Implementasi Harmonic Mean Filter dan Fuzzy C Means Clustering Pada Segmentasi Citra
IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY C MEANS
CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
HANAFI AHMAD SUBRATA LUBIS
111401073
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
Universitas Sumatera Utara
IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY
C MEANS CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Ilmu Komputer
HANAFI AHMAD SUBRATA LUBIS
111401073
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
Universitas Sumatera Utara
PERSETUJUAN
Judul
:
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Fakultas
:
:
:
:
:
IMPLEMENTASI HARMONIC MEAN FILTER
DAN FUZZY C MEANS CLUSTERING PADA
SEGMENTASI CITRA
SKRIPSI
HANAFI AHMAD SUBRATA LUBIS
111401073
SARJANA (S1) ILMU KOMPUTER
ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di
Medan, Mei 2016
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dian Rachmawati,S.Si.,M.Kom
Drs.Marihat Situmorang,M.Si
NIP 198307232009122004
NIP. 196312141989031001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer
Ketua,
Dr. Poltak Sihombing, M.Kom
NIP 196203171991031001
Universitas Sumatera Utara
PERNYATAAN
IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY C MEANS
CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
Mei 2016
Hanafi Ahmad Subrata Lubis
111401073
Universitas Sumatera Utara
PENGHARGAAN
Puji dan syukur kepada Tuhan Yang Maha Esa atas berkat dan karunia-Nya, sehingga penulis
dapat menyelesaikan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada
Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas
Sumatera Utara.
Penulis ingin menyampaikan ucapan terimakasih kepada :
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Si, selaku Dekan Fakultas Ilmu Komputer dan
Teknologi Informasi, Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom, selaku ketua Program studi S1 Ilmu Komputer
Universitas Sumatera Utara.
4. Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku Sekretaris Program studi S1 Ilmu Komputer
Universitas Sumatera Utara.
5. Bapak M. Andri Budiman, ST, M.Comp. Sc, MEM selaku pembimbing akademik
penulis.
6. Bapak Drs. Marihat Situmorang, M.Si , selaku dosen Pembimbing I yang telah
memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
7. Ibu Dian Rachmawati, S.Si., M.Kom, selaku dosen Pembimbing II yang telah
memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
8. Bapak Prof. Dr. Iryanto, M.Si, selaku dosen penguji I yang telah memberikan kritik,
saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
9. Bapak Drs. Dahlan Sitompul, M.Eng, selaku dosen penguji II yang telah memberikan
kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
10. Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI USU.
11. Orangtua penulis Drs. Mulia Hasra Lubis dan Lisa Elita yang menjadi semangat hidup
penulis untuk sukses, kasih dan sayang dan selalu memberikan dukungan yang sangat
luar biasa serta doa kepada penulis.
Universitas Sumatera Utara
v
12. Saudara kandung penulis, adinda Ibnu Mirza Harista Lubis yang telah memberikan
semangat, dukungan dan doa kepada penulis.
13. Adinda tersayang Putri Maresna Chania, yang telah memberikan motivasi, dukungan, dan
menemani penulis selama menyelasaikan skripsi ini.
14. Teman-teman kuliah penulis, semua stambuk 2011 terkhusus Deka, Ibal, Irpan,
Herwanda, Arief, Rizky, Dias, Fatma, Yati yang telah memberikan semangat, ilmu, canda
dan tawa kepada penulis.
15. Teman-teman masa SMA penulis, Hafiz, Bani, Andri, Keke, Intan, Bob, Habibi, Rini
yang telah memberikan semangat, dukungan, canda dan tawa kepada penulis.
16. Teman-teman dari SL-42, Qoreb, Jodi, Habil, Fandi, Surya, Jupri, Abangda Moefed,
Bapak fikri, yang telah memberikan semangat, dukungan, canda dan tawa kepada
penulis.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna untuk itu penulis menerima
kritik dan saran yang membangun untuk menyempurnakan skripsi ini. Dan semoga Tuhan Yang
Maha Esa memberikan berkat dan karuniaNya kepada seluruh pihak yang membantu penulis
dalam menyelesaikan skripsi ini
Medan, Mei 2016
Penulis
Hanafi Ahmad Subrata Lubis
Universitas Sumatera Utara
ABSTRAK
Citra merupakan hasil representasi dari sebuah objek yang dapat menyampaikan
informasi. Citra dapat diolah dengan berbagai proses, salah satunya perbaikan kualitas
citra dan segmentasi citra. Citra digital tidak selalu memiliki kualitas yang baik. Ada
banyak citra digital mengalami penurunan kualitas yang disebabkan oleh derau (noise)
ataupun blur. Noise pada citra dapat berupa Gaussian Noise dan Uniform Noise. Salah
satu cara menghilangkan noise yaitu dengan menggunakan metode filtering. Metode
Harmonic Mean Filter yang digunakan pada penelitian ini bekerja baik dalam
mereduksi Uniform Noise daripada Gaussian Noise. Hal ini dapat dilihat pada citra
hasil reduksi Uniform Noise yang memiliki nilai rata-rata MSE lebih kecil dan ratarata PSNR lebih besar daripada citra hasil reduksi Gaussian Noise. Segmentasi citra
adalah proses membagi atau memisahkan suatu citra menjadi beberapa bagian yang
memiliki kemiripan tertentu. Segmentasi citra banyak diterapkan dalam kehidupan
sehari-hari. Misalnya pada dunia medis, segmentasi citra dapat digunakan untuk
mengetahui kondisi sel darah, mempelajari anatomi tubuh, di dunia topografi
segmentasi dapat digunakan untuk mengetahui kontur suatu permukaan daerah,
mengetahui batas-batas wilayah terdampak bencana letusan gunung dan sebagainya.
