ANALISA KINERJA BUTTERWORTH LOW PASS FILTER DALAM MEREDUKSI NOISE PADA CITRA DIGITAL.

Transkripsi

1 ANALISA KINERJA BUTTERWORTH LOW PASS FILTER DALAM MEREDUKSI NOISE PADA CITRA DIGITAL Indrawati 1 1 Jurusan Teknologi Informasi dan Komputer PNL windra96@yahoo.com ABSTRAK Infomasi berupa citra sering mengalami gangguan, gangguan tersebut dinamakan noise. Ada dua tipe noise yang dipilih pada penelitian ini, diantaranya, noise Salt and paper dan noise Gaussian. Kedua noise tersebut memiliki karakteristik yang unik, Pada penelitian akan diamati kinerja Butterworth Low Pass Filter untuk mereduksi kedua noise tersebut. Dari hasil pengujian diketahui bahwa kinerja terbaik filter dalam mereduksi noise Salt and paper terjadi pada frekuensi 100 Hz sampai 400 Hz, sedangkan pada noise Gaussian kinerja terbaik filter terjadi pada frekuensi 1100 Hz sampai 1500 Hz. Proses pengolahan citra menghasilkan PSNR terbesar pada noise Salt and paper dengan nilai 25,05 db dengan penurunan noise sebesar 6370, sementara PSNR pada noise Gaussian bernilai 23,95 dengan penurunan noise sebesar 9526,9 db. Hal ini menunjukkan bahwa kuantitas warna pada kedua citra jauh lebih besar dari noisenya, karena citra hasil pengolahan memiliki kualitas citra yang hampir sama dengan citra aslinya, sehingga dapat disimpulkan bahwa kinerja Butterworth Low Pass Filter dalam mereduksi noise sangat baik. Keyword: citra, filter, performance, reduksi, noise ABSTRACT The information in the form of images are often susceptible to disruption, the interference is called noise. There are two types of noise were selected in this study, among other things, noise Salt and paper and Gaussian noise. Both noise that has unique characteristics, research will be observed performance Butterworth Low Pass Filter to reduce the noise of the results of testing known that the best performance filter in reducing noise Salt and paper occurs at a frequency of 100 Hz to 400 Hz, while the Gaussian noise performance best filter occurs at a frequency of 1100 Hz to 1500 Hz. Image processing produces the largest PSNR on noise Salt and paper with a value of db with a reduction in noise by 6370, while PSNR on Gaussian noise with accumulated worth of db reduction in noise. This shows that the quantity of color in both images is much greater than the noise, so it can be concluded that the performance Butterworth Low Pass Filter to reduce noise is very good for the image processing results have image quality that is almost identical to the original image. Keyword: image, filter, performance, reduction, noise

2 PENDAHULUAN Salah satu bentuk pertukaran informasi melalui media citra. Citra merupakan salah satu komponen multimedia yang memegang peranan penting sebagai bentuk informasi visual (Rinaldi M, 2014). Selain dari itu citra juga memiliki karakteristik yang tidak dimiliki data teks karena citra kaya dengan informasi sehingga sebuah citra dapat memberikan informasi yang lebih banyak disajikan dalam bentuk kata-kata (Erna ZA, 2010) Penggunaan citra sebagai salah satu sumber informasi, tidak luput dari gangguan noise, sehingga citra akan mengalami degradasi atau penurunan kualitas informasi yang berbentuk visual. Dengan perkembangan teknologi di bidang komputerisasi, teknologi pengolahan citra sudah banyak digunakan di berbagai bidang termasuk di bidang industri yang dapat digunakan memperbaiki citra sehingga diperoleh hasil yang lebih efisien dan dengan akurasi yang baik. Beberapa sifat dari noise pada citra antara lain noise pada citra yang