 25.1 dB Runtime : 160.3Detik Runtime : 34.2Detik Universitas Sumatera Utara Dog.bmp Ukuran dimensi : 225 x 225 a : 0.01 dan b : 0.5 R MSE : 23916.4 PSNR : 24.34 dB R MSE : 23915.8 PSNR : 24.34 dB G MSE : 18725.6 PSNR : 25.4 dB G MSE : 18725 PSNR : 25.4 dB B MSE : 14624.3 PSNR : 26.48 dB B MSE : 14623.8 PSNR : 26.48 dB Runtime : 5.0388 Detik Runtime : 1.45081 Detik Eagle.bmp Ukuran dimensi : 500 x 500 a : 0.01 dan b : 0.5 R MSE : 18057 PSNR : 25.56 dB R MSE : 18056 PSNR : 25.56 dB G MSE : 16445 PSNR : 25.97 dB G MSE : 16443 PSNR : 25.97 dB B MSE : 13830 PSNR : 26.72 dB B MSE : 13829 PSNR : 26.72 dB Runtime : 37.81Detik Runtime : 8.54Detik Fuji.bmp Ukuran dimensi : 1024 x 768 a : 0.01 dan b : 0.5 R MSE : 8329 PSNR : 28.92 dB R MSE : 8328 PSNR : 28.93 dB G MSE : 13641 PSNR : 26.78 dB G MSE : 13640 PSNR : 26.78 dB B MSE : 20119 PSNR : 25.1 dB B MSE : 20118 PSNR : 25.1 dB Runtime : 160Detik Runtime : 34.25Detik Dog.bmp Ukuran dimensi : 225 x 225 a : 0.1 dan b : 0.1 R MSE : 23862.2 PSNR : 24.35 dB R MSE : 23855.6 PSNR : 24.35 dB G MSE : 18669.4 PSNR : 25.4 dB G MSE : 18664.6 PSNR : 25.4 dB B MSE : 14572 PSNR : 26.5 dB B MSE : 14568.9 PSNR : 26.5 dB Runtime : 4.99203 Detik Runtime : 1.45081 Detik Universitas Sumatera Utara Eagle.bmp Ukuran dimensi : 500 x 500 a : 0.1 dan b : 0.1 R MSE : 18015 PSNR : 25.57 dB R MSE : 18011 PSNR : 25.57 dB G MSE : 16405 PSNR : 25.98 dB G MSE : 16402 PSNR : 25.98 dB B MSE : 13795 PSNR : 26.73 dB B MSE : 13793 PSNR : 26.73 dB Runtime : 37.75Detik Runtime : 8.58Detik Fuji.bmp Ukuran dimensi : 1024 x 768 a : 0.1 dan b : 0.1 R MSE : 8295 PSNR : 28.94 dB R MSE : 8293 PSNR : 28.94 dB G MSE : 13601 PSNR : 25.79 dB G MSE : 13597 PSNR : 26.8 dB B MSE : 20094 PSNR : 25.1 dB B MSE : 20091 PSNR : 25.1 dB Runtime : 159.8Detik Runtime : 34.25Detik Dog.bmp Ukuran dimensi : 225 x 225 a : 0.1 dan b : 0.5 R MSE : 23862.2 PSNR : 24.35 dB R MSE : 23855.6 PSNR : 24.35 dB G MSE : 18669.4 PSNR : 25.4 dB G MSE : 18664.6 PSNR : 25.4 dB B MSE : 14572.5 PSNR : 26.5 dB B MSE : 14568.9 PSNR : 26.5 dB Runtime : 4.96083 Detik Runtime : 1. 40401 Eagle.bmp Ukuran dimensi : 500 x 500 a : 0.1 dan b : 0.5 R MSE : 18015 PSNR : 25.57 dB R MSE : 18011 PSNR : 25.58 dB G MSE : 16405 PSNR : 25.98 dB G MSE : 16402 PSNR : 25.98 dB Universitas Sumatera Utara B MSE : 13795 PSNR : 26.73 dB B MSE : 13793 PSNR : 26.73 dB Runtime : 37.72 Detik Runtime : 8.52Detik Fuji.bmp Ukuran dimensi : 1024 x 768 a : 0.1 dan b : 0.5 R MSE : 8295 PSNR : 28.94 dB R MSE : 8293 PSNR : 28.94 dB G MSE : 13601 PSNR : 25.79 dB G MSE : 13597 PSNR : 26.8 dB B MSE : 20094 PSNR : 25.1 dB B MSE : 20091 PSNR : 25.1 dB Runtime : 160.8Detik Runtime : 34.19Detik Dog.bmp Ukuran dimensi : 225 x 225 a : 1 dan b : 0.1 R MSE : 23824.6 PSNR : 24.36 dB R MSE : 23823.6 PSNR : 24.36 dB G MSE : 18625.6 PSNR : 25.43 dB G MSE : 18624.2 PSNR :25.4 dB B MSE : 14526.7 PSNR : 26.5 dB B MSE :14524.6 PSNR : 26.5 dB Runtime : 4.96083 Detik Runtime : 1.45081 Eagle.bmp Ukuran dimensi : 500 x 500 a : 1 dan b : 0.1 R MSE : 17980 PSNR : 25.58 dB R MSE : 17978 PSNR : 25.58 dB G MSE : 16370 PSNR : 25.9 dB G MSE : 16368 PSNR : 25.9 dB B MSE : 13761 PSNR : 26.74 dB B MSE : 13759 PSNR : 26.74 dB Runtime : 37.37Detik Runtime : 8.67Detik Fuji.bmp R MSE : 8258 R MSE : 8225 Universitas Sumatera