BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 Implementasi Sistem
Implementasi sistem merupakan hasil dari penerapan proses analisis dan perancangan sehingga mendapatkan sebuah sistem yang utuh. Sistem pada penelitian ini dibangun
dengan menggunakan Matlab R2012a. Sistem ini memiliki lima menu, yaitu: menu utama, menu citra dengan noise, menu citra tanpa noise, menu Help, dan menu About.
4.1.1 Menu Utama
Menu utama merupakan antarmuka yang muncul pertama kali ketika sistem dijalankan. Pada menu ini terdapat sebuah bar untuk menggunakan sub-menu yang
dimiliki oleh sistem ini. Antarmuka dari menu utama dapat dilihat pada gambar 4.1.
Gambar 4.1 Menu Utama
Universitas Sumatera Utara
4.1.2 Menu Filtering dengan Citra yang diberi Noise
Menu filtering citra tanpa noise menampilkan proses filtering terhadap citra asli yang belum terkena noise, kemudian dilakukan proses pembangkitan noise terhadap citra
dengan parameter dari masing-masing noise. Citra yang telah terkena noise tersebut akan difilter menggunakan metode Low-pass Filtering dan High-pass Filtering
dengan memasukkan nilai cut-off distance dan orde filter sebelum melakukan filtering. Antarmuka dari menu citra tanpa noise dapat dilihat pada gambar 4.2.
Gambar 4.2 Menu Filtering dengan Citra yang diberi Noise
4.1.3 Menu Filtering dengan Citra yang memiliki Noise
Menu citra dengan noise menampilkan proses filtering terhadap citra yang telah memiliki noise sebelumnya. Citra yang telah memiliki noise tersebut difilter
menggunakan metode Low-pass Filtering dan High-pass Filtering dengan memasukkan nilai cut-off distance dan orde filter sebelum melakukan filtering.
Antarmuka dari menu citra dengan noise dapat dilihat pada gambar 4.3.
Universitas Sumatera Utara
Gambar 4.3 Menu Filtering dengan Citra yang memiliki Noise
4.1.4 Menu Help
Menu Help menampilkan petunjuk yang dapat membantu pengguna ketika menggunakan sistem. Antarmuka dari menu Help dapat dilihat pada gambar 4.4.
Gambar 4.4 Menu Help
4.1.5 Menu About
Menu About menampilkan foto, data diri programmer, dan rujukan yang digunakan unuk membangun sistem. Antarmuka dari menu About dapat dilihat pada gambar 4.5.
Universitas Sumatera Utara
Gambar 4.5 Menu About
4.2 Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui hasil dari proses yang dilakukan sistem. Citra yang akan diuji pada sistem merupakan citra berwarna RGB, dengan ekstensi
file .bmp dan memiliki ukuran maksimal 1024 x 768 piksel. Pengujian dilakukan menggunakan 2 citra digital dengan ukuran yang berbeda.
4.2.1 Pengujian Filtering dengan Citra yang diberi Noise
Proses filtering ini dilakukan untuk citra yang belum terkena noise. Pada citra tersebut akan dibangkitkan noise terlebih dahulu. Noise yang dapat dipilih oleh pengguna
hanya noise yang telah tersedia pada sistem. Jika menggunakan Exponential Noise, maka pengguna harus memasukkan nilai probabilitas sebelum melakukan proses
generate noise, jika menggunakan Rayleigh Noise, maka nilai variabel a dan b harus dimasukkan terlebih dahulu. Citra yang telah diberi noise akan difilter dengan metode
Low-pass Filtering dan High-pass Filtering. Gambar hasil proses filtering dengan citra yang diberi noise dapat dilihat pada gambar 4.6.
Universitas Sumatera Utara
Gambar 4.6 Menu Pengujian Filtering Citra yang diberi Noise
Gambar 4.6 menampilkan hasil dari proses filtering terhadap sebuah citra masukkan yang diberi noise dengan cara membangkitkan noise tersebut terhadap citra. Setelah
citra masukkan tersebut dibangkitkan noise, citra tersebut akan difilter menggunakan metode Low-pass Filtering dan High-pass Filtering setelah nilai dari cut-off distance
dan orde filter ditentukan sebelum proses filtering dilakukan. Setelah proses filtering selesai, sistem akan menampilkan citra hasil filtering, nilai MSE, PSNR, dan runtime
process yang dapat dijadikan nilai perbandingan kinerja masing-masing metode filtering. Citra hasil filtering dapat disimpan dengan format .bmp.