terdistribusi secara Gaussian. Pengurangan noise merupakan salah satu proses dalam peningkatan kualitas citra. Peningkatan kualitas citra ialah proses mendapatkan citra yang lebih mudah diinterpretasikan oleh mata manusia sehingga merupakan proses awal dalam peningkatan mutu citra. Dengan peningkatan mutu citra, maka citra dapat dijadikan suatu objek pembahsan yang memiliki kualitas yang buruk seperti mengalami derau, kabur dan sebagainya (Mukhamad N, 2010). Pada proses ini, ciriciri tertentu yang terdapat di dalam citra lebih diperjelas kemunculannya. Banyak cara dan metode yang digunakan dalam pengurangan noise. Metode tersebut antara lain ialah Gaussian, butterworth, metode Mean filter, metode intensity filtering dan metode frequency filtering. Pada artikel ini, akan dijelaskan hasil penelitian tentang kinerja filter Butterworth dalam mereduksi noise citra. METODE PENELITIAN Pada sub-bab ini dijelaskan tentang metode yang digunakan untuk menganalisa kinerja Butterworth Low Pass Filter untuk mereduksi noise pada citra digital. Adapun metode pengukuran kinerja filter diperlihatkan pada gambar 1. Input Citra Asli Gambar 1. Metode pengukuran kinerja Filter. Dari gambar 1 terlihat bahwa sebagai input adalah citra asli berupa citra mata dalam ekstensi *jpg. Selanjutnya citra asli diberi noise dengan 2 tipe noise yaitu noise aditif dan noise Gaussian. a. Noise aditif merupakan suatu noise yang memiliki sifat dengan menambahkan secara seragam pada bidang citra dengan varian tertentu. Contoh dari noise ini adalah noise saltand peppers yang menambahkan aras gelap dan terang pada citra. b. Noise Gaussian merupakan noise yang memiliki intensitas yang sesuai dengan distribusi normal memiliki mean dan varian tertentu. Nilai mean dan varian dapat berbentuk scalar atau vector. Jika berbentuk scalar, maka blok yang digunakan bernilai sama dengan setiap elemen output, seperti yang ditunjukkan pada persamaan (1) dibawah ini: Citra Asli + Noise Tipe Noise f ( x) = ((2 ) det. K) Filter T exp( ( x ) K ( x ) / 2) MSE dan PSNR n 1/ (1)

3 dimana x adalah panjang vector n, K adalah matrik covariance ukuran n x n, adalah nilai rata-rata dari vector dan T adalah matriks transpose. Selanjutnya citra noise tersebut difilter dengan Butterworth Low Pass Filter. Filtering pada citra digital merupakan Teknik untuk memodifikasi atau meningkatkan mutu citra. Sebagai contoh, kita dapat memfilter sebuah citra untuk mengutamakan fitur tertentu. Filter Butterworth Low Pass adalah filter yang memiliki karakteristik respon magnitude maksimal pada daerah datar pada seluruh daerah monotonic passband (Wajiansyah, dkk, 2011) seperti yang ditunjukkan pada persamaan (2) berikut ini: [b,a] = butter(n,wn)... (2) dimana n adalah orde filter Butterworth lowpass, Wn frekuensi cutoff. Koefisien filter dengan panjang n+1 pada vector baris b dan a dengan koefisien des-cending daya pada z. Transfert function dari filter Butterworth ditunjukkan pada persamaan (3) berikut ini : 1 b(1) + b(2) z b( n + 1) z H ( z) = 1 1+ a(2) z a( n + 1) z n n (3) Low Pass Filter (LPF) adalah proses filter yang mengambil citra dengan gradiasi intensitas yang halus dan perbedaan intensitas yang tinggi akan dikurangi atau dibuang. LPF dilakukan untuk menghilangkan ruang derau berfrekuensi tinggi dari sebuah citra digital. LPF digunakan untuk mengurangi detail dari citra atau justru membuat citra menjadi lebih kabur dari sebelumnya. Filter ini akan menghilangkan atau mengurangi derauderau berfrekuensi tinggi dari citra menjadi frekuensi yang lebih