Utara Ukuran dimensi : 1024 x 768 a : 1 dan b : 0.1 PSNR : 28.96 dB PSNR : 28.96 dB G MSE : 13566 PSNR : 26.8 dB G MSE : 13564 PSNR : 26.8 dB B MSE : 20077 PSNR : 25.1 dB B MSE : 20075 PSNR : 25.1 dB Runtime : 162.2Detik Runtime : 34.25Detik Dog.bmp Ukuran dimensi : 225 x 225 a : 1 dan b : 0.5 R MSE : 23824.6 PSNR : 24.36 dB R MSE : 23823.6 PSNR : 24.36 dB G MSE : 18625.6 PSNR : 25.43 dB G MSE : 18624.2 PSNR :25.4 dB B MSE : 14526.7 PSNR : 26.5 dB B MSE :14524.6 PSNR : 26.5 dB Runtime : 4.99203 Detik Runtime : 1.48201 Detik Eagle.bmp Ukuran dimensi : 500 x 500 a : 1 dan b : 0.5 R MSE : 17980 PSNR : 25.58 dB R MSE : 17978 PSNR : 25.58 dB G MSE : 16370 PSNR : 25.9 dB G MSE : 16368 PSNR : 25.9 dB B MSE : 13761 PSNR : 26.74 dB B MSE : 13759 PSNR : 26.74 dB Runtime : 37.37Detik Runtime : 8.67Detik Fuji.bmp Ukuran dimensi : 1024 x 768 a : 1 dan b : 0.5 R MSE : 8258 PSNR : 28.96 dB R MSE : 8225 PSNR : 28.96 dB G MSE : 13566 PSNR : 26.8 dB G MSE : 13564 PSNR : 26.8 dB B MSE : 20077 PSNR : 25.1 dB B MSE : 20075 PSNR : 25.1 dB Runtime : 162Detik Runtime : 34.41Detik Universitas Sumatera Utara Table 4.2 menampilkan hasil pengujian metode Midpoint filter dan Yp Mean filter dalam mereduksi Uniformnoise. Dari citra hasil yang ditampilkan kedua metode tersebut baik dalam mereduksi Uniformnoise hal itu terlihat dari bintik-bintik Uniformnoise terlihat samar pada citra hasil metode filter. Dari parameter pembanding yang ditampikan Metode Yp Mean filter memiliki nilai MSE lebih kecil, nilai PSNR lebih besar dan runtime proses yang lebih singkat dari pada Midpoint filter dalam mereduksi Uniformnoise. Hal tersebut menunjukan bahwa Metode Yp Mean filter lebih baik dalam mereduksi Specklenoise. Tabel 4.3 Hasil pengujian metode Midpoint filter dan Yp Mean filter dalam mereduksi citra yang sudah memiliki noise Citra dengan noise Citra hasil Midpoint filter Citra hasil Yp Mean filter Feb.bmp Ukuran dimensi 300 x 133 piksel Runtime : 4.1028 Detik Runtime : 3.2248 Detik Febby.bmp Ukuran dimensi 300 x 133 Runtime : 4.321 Detik Runtime : 3.198 Detik Biby.bmp Ukuran dimensi 450 x 122 Runtime : 4.945 Detik Runtime : 3.26 Detik Universitas Sumatera Utara Fby.bmp Ukuran dimensi 675 x 300 Runtime : 9.999 Detik Runtime : 4.524 Detik CatMouse.bmp Ukuran dimensi 825 x 183 Runtime : 8.15 Detik Runtime : 3.962Detik Bemo.bmp Ukuran dimensi 846 x 179 Runtime : 8.252 Detik Runtime : 4.321 Detik Family.bmp Ukuran dimensi 900 x 225 Runtime : 10.09 Detik Runtime : 4.726 Detik Table 4.3 diatas menampilkan hasil dari Midpoint filter dan Yp Mean filter dalam mereduksi noise yang sudah dimiliki oleh citra. Dari hasilnya terlihat bahwa kedua metode tersebut dapat mengurangi tampilan noise namun citra menjadi sedikit agak kabur. Pada metode Midpoint filter citra yang difilter menjadi terlihat agak gelap dan kabur selain itu runtimeprosesnya sangat besar berbeda dengan metode Yp Mean filter, metode ini dapat mengurangi tampilan noise namun citra menjadi sedikit agak kabur Universitas Sumatera Utara tapi tidak gelap, selain itu runtime proses metode ini tidaklah besar. Yp Mean filter lebih baik dari pada Midpoint filter dalam mereduksi noise pada citra. Tabel 4.4 Perbandingan MSE, PSNR dan Runtime proses metode Midpoint filter dan Yp Mean filter dalam mereduksi