4.2.2 Pengujian filtering dengan Citra yang memiliki Noise
Proses filtering ini dilakukan untuk citra yang terdegradasi atau dianggap telah memiliki noise. Setelah citra berhasil dimasukkan ke dalam sistem, citra akan difilter
dengan metode Low-pass Filtering dan High-pass Filtering dengan menentukan nilai cut-off distance dan orde filter yang akan digunakan pada proses filtering terlebih
dahulu. Gambar proses filtering dengan citra yang sudah memiliki noise dapat dilihat pada gambar 4.7.
Universitas Sumatera Utara
Gambar 4.7 Menu Pengujian Filtering Citra yang memiliki Noise
Gambar 4.7 menampilkan hasil dari proses filtering terhadap sebuah citra yang diawali dengan memasukkan sebuah citra terdegradasi ke dalam program, kemudian
citra tersebut dapat difilter dengan metode Low-pass Filtering dan High-pass Filtering dengan nilai dari cut-off distance dan orde filter yang telah ditentukan. Setelah proses
filtering selesai, sistem akan menampilkan citra hasil filtering, nilai MSE, PSNR, dan runtime process yang dapat dijadikan nilai perbandingan kinerja masing-masing
metode filtering. Citra hasil filtering dapat disimpan dengan format .bmp.
4.3 Hasil Pengujian
Pengujian pada menu filtering dengan citra yang memiliki noise maupun diberi noise dilakukan untuk mendapatkan data yang diperlukan ketika membandingkan citra hasil
dari sampel uji. Hasil pengujian tersebut bertujuan untuk mengetahui kemampuan Low-pass Filtering dan High-pass Filtering dalam mereduksi noise yang ada maupun
yang dibangkitkan terhadap citra. Citra yang digunakan untuk melakukan pengujian metode Low-pass Filtering dan
High-pass Filtering dengan membangkitkan exponential dan Rayleigh Noise atau menggunakan citra yang memiliki noise dapat dilihat pada tabel 4.1.
Universitas Sumatera Utara
Tabel 4.1
Daftar Gambar yang digunakan pada Pengujian Citra yang akan diberi noise
Citra yang memiliki noise
Eagle.bmp 1024 × 768
Photolabels.co DSC02958.bmp
558 × 500 Dokumentasi Pribadi
4.3.1 Hasil Pengujian Filtering dengan Citra yang diberi Noise
Pengujian dilakukan terhadap citra yang dimasukkan ke dalam sistem terlebih dahulu, kemudian diberi noise dengan salah satu dari noise yang disediakan oleh sistem
dengan memasukkan nilai parameter dari masing-masing noise. Citra yang telah diberi noise akan difilter menggunakan Low-pass Filtering dan High-pass Filtering
dengan nilai cut-off distance dan orde filter yang telah dimasukkan terlebih dahulu. Hasil dari pengujian disajikan dalam bentuk tabel.
4.3.1.1 Pengujian Filtering dengan Exponential Noise
Pada pengujian ini, probabilitas noise untuk membangkitkan Exponential Noise adalah 3, 5, dan 7. Untuk proses filtering citra, nilai cut-off distance yang digunakan
adalah 0.09 dan nilai orde filter untuk butterworth filtering adalah 2. Berikut adalah tabel hasil pengujian metode Low-pass Filtering dan High-pass
Filtering terhadap citra yang diberi Exponential Noise.