rendah. Frekuensi tinggi dari sebuah pixel dapat diperlihatkan dengan melihat tingkat ketajaman citra dari pixel tersebut. LPF digunakan pada citra yang memiliki intensitas warna yang rendah. Karena letak noise berada di intensitas rendah, maka dilakukan pencarian pada titik-titik citra dan kemudian akan ditandai sebagai noise. Selanjutnya titik tersebut akan diganti dengan mencari warna rata-rata di sekitar titik tersebut (Maziyah M, dkk, 2007). Setelah proses filter pada citra digital selanjutnya dihitung PSNR dan MSE. a. PSNR Alat ukur yang disebut Peak Signal to Noise Ratio (PSNR) digunakan untuk mengetahui kualitas sinyal. Pada proses penghalusan citra semakin tinggi nilai cutt off maka nilai PSNR semakin besar juga (Agustinus S. dan Dwi Aryanti, 2013) Alat ukur ini digunakan untuk menghitung perbedaan antara citra semula (citra asli) dengan citra hasil reduksi. Nilai PSNR dihitung dengan persamaan (4). Dimana R adalah fluktuasi maksimum data citra input dan MSE adalah mean square error. 2 R PSNR = 10 log 10..(4) MSE b. MSE merupakan alat ukur kuantitatif yang bisa digunakan untuk mengukur kinerja prosedur perbaikan citra. Alat ukur ini disebut Mean Squared Error selanjutnya disingkat MSE (Gilang J, 2014). MSE adalah parameter lain yang digunakan untuk membandingkan kualitas citra. MSE merepsentasikan kesalahan kuadrat komulatif antara citra hasil reduksi dengan citra aslinya. Parameter MSE dapat dihitung dengan persamaan (5) berikut: M, N 2 ( I ( m, n) I ( m, n)] 1 MSE =... (5) M * N dimana M dan N adalah banyak baris dan kolom pada citra input, I1 dan I2 adalah citra asal dan citra yang telah direduksi. 2

4 HASIL DAN PEMBAHASAN Pada bagian ini akan dibahas citra asli sebagai inputan, pemberian noise pada citra, filtering LPF Butterworth serta pengukuran PSNR dan MSE. a. Citra Asli Citra input yang digunakan sebagai objek penelitian adalah citra iris yang tersimpan dalam ekstensi *jpg seperti diperlihatkan pada gambar 2 dan tabel 1. Gambar 2. Citra Iris asli Tabel 1. Ukuran dan dimensi citra Ukuran Dimensi Citra Citra (mm) (KB) Citra asli 6, x 183 b. Citra yang diberi Noise Citra asli berupa citra iris selanjutnya diberi noise. Ada dua noise yang diujikan pada citra tersebut, yaitu noise salt and pepper serta noise Gausiaan seperti diperlihatkan pada gambar 3a sampai gambar 3d. (c) (d) Gambar 3. Citra Noise dan Histogram Noise salt and pepper, Histogram noise salt and pepper (c) Noise Gaussian (d) Histogram noise Gaussian. c. Filtering LPF Butterworth 1. Reduksi noise salt and pepper Dalam mereduksi noise salt and pepper, maka pengujian dilakukan dengan mengubah-ubah frekuensi dan mengatur nilai Q dari filter Butterworth, sampai dihasilkan reduksi noise maksimal seperti diperlihatkan pada gambar 4a dan 4b. Dari hasil pengujian reduksi noise salt and pepper diketahui bahwa Butterworth Low Pass Filter bekerja dengan optimal untuk mereduksi noise pada frekuensi 100Hz sampai 400 Hz dengan status citra pada kondisi citra terang tanpa noise, untuk lebih jelasnya dapat dilihat pada tabel 2 berikut ini. Tabel 2. Hasil pengujian reduksi noise saltand pepper Frekuen si Filter (Hz) Q Nilai Gray Level Keterangan Gelap Citra low contras Citra low contras Citra low contras Citra low contras Citra low contras citra terang citra terang citra terang citra terang citra terang dengan noise citra terang dengan noise citra terang dengan noise citra terang dengan noise citra terang dengan noise citra terang dengan noise

