ANALISIS FILTERING NOISE DENGAN MENGGUNAKAN METODE STATISTIK MEAN DAN MEDIAN PADA OBJEK CITRA MALAM HARI

Transkripsi

1 ANALISIS FILTERING NOISE DENGAN MENGGUNAKAN METODE STATISTIK MEAN DAN MEDIAN PADA OBJEK CITRA MALAM HARI TUGAS AKHIR Oleh : RAHMAD Disusun untuk memenuhi syarat kelulusan Program Diploma IV PROGRAM STUDI TEKNIK MULTIMEDIA JARINGAN POLITEKNIK NEGERI BATAM BATAM 2017

2

3 HALAMAN PENGESAHAN ANALISIS FILTERING NOISE DENGAN MENGGUNAKAN METODE STATISTIK MEAN DAN MEDIAN PADA OBJEK CITRA MALAM HARI Oleh : RAHMAD Tugas Akhir ini telah diterima dan disahkan sebagai persyaratan untuk memperoleh gelar Ahli Madya di PROGRAM STUDI DIPLOMA IV TEKNIK MILTIMEDIA DAN JARINGAN POLITEKNIK NEGERI BATAM Batam, 02 Juni 2017 Disetujui oleh; Pembimbing I Mira Chandra Kirana,S.T., M.T. NIP i

4 HALAMAN PERNYATAAN Dengan ini, saya: NIM : RAHMAD Nama : adalah mahasiswa Teknik Informatika Politeknik Batam yang menyatakan bahwa tugas akhir dengan judul: ANALISIS FILTERING NOISE DENGAN MENGGUNAKAN METODE STATISTIK MEAN DAN MEDIAN PADA OBJEK CITRA MALAM HARI disusun dengan: 1. tidak melakukan plagiat terhadap naskah karya orang lain 2. tidak melakukan pemalsuan data 3. tidak menggunakan karya orang lain tanpa menyebut sumber asli atau tanpa ijin pemilik Jika kemudian terbukti terjadi pelanggaran terhadap pernyataan di atas, maka saya bersedia menerima sanksi apapun termasuk pencabutan gelar akademik. Lembar pernyataan ini juga memberikan hak kepada Politeknik Batam untuk mempergunakan, mendistribusikan ataupun memproduksi ulang seluruh hasil Tugas Akhir ini. Batam, 02 Juni 2017 RAHMAD ii

5 PERSEMBAHAN 1. Setiap lembaran dan goresan tinta ini merupakan wujud dari keagungan dan kasih sayang yang diberikan Allah SWT kepada umat-nya 2. Setiap detik waktu penyelesaian karya ini merupakan hasil doa kedua orang tua dan keluarga yang selalu memberikan kasih sayang, semangat dan dorongan yang tiada henti kepadaku. 3. Rasa terima kasih juga ke persembahkan pada wali Dosen, Dosen Pembimbing, Koordinator Tugas Akhir dan Seluruh Dosen beserta Keluarga besar Politeknik Negeri Batam yang telah memberikan pelajaran, membimbing serta senantiasa memberikan masukan kepadaku untuk bisa menyelesikan Tugas Akhir ini. 4. Teman-teman seperjuangan Teknik Multimedia jaringan, hari-hari bersama kalian berjuang bersama dan selalu saling memberikan semangat serta masukan yang tiada henti dalam menyelesaikan Tugas Akhir ini. 5. Almamater Politeknik Negeri Batam. iii

6 KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah SWT atas segala rahmat-nya sehingga penulis dapat menyelesaikan Tugas Akhir. Penulisan Tugas Akhir ini adalah untuk memenuhi salah satu syarat kelulusan yang harus ditempuh dalam program studi Teknik Multimedia jaringan Penulis menyadari dalam proses penyusunan Tugas Akhir banyak mendapat dukungan dari berbagai pihak, maka penulis ingin mengucapkan rasa terima kasih kepada : 1. Allah SWT, atas anugerah yang diberikan kepada penulis. 2. Kedua Orang Tua yang selalu memberikan dukungan moril maupun materil. 3. Ibu Maria S.ST selaku Dosen wali 4. Mira Chandra Kirana,S.T.,M.T. selaku Dosen Pembimbing. 5. Ibu Yeni Rokhayati, S.Si., M.Sc selaku Koordinator Tugas Akhir. 6. Seluruh Dosen, Asisten, dan keluarga besar Politeknik Negeri Batam. 7. Teman-teman seperjuangan Teknik multimedia jaringan Politeknik Negeri Batam angkatan Kami menyadari sepenuhnya dalam pembuatan Tugas Akhir ini masih banyak terdapat banyak kekurangan, maka saran dan masukan yang bersifat membangun sangat kami harapkan demi pengembangan tugas akhir ini selanjutnya dimasa yang akan datang. Batam, 02 Juni 2017 Penulis iv

7 ABSTRAK ANALISIS FILTERING NOISE MENGGUNAKAN METODE STATISTIK MEAN, MEDIAN PADA OBJEK CITRA MALAM HARI Filtering citra merupakan salah satu bagian dari perbaikan kualitas citra, dengan menghaluskan dan menghilangkan noise yang ada pada citra, baik secara linear maupun secara non-linear. Mean filter merupakan salah satu filtering linear yang bekerja dengan menggantikan intensitas nilai pixel dengan rata-rata dari nilai pixel tersebut dengan nilai pixel-pixel tetangganya. Sedangkan median filter merupakan salah satu filtering non-linear yang mengurutkan nilai intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai mediannya. Penelitian ini mempelajari teknik-teknik pengurangan noise dengan menggunakan metode mean dan median filter, untuk mengurangi noise selanjutnya dilakukan dalam uji coba terhadap beberapa citra berwarna dengan 30 sempel citra yang telah dipilih sebelumnya, Citra uji diberikan noise berupa Salt & Pepper berbentuk seperti bintik hitam dan putih pada citra untuk mengurangi noise ini dibutuhkan metode filtering noise menggunakan median dan mean filter. Kemudian dianalisa performanya secara kualitatif dengan membandingkan citra output filter, citra bernoise dan citra asli secara kasat mata. Secara kuantitatif diukur melalui nilai PSNR, SNR dan MSE. Pengujian lebih mendalam terhadap performa filter ini dengan mencari nilai selisih setiap nilai PSNR, SNR dan MSE serta mendapatkan hasil yang baik. Perbedaan terdapat pada nilai PSNR, SNR dan MSE serta selisihnya yang telah di dapatkan melalui filtering noise, Disimpulkan bahwa filtering noise yang baik menggunakan metode median filter sedangkan metode mean kurang baik untuk digunakan pada uji coba filtering noise pada citra. Kata Kunci: filtering noise, mean filter, median filter v

