4.2.2 Pengujian Contra-Harmonic Mean Filter
Pada pengujian Contra-Harmonic Mean Filter, hal pertama yang dilakukan setelah memilih citra yaitu mengubah citra berwarnaRGB menjadi citra grayscale.
Kemudian memberikan noise dengan batasan noise yang dapat dipilih 1 - 40 . Jenis noise yang dipilih ada dua yaitu Salt and Pepper noise dan Speckle noise.
Setelah itu pilih juga kernel untuk pemerosesan citra dan pilih nilai Q yang dimasukkan antara -1
≤ Q ≤ 1. Adapun gambaran sistem ini dapat dilihat pada gambar 4.14 berikut ini:
Gambar 4.14 Gambaran Sistem Contra-Harmonic Mean Filter
Pada pengujian sistem ini akan melakukan beberapa pengujian , diantara lain : Pengujian Ukuran Citra terhadap jenis noise serta persentasi noise.dan kernel yang
digunakan.
Universitas Sumatera Utara
4.2.2.1 Pengujian salt pepper noise terhadap ukuran citra dan masing-masing
kernel pada Contra-Harmonic Mean Filter.
Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1, 10 , 20 ,30 dan 40 dan ukuran gambar 256x256
piksel dengan Q = 0 .
Tabel 4.3 Ukuran Citra 256x256 piksel , kernel 3x3 terhadap persentasi noise
Persentasi Noise
Proses Generate noise
Citra Terkena Noise
Proses Filtering
Citra Hasil
1
MSE : 230.894 RMSE : 15.1952
PSNR : 24.4967 dB Running time : 0.078 s
MSE : 27326.2
RMSE : 165.306
PSNR : 3.76501 dB
Running time : 0.4836603s
10
MSE : 2138.23 MSE : 27331.9
Universitas Sumatera Utara
RMSE : 46.241 PSNR : 14.8303 dB
Running time : 0.093 s RMSE :
165.324 PSNR :
3.7641 dB Running time :
0.468003s 20
MSE : 4386.3 RMSE : 66.2291
PSNR : 11.7098 dB Running time : 0.078 s
MSE : 27338.3 RMSE : 165.343
PSNR : 3.76308 dB Running time :
0.499203s 30
MSE : 6633.61 RMSE : 81.447
PSNR : 9.91331 dB Running time : 0.078 s
MSE : 27345.4 RMSE : 165.364
PSNR : 3.76197 dB Running time :
0.546003s
Universitas Sumatera Utara
Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1-40 dan menginputkan nilai order filterQ sebesar
nol0. Sebagaimana terlihat pada tabel 4.3. noise yang tergenerate 1 memiliki nilai MSE sebesar 230.894, RMSE sebesar 15.1952 dan PSNR sebesar 24.4967 dB , citra
yang terkena generate noise 1 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27326.2, RMSE sebesar 165.306 dan PSNR sebesar 3.76501 dB. noise
yang tergenerate 10 memiliki nilai MSE sebesar 2138.23, RMSE sebesar 46.241 dan PSNR sebesar 14.8303 dB , citra yang terkena generate noise 10 melakukan
proses filtering kemudian memiliki nilai MSE sebesar 27331.9, RMSE sebesar 165.324 dan PSNR sebesar 3.7641 dB. noise yang tergenerate 20 memiliki nilai
MSE sebesar 4386.3, RMSE sebesar 66.2291 dan PSNR sebesar 11.7098 dB , citra yang terkena generate noise 20 melakukan proses filtering kemudian memiliki nilai
MSE sebesar 27338.3, RMSE sebesar 165.343 dan PSNR sebesar 3.76308 dB. noise yang tergenerate 30 memiliki nilai MSE sebesar 6633.61, RMSE sebesar 81.447
dan PSNR sebesar 9.9133 dB , citra yang terkena generate noise 30 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27345.4, RMSE sebesar
165.364 dan PSNR sebesar 3.76197 dB. noise yang tergenerate 40 memiliki nilai 40
MSE : 8950.25 RMSE : 94.6058
PSNR : 8.61254 dB Running time : 0.062 s
MSE : 27350.7
RMSE : 165.381 PSNR : 3.761 dB
Running time : 0.530403s
Universitas Sumatera Utara
MSE sebesar 8950.25, RMSE sebesar 94.6058 dan PSNR sebesar 8.61524 dB , citra yang terkena generate noise 40 melakukan proses filtering kemudian memiliki nilai
MSE sebesar 27350.7, RMSE sebesar 165.381 dan PSNR sebesar 3.761 dB. Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan
Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1-40 dengan ukuran
256x256 piksel dan nilai order filter Q sebesar -1 ≥Q≤1. Dapat dilihat gambar 4.15
grafik sebelum dilakukan filtering dengan salt Pepper noise.