Universitas Sumatera Utara
Tabel 4.2
Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra yang diberi Exponential Noise dengan nilai Probabilitas = 3
MSE : 611,536 PSNR dB : 20,2666
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
363,178 22,5296
4,94523 4900,44
11,2285 2,90162
Universitas Sumatera Utara
Tabel 4.2
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
355,333 22,6245
6,59884 4911,75
11,2184 6,00604
Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
352,509 22,6591
3,21362 4915,57
11,2151 3,27602
Universitas Sumatera Utara
Tabel 4.2
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering
terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra yang diberi Exponential Noise dengan nilai Probabilitas = 5
MSE : 240,637 PSNR dB : 24,3172
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
159,831 26,0942
5,11683 5000,93
11,1403 2,96402
Universitas Sumatera Utara
Tabel 4.2
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
153,104 26,2809
6,42724 5014,27
11,1287 5,95924
Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
149,67 26,3794
3,26042 5019,47
11,1242 3,44762
Universitas Sumatera Utara
Tabel 4.2
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Exponential Noise dengan d0 = 0.09
Citra yang diberi Exponential Noise dengan nilai Probabilitas = 7
MSE : 126,061 PSNR dB : 27,125
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
99,8344 28,138
5,02323 5064,91
11,0851 3,43202
Universitas Sumatera Utara
Tabel 4.2
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
93,4682 28,4242
6,45844 5079,46
11,0726 5,92804
Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
89,8743 28,5944
5,77204 5058,14
11,0678 3,36962
Universitas Sumatera Utara
Tabel 4.3
Perbandingan Nilai MSE dan PSNR Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Exponential Noise
Tabel 4.4 Perbandingan nilai Runtime Process Metode Low-pass Filtering dan High-pass
Filtering terhadap Citra yang diberi Exponential Noise Persentase
Noise Low-pass Filtering
High-pass Filtering Ideal
Butterworth Gaussian Ideal
Butterworth Gaussian 3
4,9452 6,5988
3,2136 2,9016
6,0060 3,2760
5
5,1168 6,4272
3,2604 2,9640
5,9592 3,4476
7
5,0232 6,4584
5,7720 3,4320
5,9280 3,3696
Rata-rata 5,0284
6,49 4,08
3,0992 5,964
3,364
Tabel 4.2 menampilkan citra hasil pengujian metode Low-pass Filtering dan High- pass Filtering terhadap citra dengan ukuran dimensi 1024 × 768 yang diberi
Exponential Noise. Gambar citra hasil pada tabel 4.2 menunjukkan bahwa pada penerapan metode High-pass Filtering, terjadi penghilangan latar belakang pada citra
seperti yang telah dijelaskan pada Bab II, halaman 14-15. sehingga citra memiliki latar belakang hitam, dan hanya memperlihatkan garis-garis yang menunjukkan beberapa
objek yang terdapat pada citra. Penerapan metode High-pass Filtering tidak dapat menghilangkan noise yang telah dibangkitkan sebelumnya, sehingga objek-objek yang
masih dapat dilihat, dipenuhi oleh noise.
Sebelum Filtering
Sebelum Filtering
Ideal Butterworth Gaussian
Ideal Butterworth Gaussian
3 611,536 363,178
355,333 352,509
20,267 22,530
22,625 22,659
5 240,637 159,831
153,104 149,670
24,317 26,094
26,281 26,379
7 126,061
99,834 93,468
89,874 27,125
28,138 28,424
28,594 Rata-rata
326,078 207,614 200,635
197,351 23,903
25,587 25,777
25,878
Sebelum Filtering
Sebelum Filtering
Ideal Butterworth Gaussian
Ideal Butterworth Gaussian
3 611,536 4900,44
4911,75 4915,57
20,267 11,2285
11,218 11,215
5 240,637 5000,93
5014,27 5019,47
24,317 11,1403
11,129 11,124
7 126,061 5064,91
5079,46 5058,14
27,125 11,0851
11,073 11,068
Rata-rata 326,078 4988,76
5001,83 4997,73
23,903 11,1513
11,140 11,136
Persentase Noise
Low-pass Filtering
Persentase Noise
High-pass Filtering Setelah Filtering
Setelah Filtering Nilai MSE
Nilai PSNR Setelah Filtering
Setelah Filtering
Nilai MSE Nilai PSNR
Universitas Sumatera Utara
Tabel 4.3 menampilkan hasil perbandingan nilai MSE, PSNR, dan Runtime process dari hasil penerapan metode low-pass dan High-pass Filtering untuk mereduksi
Exponential Noise. Pada proses filtering, untuk metode Ideal Filtering, baik metode Low-pass Filtering maupun High-pass Filtering memberi efek bergelombang yang
dikenal dengan sebutan efek ringing. Berdasarkan tabel 4.3, untuk seluruh metode Low-pass Filtering dapat mengurangi
