PRESENTASI TUGAS AKHIR KI091391

Transkripsi

1 PRESENTASI TUGAS AKHIR KI OPTIMASI NILAI AMBANG WAVELET BERBASIS LOGIKA FUZZY PADA DENOISING CITRA BERWARNA (Kata kunci: denoising, transformasi wavelet, logika fuzzy, thresholding, median absolute deviation) Penyusun Tugas Akhir : Diah Karisma Andini (NRP : ) Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom Rully Soelaiman, S.Kom, M.Kom 09 januari 01 Tugas Akhir KI

2 LATAR BELAKANG Proses perbaikan citra adalah salah satu topik penting dalam pengolahan citra digital. Dan salah satu permasalahan yang dihadapai adalah adanya noise (derau ) yang biasanya disebabkan pada saat pengambilan dan proses transmisi data sehingga mengakibatkan lemahnya kualitas suatu citra atau tidak sesuai dengan citra asli. Oleh karena itu diperlukan proses denoising ( pengurangan derau). Proses denoising citra dapat dilakukan pada domain citra, namun akan memiliki directional selectivity yang buruk, sehingga dilakukan penelitian dengan metode wavelet untuk mengatasinya. Dalam denoising terdapat banyak metode yang dapat digunakan, Dan pada tugas akhir ini akan digunakan metode wavelet berbasis logika fuzzy. 01 Februari 01 Tugas Akhir KI091391

3 LATAR BELAKANG () Proses denosing wavelet berbasis logika fuzzy akan dilakukan melalui proses dekomposisi, perhitungan fuzzy, fuzzy membership function, perhitungan citra bebas noise dan rekonstruksi citra. Pada fuzzy membership function, proses thresholding di penelitian sebelumnya dirasa kurang optimal karena perhitungannya masih memasukkan nilai variabel secara manual dimana nilai konstanta yang digunakan adalah k1 (0, 0.5, 1) dan k (1, 1.5,,.5, 3, 3.5) sedangkan nilai estimasi noise langsung memasukkan nilai varians noise, oleh karena itu perlu dilakukan optimasi nilai ambang wavelet agar hasil yang diperoleh dapat lebih optimal.

4 RUMUSAN MASALAH 1. Bagaimana mendapatkan nilai konstanta terbaik yang sebelumnya dilakukan dengan nilai-nilai yang telah ditentukan secara langsung?. Bagaimana menghitung estimasi varians noise pada sebuah citra berwarna yang telah diberi noise? 01 Februari 01 Tugas Akhir KI

5 BATASAN MASALAH a. Citra yang diproses adalah citra RGB berukuran 51 x 51. b. Implementasi dilakukan menggunakan Matlab 7.6 c. Tipe noise yang digunakan dalam proses uji coba adalah gaussian white noise. d. Varians noise sudah ditetapkan yaitu 5, 15, 5, 35, 40, dan Februari 01 Tugas Akhir KI

6 TUJUAN a. Memperbaiki hasil penelitian sebelumnya dalam mendapatkan nilai threshold b. Membangun aplikasi dengan menggunakan matlab 7.6 untuk mendapatkan nilai threshold yang optimal 01 Februari 01 Tugas Akhir KI

7 DESAIN MODEL UMUM APLIKASI Membuat noise Citra asal Denoising menggunakan logika fuzzy Dekomposisi menggunakan DT-DWT Citra hasil 100 Rekonstruksi menggunakan DT-IDWT Februari 01 Tugas Akhir KI

8 PENJELASAN MODEL UMUM APLIKASI Masukan awal berupa citra RGB. selanjutnya dari citra input ditambahkan Gaussian White Noise sebagai simulasi citra bernoise, kemudian dilakukan proses dekomposisi dengan Transformasi Wavelet Diskrit Dual-tree (DT-DWT) untuk menghasilkan subband wavelet yang akan dijadikan input untuk proses denoising menggunakan logika fuzzy. Dan Langkah terakhir adalah proses rekonstruksi kembali subband wavelet yang bebas noise.

9 DESAIN MODEL MEMBUAT NOISE Citra asal Inisialisasi varians noise Generate gaussian white noise Februari 01 Tugas Akhir KI

10 PENJELASAN MODEL MEMBUAT NOISE Pada proses ini sengaja dilakukan penambahan noise terhadap citra asli untuk mengetahui seberapa besar metode denoising efektif menghilangkan noise. Model noise yang digunakan adalah Additive Gaussian White Noise dimana parameter yang digunakan adalah varians noise. Varians noise dapat dipilih dengan nilai 5, 15, 5, 35, 40 dan 50. semakin besar nilai varians maka citra akan semakin banyak mengandung noise

11 DESAIN MODEL DEKOMPOSISI Start Citra bernoise Filtering Citra hasil dekomposisi (LL, LH, HL, HH) End 01 Februari 01 Tugas Akhir KI