Gambar 4.15 grafik sebelum dilakukan filtering
Dapat dilihat pada gambar 4.15 , nilai MSE yang digenerate noise sebesar 1 adalah 231.762 , 10 adalah 2217.88 , 20 adalah 4486.37 , 30 adalah 6626.85 dan 40
adalah 8791.32. secara grafik dilihat bahwa nilai MSE semakin meningkat apabila di generate noise yang bernilai besar. Nilai RMSE yang digenerate noise sebesar 1
adalah 15.2237 ,10 adalah 47.0944 , 20 adalah 66.9807, 30 adalah 81.4055 dan 40 adalah 93.7621. Nilai PSNR yang digenerate noise sebesar 1 adalah 24.4804
dB, 10 adalah 14.6714 dB, 20 adalah 11.6119 dB, 30 adalah 9,91773 dB dan 40 adalah 8.69026 dB.
Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3,
mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel dan nilai order
Universitas Sumatera Utara
filterQ adalah -1. Dapat dilihat gambar 4.16 grafik sebelum dilakukan filtering dengan salt Pepper noise.
Gambar 4.16 Grafik Sesudah Filtering dengan Order Filter Q = -1
Dapat dilihat pada gambar 4.16 , nilai MSE yang digenerate noise sebesar 1 adalah 27365.6, 10 adalah 27503.5, 20 adalah 27534.4, 30 adalah 27539.1 dan
40 adalah 27539.8. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.426, 10 adalah 165.842, 20 adalah 165.935, 30 adalah 165.949 dan 40 adalah
165.951. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.75875 dB, 10 adalah 3.73693 dB, 20 adalah 3.73204 dB, 30 adalah 3.7313 dB dan 40 adalah
3.7312 dB. Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan
Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel dan nilai order
filterQ adalah 0. Dapat dilihat gambar 4.17 grafik sebelum dilakukan filtering dengan salt Pepper noise.
Universitas Sumatera Utara
Gambar 4.17 Grafik Sesudah Filtering dengan Order Filter Q = 0
Dapat dilihat pada gambar 4.17 , nilai MSE yang digenerate noise sebesar 1 adalah 27326.1, 10 adalah 27332, 20 adalah 27338.8, 30 adalah 27345.8 dan 40
adalah 27352.2. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.306, 10 adalah 165.324, 20 adalah 165.345, 30 adalah 165.366 dan 40 adalah
165.385. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76502 dB, 10 adalah 3.76409 dB, 20 adalah 3.763 dB, 30 adalah 3.76189 dB dan 40 adalah
3.76087 dB. Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan
Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel dan nilai order
filterQ adalah 1. Dapat dilihat gambar 4.18 grafik sebelum dilakukan filtering dengan salt Pepper noise.
Universitas Sumatera Utara
Gambar 4.18 Grafik Sesudah Filtering dengan Order Filter Q = 1
Dapat dilihat pada gambar 4.18 , nilai MSE yang digenerate noise sebesar 1 adalah 27323.4, 10 adalah 27315.3, 20 adalah 27360.4, 30 adalah 27298.5 dan
40 adalah 27290.5. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.298, 10 adalah 165.273, 20 adalah 165.246, 30 adalah 165.223 dan 40 adalah
165.198. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76545 dB, 10 adalah 3.76675 dB, 20 adalah 3.76816 dB, 30 adalah 3.76841 dB dan 40 adalah
3.77068 dB. Dapat dilihat pada Gambar 4.16, Gambar 4.17 dan Gambar 4.18 bahwa nilai
order filterQ = nol0 memiliki nilai MSE,RMSE dan PSNR yang lebih baik daripada nilai order filter Q = -1 dan 1.