Exponential Noise yang dibangkitkan terhadap citra. Hal ini dapat dilihat dari tampilan citra hasil filtering dan masing-masing nilai MSE citra hasil filtering yang
lebih kecil daripada nilai MSE citra yang diberi noise dan nilai PSNR yang lebih besar daripada nilai PSNR citra yang diberi noise tersebut. Namun, hal tersebut tidak
berlaku untuk seluruh metode High-pass Filtering yang tidak mengurangi noise. Hal ini dapat dilihat dari tampilan citra hasil filtering dan nilai MSE yang menjadi lebih
besar daripada nilai MSE citra yang diberi noise dan nilai PSNR yang menjadi lebih kecil dibandingkan dengan nilai PSNR citra yang diberi noise. Sedangkan untuk
runtime process terdapat kesamaan pola antara metode Low-pass Filtering dan High- pass Filtering, di mana Butterworth Filter memiliki waktu yang lebih lama untuk
proses filtering dibandingkan Ideal dan Gaussian Filter, sehingga runtime process tidak mempengaruhi proses filtering.
4.3.1.2 Pengujian Filtering dengan Rayleigh Noise
Pada pengujian ini, nilai variabel a untuk membangkitkan Rayleigh Noise adalah 10, 20, dan 30 sedangkan nilai variabel b adalah 250, 350, 450. Untuk proses filtering
citra, nilai cut-off distance yang digunakan adalah 0.09 dan nilai orde filter untuk butterworth filtering adalah 2. Berikut adalah tabel hasil pengujian metode Low-pass
Filtering dan High-pass Filtering terhadap citra yang diberi Rayleigh Noise.
Universitas Sumatera Utara
Tabel 4.5
Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra yang diberi Rayleigh Noise dengan nilai variabel a = 10; b = 250
MSE : 198,186 PSNR dB : 25,1601
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
214,873 24,809
4,99203 5158,25
11,0058 5,1243
Universitas Sumatera Utara
Tabel 4.5
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
208,659 24,9364
6,36484 5177,17
10,9899 6,94204
Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
204,522 25,0234
3,29162 5182,64
10,9853 6,00604
Universitas Sumatera Utara
Tabel 4.5
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra yang diberi Rayleigh Noise dengan nilai variabel a = 20; b = 350
MSE : 437,318 PSNR dB : 21,7228
Citra Hasil Low-pass Filtering
High-pass Filtering Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
445,447 21,6428
5,24163 5145,64
11,0164 2,85482
Universitas Sumatera Utara
Tabel 4.5
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Noise dengan d0 = 0.09
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya
Low-pass Filtering High-pass Filtering
Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
439,085 21,7053
6,11524 5164,9
11,0002 5,91244
Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
434,581 21,7501
3,26042 5170,07
10,9958 3,33842
Universitas Sumatera Utara
Tabel 4.5
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Rayleigh Noise dengan d0 = 0.09
Citra yang diberi Rayleigh Noise dengan nilai variabel a = 30; b = 450
MSE : 756,101 PSNR dB : 19,345
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
755,153 19,3505
4,78923 5138,29
11,0226 2,93282
Universitas Sumatera Utara
Tabel 4.5
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Rayleigh Noise dengan d0 = 0.09
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
748,703 19,3877
6,30244 5157,65
11,0063 6,05284
Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
743,773 19,4164
3,24482 5162,44
11,0023 3,27602
Universitas Sumatera Utara
Tabel 4.6
Perbandingan Nilai MSE dan PSNR Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Rayleigh Noise
Tabel 4.7
Perbandingan nilai Runtime Process Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang diberi Rayleigh Noise
Variabel Low-pass Filtering
High-pass Filtering Ideal
Butterworth Gaussian Ideal
Butterworth Gaussian a = 10; b = 250
4,99203 6,36484
3,29162 5,1243
6,94204 6,00604
a = 20; b = 350
5,24163 6,11524
3,26042 2,85482 5,91244
3,33842
a = 30; b = 450
4,78923 6,30244
3,24482 2,93282 6,05284
3,27602
Rata-rata 5,0076
6,26 3,27
3,6373 6,302
4,207
Tabel 4.5 menampilkan citra hasil pengujian metode Low-pass Filltering dan High- pass Filtering terhadap citra dengan ukuran dimensi 1024 × 768 yang diberi Rayleigh
Noise. Pada proses filtering, untuk metode Ideal Filtering, baik metode Low-pass Filtering maupun High-pass Filtering memberi efek bergelombang yang dikenal
dengan sebutan efek ringing. Penerapan Rayleigh Noise terhadap citra, selain menambah noise, juga menambah kecerahan atau brightness pada citra tersebut.