8 ABSTRACT ANALYSIS OF FILTERING NOISE USING STATISTICAL METHODS THE MEAN, THE MEDIAN ON THE OBJECT THE IMAGE OF NIGHT Image filtering is one part of image quality improvement, by smoothing and eliminating noise on the image, both linearly and non-linearly. The mean filter is one linear filtering that works by replacing the pixel value intensity with the average of the pixel value with its neighboring pixel values. While the median filter is one of the non-linear filtering that sort the intensity value of a pixel group, then replace the pixel value that is processed with its median value. This study studied noise reduction techniques using the mean and median filter method, to reduce the noise subsequently conducted in a trial of multiple color images with 30 previously selected image seals, Test image is given the noise of Salt & Pepper shaped like black spots and White on the image to reduce the noise is required method of noise filtering using median and mean filter. Then analyzed the performance qualitatively by comparing the image output filter, image bernoise and original image by naked eye. Quantitatively measured through PSNR, SNR and MSE values. Testing more in depth on the performance of this filter by finding the value of the difference between each value of PSNR, SNR and MSE and get good results. The difference is in the value of PSNR, SNR and MSE and the difference that has been obtained through filtering noise. It is concluded that good noise filtering using median filter method mean method is not good to be used in testing noise filtering on image. Keyword: filtering noise, mean filter, median filter vi

9 DAFTAR ISI HALAMAN PENGESAHAN... i HALAMAN PERNYATAAN... ii PERSEMBAHAN... iii KATA PENGANTAR... iv ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR GAMBAR... ix DAFTAR TABEL... x BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Sistematika Penulisan... 3 BAB II LANDASAN TEORI Tinjauan Pustaka Dasar Teori Pengertian Citra Noise pada citra Rekonstruksi dan Restorasi Citra Filter Mean Filter Median Peak Signal to Noise Ratio (PSNR) Matlab BAB III METODOLOGI PENELITIAN Desain Penelitian Lokasi dan Waktu Penelitian Alat dan Bahan Kebutuhan Software Kebutuhan Hardware vii

10 3.4 Teknik Pengumpulan Data Teknik Pengolahan dan Analisis Data Teknik Pengolahan Data Analisis Data Penyajian Data BAB IV HASIL DAN PEMBAHASAN Implementasi Filtering Noise Median Filter Mean Filter Hasil Citra Filter Nilai Parameter PSNR SNR dan MSE Nilai Parameter PSNR Nilai Parameter SNR Nilai Parameter MSE Nilai Selisih PSNR SNR dan MSE Grafik Nilai Selisih Citra Grafik Nilai Selisih Citra Grafik Nilai Selisih Citra Grafik Nilai Selisih Citra Grafik Nilai Selisih Citra Grafik Nilai Selisih PSNR SNR dan MSE Grafik Nilai Selisih PSNR Grafik Nilai Selisih SNR Grafik Nilai Selisih MSE BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA viii

11 DAFTAR GAMBAR Gambar 3. 1 Desain penelitian Gambar 3. 2 Alur Implementasi Gambar 3. 3 Parameter pengujian Gambar 3. 4 Grafik perbandingan PSNR dan MSE Gambar 4. 1 Source Code Median Filter Gambar 4. 2 Source Code Mean Filter Gambar 4. 3 Grafik Citra Gambar 4. 4 Grafik Citra Gambar 4. 5 Grafik Citra Gambar 4. 6 Grafik Citra Gambar 4. 7 Grafik Nilai Selisih PSNR Gambar 4. 8 Grafik Nilai Selisih SNR Gambar 4. 9 Grafik Nilai Selisih MSE ix

12 DAFTAR TABEL Tabel 2. 1 Perbandingan Dengan Penelitian Sebelumnya... 5 Tabel 4 1 Citra Penelitian Tabel 4 2 Nilai PSNR Tabel 4. 3 Nilai Parameter SNR Tabel 4. 4 Nilai Parameter MSE Tabel 4. 5 Nilai Selisih PSNR SNR dan MSE x