12 METODE WAVELET Wavelet adalah suatu fungsi yang mempresentasikan data. Fungsi wavelet akan memotong-motong data menjadi komponen-komponen frekuensi yang berbeda sehingga komponen-komponen tersebut dapat dipelajari dengan menggunakan skala resolusi yang sesuai. Pada wavelet diskrit terdapat dua jenis yaitu non redudant dan redudant. Non redudant yaitu discrete wavelet transform (DWT) dan redudant yaitu dual tree discrete wavelet transform (DT-DWT) Transformasi wavelet memiliki dua tahap, yaitu dekomposisi dan rekonstruksi Dari dekomposisi akan menghasilkan subband-subband wavelet yang akan dijadikan input pada proses denoising 1

13 METODE WAVELET () Dekomposisi dilakukan dengan filtering untuk memisahkan citra yang memiliki frekuensi rendah dan citra yang memiliki frekuensi tinggi. Hasil dari dekomposisi akan menghasilkan 4 subband, yaitu Low-Low (LL), subband Low- High (LH), subband High-Low (HL) dan subband High-High (HH) untuk setiap level. Dekomposisi pada DT-DWT menggunakan dua pasang filter tree yaitu tree real dan tree imajiner secara terpisah untuk melakukan sum dan diferencing, masing-masing memfilter citra secara horizontal kemudian vertical, sehingga menghasilkan 8 subband. LL1 LH1 LL LH HL1 HH1 HL HH Tree pertama Tree kedua 13

14 METODE WAVELET (3) Enam highpass subband kemudian secara linear dikombinasikan baik itu sum maupun diferencing sehingga menghasilkan subband dari setiap levelnya, diperoleh sebagai berikut : HLa HL b / HLa HL b / LHa LH b / LHa LH b / HH / HH / a HH b a HH b DT-DWT memiliki directional selectivity yang baik dibandingkan dengan DWT karena DT-DWT memiliki filter arah ± 75º, ± 15º, ± 45º. Berbeda halnya dengan fungsi dasar HH pada DWT yang hanya ± 45º. Dengan menerapkan rumus Filter DWT Filter DT-DWT 14

15 DESAIN MODEL DENOISING Start Menghitung nilai fuzzy feature Menghitung nilai fuzzy membership function Menghitung citra bebas noise End 01 Februari 01 Tugas Akhir KI

16 Dekomposisi DT-DWT menghasilkan subband koefisien wavelet yaitu koefisien aproksimasi (LL) dan koefisien detail (LH,HL,HH). Proses denoising akan dilakukan pada koefisien detail tetapi tidak dengan koefisien aproksimasi karena menyimpan informasi penting Dari koefisien detail akan dicari nilai fuzzy feature sebagai proses awal untuk memperbaiki informasi citra pada subband-subband wavelet, selain itu juga dapat menandakan noise pada subband yang harus disusutkan. Yang dihitung dengan rumus : W(l,k) merupakan hasil perkalian dari magnitude similarity m(l,k) dan spatial similarity s(l,k) METODE DENOISING (1) 01 Februari 01 Tugas Akhir KI L L l K K k L L l K K k d s k w l k j l i y k w l j i f ), ( ), ( ), ( ), (,,, ), ( ), ( exp ), ( Thr k j l i y j i y k m l d s d s N k l k l s exp ), (

17 Proses pembentukan fuzzy membership function adalah dengan melalui pendekatan kurva-s (sigmoid), kurva-s didefinisikan dengan menggunakan 3 parameter, yaitu : T1, T, dan, dengan rumus : Nilai x merupakan nilai fuzzy feature, T1 dan T merupakan hasil perkalian nilai konstanta (k1 dan k) dengan estimasi varians noise ( ) 1 T T METODE DENOISING () ) ( T x T x T T T T x T T x T T x T T T T x x 17 n K T ˆ 1 1 n K T ˆ ˆ n

18 METODE DENOISING (3) Nilai konstanta ditentukan dengan melakukan beberapa percobaan sehingga diperoleh nilai yang lebih detail dan optimal. Nilai estimasi varians noise dihitung dengan menggunakan metode median absolute deviation (mad) Dari kedua langkah diatas, fuzzy feature akan dibandingkan dengan 3 nilai parameter threshold, sehingga dapat ditentukan fuzzy membership function yang akan digunakan. Sehingga citra bebas noise didapatkan menggunakan rumus berikut: xˆ s,, d ( i, j) ( f ( i, j)) ys d ( i, j)