Berdasarkan tabel 4.6, untuk metode Gaussian Low-pass Filtering dapat mengurangi Rayleigh Noise yang dibangkitkan terhadap citra. Hal ini dapat dilihat dari nilai MSE
hasil filtering yang menjadi lebih kecil dibandingkan dengan nilai MSE pada citra
Sebelum Filtering
Sebelum Filtering
Ideal Butterworth Gaussian
Ideal Butterworth Gaussian
a = 10; b = 250 198,186 214,873
208,659 204,522
25,160 24,809
24,9364 25,0234
a = 20; b = 350 437,318 445,447
439,085 434,581
21,723 21,6428
21,7053 21,7501
a = 30; b = 450 756,101 755,153
748,703 743,773
19,345 19,3505
19,3877 19,4164
Rata-rata 463,868 471,824
465,482 460,959
22,076 21,934
22,010 22,063
Sebelum Filtering
Sebelum Filtering
Ideal Butterworth Gaussian
Ideal Butterworth Gaussian
a = 10; b = 250 198,186 5158,25
5177,17 5182,64
25,160 11,006
10,990 10,985
a = 20; b = 350 437,318 5145,64
5164,9 5170,07
21,723 11,016
11,000 10,996
a = 30; b = 450 756,101 5138,29
5157,65 5162,44
19,345 11,023
11,006 11,002
Rata-rata 463,868 5147,39
5166,57 5171,72
22,076 11,015
10,999 10,994
High-pass Filtering Variabel
Nilai MSE Nilai PSNR
Setelah Filtering Setelah Filtering
Low-pass Filtering Variabel
Nilai MSE Nilai PSNR
Setelah Filtering Setelah Filtering
Universitas Sumatera Utara
sebelum difilter dan High-pass Filtering tidak dapat mengurangi Rayleigh Noise yang dibangkitkan terhadap citra. Hal ini dapat dilihat dari masing-masing nilai MSE citra
hasil Gaussian Low-pass Filtering yang lebih besar daripada nilai MSE citra yang diberi noise dan nilai PSNR yang lebih kecil daripada nilai PSNR citra yang diberi
noise tersebut. Sedangkan metode Butterworth Low-pass Filtering hanya dapat menghilangkan noise pada sebagian citra uji. Namun, untuk seluruh metode High-pass
Filtering tidak dapat menghilangkan Rayleigh Noise yang dibangkitkan terhadap citra. Sedangkan runtime process tidak mempengaruhi proses filtering
4.3.2 Hasil Pengujian Filtering dengan Citra yang memiliki Noise
Pengujian filtering dengan citra yang memiliki noise dilakukan untuk mendapatkan data yang diperlukan ketika membandingkan sampel uji. Hasil dari pengujian tersebut
bertujuan untuk mengetahui kemampuan Low-pass Filtering dan High-pass Filtering dalam mereduksi noise yang dimiliki oleh citra. Noise yang terdapat pada citra ini
merupakan hasil dari pengambilan citra dengan objek yang bergerak, sehingga citra yang didapatkan memiliki gangguan.