4.2.2.2 Pengujian Speckle Noise terhadap ukuran citra dan masing-masing
kernel pada Contra-Harmonic Mean Filter.
Dibawah ini merupakan table gambar pengujian yang mana menggunakan kernel 3x3 dengan persentasi noise 1, 10 , 20 ,30 dan 40 dan ukuran gambar 256x256
piksel dengan Q = 0 .
Universitas Sumatera Utara
Tabel 4.4 Ukuran Citra 256x256 piksel , kernel 3x3 terhadap persentasi noise
Persentasi Noise
Proses Generate noise
Citra Terkena Noise
Proses Filtering
Citra Hasil
1
MSE : 27324.3 RMSE : 165.301
PSNR : 3.76532 dB Running time : 0.07800 s
MSE : 27325.5 RMSE : 165.304
PSNR : 3.76512 dB Running Time : 0.530403 s
10
MSE : 27324.3 RMSE : 165.301
PSNR : 3.76531 dB Running time : 0.07800 s
MSE : 27325.3 RMSE : 165.199
PSNR : 3.77067 dB Running Time : 0.156001 s
Universitas Sumatera Utara
20
MSE : 27324.5 RMSE : 165.301
PSNR : 3.76528 dB Running time : 0.07800 s
MSE : 27325 RMSE : 165.196
PSNR : 3.7652 dB Running Time : 0.483606 s
30
MSE : 27324.8 RMSE : 165.302
PSNR : 3.76523 dB Running time : 0.07800 s
MSE : 27325.2 RMSE : 165.303
PSNR : 3.76516 dB Running time : 0.483606 s
Universitas Sumatera Utara
40
MSE : 27324.8 RMSE : 165.302
PSNR : 3.76524 dB Running time : 0.07800 s
MSE : 27325.4 RMSE : 165.304
PSNR : 3.76514 dB Running time : 0.514803 s
Sebuah citra asli diubah menjadi citra grayscale kemudian di generate probalitas noise sebesar 1-40 dan menginputkan nilai order filterQ sebesar
nol0. Sebagaimana terlihat pada tabel 4.4. noise yang tergenerate 1 memiliki nilai MSE sebesar 27324.3, RMSE sebesar 165.301 dan PSNR sebesar 3.76532 dB , citra
yang terkena generate noise 1 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27325.5, RMSE sebesar 165.304 dan PSNR sebesar 3.76512 dB. noise
yang tergenerate 10 memiliki nilai MSE sebesar 27324.3, RMSE sebesar 165.301 dan PSNR sebesar 3.76531 dB , citra yang terkena generate noise 10 melakukan
proses filtering kemudian memiliki nilai MSE sebesar 27325.3, RMSE sebesar 165.199 dan PSNR sebesar 3.77067 dB. noise yang tergenerate 20 memiliki nilai
MSE sebesar 27324.5, RMSE sebesar 165.301 dan PSNR sebesar 3.76528 dB , citra yang terkena generate noise 20 melakukan proses filtering kemudian memiliki nilai
MSE sebesar 27325, RMSE sebesar 165.196 dan PSNR sebesar 3.7652 dB. noise yang tergenerate 30 memiliki nilai MSE sebesar 27324.8, RMSE sebesar 165.302
dan PSNR sebesar 3.76523 dB , citra yang terkena generate noise 30 melakukan proses filtering kemudian memiliki nilai MSE sebesar 27325.2, RMSE sebesar
165.303 dan PSNR sebesar 3.76516 dB. noise yang tergenerate 40 memiliki nilai
Universitas Sumatera Utara
MSE sebesar 27324.8, RMSE sebesar 165.302 dan PSNR sebesar 3.76524 dB , citra yang terkena generate noise 40 melakukan proses filtering kemudian memiliki nilai
MSE sebesar 27325.4, RMSE sebesar 165.304 dan PSNR sebesar 3.76514 dB. Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan
Running Time Sebelum dilakukan filtering dan Sesudah dilakukan filtering dengan menggunakan kernel 3x3, mengenerate noise sebesar 1-40 dengan ukuran
256x256 piksel dan nilai order filter Q sebesar -1 ≥Q≤1. Dapat dilihat gambar 4.19
grafik sebelum dilakukan filtering dengan speckle noise.