Pada penelitian ini metode segmentasi yang digunakan Fuzzy C Means Clustering
dimana untuk proses segmentasi pada citra Gaussian Noise, hasil segmentasi pada
citra setelah difiltering lebih baik daripada hasil segmentasi pada citra bernoise.
Sedangkan proses segmentasi pada citra Uniform Noise, hasil segmentasi pada citra
bernoise lebih baik daripada hasil segmentasi pada citra setelah difiltering yang dapat
dilihat dari parameter perbandingan MSE, PSNR, dan Running Time.
Kata kunci : filtering, Harmonic Mean Filter, Fuzzy C Means Clustering, Gaussian
noise, Uniform noise, segmentasi citra
Universitas Sumatera Utara
Implementation Harmonic Mean Filter and Fuzzy C Means
Clustering on Image Segmentation
Abstract
The image is a result of the representation of an object that can give informations.
The image can be processed by a variety of processes, such as image quality
improvement and image segmentation. However, not all images have good
quality. There are a lot of digital image quality degraded due to noise (noise) or
blur. Noise in the image may be Gaussian Noise and Uniform Noise. One of the method
to eliminate noise by using filtering method. Harmonic Mean Filter of this research is
better in reducing Uniform Noise than Gaussian Noise. This can be seen in the results of
Uniform Image Noise reduction which has an average value smaller MSE and average
PSNR greater than Gaussian Image Noise reduction results. Image segmentation is the
process of dividing or separating an image into sections that have a certain similarity.
Image segmentation widely applied in everyday life. For example in the medical world,
image segmentation can be used to determine the condition of the blood cells, studying
the anatomy of the body, the world's topography segmentation can be used to determine
the contours of a surface area, knowing the limits of the territory affected by the eruption
of the mountain and etc. In this research, segmentation method used Fuzzy C Means
Clustering in which to process the image of Gaussian Noise segmentation, segmentation
results in an image after filtering better than the results in the image noise. While the
process of image segmentation on Uniform Noise, segmentation results on image noise is
better than the image segmentation results after filtering which can be seen from a
comparison parameter MSE, PSNR, and Running Time.
Keyword : filtering, Harmonic Mean Filter, Fuzzy C Means Clustering, Gaussian
noise, Uniform noise, image segmentation.