Tabel 4.8 Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra
yang memiliki Noise dengan d0 = 0.1 dan 0.05 Citra yang memiliki Noise yang difilter dengan d0 = 0.1
Universitas Sumatera Utara
Tabel 4.8
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang memiliki Noise dengan d0 = 0.1 dan 0.05
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
41.7618 31.923
4.92963 8452.74
8.86083 5.67844
Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
32.9688 32.9498
6.69244 8517.61
8.82763 6.63004
Universitas Sumatera Utara
Tabel 4.8
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang memiliki Noise dengan d0 = 0.1 dan 0.05
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
27.7309 33.7012
3.29162 8531.18
8.82071 3.36962
Citra yang memiliki Noise yang difilter dengan d0 = 0.05 Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya
Ideal
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
88.0773 28.6822
4.94523 8228.98
8.97734 2.85482
Universitas Sumatera Utara
Tabel 4.8
Lanjutan Hasil Pengujian Metode Low-pass Filtering dan High-pass Filtering terhadap Citra yang memiliki Noise dengan d0 = 0.1 dan 0.05
Citra Hasil Filtering dan Nilai Uji Keberhasilan Penghilangan Noise-nya Low-pass Filtering
High-pass Filtering Butterworth
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
73.2185 29.4846
6.41164 8315.18
8.93209 5.83444
Gaussian
MSE PSNR dB
Runtime s MSE
PSNR dB Runtime s
63.7572 30.0855
3.12002 8335.22
8.92163 3.21362
Universitas Sumatera Utara
Tabel 4.9
Perbandingan Nilai MSE dan PSNR Metode Low-pass Filtering dan High-pass
Filtering terhadap Citra yang memiliki Noise
Low-pass Filtering d0
Nilai MSE Nilai PSNR
Ideal Butterworth Gaussian
Ideal Butterworth Gaussian
0.1
41,7618 32,9688
27,7309 31,923
32,9498 33,7012
0.05
88,0773 73,2185
63,7572 28,6822 29,4846
30,0855
Rata-rata 64,9196
53,09 45,74
30,30 31,22
31,89 High-pass Filtering
d0 Nilai MSE
Nilai PSNR Ideal
Butterworth Gaussian Ideal
Butterworth Gaussian 0.1
8452,74 8517,61
8531,18 8,86083 8,82763
8,82071
0.05
8228,98 8315,18
8335,22 8,97734 8,93209
8,92163
Rata-rata 8340,86
8416,40 8433,20
8,9191 8,8799
8,8712
Tabel 4.10 Perbandingan Nilai Runtime Process Metode Low-pass Filtering dan High-pass
Filtering terhadap Citra yang memiliki Noise d0
Low-pass Filtering High-pass Filtering
Ideal Butterworth Gaussian
Ideal Butterworth Gaussian
0.1
4,9296 6,6924
3,2916 5,6784
6,6300 3,3696
0.05
4,9452 6,4116
3,1200 2,8548
5,8344 3,2136
Rata-rata 4,94
6,55 3,21
4,2666 6,2322
3,2916
Tabel 4.8 menampilkan citra hasil pengujian metode Low-pass Filtering dan High- pass Filtering terhadap citra dengan ukuran dimensi 558 × 500 yang telah memiliki
noise. Tabel 4.6 menunjukkan bahwa pada penerapan metode Low-pass Filtering dengan cut-off distance 0.1 menghasilkan efek ringing yang halus, sedangkan untuk
cut-off distance 0.05 efek ringing terlihat lebih jelas. Pada dasarnya, setiap Ideal Filter menghasilkan efek ringing, tetapi hanya dapat terlihat lebih jelas pada citra dengan
ukuran dimensi kecil atau menggunakan cut-off distance yang kecil. Berdasarkan tabel 4.9, metode Low-pass Filtering hanya dapat menghaluskan citra
tanpa mengurangi gangguan yang ada pada citra, sedangkan metode High-pass Filtering yang memiliki efek menghilangkan latar belakang citra, hanya dapat
mendeteksi objek-objek yang terdapat pada citra, sehingga dapat disimpukan bahwa metode Low-pass Filtering dan High-pass Filtering tidak dapat menghilangkan
gangguan yang dihasilkan dari pengambilan citra bergerak.
Universitas Sumatera Utara
BAB 5 KESIMPULAN DAN SARAN
Kategori