13 BAB I PENDAHULUAN 1.1 Latar Belakang Citra adalah bidang dua dimensi yang disebut sebagai salah satu komponen utama dalam bidang multimedia, citra memegang peranan penting sebagai bentuk informasi visual yang semakin berkembang diberbagai bidang (Murinto, 2007). Saat ini penggunaan citra semakin meningkat karena kelebihan yang dimiliki oleh citra tersebut, di antarnya adalah kemudahan dalam mendapatkan gambar, pengolahan gambar dan memperbanyak gambar. Citra merupakan istilah lain untuk gambar sebagai bentuk informasi visual yang memegang peranan penting dalam komponen multimedia. Pengolahan citra merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Ketika sebuah citra ditangkap oleh kamera pada malam hari atau citra yang telah disimpan dalam waktu cukup lama, seringkali tidak dapat langsung digunakan sebagaimana yang diinginkan karena kualitasnya belum memenuhi standar untuk kebutuhan pengolahan (Usman, 2005). Misalnya saja citra disertai oleh variasi intensitas cahaya pada malam hari yang kurang seragam akibat pencahayaan yang tidak merata, atau lemah dalam hal kontras sehingga objek sulit sekali untuk dipisahkan dari latar belakangnya melalui operasi binerisasi karena terlalu banyak noise (gangguan atau distorsi dalam citra), dan lain sebagainya. Secara umum dapat dikatakan bahwa citra yang demikian kualitasnya masih rendah, baik oleh karena adanya noise, maupun oleh sebab lainnya seperti tingginya variasi intensitas dari daerah yang sama, atau karena lemahnya perbedaan intensitas dari dua atau lebih daerah yang berlainan maupun pola waktu dalam pengambilan citra. Citra dengan kualitas seperti ini memerlukan langkah-langkah perbaikan atau kualitasnya perlu ditingkatkan untuk memfasilitasi pengolahan yang akan dilakukan, agar kualitas citra menjadi lebih baik dan dapat digunakan sesuai standar yang diinginkan. 1

14 Berdasarkan hal yang telah diuraikan diatas maka pada penelitian ini mencoba untuk menguji dan menganalisa metode median filter, mean filter untuk mengatasi tipe noise salt & pepper pada citra. Semua filter yang diujicoba akan dibandingkan performanya melalui pengamatan kualitatif dan menghitung secara kuantitatif nilai PSNR (Peak Signal to noise Ratio). 1.2 Rumusan Masalah Adapun rumusan masalah pada tugas akhir ini adalah sebagai berikut: 1. Bagaimana melakukan filtering noise dengan menggunakan metode mean dan median filter pada objek citra malam hari. 2. Bagaimana mengetahui nilai parameter PSNR, SNR, MSE. 3. Bagaimana mengetahui nilai perbandingan selisih dari PSNR, SNR, MSE. 1.3 Batasan Masalah Adapun batasan masalah yang membatasi ruang lingkup yang bersangkutan pada tugas akhir ini adalah: 1. Simulasi dilakukan dengan menggunakan MATLAB. 2. Melakukan pencarian nilai PSNR, SNR, MSE dan selisihnya 3. Citra uji adalah citra standard berwarna yang dipakai pada riset perbaikan kualitas citra digital pada waktu penggambilan gambar malam hari serta pemberian noise berupa salt & paper terlebih dahulu sebelum diperoses. 4. Dilakukan pengujian terhadap 30 sampel citra. 1.4 Tujuan Penelitian Tujuan dari penelitian ini adalah: 1. Implementasi metode mean dan median filter untuk filtering noise pada objek citra malam hari. 2. Menganalisis nilai parameter PSNR, SNR, MSE yang telah di filtering. 2

15 3. Menganalisis nilai selisih dari PSNR, SNR, MSE dengan metode mean dan median filter. 1.5 Manfaat Penelitian Adapun manfaat penelitian ini adalah untuk mengetahui penggunaan metode statistik mean dan median filter untuk mengurangi atau memperkecil tingkat noise suatu gambar. Sehingga pengguna mengetahui metode yang bisa digunakan untuk memperbaiki atau menghilangkan noise pada gambar. 1.6 Sistematika Penulisan Sistematika penulisan yang diterapkan untuk menyajikan gambaran mengenai permasalahan yang akan dibahas dalam penulisan ini, di antaranya : BAB I Pendahuluan Pada bab ini berisikan latar belakang, identifikasi masalah, rumusan masalah, batasan masalah, tujuan penelitian, dan sistematika penulisan. BAB II Landasan Teori Pada bab ini berisikan teori tentang penelitian sebelumnya, penjelasan citra, filter noise, Matlab. BAB III Metodologi Penelitian Pada bab ini berisikan tentang metode penelitian serta sistem dalam penelitian tersebut. BAB IV Hasil dan Pembahasan Pada bab ini berisikan tentang hasil penelitian dan pembahasan sistem yang telah dilakukan penelitian. BAB V Kesimpulan dan Saran Pada bab ini berisikan kesimpulan dan saran untuk keperluan penerapan maupun pengembangan selanjutnya 3

16 BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka Banyak penelitian tentang filtering noise sampai saat ini dan masih akan terus berlanjut sebagai pengembangan teknik pemrosesan citra (Yuwono, 2010). Yang mencoba melakukan proses smoothing yang lebih cepat, metode mean hanya mendeteksi intensitas warna piksel pada citra yang sinyal nya rendah saja. (Murinto dkk, 2007) melakukan analisis perbandingan metode intensity filtering dengan frequency filtering pada aplikasi pengurangan noise pada citra digital. SNR yang dihasilkan berbeda-beda tergantung pada piksel dan kompleksitas citra yng diuji. Nilai SNR yang lebih kecil adalah nilai SNR yang lebih baik dalam penggunaan metode reduksi noise, karena nilai SNR didapat dari nilai kualitas citra filter dibandingkan nilai kualitas citra asli yang ada noise nya. Sehingga semakin kecil nilai SNR maka semakin rendah ratio sinyal terhadap noise, dimana sinyal adalah citra asli yang ada noise nya. (Pradana, 2015) melakukan penggunaan LPF untuk mereduksi Gaussian noise, Speckle Noise, dan Saltan Pepper Noise dilakukan dengan membangkitkan ketiga jenis noise tersebut dengn menggunakan beberapa probabilitas noise. Probabilitas noise yang digunakan untukmembangkitkan tiga jenis noise tersebut. Adapun perbandingan dari penelitian sebelumnya dengan penelitian yang akan dilakukan, yaitu dengan membandingkan perbedaan dari penelitian sebelumnya dan sekarang dilihat pada tabel 2.1 4