Universitas Sumatera Utara
DAFTAR ISI
Halaman
Persetujuan
Pernyataan
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
Daftar Gambar
Daftar Lampiran
Bab 1 PENDAHULUAN
1.1. Latar Belakang
1.2. Rumusan Masalah
1.3. Batasan Masalah
1.4. Tujuan Penelitian
1.5. Manfaat Penelitian
1.6. Metodologi Penelitian
1.7. Sistematika Penulisan
Bab 2 LANDASAN TEORI
2.1. Citra
2.2. Citra Digital
2.2.1. Representasi Citra Digital
2.2.2. Elemen Citra Digital
2.3 Jenis-jenis Citra Digital
2.3.1 Citra Biner (Monokrom)
2.3.2 Citra Grayscale (Skala Keabuan)
2.3.3 Citra Berwarna (True Color)
2.4 Format File Citra Digital
2.4.1 Bitmap (*.bmp)
2.4.2 Portable Network Graphics (*.png)
2.5 Noise
2.5.1 Gaussian Noise
2.5.2 Uniform Noise
2.6 Pixel
2.7 Pengolahan Citra Digital
2.7.1 Pengertian Pengolahan Citra
2.7.2 Operasi Pengolahan Citra
2.7.3 Tujuan Pengolahan Citra
2.8 Perbaikan Kualitas Citra
2.8.1 Nonlinier Filter
2.8.2 Kernel (mask)
ii
iii
iv
vi
vii
viii
xi
xiii
xv
1
1
2
2
3
3
3
4
6
6
6
7
8
9
10
10
11
12
12
13
14
14
15
16
17
17
17
18
18
19
19
Universitas Sumatera Utara
ix
2.8.3 Konvolusi
2.8.4 Harmonic Mean Filter
2.9 Segmentasi Citra
2.9.1 Segmentasi Citra Berbasis Wilayah
2.9.2 Pengenalan Pola
2.9.3 Clustering
2.9.4 Fuzzy Clustering
2.10 Parameter Perbandingan Kualitas Citra
2.10.1 Mean square error
2.10.2 Peak signal to noise ratio
2.10.3 Running time
2.11 Penelitian yang Relevan
20
21
22
22
23
24
25
28
28
29
29
30
Bab 3 ANALISIS DAN PERANCANGAN SISTEM
3.1. Analisis Sistem
3.1.1. Analisis Permasalahan
3.1.2. Analisis Kebutuhan Sistem
3.1.2.1. Kebutuhan Fungsional Sistem
3.1.2.2. Kebutuhan Nonfungsional Sistem
3.1.3. Analisis proses
3.1.3.1. Analisis Proses Reduksi Noise dengan Metode
Harmonic Mean Filter
3.1.3.2. Analisis Proses Segmentasi Citra dengan Metode
Fuzzy C Means Clustering
3.2 Pemodelan Sistem
3.2.1. Use Case Diagram
3.2.2. Activity Diagram
3.2.3. Sequence Diagram
3.3 Perancangan Sistem
3.3.1 Flowchart Sistem
3.3.2 Flowchart Harmonic Mean Filter
3.3.3 Flowchart Fuzzy C Means Clustering
3.3.4 Perancangan Antarmuka Sistem(Interface)
3.3.4.1 Form Home
3.3.4.2 Form Implementasi – Filtering
3.3.4.3 Form Implementasi – Segmentasi
3.3.4.4 Form Help
3.3.4.5 Form About
31
31
31
32
32
32
33
Bab 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Implementasi Sistem
4.1.1. Form Home
4.1.2. Form Implementasi – Filtering
4.1.3. Form Implementasi - Segmentasi
4.1.4. Form Help
4.1.5. Form About
56
56
56
56
57
58
59
33
35
39
40
42
45
47
47
48
49
50
50
51
53
55
55
Universitas Sumatera Utara
x
4.2. Pengujian Sistem
4.2.1. Proses Pengujian Reduksi Gaussian Noise
4.2.2. Proses Pengujian Reduksi Uniform Noise
4.2.3. Proses Pengujian Segmentasi Citra
4.3. Hasil Pengujian
4.3.1. Hasil Pengujian Filtering
4.3.2 Hasil Pengujian Segmentasi
59
59
62
63
65
65
77
Bab 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan
5.2. Saran
99
99
100
DAFTAR PUSTAKA
101
Universitas Sumatera Utara
DAFTAR TABEL
Halaman
Tabel 2.1
Tabel 3.1
Tabel 3.2
Tabel 3.3
Tabel 3.4
Tabel 3.5
Tabel 3.6
Tabel 3.7
Tabel 3.8
Warna dan Nilai Penyusun Warna
12
Cluster Citra
38
Pusat Cluster Citra
38
Matriks Nilai Pixel 5x5 Iterasi 1
39
Matriks Nilai Pixel 5x5 Iterasi 1 pada Blok-blok Lain
39
Spesifikasi Use Case Generate Noise
41
Spesifikasi Use Case Reduksi Noise
41
Spesifikasi Use Case Segmentasi Citra
41
Spesifikasi Use Case Menghitung Nilai MSE, PSNR, dan Running
Time
42
Tabel 4.1 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise
dan Uniform Noise pada Citra *.bmp
66
Tabel 4.2 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise
dan Uniform Noise pada Citra *.png
71
Tabel 4.3 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Asli
*.bmp dan *.png
77
Tabel 4.4 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise
Gaussian Noise dan Citra Hasil Reduksi terhadap Citra Gaussian
Noise pada Citra *.bmp dan *.png dengan persentasse noise 30%
81
Tabel 4.5 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise
Uniform Noise dan Citra Hasil Reduksi terhadap Citra Uniform Noise
pada Citra *.bmp dan *.png dengan persentase noise 30%
84
Tabel 4.6 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp
87
Tabel 4.7 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.bmp
88
Tabel 4.8 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.png
89
Tabel 4.9 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.png
89
Tabel 4.10 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp dan Citra
*.png
90
Tabel 4.11 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.bmp dan Citra
*.png
91
Tabel 4.12 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Citra *.bmp pada Citra Gaussian Noise *.bmp dan
Citra Uniform Noise *.bmp
92
Universitas Sumatera Utara
xii
Tabel 4.13 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Citra *.png pada Citra Gaussian Noise *.png dan
Citra Uniform Noise *.png
