ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN SPECKLE NOISE PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI SKRIPSI NUR AINUN 091401010
ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN
SPECKLE NOISE PADA CITRA TERHADAP
KINERJA METODE DETEKSI TEPI
SKRIPSI
NUR AINUN
091401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN
SPECKLE NOISE PADA CITRA TERHADAPKINERJA METODE DETEKSI TEPI
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijasah Sarjana Ilmu Komputer
NUR AINUN
091401010
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2014
PERSETUJUAN
Judul : ANALISIS PENGARUH KOMBINASI GAUSSIAN
NOISE DAN SPECKLE NOISE PADA CITRA
TERHADAP KINERJA METODE DETEKSI TEPI Kategori : SKRIPSI Nama : NUR AINUN Nomor Induk Mahasiswa : 091401010 Program Studi : S1 ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 1 Pembimbing 2 M. Andri Budiman, S.T., M.Comp.Sc., M.E.M Dian Rachmawati, S.Si, M.Kom NIP. 19751008 200801 1 011 NIP. 19830723 200912 2 004 Diketahui/disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 19620317 199103 1 001
PERNYATAAN
ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN SPECKLE NOISE PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI SKRIPSI Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Januari 2014 Nur Ainun 091401010
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah SWT., Tuhan Yang Maha Esa, yang telah memberikan berkat dan karunia-Nya, serta segala sesuatu dalam hidup, sehingga penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Bapak Prof. Dr. Dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Muhammad Zarlis 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 dan Dosen Pembimbing I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
4. Ibu Maya Silvi Lydia, B.Sc. M.Sc. selaku Sekretaris Program Studi S1 Ilmu Komputer dan Dosen Penguji II yang telah memberikan kritik dan saran dalam penyempuraan skripsi ini.
5. Bapak M. Andri Budiman, S.T., M.Comp.Sc., M.E.M selaku Dosen Pembimbing I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
6. Ibu Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembimbing II yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis.
7. Semua dosen serta pegawai di Program Studi S1 Ilmu Komputer Fasilkom-TI USU.
8. Ayahanda Armansyah dan Ibunda Junaini yang menjadi motivasi penulis untuk sukses dan selalu memberikan dukungan baik materi maupun non- materi, perhatian, serta doa tanpa henti kepada penulis.
9. Kakak tercinta Rina Madhona, Skm., Abangda Rino Khalid dan M. Teguh Pramana yang menjadi penunjang hidup bagi penulis.
10. Teman-teman pengurus IMILKOM Fasilkom-TI 2012-2013.
11. Teman-teman sekaligus keluarga besar Program Studi S1 Ilmu Komputer Fasilkom-TI USU.
12. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian skripsi ini.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini.
Medan, Januari 2014 Penulis, Nur Ainun
ABSTRAK
Pendeteksi tepian adalah bagian dari pengolahan citra. Mendeteksi tepi pada citra adalah hal yang biasa, namun disini dilakukan deteksi tepi pada citra yang telah diberi
noise . Hal ini dilakukan untuk melihat apakah ada pengaruh noise pada kinerja deteksi
tepi. Noise yang digunakan berupa kombinasi dari Gaussian noise dan Speckle noise sedangkan operator deteksi tepinya adalah Marr-Hildreth, Laplacian Of Gaussian dan Parameter yang digunakan untuk mengukur nilai perbandingan antara ketiga Prewitt. operator deteksi tepi yaitu nilai MSE dan PSNR. Pada sistem ini objek yang digunakan adalah citra dengan format bitmap atau *.bmp. Berdasarkan beberapa hasil pengujian diperoleh bahwa ada pengaruh noise terhadap kinerja deteksi tepi dengan nilai mean dan variance yang diujikan dari rentang 0 hingga 1. Nilai rata-rata MSE pada operator Marr-Hildreth pada kombinasi Gaussian Noise dan Speckle Noise yang menandakan bahwa citra hasil deteksi tepi buram berkisar lebih dari 0.13 dan PSNR berkisar kurang dari 57.00. Sedangkan untuk nilai rata-rata MSE pada operator LOG pada kombinasi Gaussian Noise dan Speckle Noise berkisar lebih dari 0.16 dan PSNR berkisar kurang dari 0.478. Dan untuk Prewitt, MSE berkisar lebih dari 0.04 dan PSNR berkisar kurang dari 0.474. Selain itu jenis citra juga mempengaruhi seberapa besar nilai noise dapat diberikan untuk mempengaruhi kinerja deteksi tepi, yaitu citra dengan background solid dan citra dengan background merata.
Katakunci: deteksi tepi, Marr-Hildreth, Laplacian of Gaussian, Prewitt, Gaussian
noise, Speckle noise.