17 Tabel 2. 1 Perbandingan Dengan Penelitian Sebelumnya Penulis Bambang yuwono Murinto dkk Patidar dkk Rahmad Judul Image Smoothing Menggunakan Analisis Perbandingan Implementasi metode Low Analisis Filtering Noise Mean Filtering, Median Filtering, Metode Intensity Filtering pass filtering untuk mereduksi Menggunakan Metode Modu Filtering dan Gaussian Dengan Metode Frequency noise pada objek citra digital Statistik Mean, Median pada Fitering Filtering Sebagai Reduksi Objek Citra Malam Hari Noise Pada Citra Digital Metode - Mean Filtering - Intensity Filtering - Low Pass Filtering - Mean filter - Median Filtering - Frequency Filtering - Median Filter - Modu Filtering Gaussian Fitering Kelebihan Proses smooting yang lebih cepat Implementasi yang akan Penelitian ini tergolong Proses filtering noise yang /kekurangan adalah metode mean. Karena dianalisis oleh system memerlukan waktu yang cepat dimana dalam pencarian metode mean hanya mendeteksi berdasarkan kebutuhan sangat lama dan Belum nilai PSNR, SNR, MSE serta intensitass warna pixel pada citra system yang telah dirancang mampu untuk selishnya, dan kebutuhan yang meloloskan sinyal tinggi dan sehingga di dapat kan hasil mengimplementasikan metode system yang telah dirancang sinyal rendah nya saja. yang sesuai tujuan ini untuk lebih dari satu sehingga di dapat kan hasil gambar yang sesuai tujuan. 5

18 Hasil Median filtering memberikan Perlu dilakukan beberapa Proses penghaluskan dengan - hasil filtering noise pada hasil yang lebih baik kali proses noise reduction menggunakan metode low pass setiap citra bahan penelitian dibandingkan mean filtering dengan kombinasi metode filtering merupakan bentuk terlihat ada beberapa untuk citra yang mengalami yang digunakan,tiap metode filter yang diambil frekuensi perbedaan dari hasil filtering gangguan dalam bentuk berupa meiliki kelebihan dan rendah dan membuang pada metode median filter dan bercak-bercak putih. Bila ukuran kekurangan masing-masing. frekuensi tinggi. mean filter terhadap citra asli. mask diperbesar, maka derau SNR yang di hasil berbeda- Itu menunjukkan bahwa semakin banyak dihilangkan, beda tergantung pada pixel implementasi filtering noise tetapi bersamaan dengan itu dan kompleksitas citra yang berhasil. informasi detail citra juga ikut diuji. - Hasil perhitungan nilai psnr, dihilangkan sehingga citra snr, mse pada suatu citra yang nampak kabur Sebaliknya dengan telah di filtering mendapatkan semakin kecilnya ukuran mask, nilai sebuah angka. Dan informasi detail citra dapat mendapatkan Nilai selisih dipertahankan tetapi derau juga psnr, snr, mse. tetap dipertahankan. 6

19 Dari tabel 2.1 terlihat penelitian Bambang yuwono hanya menghitung dari tingkat noise saja, median filtering memberikan hasil yang lebih baik dibandingkan mean filtering untuk citra yang mengalami gangguan dalam bentuk berupa bercakbercak putih. Bila ukuran mask diperbesar, maka derau semakin banyak dihilangkan, tetapi bersamaan dengan itu informasi detail citra juga ikut dihilangkan sehingga citra nampak kabur Sebaliknya dengan semakin kecilnya ukuran mask, informasi detail citra dapat dipertahankan tetapi derau juga tetap dipertahankan. dan adapun penelitian Murinto dkk, Perlu dilakukan beberapa kali proses noise reduction dengan kombinasi metode yang digunakan,tiap metode meiliki kelebihan dan kekurangan masing-masing. SNR yang di hasil berbedabeda tergantung pada pixel dan kompleksitas citra yang diuji. Sedangkan penelitian Patidar dkk, hanya Proses penghaluskan dengan menggunakan metode low pass filtering merupakan bentuk filter yang diambil frekuensi rendah dan membuang frekuensi tinggi. Dan penelitian rahmad terlihat ada beberapa perbedaan dari hasil filtering pada metode median filter dan mean filter terhadap citra asli, serta Hasil perhitungan nilai psnr, snr, mse pada suatu citra yang telah di filtering mendapatkan nilai sebuah angka. Dan mendapatkan Nilai selisih PSNR, SNR, MSE. 7

20 2.2 Dasar Teori Pengertian Citra Citra (image) atau istilah lain untuk gambar sebagai salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering kali citra yang dimiliki mengalami penurunan mutu, misalnya mengandung cacat atau noise. Tentu saja citra semacam ini menjadi lebih sulit untuk diinterpretasikan karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Suatu citra dapat didefinisikan sebagai fungsi f (x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit, maka dapat dikatakan bahwa citra tersebut adalah citra digital. Citra digital dapat ditulis dalam bentuk matrik persamaan 2.1 (2,1) Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y ) disebut dengan picture element, image element, pels, atau pixel. Istilah terakhir (pixel) paling sering digunakan pada citra digital. Kegunaan citra dalam penelitian in adalah sebagai objek peneliti yang akan diproses untuk di cek kualitasi citra nya dan berapa besar noise yang terdapat bada citra tersebut Noise pada citra Noise (derau) merupakan penyebab utama penurunan kualitas citra (degradasi), sehingga sangat mengganggu apabila suatu foto ingin dicetak dan disimpan pada album atau dipajang diruang tamu. Dalam beberapa aplikasi medis, citra hasil pemindai MRI, CT Scan maupun USG, juga dapat terkena noise. Terlebih lagi USG, citra hitam putih analog yang dihasilkan sangat banyak memiliki noise, sehingga bila dibutuhkan analisa berbantuan komputer, perlu 8