5 Gambar 5. Citra hasil reduksi noise Noise Gaussian Histogram citra reduksi Noise Gaussian Gambar 4. Hasil reduksi noise Noise Salt and pepper..histogram citra reduksi noise salt and pepper Pada frekuensi yang lebih rendah dari 0-90 Hz citra yang dihasilkan oleh filter adalah citra dengan kondisi low contras dan masih berisi noise salt and pepper, sedangkan pada frekuensi di atas 500 Hz, kinerja filter menghasilkan citra dengan citra terang yang masih berisi sedikit noise. 2. Reduksi Noise Gausian Gaussian noise disebut juga White Noise yaitu noise yang ditambahkan pada citra melalui inputan mean dan variance. Mean dan variance merupakan suatu konstanta real. Nilainya bisa positif maupun negatif. Semakin besar mean dan variancenya, maka citra akan semakin kabur,sebaliknya makin kecil konstantanya efek pada citra makin tidak terlihat. Nilai default adalah 0 untuk mean dan 0.01 untuk variance. Disebut white noise karena pada saat nilai mean dan variance besar, maka citra seolah-olah hanya terlihat seperti citra putih saja. Pada kasus ini citra yang diberi noise Gaussian ditunjukkan seperti pada gambar 5 dan 5. Dari Histogram kita dapat melihat bahwa citra Gaussian noise pada sumbu horizontal terlihat bahwa nilai Gray level citra tersebut sebesar 0.5. Citra yang berisi noise, selanjutnya difilter dengan mengubah-ubah frekuensi kerja pada filter Butterworth tersebut dari frekuensi terendah hingga pada frekuensi 2000 Hz seperti terlihat pada tabel 3. Tabel 3. Hasil pengujian reduksi Gaussian Noise Frekuensi Filter Q Nilai Gray Keterangan (Hz) Level Gelap Citra low contras Citra low contras Citra low contras Citra low contras Citra low contras Citra low contras citra low contras citra low contras citra low contras citra low contras citra low contras citra low contras citra low contras citra low contras citra low contras Citra Terang Citra Terang Citra Terang Citra Terang Citra Terang Citra High Kontras Citra High Kontras Citra High Kontras Citra High Kontras

6 Citra High Kontras Filter Botterworth dalam mereduksi noise Gaussian, kinerja maksimalnya bekerja pada frejuensi cutoff 1100 Hz sampai 1500 Hz. Pada frekuensi di bawah 1100 Hz citra yang dihasilkan intensitasnya dalam kondisi low kontras. Untuk di atas frekuensi cutoff yaitu 1600 Hz, maka citra yang dihasilkan intensitasnya citranya high kontras atau agak kabur. Berikut diperlihatkan hasil pengujian reduksi noise Gaussian dengan Butterworth Low Pass Filter dengan kinerja maksimal seperti diperlihatkan pada gambar 6 dan i 6. ( a ) Gambar 6. Hasil reduksi noise Gaussian kinerja maksimal Citra Iris hasil Filtering, Histogram reduksi noise Gaussian Berdasarkan hasil pengujian tersebut diketahui bahwa citra iris yang dihasilkan oleh Butterworth Low Pass Filter menghasilkan jumlah pixel yang jauh lebih sedikit terhadap pertambahan besarnya nilai gray level dibanding citra yang masih mengandung noise Gaussian. d. MSE dan PSNR 1. Mean Square Error MSE adalah rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil pengolahan. Citra asli merupakan citra yang tidak mengandung noise, selanjutnya citra ini diberi noise dengan persentase tertentu. Selanjutnya noise pada citra direduksi dengan Butterworth Low Pass Filter dan hasilnya dihitung, apakah antara citra asli dan citra yang noisenya telah direduksi simpangan kesalahan rataratanya kecil atau besar. Dari data hasil pengukuran MSE terhadap hasil reduksi noise salt and pepper serta noise Gausssian pada masing-masing citra, hasilnya ditunjukkan seperti tabel 4 berikut. Tabel 4. Hasil pengukuran MSE pada citra hasil reduksi dari noise salt