93
Tabel 4.14 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi Metode
Fuzzy C Means Clustering pada Citra Asli *.bmp dan *.png
94
Tabel 4.15 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra
Hasil Filtering pada Citra *.bmp
95
Tabel 4.16 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra
Hasil Filtering pada Citra *.png
96
Tabel 4.17 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra
Hasil Filtering pada Citra *.bmp
97
Tabel 4.18 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra
Hasil Filtering pada Citra *.png
98
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman
Gambar 2.1
Gambar 2.2
Gambar 2.3
Gambar 2.4
Gambar 2.5
8
10
11
12
Gambar 2.6
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Gambar 3.5
Contoh Citra Digital
Contoh Citra Biner
Contoh Citra Grayscale
Contoh Citra Berwarna (RGB)
(a) Citra Asli, (b) Citra dengan Gaussian Noise, (c) Citra
denganUniform Noise
(a) Kernel 2x2 (b) Kernel 3x3
Diagram Ishikawa
Use Case diagram sistem
Activity Diagram Menu Implementasi - Filtering
Activity Diagram Menu Implementasi - Segmentasi
Activity diagram (a) menu Home dan (b) menu About
Gambar 3.6
Gambar 3.7
Gambar 3.8
Gambar 3.9
Gambar 3.10
Gambar 3.11
Gambar 3.12
Gambar 3.13
Gambar 3.14
Gambar 3.15
Gambar 4.1
Gambar 4.2
Gambar 4.3
Sequence Diagram Menu Implementasi - Filtering
Sequence Diagram Menu Implementasi - Segmentasi
Flowchart Sistem
Flowchart Harmonic Mean Filter
Flowchart Fuzzy C Means Clustering
Rancangan Form Home
Rancangan Form Implementasi - Filtering
Rancangan Form Implementasi – Segmentasi
Rancangan Form Help
Rancangan Form About
Tampilan Form Home
Tampilan Form Implementasi – Filtering
Tampilan Form Implementasi – Segmentasi
45
46
47
48
49
50
51
53
55
55
56
57
58
Gambar 4.4
Gambar 4.5
Gambar 4.6
Tampilan Form Help
58
Tampilan Form About
59
Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise
10% (a) Citra *.bmp (b) Citra *.png
16
20
31
40
43
44
45
60
Gambar 4.7
Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise
50% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
60
Gambar 4.8
Persentase Noise 10% (a) Citra *.bmp (b) Citra *.png
61
Universitas Sumatera Utara
xiv
Gambar 4.9
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png
61
Gambar 4.10 Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise
10% (a) Citra *.bmp (b) Citra *.png
62
Gambar 4.11 Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise
50% (a) Citra *.bmp (b) Citra *.png
Gambar 4.12 Tampilan Proses Filtering terhadap Citra Gaussian Noise dengan
Persentase Noise 10% (a) Citra *.bmp (b) Citra *.png
Gambar 4.13 Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png
Gambar 4.14 Tampilan proses segmentasi citra (a) Segmentasi citra terhadap citra
asli (b) Segmentasi citra terhadap citra bernoise Gaussian dengan
persentase 30% (c) Segmentasi citra terhadap citra hasil reduksi
Gaussian Noise (d) Segmentasi citra terhadap citra bernoise Uniform
dengan persentase 30% (e) Segmentasi citra terhadap citra hasil reduksi
Uniform NoiseUniform Noise, Citra Hasil Reduksi Uniform Noise
Gambar 4.15 Citra yang akan digunakan dalam pengujian Harmonic Mean
Filter
62
63
63
65
65
Universitas Sumatera Utara
DAFTAR LAMPIRAN
Halaman
A. Listing Program
B. Curriculum Vitae
A-1
B-1
Universitas Sumatera Utara
CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
HANAFI AHMAD SUBRATA LUBIS
111401073
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
Universitas Sumatera Utara
IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY
C MEANS CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Ilmu Komputer
HANAFI AHMAD SUBRATA LUBIS
111401073
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2015
Universitas Sumatera Utara
PERSETUJUAN
Judul
:
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Fakultas
:
:
:
:
:
IMPLEMENTASI HARMONIC MEAN FILTER
DAN FUZZY C MEANS CLUSTERING PADA
SEGMENTASI CITRA
SKRIPSI
HANAFI AHMAD SUBRATA LUBIS
111401073
SARJANA (S1) ILMU KOMPUTER
ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Diluluskan di
Medan, Mei 2016
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dian Rachmawati,S.Si.,M.Kom
Drs.Marihat Situmorang,M.Si
NIP 198307232009122004
NIP. 196312141989031001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer
Ketua,
Dr. Poltak Sihombing, M.Kom
NIP 196203171991031001
Universitas Sumatera Utara
PERNYATAAN
IMPLEMENTASI HARMONIC MEAN FILTER DAN FUZZY C MEANS
CLUSTERING PADA SEGMENTASI CITRA
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
Mei 2016
Hanafi Ahmad Subrata Lubis
111401073
Universitas Sumatera Utara
PENGHARGAAN
Puji dan syukur kepada Tuhan Yang Maha Esa atas berkat dan karunia-Nya, sehingga penulis
dapat menyelesaikan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada
Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas
Sumatera Utara.