21 dilakukan preproses untuk memperbaiki kualitas citra (enhancement), agar deteksi selanjutnya bisa lebih tepat atau presisi. Ada 3 tipe noise yang umum pada pemrosesan citra digital, yaitu impulse noise, additive noise dan multiplicative noise. Ketiga tipe ini dapat dijelaskan sebagai berikut : a. Impulse noise, merupakan noise yang berbentuk sinyal impuls acak dan terdistribusi secara acak pula pada suatu citra digital. Adanya sinyal impuls ini menyebabkan diskontinuitas pada suatu segmen citra, atau pada suatu spatial window yang dievaluasi. Contoh impulse noise adalah salt and pepper. b. Additive noise, adalah sinyal-sinyal dengan magnitude acak yang terdistribusi secara Gauss pada suatu citra digital. Contoh additive noise adalah derau putih (white noise) dan Gaussian noise, c. Multiplicative noise, adalah suatu multiplikasi atau konvolusi dari beberapa noise dengan magnitude, distribusi dan intensitas yang berbeda Rekonstruksi dan Restorasi Citra Dalam peningkatan citra (image enhancement), tujuan utama dari teknik restorasi adalah untuk meningkatkan citra dalam arti yang telah ditetapkan, seperti mempertajam (sharpening), menilangkan derau (noise removing), pengaturan cahaya (brightness) dan lainnya. Meskipun ada bidang yang tumpang tindih, peningkatan citra sebagian besar merupakan proses yang subyektif, sedangkan restorasi citra adalah untuk sebagian besar proses obyektif. Restorasi mencoba untuk memulihkan gambar yang telah terdegradasi (menurun kualitasnya) dengan menggunakan pengetahuan atau metode-metode yang telah diketahui dari fenomena degradasi seperti bintik noise, blur (kabur) dan seterusnya (Gonzalez,2008). Dengan demikian, teknik restorasi berorientasi ke arah gambar 9

22 restorasi. Salah satu pendekatan yang banyak digunakan, termasuk juga untuk teknik restorasi citra yang terkena noise adalah dengan menggunakan filter spasial. Filter ini bekerja dengan membentuk jendela spasial (spatial window) yang akan mengevaluasi setiap nilai pixel pada citra digital. Titik pusat pixel akan dikoreksi berdasarkan nilai pixel Filter Mean Mean adalah teknik penjelasan kelompok yang didasarkan atas nilai ratarata dari kelompok tersebut. Rata-Rata (mean) ini didapat dengan menjumlahkan data seluruh individu dalam kelompok itu, kemudian dibagi dengan jumlah individu yang ada pada kelompok tersebut. Tujuannya mencari nilai rata-rata dari pixel pada window yang dievaluasi, nilai ini selanjutnya menggantikan titik tengah pada window sebagai koreksinya window adalah area yang diarsir dengan titik tengah atau pusat adalah pixel yang akan diperbaiki. Kegunaan filter Mean dalam penelitian ini adalah agar menggetahui nilai yang sering muncul dengan nilai rata-rata pada pixel yang terdapat pada citra tersebut Filter Median Median atau nilai-tengah adalah salah satu ukuran pemusatan data yaitu jika segugus data diurutkan dari yang terkecil sampai yang terbesar atau yang terbesar sampai yang terkecil, nilai pengamatan yang tepat di tengah-tengah bila jumlah datanya ganjil, atau rata-rata kedua pengamatan yang di tengah bila banyaknya pengamatan genap. Filter ini bekerja dengan menggantikan nilai tengah dari pixel yang dicakup oleh area filter dengan sebuah nilai tengah (median) setelah diurutkan terlebih dahulu dari yang terkecil ke yang terbesar. Biasanya ukuran filter adalah ganjil karena akan memberikan poros tengah, sehingga akan lebih mudah dalam mengolah citra Filter Median memiliki dua cara untuk melakukan peningkatan citra, pertama adalah dengan point processing, dan kedua adalah mask processing. Jika 10

23 pada point processing dilakukan operasi terhadap masing-masing pixel, maka pada mask processing dilakukan operasi terhadap suatu jendela ketetanggaan pada citra. Selanjutnya diterapkan (melakukan konvolusi) suatu mask terhadap jendela tersebut. Salah satu penerapan mask processing adalah median filtering. Median Filtering merupakan salah satu teknik peningkatan kualitas citra dalam domain spasial. Metode ini termasuk dalam kategori non linear filtering. Cara kerjanya hampir sama dengan mean filtering. Pada mean filtering dalam setiap pixel output diatur ke tingkat rata-rata dari nilai-nilai pixel dalam mask yang ditentukan. Namun, dengan median filtering, nilai pixel ditentukan oleh median dari lingkungan mask yang ditentukan. Filter Median dalam penelitian ini yaitu agar melihat kerusakan pada citra dengan cara menghitung nilai pixel yang terdapat noise Peak Signal to Noise Ratio (PSNR) Peak Singnal to Noise Ratio (PSNR) adalah perbandingan anatra nilai maksimum dari sinyal yang diukur dengan besarnya derau yang berpengaruh pada sinyal tersebut. PSNR biasanya diukur dalam satuan decibel (db). PSNR digunakan untuk mengetahui perbandingan kualitas citra cover sebelum dan sesudah disisipkan pesan. Untuk menentukan PSNR terlebih dahulu harus ditentukan nilai (Mean Square Error) MSE. MSE adalah nilai error kuadrat ratarata antara citra asli dengan citra manipulasi dalam kasuus Steganografi, MSE adalah nilai error kuadrat rata-rata antara citra asli (cover, image) dengan citra hasil penyisipan (Stego, image). Dalam suatu pengembangan dan pelaksanaan rekonstruksi gambar diperlukan perbandingan antara gambar hasil rekonstruksi dengan gambar asli. Ukuran umum yang digunakan untuk tujuan ini adalah Peak Signal to Noise Ratio (PSNR). Nilai PSNR yang lebih tinggi menyiratkan kemiripan yang lebih erat antara hasil rekonstruksi dan gambar asli. PSNR didefinisikan sebagai berikut : (2.2) 11