19 ˆ n METODE MEDIAN ABSOLUTE DEVIATION (MAD) Median Absolute Deviation (mad) dapat digunakan Untuk menghitung estimasi noise varians, yaitu dengan menyatakan ukuran sebaran data. Mad bersifat sensitif terhadap outliners, akan tetapi tidak terlalu memindahkan nilai sebaran data lebih banyak seperti pada parameter standar deviasi dan varians dalam merespons adanya data yang buruk / outlier. Deviasi Absolut suatu elemen dari sebuah kumpulan data adalah perbedaan mutlak antara elemen dan titik tertentu. Biasanya titik dari penyimpangan yang diukur adalah tendensi sentral, salah satu nilai tersebut adalah nilai median. Rumus untuk menghitung Median Absolute Deviation (mad ) adalah sebagai berikut :

20 DESAIN MODEL REKONSTRUKSI Start Citra ter-denoising (LL, LH, HL, HH) Filtering Citra hasil rekonstruksi End 01 Februari 01 Tugas Akhir KI

21 MODEL REKONSTRUKSI Rekontruksi merupakan kebalikan dari dekomposisi Pada proses rekonstruksi akan dilakukan penggabungan antara subband-subband wavelet sehingga akan menghasilkan citra yang utuh dan tidak terbagi-bagi. LL1 HL1 LL HL LH1 HH1 LH HH Hasil citra 1

22 SNR digunakan untuk mengukur tingkat kualitas sinyal. Nilai ini dihitung berdasarkan perbandingan antara citra asli dengan citra hasil denoising. Kualitas sinyal berbanding lurus dengan dengan nilai SNR. Semakin besar nilai SNR semakin baik kualitas sinyal yang dihasilkan. SNR dihitung dalam satuan decibels (db). Persamaan SNR adalah sebagai berikut: SNR = 10 log 10 SNR (signal to noise ratio) ), ( ), ( ), ( m x n y m x n y y x f y x f y x f

23 SKENARIO UJI COBA Skenario ujicoba dilakukan melalui tahap sebagai berikut : 1. Menentukan Nilai variabel konstanta (k1 dan k), bertujuan untuk mendapatkan nilai k1 dan k yang akan digunakan untuk optimasi nilai ambang. Dengan memberikan nilai varians yang berbeda pada citra akan diperoleh nilai SNR. Diasumsikan bahwa nilai k1 dan k yang dipakai adalah pada saat SNR mencapai optimal. Menghitung Estimasi Varians Noise, bertujuan untuk mengukur penyebaran noise pada citra berdasarkan nilai varians yang diberikan menggunakan Median Absolute Deviation 3. Menghitung Signal to Noise Ratio (SNR), bertujuan untuk mengukur tingkat kualitas sinyal dengan membandingkan citra input dan citra yang telah didenoising menggunakan optimasi nilai ambang. 01 Februari 01 Tugas Akhir KI

24 UJI COBA a. Uji coba 1, menambahkan varians noise yang diberikan ke input citra Lena. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 5, 35, 40 dan 50. b. Uji coba, menambahkan varians noise yang diberikan ke input citra Pepper. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 5, 35, 40 dan 50. c. Uji coba 3, menambahkan varians noise yang diberikan ke input citra Baboon. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 5, 35, 40 dan 50. d. Uji coba 4, menambahkan varians noise yang diberikan ke input citra Plane. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 5, 35, 40 dan 50. e. Uji coba 5, menambahkan varians noise yang diberikan ke input citra Stone. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 5, 35, 40 dan 50.

25 UJI COBA 1 : Denoising pada citra Lena 1. Nilai k1 dan k hasil percobaan terhadap citra lena pada masing masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 1;. Hasil perhitungan estimasi noise varians pada citra lena dengan nilai varians 5, 15, 5, 35, 40 dan 50 dapat dilihat pada tabel : Varians Lena k1 k SNR optimal Varians Estimasi Noise Tabel Tabel 3. Hasil citra denoising adalah sebagai berikut :

26 UJI COBA 1 : Denoising pada citra Lena () Varians noise = 5 Varians noise = 15 Varians noise = 5 SNR = SNR =.9178 SNR =.333

27 UJI COBA 1 : Denoising pada citra Lena(3) Varians noise = 35 Varians noise = 40 Varians noise = 50 SNR = SNR = SNR =

28 UJI COBA : Denoising pada citra Pepper 1. Nilai k1 dan k hasil percobaan terhadap citra pepper pada masing masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 3;. Hasil perhitungan estimasi noise varians pada citra pepper dengan nilai varians 5, 15, 5, 35, 40 dan 50 dapat dilihat pada tabel 4 : Pepper Varians k1 k SNR optimal Tabel 3 3. Hasil citra denoising adalah sebagai berikut : Varians Estimasi Noise Tabel 4