and pepper dan noise Gaussian Citra Hasil Filtering Noise salt and pepper Noise Gaussian Teknik Reduksi Butterworth LPF Butterworth LPF MSE ,9 Dari tabel 4 diketahui bahwa MSE pada citra yang noisenya telah direduksi, menghasilkan citra yang memiliki rata-rata kuadrat nilai kesalahan antara citra asli terhadap citra hasil pengolahan sebesar 6370 untuk noise salt and pepper atau noisenya menurun sebesar 6370, sementara hasil reduksi pada citra yang mengandung noise Gaussian, terjadi reduksi noise sebesar 9526,9 atau menghasilkan citra yang memiliki rata-rata kuadrat kesalahan antara citra aslinya terhadap hasil pengolahan sebesar 9526,9. Ini menunjukkan bahwa reduksi noise dengan Butterworth LPF pada kedua noise tersebut cukup baik. 2. Peak Signal to Noise PSNR merupakan nilai perbandingan antara harga maksimum warna pada citra hasil filtering dengan kuantitas noise. Dari hasil pengukuran reduksi noise pada kedua noise salt and pepper serta noise Gaussian, dengan Butterwoth LPF seperti ditunjukkan pada tabel 5. Tabel 5. Hasil pengukuran PSNR pada citra hasil reduksi dari noise Salt and pepper dan noise Gaussian

7 Citra Hasil Teknik PSNR Filtering Reduksi PSNR(dB) Noise Salt Butterworth 25,05 and Pepper LPF Noise Butterworth 23,95 Gaussian LPF Dari tabel 5 diketahui PSNR terbesar terjadi pada citra dengan hasil reduksi noise salt and pepper sebesar 25,05 db dibanding hasil reduksi noise Gaussian dengan nilai sebesar 23,95 db dimana selisih keduanya sangat kecil yaitu sebesar 1.1 db. Dengan demikian diketahui bahwa semakin besar nilai PSNR menunjukkan bahwa kuantitas pada citra jauh lebih besar dari noisenya, sehingga dapat disimpulkan bahwa kinerja Butterworth LPF dalam mereduksi noise dapat dilakukan dengan baik. SIMPULAN Dari hasil analisa seperti dijelaskan pada uraian sebelumnya dapat disimpulkan antara lain; Butterworth LPF dapat melakukan reduksi noise dengan kinerja baik pada frekuensi 100 Hz sampai 400 Hz, sedangkan pada noise Gaussian Butterworth LPF dapat melakukan reduksi noise dengan kinerja baik pada frekuensi 1100 Hz sampai 1500 Hz. PSNR terbesar terjadi pada citra hasil reduksi noise salt and pepper sebesar 25,05 db dengan penurunan noise sebesar 6370, sementara noise Gaussian sebesar 23,95 dengan akumulasi penurunan noise sebesar 9526,9 db. Hal ini menunjukkan bahwa kuantitas pada kedua citra jauh lebih besar dari noisenya, sehingga dapat disimpulkan bahwa kinerja Butterworth LPF dalam mereduksi noise dapat dilakukan dengan baik karena citra hasil pengolahan memiliki kualitas citra yang hampir sama dengan citra aslinya. Transformasi Fourier, REKA ELKOMIKA, Vol 1 No. 2. Erna Z.A, 2010, Transformasi Fourier Untuk Pengingkatan Kualitas Citra, Techno.Com, Volume: 9, No:1, Februari Gilang J., 2014, Perancangan Aplikasi Reduksi Noise Pada Citra Digital Dengan Metode Vector Median Filtering (Vmf), Pelita Informatika Budi Darma, Vol VIII, No. 2. Mukhamad N., 2010, Metode Kecerahan Citra Kontras Citra dan Penajaman Citra Untuk Peningkatan Mutu Citra, Sains dan Teknologi, Vol 3, No. 1. Maziyah, M. dan Andy, N, Implementasi VB 6.0 Pada Face Detection Berbasis Image Processing Untuk Sistem Identifikasi, Jurnal Fisika dan Aplikasinya Vol 3, No. 2. Rinaldi M. 2014, Pengolahan citra digital dengan pendekatan algoritmik, Penerbit Informatika. Wajiansyah, Agusma, & Subir, 2011, Desain Filter Aktif Low Pass Butterworth. Dielektrika, ISSN Vol. 2, No. 2. DAFTAR PUSTAKA Agustinus S. dan Dwi Aryanti, 2013, Simulasi & Analisis Perbaikan Citra Digital Domain Frekuensi dengan