24 Dimana MSE dinyatakan sebagai mean square error yang didefinisikan sebagai:.(2.3) Dimana x dan y adalah koordinat dari gambar, M dan N adalah dimensi dari gambar, S_xy menyatakan stego-image dan C_xy menyatakan cover-image. C_max^2 memiliki nilai maksimum dalam gambar, sebagai contoh:.(2.4) PSNR sering dinyatakan dalam skala logaritmik dalam decibel (db). Nilai PSNR jatuh dibawah 30 db mengindikasikan qualitas yang relative rendah, dimana distorsi yang dikarenakan penyisipan terlihat jelas. Akan tetapi kualitas stegoimage yang tinggi berada pada nilai 40dB dan diatasnya (Cheddad, 2010). Contoh perhitungan MSE dan PSNR (pada citra asli dan citra akhir penyisipan pesan): Berikut ini adalah contoh perhitungannya. Citra awal adalah citra yang belum disisipi pesan, dan citra akhir adalah citra yang sudah disisipi pesan (pada studi kasus steganografi). PSNR dan MSE dalam penelitian ini adalah untuk menilai secara objektif pada citra dengan menggunakan besaran MSE dan PSNR kedua besaran tersebut membandingkan pixel-pixel pada posisi yang sama dari dua citra yang berlainan. 12

25 2.2.8 Matlab Dalam penelitian Eko prasetyo (2011) MATLAB (Matrix Laboratory) adalah sebuah program untuk analisis dan komputasi angka, merupakan sebuah bahasa pemprogaman matematika lanjutan yang dibentuk dengan dasar pemikiran menggunakan sifat dan bentuk matrix. Pada awalnya program ini merupakan interface untuk koleksi rutin-rutin numeric proyek LINPACK dan EISPACK, dikembangkan oleh bahasa FORTRAN, dan sekarang program ini merupakan produk komersial dari perusahaan Mathwork, Inc. yang dikembangkan menggunakan bahasa C++ dan assembler. Selain itu matlab merupakan bahasa pemprogaman tingkat tinggi berbasis pada matriks sering digunakan untuk tehnik komputasi numerik, digunakan untuk menyelesaikan masalah-masalah yang melibatkan operasi matematika eleme, matrix, optimasi, aproksimasi dan lain lain, dan digunakan pada : 1. Matematika dan komputasi 2. Pengembangan algoritma 3. Pemprogaman modelling, simulasi, dan pembuatan prototype 4. Analisis data dan visualisasi 5. Analisis numeric dan statistic 6. Pengembangan aplikasi teknik Software matlab dalam penelitian ini digunakan untuk melakukan proses pengolahan filtering noise, mulai dari transformasi warna pada gambar, pengolahan gambar serta melakukan analisa menggunakan parameter yang telah ditentukan. 13

26 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Pengumpulan Literature Analisa Masalah Analisa dan Perancangan Penelitian Implementasi Pengujian Analisa Hasil dan Evaluasi Penarikan Kesimpulan Penyusunan Laporan Gambar 3. 1 Desain penelitian Gambar 3.1 menunjukkan bahwa proses penelitian ini dimulai dari: a. Pengumpulan Literature Pada tahap ini mengumpulkan literature yang berhubungan dengan masalah yang dimiliki untuk membantu dalam mendukung proses membangun dan merancang sistem sehingga dapat berjalan dengan baik. b. Analisa Masalah Pada tahap ini menganalilis masalah yang terdapat noise dalam bebrapa sempel citra kemudian mencari nilai PSNR, SNR dan MSE yang telah di Filtering sebelumnya, serta mencari nilai selisih PSNR, SNR dan MSE dengan menerapkan metode Median dan Mean filter. 14

27 c. Analisa dan Perancangan Penelitian Pada tahap ini mulai menganalisa dan merancang dengan pertimbangan tertentu agar mudah digunakan dan dipahami oleh pengguna. d. Implementasi Pada tahap ini melakukan implementasi hasil dari analisa dan perancangan kedalam sebuah sistem. Berikut alur proses atau flowchart. Masukan Citra Pemberian noise terhadap citra dengan menggunakan metode salt & pepper Proses perbaikan citra menggunakan metode Median & Mean filter Penghitungan Nilai PSNR, SNR, MSE Penghitungan Nilai selisih PSNR, SNR, MSE Gambar 3. 2 Alur Implementasi Pada gambar 3.2 meunjukkan bahwa untuk melakukan proses filtering noise pada sistem diawali saat citra di input kemudian pemberian noise terhadap citra dengan menggunakan metode salt & pepper tahap selanjutnya citra yang diberi noise di perbaiki menggunakan metode median & mean filter, setelah berhasil di perbaiki di hitung nilai PSNR, SNR dan MSE setelah mendapatkan nilai tersebut diteruskan mencari perbandingan nilai selisihnya yang terdapat pada nilai PSNR, SNR dan MSE. e. Pengujian 15