Penulis ingin menyampaikan ucapan terimakasih kepada :
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Si, selaku Dekan Fakultas Ilmu Komputer dan
Teknologi Informasi, Universitas Sumatera Utara.
3. Bapak Dr. Poltak Sihombing, M.Kom, selaku ketua Program studi S1 Ilmu Komputer
Universitas Sumatera Utara.
4. Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku Sekretaris Program studi S1 Ilmu Komputer
Universitas Sumatera Utara.
5. Bapak M. Andri Budiman, ST, M.Comp. Sc, MEM selaku pembimbing akademik
penulis.
6. Bapak Drs. Marihat Situmorang, M.Si , selaku dosen Pembimbing I yang telah
memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
7. Ibu Dian Rachmawati, S.Si., M.Kom, selaku dosen Pembimbing II yang telah
memberikan kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
8. Bapak Prof. Dr. Iryanto, M.Si, selaku dosen penguji I yang telah memberikan kritik,
saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
9. Bapak Drs. Dahlan Sitompul, M.Eng, selaku dosen penguji II yang telah memberikan
kritik, saran dan dukungan kepada penulis dalam menyelesaikan skripsi ini.
10. Seluruh dosen dan pegawai Program studi S1 Ilmu Komputer Fasilkom-TI USU.
11. Orangtua penulis Drs. Mulia Hasra Lubis dan Lisa Elita yang menjadi semangat hidup
penulis untuk sukses, kasih dan sayang dan selalu memberikan dukungan yang sangat
luar biasa serta doa kepada penulis.
Universitas Sumatera Utara
v
12. Saudara kandung penulis, adinda Ibnu Mirza Harista Lubis yang telah memberikan
semangat, dukungan dan doa kepada penulis.
13. Adinda tersayang Putri Maresna Chania, yang telah memberikan motivasi, dukungan, dan
menemani penulis selama menyelasaikan skripsi ini.
14. Teman-teman kuliah penulis, semua stambuk 2011 terkhusus Deka, Ibal, Irpan,
Herwanda, Arief, Rizky, Dias, Fatma, Yati yang telah memberikan semangat, ilmu, canda
dan tawa kepada penulis.
15. Teman-teman masa SMA penulis, Hafiz, Bani, Andri, Keke, Intan, Bob, Habibi, Rini
yang telah memberikan semangat, dukungan, canda dan tawa kepada penulis.
16. Teman-teman dari SL-42, Qoreb, Jodi, Habil, Fandi, Surya, Jupri, Abangda Moefed,
Bapak fikri, yang telah memberikan semangat, dukungan, canda dan tawa kepada
penulis.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna untuk itu penulis menerima
kritik dan saran yang membangun untuk menyempurnakan skripsi ini. Dan semoga Tuhan Yang
Maha Esa memberikan berkat dan karuniaNya kepada seluruh pihak yang membantu penulis
dalam menyelesaikan skripsi ini
Medan, Mei 2016
Penulis
Hanafi Ahmad Subrata Lubis
Universitas Sumatera Utara
ABSTRAK
Citra merupakan hasil representasi dari sebuah objek yang dapat menyampaikan
informasi. Citra dapat diolah dengan berbagai proses, salah satunya perbaikan kualitas
citra dan segmentasi citra. Citra digital tidak selalu memiliki kualitas yang baik. Ada
banyak citra digital mengalami penurunan kualitas yang disebabkan oleh derau (noise)
ataupun blur. Noise pada citra dapat berupa Gaussian Noise dan Uniform Noise. Salah
satu cara menghilangkan noise yaitu dengan menggunakan metode filtering. Metode
Harmonic Mean Filter yang digunakan pada penelitian ini bekerja baik dalam
mereduksi Uniform Noise daripada Gaussian Noise. Hal ini dapat dilihat pada citra
hasil reduksi Uniform Noise yang memiliki nilai rata-rata MSE lebih kecil dan ratarata PSNR lebih besar daripada citra hasil reduksi Gaussian Noise. Segmentasi citra
adalah proses membagi atau memisahkan suatu citra menjadi beberapa bagian yang
memiliki kemiripan tertentu. Segmentasi citra banyak diterapkan dalam kehidupan
sehari-hari. Misalnya pada dunia medis, segmentasi citra dapat digunakan untuk
mengetahui kondisi sel darah, mempelajari anatomi tubuh, di dunia topografi
segmentasi dapat digunakan untuk mengetahui kontur suatu permukaan daerah,
mengetahui batas-batas wilayah terdampak bencana letusan gunung dan sebagainya.