ANALYSIS EFFECT COMBINATION OF GAUSSIAN NOISE AND
SPECKLE NOISE IN IMAGE ON PERFORMANCE
OF EDGE DETECTION METHOD
ABSTRACT
Edge detection is part of the image processing. Edge detecting in ordinary image is a common thing, but here edge detection do in image noise that has been given. This is done to see if there is an influence of noise on the performance of edge detection. Noise used are combination of Gaussian noise and Speckle noise, while the edge detection operator are Marr-Hildreth, Laplacian Of Gaussian and Prewitt. The parameters used to measure the value of a comparison between the three edge detection operators are MSE and PSNR. In this system object used is a bitmap image or *. bmp. Based on some test results obtained that there is influence of noise on the performance of edge detection with mean and variance of the tested range of 0 to 1. The average value of MSE on the Marr-Hildreth operator on a combination of Gaussian noise and Speckle Noise which indicates that the edge detection image is blurred, range of more than 0.13 and PSNR ranges from less than 57.00. As for the average value of MSE on LOG operator on a combination of Gaussian noise and Speckle Noise ranges of more than 0.16 and less than 0.478 for PSNR ranges. And for Prewitt, MSE ranged over 0.04 and less than 0.474 for PSNR ranges . Besides affects of the image type also how much noise value can be assigned to affect the performance of edge detection, they are the image with a solid background and image with background evenly.
Keyword: edge detection, Marr-Hildreth, Laplacian of Gaussian, Prewitt, Gaussian
noise, Speckle noise.
DAFTAR ISI
Hal.Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract
vii Daftar Isi viii
Daftar Gambar x
Daftar Tabel xii
Bab 1 Pendahuluan
1.1 Latar Belakang
1
1.2 Perumusan Masalah
2
1.3 Batasan Masalah
2
1.4 Tujuan Penelitian
3
1.5 Manfaat Penelitian
3
1.6 Sistematika Penulisan
3 Bab 2 Landasan Teori
2.1 Citra
5
2.2.1 Pengolahan Citra
9
2.2.2 BMP
9
2.2 Noise
10
2.2.1 Gaussian Noise
10
2.2.2 Speckle Noise
11
2.3 Deteksi Tepi
12
2.3.1 Operator The Marr-Hildreth 15
2.3.2 Operator Laplacian Of Gaussian
16
2.3.3 Operator Prewitt
17
2.4 Konvolusi
18
2.5 MSE dan PSNR
21
2.5.1 Mean Square Error
21
2.5.2 Peak Signal to Noise Ratio
22 Bab 3 Analisis Dan Perancangan Sistem
3.1 Analisis Sistem
23
3.1.1 Analisis Masalah
23
3.1.2 Analisis Kebutuhan Sistem
24
3.1.2.1 Kebutuhan Fungsional Sistem
24
3.1.2.2 Kebutuhan Non-Fungsional Sistem
25
3.1.3 Analisis Proses
25
3.1.3.1 Noising
25
3.1.3.2 Deteksi Tepi Marr-Hildreth 26
3.1.3.3 Deteksi Tepi Laplacian Of Gaussian 26
3.1.3.4 Deteksi Tepi Prewitt 26
3.2 Pemodelan
26
27 Hal.
4.2.2 Pengujian Speckle-Gaussian Noise 64
4.1.2 Form Deskripsi
51
4.1.3 Form Gaussian-Speckle Noise
51
4.1.4 Form Speckle-Gaussian Noise
53
4.1.5 Form Gaussian Noise
54
4.1..6 Form Speckle Noise
56
4.2 Pengujian
57
4.2.1 Pengujian Gaussian-Speckle Noise 57
4.2.3 Pengujian Gaussian Noise 67
4.1.1 Form Home
4.2.4 Pengujian Speckle Noise 71
4.2.5 Pengujian Random
75
4.2.6 Perbandingan Histogram
77
4.2.7 Perbandingan Citra Background Solid dengan Citra
Background Merata
77 Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan
81
5.2 Saran
82 Daftar Pustaka
83 Lampiran Listing Program A-1
50
50
3.2.2 Sequance Diagram
3.4 Perancangan Sistem
3.2.3 Activity Diagram
31
32
3.3 Pseudocode
34
3.3.1 Pseudocode Noising
34
3.3.2 Pseudocode Operator Marr-Hildreth 35
3.3.3 Pseudocode Operator Laplacian Of Gaussian 36
3.3.4 Pseudocode Operator Prewitt 36
3.3.5 Pseudocode Menghitung Nilai MSE
37
37
38
4.1 Implementasi
3.4.1 Perancangan Flowchart Sistem 38
3.4.2 Perancangan Antarmuka (Interface) 41
3.4.2.1 Form Home
41