29 UJI COBA 1 : Denoising pada citra Baboon () Varians noise = 5 Varians noise = 15 Varians noise = 5 SNR = SNR = SNR =

30 UJI COBA 1 : Denoising pada citra Baboon (3) Varians noise = 35 Varians noise = 40 Varians noise = 50 SNR = SNR = SNR = 1.158

31 UJI COBA 3 : Denoising pada citra Baboon 1. Nilai k1 dan k hasil percobaan terhadap citra Baboon pada masing masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 5;. Hasil perhitungan estimasi noise varians pada citra Baboon dengan nilai varians 5, 15, 5, 35, 40 dan 50 dapat dilihat pada tabel 6: Varians Baboon k1 k SNR optimal Varians Estimasi Noise Tabel 5 3. Hasil citra denoising adalah sebagai berikut : Tabel 6

32 UJI COBA 3 : Denoising pada citra Baboon () Varians noise = 5 Varians noise = 15 Varians noise = 5 SNR = SNR = SNR =

33 UJI COBA 3 : Denoising pada citra Baboon (3) Varians noise = 35 Varians noise = 40 Varians noise = 50 SNR = SNR = SNR =

34 UJI COBA 4 : Denoising pada citra Plane 1. Nilai k1 dan k hasil percobaan terhadap citra Plane pada masing masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 7;. Hasil perhitungan estimasi noise varians pada citra plane dengan nilai varians 5, 15, 5, 35, 40 dan 50 dapat dilihat pada tabel 8: Varians Plane k1 k SNR optimal Varians Estimasi Noise Tabel 7 3. Hasil citra denoising adalah sebagai berikut : Tabel 8

35 UJI COBA 4 : Denoising pada citra Plane () Varians noise = 5 Varians noise = 15 Varians noise = 5 SNR = SNR = 4.93 SNR =

36 UJI COBA 4 : Denoising pada citra Plane (3) Varians noise = 35 Varians noise = 40 Varians noise = 50 SNR =.314 SNR = SNR =

37 UJI COBA 5 : Denoising pada citra Stone 1. Nilai k1 dan k hasil percobaan terhadap citra Stone pada masing masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 9;. Hasil perhitungan estimasi noise varians pada citra stone dengan nilai varians 5, 15, 5, 35, 40 dan 50 dapat dilihat pada tabel 10: Varians Stone k1 k SNR optimal Tabel 9 3. Hasil citra denoising adalah sebagai berikut : Varians Estimasi Noise Tabel 10

38 UJI COBA 5 : Denoising pada citra stone () Varians noise = 5 Varians noise = 15 Varians noise = 5 SNR = SNR = SNR = 4.576

39 UJI COBA 5 : Denoising pada citra stone (3) Varians noise = 35 Varians noise = 40 Varians noise = 50 SNR =.1363 SNR = SNR =

40 KESIMPULAN Metode wavelet berbasis logika fuzzy terbukti dapat digunakan untuk memperbaiki / mengembalikan citra yang diberi noise kedalam kondisi bebas noise Metode Median Absolute Deviation dapat digunakan untuk menghitung estimasi varians noise Dengan melakukan lebih banyak percobaan untuk menentukan nilai k1 dan k yang sesuai dapat mempengaruhi nilai threshold yang akan diperoleh 01 Februari 01 Tugas Akhir KI

41 KESIMPULAN () Tingkat keberhasilan ( diukur menggunakan SNR ) pada metode wavelet berbasis logika fuzzy bergantung dari nilai varians noise Nilai kontanta k1 dan k yang digunakan dan nilai estimasi noise varians memiliki pengaruh dalam menentukan SNR. Berdasarkan ujicoba, setiap citra memiliki nilai k1 dan k serta nilai estimasi yang berbeda-beda. Metode denoising citra berwarna berbasis logika fuzzy lebih optimal dengan optimasi Nilai Ambang Wavelet

42 SARAN a. Perlu dilakukan uji coba yang lebih mendalam untuk mengetahui efektivitas hasil perbaikan dengan metode wavelet berbasis logika fuzzy dalam citra RGB. b. Perlu dilakukan percobaan optimasi nilai ambang berbasis logika fuzzy pada citra multispectral satelit. 01 Februari 01 Tugas Akhir KI

43 01 Februari 01 Tugas Akhir KI

44 LOGIKA FUZZY Secara ilmiah, logika fuzzy merupakan suatu logika bernilai banyak yang dapat mendefinisikan nilai diantara keadaan biasa seperti ya atau tidak, benar atau salah, hitam atau putih, dan sebagainy Logika fuzzy akan memberikan nilai yang spesifik pada setiap nilai diantara pernyataan ya atau tidak dengan menentukan fungsi keanggotaan (membership function). Fungsi keanggotaan berada diantara 0 sampai 1, sehingga memungkinkan bagi suatu persamaan memiliki nilai true dan false secara bersamaan. 01 Februari 01 Tugas Akhir KI