Pada penelitian ini metode segmentasi yang digunakan Fuzzy C Means Clustering
dimana untuk proses segmentasi pada citra Gaussian Noise, hasil segmentasi pada
citra setelah difiltering lebih baik daripada hasil segmentasi pada citra bernoise.
Sedangkan proses segmentasi pada citra Uniform Noise, hasil segmentasi pada citra
bernoise lebih baik daripada hasil segmentasi pada citra setelah difiltering yang dapat
dilihat dari parameter perbandingan MSE, PSNR, dan Running Time.
Kata kunci : filtering, Harmonic Mean Filter, Fuzzy C Means Clustering, Gaussian
noise, Uniform noise, segmentasi citra
Universitas Sumatera Utara
Implementation Harmonic Mean Filter and Fuzzy C Means
Clustering on Image Segmentation
Abstract
The image is a result of the representation of an object that can give informations.
The image can be processed by a variety of processes, such as image quality
improvement and image segmentation. However, not all images have good
quality. There are a lot of digital image quality degraded due to noise (noise) or
blur. Noise in the image may be Gaussian Noise and Uniform Noise. One of the method
to eliminate noise by using filtering method. Harmonic Mean Filter of this research is
better in reducing Uniform Noise than Gaussian Noise. This can be seen in the results of
Uniform Image Noise reduction which has an average value smaller MSE and average
PSNR greater than Gaussian Image Noise reduction results. Image segmentation is the
process of dividing or separating an image into sections that have a certain similarity.
Image segmentation widely applied in everyday life. For example in the medical world,
image segmentation can be used to determine the condition of the blood cells, studying
the anatomy of the body, the world's topography segmentation can be used to determine
the contours of a surface area, knowing the limits of the territory affected by the eruption
of the mountain and etc. In this research, segmentation method used Fuzzy C Means
Clustering in which to process the image of Gaussian Noise segmentation, segmentation
results in an image after filtering better than the results in the image noise. While the
process of image segmentation on Uniform Noise, segmentation results on image noise is
better than the image segmentation results after filtering which can be seen from a
comparison parameter MSE, PSNR, and Running Time.
Keyword : filtering, Harmonic Mean Filter, Fuzzy C Means Clustering, Gaussian
noise, Uniform noise, image segmentation.
Universitas Sumatera Utara
DAFTAR ISI
Halaman
Persetujuan
Pernyataan
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
Daftar Gambar
Daftar Lampiran
Bab 1 PENDAHULUAN
1.1. Latar Belakang
1.2. Rumusan Masalah
1.3. Batasan Masalah
1.4. Tujuan Penelitian
1.5. Manfaat Penelitian
1.6. Metodologi Penelitian
1.7. Sistematika Penulisan
Bab 2 LANDASAN TEORI
2.1. Citra
2.2. Citra Digital
2.2.1. Representasi Citra Digital
2.2.2. Elemen Citra Digital
2.3 Jenis-jenis Citra Digital
2.3.1 Citra Biner (Monokrom)
2.3.2 Citra Grayscale (Skala Keabuan)
2.3.3 Citra Berwarna (True Color)
2.4 Format File Citra Digital
2.4.1 Bitmap (*.bmp)
2.4.2 Portable Network Graphics (*.png)
2.5 Noise
2.5.1 Gaussian Noise
2.5.2 Uniform Noise
2.6 Pixel
2.7 Pengolahan Citra Digital
2.7.1 Pengertian Pengolahan Citra
2.7.2 Operasi Pengolahan Citra
2.7.3 Tujuan Pengolahan Citra
2.8 Perbaikan Kualitas Citra
2.8.1 Nonlinier Filter
2.8.2 Kernel (mask)
ii
iii
iv
vi
vii
viii
xi
xiii
xv
1
1
2
2
3
3
3
4
6
6
6
7
8
9
10
10
11
12
12
13
14
14
15
16
17
17
17
18
18
19
19
Universitas Sumatera Utara
ix
2.8.3 Konvolusi
2.8.4 Harmonic Mean Filter
2.9 Segmentasi Citra