28 Pada tahap ini dilakukan pengujian agar dapat mengindentifikasi kesalahan atau error yang terjadi pada sistem sehingga dapat berjalan sesuai harapan. f. Analisa Hasil dan Evaluasi Pada tahap ini dilakukan analisa perbandingan hasil filtering noise terhadap sempel citra melalui tahap pencarian nilai psnr, snr, mse dan selisihnya dengan menggunakan metode median dan mean filter. g. Penarikan Kesimpulan Pada tahap ini didapatkan hasil perbandingan sehingga dapat diambil kesimpulan dan tingkat keberhasilan sistem yang di bangun. 3.2 Lokasi dan Waktu Penelitian Penelitian ini banyak dilakukan secara mandiri dirumah dan di kampus Politeknik Negeri Batam, penelitian dilakukan mulai dari 25 Agustus 2016 sampai 04 Mei Alat dan Bahan Kebutuhan Software Kebutuhan software sebagai langkah utama untuk membantu penelitian dalam menbuat citra yang diuji kemudian di proses program yang telah dibuat, lalu dijalankan untuk mendapatkan hasil noise pada citra tersebut. Perangkat lunak yang baik dan sesuai dengan kebutuhan pengujian bergantung pada keberhasilan dalam analisis. Perangkat lunak yang akan digunakan yaitu: Matlab Versi 2015b Kebutuhan Hardware Kebutuhan hardware digunakan untuk mengakses data yang akan diuji dan pengolahan data. Parangkat hardware minimal yang akan digunakan antara lain: - PC/ Laptop dengan processor minimal Intel Core 2 Duo 2.0Ghz - Kapasistas RAM minimal 2GB 16

29 - Harddisk dengan kapasitas minimal 160 GB - VGA minimal 512Mb 3.4 Teknik Pengumpulan Data Pada penelitian kali ini akan dilakukan pengumpulan beberapa objek citra yang pada kondisi malam hari, pengambilan citra dilakukan menggunakan kamera digital. Teknik kamera dalam pengambilan citra menggunakan teknik close up, medium shot, long shot. Dalam pengambilan citra digunakan alat bantu tripod untuk membantu meminimalkan goncangan kamera. Pengaturan kamera menggunakan ISO yang berfariasi 200, 400, maupun 600. Pengaturan lain seperti shutter speed, aparture, white balance maupun fokus akan disesuaikan dengan kondisi cuaca pada saat pengambilan citra. Kemudian citra yang telah didapatkan akan di berikan noise berupa noise salt and pepper agar bisa di indentifikasi noise yang terdapat pada citra tersebut. Kemudian citra yang telah di berikan noise akan di proses melalui satu persatu cita yang telh di berikan noise sebelumnya agar dapat melakukan proses filtering noise yang terdapat pada citra. Kemudian citra akan di ukur nilai PSNR, SNR dan MSE serta selisih nilai tersebut. 3.5 Teknik Pengolahan dan Analisis Data Teknik Pengolahan Data Teknik pengolahan data yang akan dilakukan dalam penelitian ini dengan tahap data berupa beberapa objek citra yang telah dipilih, lalu di berikan noise terhadap citra dilakukan pengolahan data menggunakan software matlab, dimana citra yang telah diberikan noise akan diproses lalu melihat pixel-pixel dalam suatu citra yang rusak. Berikut alur proses pengolahan data : 1. Pre-Processing Pada tahap awal, pemilihan gambar berobjek pada citra malam hari yang diberikan noise terlebih dahulu sebelum diproses pendeteksian nilai parameter PSNR, SNR, MSE dan nilai selisihnya. 17

30 2. Proses Pada tahap ini citra awal akan dimasukkan ke matlab kemudian dari citra tersebut akan dideteksi noise yang terdapat pada citra dengan menggunakan metode Mean & median filter. Setelah noise terdeteksi, nilai parameter PSNR, SNR, MSE dan nilai selisihnya akan terdeteksi. 3. Pendeteksian Hasil Pada tahapan akhir, didapatkan hasil perbandingan nilai parameter sehingga dapat diambil kesimpulan terhadap sistem dan metode yang digunakan Analisis Data Citra yang telah diperbaiki akan dilakuakan analisis dan perbandingan hasil nya dengan menggunakan parameter pengujian yang telah dilihat pada tabel 3.3 Gambar 3. 3 Parameter pengujian Variabel Sub Variabel Skala Pengukuran PSNR Mencari nilai PSNR Db (decibel)/angka SNR Mencari nilai SNR Angka MSE Mencari nilai MSE Angka Keterangan tabel sebagai berikut: 1. PSNR merupakan perbandingan antara nilai maksimum dari sinyal yang diukur dengan besarnya derau yang berpengaruh pada sinyal tersebut, nilai PNSR yang lebih tinggi akan lebih baik karna nilai ini menetukan besarnya tingkat kemiripan yang lebih erat antara hasil rekonstruksi dan gambar asli. 2. SNR memiliki dua cara penghitungan pertama SNR noise yang dihitung saat citra mendapatkan noise dan snr fiter yang akan di hitung saat citra yang mendapat kan noise dikenakan filter. 18

31 Perhitungan tersebut bertujuan untuk mendapat kan analisa efektifitas dari setiap filter terhadap noise 3. MSE digunakan untuk mencari nilai error kuadrat rata-rata antara gambar asli dengan gambar yang telah dimanipulasi. Nilai MSE diperoleh dengan cara membandingkan nilai citra hassil pada posisi pixel yang sama dengan selisih pixel citra asal. 3.6 Penyajian Data Bentuk penyajian data hasil penelitian ini dengan menggunakan tabel. Tabel berisi hasil analisis dengan menggunakan parameter yang telah ditentukan, data dalam tabel tersebut menunjukkan nilai perbandingan hasil analisis dari metode yang digunakan. Gambar 3.4 menujukkan grafik perbandingan nilai PSNR, SNR dan MSE Lisa Ruangan Taman Ayam Mean Median Lisa Ruangan Taman Ayam Mean Median (a) Perbandingan PSNR (b) Perbandingan SNR Mean 2 Median 0 Lisa Ruangan Taman Ayam (c) Perbandingan MSE Gambar 3. 4 Grafik perbandingan PSNR dan MSE Keterangan: 19