3.4.2.2 Form Deskripsi
42
3.4.2.3 Form Gaussian-Speckle Noise
43
3.4.2.4 Form Speckle-Gaussian Noise
44
3.4.2.5 Form Gaussian Noise
46
3.4.2.6 Form Speckle Noise
48 Bab 4 Implementasi dan Pengujian
Lampiran Curriculum Vitae B-1
DAFTAR GAMBAR
Hal.32 Gambar 3.4 Activity Diagram Pada Sistem Analisis Pengaruh Noise Terhadap Deteksi Tepi
16
17
17
18
19
20
20
21 Gambar 3.1 Diagram Ishikawa 24
Gambar 3.2 Use Case Diagram Sistem Analisis Pengaruh Noise TerhadapDeteksi Tepi
27 Gambar 3.3 Sequence Diagram Tahap Awal Deteksi Tepi Citra
33 Gambar 3.5 Gambaran Umum Sistem
14
38 Gambar 3.6 Proses Deteksi Tepi
39 Gambar 3.7 Proses Analisis dari Sistem Analisis Pengaruh Noise Pada Citra Terhadap Kinerja Metode Deteksi Tepi
40 Gambar 3.8 Form Home 41
Gambar 3.9 Form Deskripsi 42Gambar 3.10 Form Gaussian-Speckle Noise 43Gambar 3.11 Form Speckle-Gaussian Noise 45Gambar 3.12 Form Gaussian Noise 46Gambar 3.13 Form Speckle Noise 48Gambar 4.1 Form Home 50Gambar 4.2 Form Deskripsi 51Gambar 4.3 Form Gaussian-Speckle Noise15
13
Gambar 2.1 Pixel MatrixGambar 2.13 Proses Deteksi Tepi Citra6 Gambar 2.2 Citra Biner
7 Gambar 2.3 Citra Skala Keabuan
7 Gambar 2.4 Citra Warna (True Color)
8 Gambar 2.5 Citra Warna Berindeks
8 Gambar 2.6 Mangga.bmp
Gambar 2.7 Citra Tanpa NoiseGambar 2.8 Citra Dengan Gaussian NoiseGambar 2.9 Citra Tanpa NoiseGambar 2.10 Citra Dengan Speckle NoiseGambar 2.11 Model Tepi Satu DimensiGambar 2.12 Jenis-Jenis TepiGambar 2.14 Proses Deteksi Tepi Metode The Marr-Hildreth12
Gambar 2.15 Kernel Konvolusi LaplacianGambar 2.16 Proses Deteksi Tepi Metode LOGGambar 2.17 Proses Deteksi Tepi Metode PrewittGambar 2.18 Proses KonvolusiGambar 2.19 Matriks Citra dan Kernel Sebelum KonvolusiGambar 2.20 Tahapan Proses Pembentukan KonvolusiGambar 2.21 Hasil Konvolusi Citra dan Kernel10
11
11
12
52
Gambar 4.4 Form simulasi Gaussian-Speckle Noise 52Gambar 4.5 Form Speckle-Gaussian Noise53 Gambar 4.6 Form simulasi Speckle-Gaussian Noise 54
Gambar 4.7 Form Gaussian Noise 55Gambar 4.8 Form Simulasi Gaussian Noise 55Gambar 4.9 Form Speckle Noise 56Gambar 4.10 Form Simulasi Speckle Noise 57Gambar 4.11 Pilih Tombol Gaussian-Speckle Noise 58Gambar 4.12 Browse Citra .bmp Pada Form Gaussian-Speckle Noise 58Gambar 4.13 Tampilan Proses Noising dan Deteksi Tepi Pada FormGaussian-speckle Noise
59 Gambar 4.14 Perbandingan Histogram Pada Simulasi Gaussian-Speckle
77 Noise
Gambar 4.15 Grafik Tabel 4.1679 Gambar 4.16 Grafik Tabel 4.17
79
DAFTAR TABEL
Hal.68
Tabel 4.11 Perbandingan Sampel pada Simulasi Speckle NoiseTabel 4.12 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.11Tabel 4.13 Pengukuran Nilai MSE dan PSNR pada Speckle NoiseTabel 4.14 Perbandingan Sampel RandomTabel 4.15 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.14Tabel 4.16 Perbandingan Nilai Rata-Rata MSE69
Tabel 4.9 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.870
71
73
73
75
76
78 Tabel 4.17 Perbandingan Nilai Rata-Rata PSNR
Tabel 4.10 Pengukuran Nilai MSE dan PSNR pada Gaussian Noise66 Tabel 4.8 Perbandingan Sampel pada Simulasi Gaussian Noise
Tabel 3.1 Dokumentasi Naratif Use Case Pilih Noise29
Tabel 3.2 Dokumentasi Naratif Use Case Deteksi TepiTabel 3.3 Dokumentasi Naratif Use Case DeskripsiTabel 4.1 Perbandingan nilai MSE dan PSNR masing-masing OperatorDeteksi Tepi
Tabel 4.2 Perbandingan Sampel pada Simulasi Gaussian-Speckle NoiseTabel 4.3 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.228
31
65
59
60
61 Tabel 4.4 Pengukuran Nilai MSE dan PSNR pada Gaussian-Speckle Noise
Tabel 4.5 Perbandingan Sampel pada Simulasi Speckle- Gaussian Noise62
64 Tabel 4.6 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.5
Tabel 4.7 Pengukuran Nilai MSE dan PSNR pada Speckle-Gaussian Noise79