2.9.1 Segmentasi Citra Berbasis Wilayah
2.9.2 Pengenalan Pola
2.9.3 Clustering
2.9.4 Fuzzy Clustering
2.10 Parameter Perbandingan Kualitas Citra
2.10.1 Mean square error
2.10.2 Peak signal to noise ratio
2.10.3 Running time
2.11 Penelitian yang Relevan
20
21
22
22
23
24
25
28
28
29
29
30
Bab 3 ANALISIS DAN PERANCANGAN SISTEM
3.1. Analisis Sistem
3.1.1. Analisis Permasalahan
3.1.2. Analisis Kebutuhan Sistem
3.1.2.1. Kebutuhan Fungsional Sistem
3.1.2.2. Kebutuhan Nonfungsional Sistem
3.1.3. Analisis proses
3.1.3.1. Analisis Proses Reduksi Noise dengan Metode
Harmonic Mean Filter
3.1.3.2. Analisis Proses Segmentasi Citra dengan Metode
Fuzzy C Means Clustering
3.2 Pemodelan Sistem
3.2.1. Use Case Diagram
3.2.2. Activity Diagram
3.2.3. Sequence Diagram
3.3 Perancangan Sistem
3.3.1 Flowchart Sistem
3.3.2 Flowchart Harmonic Mean Filter
3.3.3 Flowchart Fuzzy C Means Clustering
3.3.4 Perancangan Antarmuka Sistem(Interface)
3.3.4.1 Form Home
3.3.4.2 Form Implementasi – Filtering
3.3.4.3 Form Implementasi – Segmentasi
3.3.4.4 Form Help
3.3.4.5 Form About
31
31
31
32
32
32
33
Bab 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Implementasi Sistem
4.1.1. Form Home
4.1.2. Form Implementasi – Filtering
4.1.3. Form Implementasi - Segmentasi
4.1.4. Form Help
4.1.5. Form About
56
56
56
56
57
58
59
33
35
39
40
42
45
47
47
48
49
50
50
51
53
55
55
Universitas Sumatera Utara
x
4.2. Pengujian Sistem
4.2.1. Proses Pengujian Reduksi Gaussian Noise
4.2.2. Proses Pengujian Reduksi Uniform Noise
4.2.3. Proses Pengujian Segmentasi Citra
4.3. Hasil Pengujian
4.3.1. Hasil Pengujian Filtering
4.3.2 Hasil Pengujian Segmentasi
59
59
62
63
65
65
77
Bab 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan
5.2. Saran
99
99
100
DAFTAR PUSTAKA
101
Universitas Sumatera Utara
DAFTAR TABEL
Halaman
Tabel 2.1
Tabel 3.1
Tabel 3.2
Tabel 3.3
Tabel 3.4
Tabel 3.5
Tabel 3.6
Tabel 3.7
Tabel 3.8
Warna dan Nilai Penyusun Warna
12
Cluster Citra
38
Pusat Cluster Citra
38
Matriks Nilai Pixel 5x5 Iterasi 1
39
Matriks Nilai Pixel 5x5 Iterasi 1 pada Blok-blok Lain
39
Spesifikasi Use Case Generate Noise
41
Spesifikasi Use Case Reduksi Noise
41
Spesifikasi Use Case Segmentasi Citra
41
Spesifikasi Use Case Menghitung Nilai MSE, PSNR, dan Running
Time
42
Tabel 4.1 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise
dan Uniform Noise pada Citra *.bmp
66
Tabel 4.2 Hasil Pengujian Harmonic Mean Filter terhadap Gaussian Noise
dan Uniform Noise pada Citra *.png
71
Tabel 4.3 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Asli
*.bmp dan *.png
77
Tabel 4.4 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise
Gaussian Noise dan Citra Hasil Reduksi terhadap Citra Gaussian
Noise pada Citra *.bmp dan *.png dengan persentasse noise 30%
81
Tabel 4.5 Hasil Pengujian Fuzzy C Means Clustering terhadap Citra Bernoise
Uniform Noise dan Citra Hasil Reduksi terhadap Citra Uniform Noise
pada Citra *.bmp dan *.png dengan persentase noise 30%
84
Tabel 4.6 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp
87
Tabel 4.7 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.bmp
88
Tabel 4.8 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.png
89
Tabel 4.9 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.png
89
Tabel 4.10 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Gaussian Noise pada Citra *.bmp dan Citra
*.png
90
Tabel 4.11 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Uniform Noise pada Citra *.bmp dan Citra
*.png
91
Tabel 4.12 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Citra *.bmp pada Citra Gaussian Noise *.bmp dan
Citra Uniform Noise *.bmp
92
Universitas Sumatera Utara
xii