Gambar 4.19 grafik sebelum dilakukan filtering
Dapat dilihat pada gambar 4.19 , nilai MSE yang digenerate noise sebesar 1 adalah 27324.5 , 10 adalah 27323.9 , 20 adalah 27323.9 , 30 adalah 27324.2 dan
40 adalah 27324.4. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.301 ,10 adalah 165.3 , 20 adalah 165.299, 30 adalah 165.3 dan 40 adalah 165.301.
Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76528 dB, 10 adalah 3.76537 dB, 20 adalah 3.76538 dB, 30 adalah 3.76533 dB dan 40 adalah 3.7653
dB. Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3,
mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel dan nilai order filterQ adalah -1. Dapat dilihat gambar 4.20 grafik sebelum dilakukan filtering
dengan speckle noise.
Universitas Sumatera Utara
Gambar 4.20 Grafik Sesudah Filtering dengan Order Filter Q = -1
Dapat dilihat pada gambar 4.20 , nilai MSE yang digenerate noise sebesar 1 adalah 27328.9, 10 adalah
27349.7, 20 adalah 27378.1, 30 adalah 27422.9 dan 40 adalah 85830. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.315,
10 adalah 165.378, 20 adalah 165.463, 30 adalah 165.599 dan 40 adalah 2929.72. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76458 dB, 10
adalah 3.76127 dB, 20 adalah 3.75678 dB, 30 adalah 3.74967 dB dan 40 adalah -21.2057 dB.
Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3,
mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel dan nilai order filterQ adalah 0. Dapat dilihat gambar 4.21 grafik sebelum dilakukan filtering
dengan speckle noise.
Gambar 4.21 Grafik Sesudah Filtering dengan Order Filter Q = 0
Dapat dilihat pada gambar 4.21 , nilai MSE yang digenerate noise sebesar 1 adalah 27325.5, 10 adalah 27325.3, 20 adalah 27325, 30 adalah 27325.2 dan 40
adalah 27325.4. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.304,
Universitas Sumatera Utara
10 adalah 165.304, 20 adalah 165.302, 30 adalah 165.303 dan 40 adalah 165.304. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76512 dB, 10
adalah 3.76515 dB, 20 adalah 3.7652 dB, 30 adalah 3.76516 dB dan 40 adalah 3.76514 dB.
Untuk melihat secara matematis perbandingan nilai MSE ,RMSE, PSNR dan Running Time sesudah dilakukan filtering dengan menggunakan kernel 3x3,
mengenerate noise sebesar 1-40 dengan ukuran 256x256 piksel dan nilai order filterQ adalah 1. Dapat dilihat gambar 4.22 grafik sebelum dilakukan filtering
dengan speckle noise.
Gambar 4.22 Grafik Sesudah Filtering dengan Order Filter Q = 1
Dapat dilihat pada gambar 4.22 , nilai MSE yang digenerate noise sebesar 1 adalah 27323.4, 10 adalah 27303.5, 20 adalah 27282.6, 30 adalah 27261.4 dan
40 adalah 27240.8. Nilai RMSE yang digenerate noise sebesar 1 adalah 165.295, 10 adalah 165.238, 20 adalah 165.174, 30 adalah 165.11 dan 40 adalah
165.048. Nilai PSNR yang digenerate noise sebesar 1 adalah 3.76562 dB, 10 adalah 3.76863 dB, 20 adalah 3.77195 dB, 30 adalah 3.77531 dB dan 40 adalah
3.77861 dB. Dapat dilihat pada Gambar 4.20, Gambar 4.21 dan Gambar 4.22 bahwa nilai
order filterQ = satu1 memiliki nilai MSE,RMSE dan PSNR yang lebih baik daripada nilai order filter Q = -1 dan 0.
Universitas Sumatera Utara
4.2.3 Pengujian Black Box
Kategori