Specklenoisepada citra Dog.bmp Probabi litas noise Midpoint filter Yp Mean filter MSE PSNR dB Run Time detik MSE PSNR dB Run Time d etik R G B R G B R G B R G B 1 23937 18739 14636 24.3 25.4 26.5 5 23931 18739 14636 24.5 25.43 26.55 1.41 5 23934 18740 14636 23.34 25.4 26.47 4.9 23929 18736 14634 24.35 25.42 26.48 1.42 10 23939 18741 14637 24.3 25.4 26.47 5 23928 18734 14631 24.34 25.4 26.48 1.4 15 23944 18743 14637 24.33 25.4 26.47 5.03 23927 18732 14630 24.34 25.4 26.5 1.45 Rerata 23938 18740 14636 24.06 25.4 26.47 4.98 23928 18735 14632 24.38 25.41 26.5 1.42 19105 25.31 19098 25.43 Tabel 4.5 Perbandingan MSE, PSNR dan Runtime proses metode Midpoint filter dan Yp Mean filter dalam mereduksi Specklenoisepada citra Eagle.bmp Probabi litas noise Midpoint filter Yp Mean filter MSE PSNR dB Run Time detik MSE PSNR dB Run Time detik R G B R G B R G B R G B 1 18070 16457 13840 25.56 25.96 26.71 37.59 18068 16455 13839 25.56 25.97 26.71 9.85 5 18073 16460 13844 25.56 25.96 26.71 38.46 18068 16455 13839 25.56 25.97 26.72 9 10 18077 16463 13847 25.55 25.96 26.71 38 18068 16455 13840 25.56 25.97 26.72 9.04 15 18070 16466 13850 25.55 25.96 26.71 38 18068 16455 13839 25.56 25.97 26.71 8.54 Rerata 18072 16461 13845 25.55 25.96 26.71 38.01 18068 16455 13839 25.56 25.97 26.72 9.12 16126 26.07 16120 26.08 Tabel 4.6 Perbandingan MSE, PSNR dan Runtime proses metode Midpoint filter dan Yp Mean filter dalam mereduksi Specklenoisepada citra Fuji.bmp Probabi litas Midpoint filter Yp Mean filter MSE PSNR dB Run MSE PSNR dB Run Universitas Sumatera Utara noise R G B R G B Time detik R G B R G B Time detik 1 8336 13651 20131 28.9 26.77 25.1 160.2 8336 13650 20129 28.92 26.78 25.1 34.35 5 8336 13651 20131 28.9 26.77 25.1 160.3 8336 13650 20129 28.92 26.78 25.12 34.37 10 8338 13653 20148 28.92 26.77 25.1 160.2 8335 13648 20135 28.92 26.78 25.1 34.31 15 8339 13655 20155 28.91 26.78 25.1 160.7 8334 13647 20137 28.92 26.78 25.1 34.35 Rerata 8337 13652 20141 28.9 26.77 25.1 160.3 8335 13648 20132 28.92 26.78 25.11 34.35 14043 26.92 14038 26.94 Dari tabel diatas diperoleh bahwa metode Yp Mean filter memiliki nilai rata-rata MSE lebih kecil, nilai rata-rata PSNR lebih besar dan runtime proses yang lebih singkat dari metode Midpoint filter. Oleh sebab itu dapat disimpulkan bahwa metode Yp Mean filter merupakan metode yang lebih baik dalam mereduksi Specklenoise dibanding metode Midpoint filter. Tabel 4.7 Perbandingan MSE, PSNR dan Runtime proses metode Midpoint filter dan Yp Mean filter dalam mereduksi Uniformnoisepada citra dog.bmp Variabel Midpoint filter Yp Mean filter MSE PSNR dB Run time d etik MSE PSNR dB Run time d etik R G B R G B R G B R G B

a: 0.01 b: 0.1

23916 18726 14624 24.34 25.4 26.48 4.99 23915 18725 14632 24.34 25.4 26.48 1.38

a: 0.01 b: 0.5

23916 18726 14624 24.34 25.4 26.48 4.99 23915 18725 14632 24.34 25.4 26.48 1.38

a: 0.1 b: 0.1

23862 18669 14572 24.35 25.4 26.5 4.99 23855 18664 14568 24.35 25.4 26.5 1.45

a: 0.1 b: 0.5

23862 18669 14572 24.35 25.4 26.5 4.99 23855 18664 14568 24.35 25.4 26.5 1.45

a: 1 b: 0.1

23824 18625 14526 24.36 25.43 26.5 4.96 23823 18624 14524 24.36 25.4 26.5 1.45

a: 1

23824 18625 14526 24.36 25.43 26.5 4.96 23823 18624 14524 24.36 25.4 26.5 1.45 Universitas Sumatera Utara

b: 0.5 Rerata