Tabel 4.13 Perbandingan Nilai MSE, PSNR, Running Time Hasil Metode Harmonic
Mean Filter terhadap Citra *.png pada Citra Gaussian Noise *.png dan
Citra Uniform Noise *.png
93
Tabel 4.14 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi Metode
Fuzzy C Means Clustering pada Citra Asli *.bmp dan *.png
94
Tabel 4.15 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra
Hasil Filtering pada Citra *.bmp
95
Tabel 4.16 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Gaussian Noise dan Citra
Hasil Filtering pada Citra *.png
96
Tabel 4.17 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra
Hasil Filtering pada Citra *.bmp
97
Tabel 4.18 Perbandingan Nilai MSE, PSNR, Running Time Hasil Segmentasi
Metode Fuzzy C Means Clustering pada Citra Uniform Noise dan Citra
Hasil Filtering pada Citra *.png
98
Universitas Sumatera Utara
DAFTAR GAMBAR
Halaman
Gambar 2.1
Gambar 2.2
Gambar 2.3
Gambar 2.4
Gambar 2.5
8
10
11
12
Gambar 2.6
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Gambar 3.5
Contoh Citra Digital
Contoh Citra Biner
Contoh Citra Grayscale
Contoh Citra Berwarna (RGB)
(a) Citra Asli, (b) Citra dengan Gaussian Noise, (c) Citra
denganUniform Noise
(a) Kernel 2x2 (b) Kernel 3x3
Diagram Ishikawa
Use Case diagram sistem
Activity Diagram Menu Implementasi - Filtering
Activity Diagram Menu Implementasi - Segmentasi
Activity diagram (a) menu Home dan (b) menu About
Gambar 3.6
Gambar 3.7
Gambar 3.8
Gambar 3.9
Gambar 3.10
Gambar 3.11
Gambar 3.12
Gambar 3.13
Gambar 3.14
Gambar 3.15
Gambar 4.1
Gambar 4.2
Gambar 4.3
Sequence Diagram Menu Implementasi - Filtering
Sequence Diagram Menu Implementasi - Segmentasi
Flowchart Sistem
Flowchart Harmonic Mean Filter
Flowchart Fuzzy C Means Clustering
Rancangan Form Home
Rancangan Form Implementasi - Filtering
Rancangan Form Implementasi – Segmentasi
Rancangan Form Help
Rancangan Form About
Tampilan Form Home
Tampilan Form Implementasi – Filtering
Tampilan Form Implementasi – Segmentasi
45
46
47
48
49
50
51
53
55
55
56
57
58
Gambar 4.4
Gambar 4.5
Gambar 4.6
Tampilan Form Help
58
Tampilan Form About
59
Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise
10% (a) Citra *.bmp (b) Citra *.png
16
20
31
40
43
44
45
60
Gambar 4.7
Tampilan Citra yang diberi Gaussian Noise dengan Persentase Noise
50% (a) Citra *.bmp (b) Citra *.png
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
60
Gambar 4.8
Persentase Noise 10% (a) Citra *.bmp (b) Citra *.png
61
Universitas Sumatera Utara
xiv
Gambar 4.9
Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png
61
Gambar 4.10 Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise
10% (a) Citra *.bmp (b) Citra *.png
62
Gambar 4.11 Tampilan Citra yang diberi Uniform Noise dengan Persentase Noise
50% (a) Citra *.bmp (b) Citra *.png
Gambar 4.12 Tampilan Proses Filtering terhadap Citra Gaussian Noise dengan
Persentase Noise 10% (a) Citra *.bmp (b) Citra *.png
Gambar 4.13 Tampilan Proses Filtering terhadap citra Gaussian Noise dengan
Persentase Noise 50% (a) Citra *.bmp (b) Citra *.png
Gambar 4.14 Tampilan proses segmentasi citra (a) Segmentasi citra terhadap citra
asli (b) Segmentasi citra terhadap citra bernoise Gaussian dengan
persentase 30% (c) Segmentasi citra terhadap citra hasil reduksi
Gaussian Noise (d) Segmentasi citra terhadap citra bernoise Uniform
dengan persentase 30% (e) Segmentasi citra terhadap citra hasil reduksi
Uniform NoiseUniform Noise, Citra Hasil Reduksi Uniform Noise
Gambar 4.15 Citra yang akan digunakan dalam pengujian Harmonic Mean
Filter
62
63
63
65
65
Universitas Sumatera Utara
DAFTAR LAMPIRAN
Halaman
A. Listing Program
B. Curriculum Vitae
A-1
B-1
Universitas Sumatera Utara