32 (a) Pada grafik tersebut menunjukkan perbandingan nilai PSNR dari beberapa citra yang diproses menggunakan metode mean dan median. (b) Pada grafik tersebut menujukkan perbandingan nilai rata-rata SNR dari beberapa citra yang diproses menggunakan metode mean dan median. (c) Pada grafik tersebut menujukkan perbandingan nilai rata-rata MSE dari beberapa citra yang diproses menggunakan metode mean dan median. 20

33 BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Filtering Noise Pada tahap implementasi ini untuk melakukan filtering noise peneliti menggunakan beberapa fungsi yang ada pada aplikasi matlab. Berikut merupakan implementasi tersebut Median Filter Gambar 4. 1 Source Code Median Filter Pada gambar 4.1. menunjukan bahwa hal pertama kali dilakuakan yaitu program membaca file foto dengan menggunakan fungsi imread, kemudian foto tersebut diberikan noise dengan cara menggunakan fungsi imnoise berupa noise salt & pepper dengan tingkat noise sebesar 1%, kemudian foto yang telah diberikan noise dibagi pada 3 bagian warna yaitu RED, GREEN dan BLUE. Dari ketiga bagian tersebut setiap bagian dilakukan filtering noise dengan menggunakan fungsi medfilt2. Tahap terakhir yaitu menggabungkan ketiga bagian tersebut menjadi satu dengan menggunakan fungsi cat Mean Filter Gambar 4. 2 Source Code Mean Filter Pada gambar 4.2 menunjukkan bahwa hal pertama kali dilakuakan yaitu program membaca file foto dengan menggunakan fungsi imread, kemudian foto tersebut 21

34 diberikan noise dengan cara menggunakan fungsi imnoise berupa noise salt & pepper dengan tingkat noise sebesar 1%. Kemudian foto yang telah diberikan noise akan dilakukan filtering mean dengan menggunakan fungsi fspecial dan imfilter. 4.2 Hasil Citra Filter Dari keseluruhan data citra penelitian berikut beberapa hasil citra yang telah dilakukan proses filtering noise. Tabel 4 1 Citra Penelitian Citra Asli Citra Median Citra Mean 22

35 23

36 24

37 25

38 Tabel 4.1 menunjukkan perbandingan citra asli, citra median dan citra mean dengan menggunakan 30 sample yang menunjukkan bahwa dengan menggunakan metode median lebih baik dibandingkan metode median, sebagai contoh pada citra 30 menunjukkan hasil citra lebih baik menggunakan metode median dimana hasil citra atau hasil filtering noise secara fisik dilihat lebih jernih dibandingkan metode mean. Dimana terdapat hasil dan perbedaan terhadap nilai PSNR, SNR, MSE seperti yang ditunjukkan pada tabel Nilai Parameter PSNR SNR dan MSE Nilai Parameter PSNR Tabel 4. 2 Nilai PSNR Citra PSNR Asli PSNR Median PSNR Mean Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra

39 Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Tabel 4.2 menunjukkan hasil citra PSNR asli terdapat nilai rata-rata , sedangkan nilai PSNR median terdapat nilai rata-rata dan nilai PSNR mean memiliki nilai rata-rata yang telah di proses dengan menggunakan hasil filtering. Dimana, semakin tinggi nilai PSNR maka resolusi citra semakin buruk seperti yang ditunjukkan pada nilai PSNR mean dari sempel citra 1 sampai Nilai Parameter SNR Tabel 4. 3 Nilai Parameter SNR Citra SNR Asli SNR Median SNR Mean Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra

40 Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Tabel 4.3 menunjukkan hasil citra SNR asli terdapat nilai rata-rata , sedangkan nilai SNR median terdapat nilai rata-rata dan nilai SNR mean memiliki nilai rata-rata yang telah di proses dengan menggunakan hasil Filtering. Dimana, semakin tinggi nilai SNR maka resolusi citra semakin buruk seperti yang ditunjukkan pada nilai SNR mean dari sempel citra 1 sampai 30. Di lihat dari hasil mean menunjukkan nilai dominan tinggi dari median Nilai Parameter MSE Tabel 4. 4 Nilai Parameter MSE Citra MSE Asli MSE Median MSE Mean Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra

41 Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Tabel 4.4 menunjukkan hasil citra MSE asli terdapat nilai rata-rata , sedangkan nilai MSE median terdapat nilai rata-rata dan nilai MSE mean Yang telah di proses dengan menggunakan hasil Filtering. seperti yang ditunjukkan pada nilai MSE mean memiliki nilai rata-rata dari sempel citra 1 sampai 30 bahwa dari hasil median menunjukkan nilai dominan tinggi dari mean. 4.4 Nilai Selisih PSNR SNR dan MSE Tabel 4. 5 Nilai Selisih PSNR SNR dan MSE Citra Selisih Psnr Median Selisih Psnr Mean Selisih Snr Median Selisih Snr Mean Selisih Mse Median Selisih Mse Mean Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra

42 Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Citra Tabel 4.5 menunjukkan hasil nilai selisih PSNR, SNR dan MSE pada sempel citra dimana terdapat selisih yang jauh berbeda antara selisih nilai PSNR median, PSNR mean, SNR median, SNR mean, MSE median, MSE mean. 4.5 Grafik Nilai Selisih Citra Grafik Nilai Selisih Citra 26 Gambar 4. 3 Grafik Citra 26 30

43 Pada gambar 4.3 menunujukkan bahwa grafik citra 26 memiliki nilai MSE mean yang lebih tinggi di banndingkan nilai MSE median , sedangkan nilai SNR median lebih rendah dari nilai SNR mean dan nilai PSNR median lebih rendah dari nilai PSNR mean Grafik Nilai Selisih Citra 10 Gambar 4. 4 Grafik Citra 10 Pada gambar 4.4 menunjukkan bahwa grafik citra 10 memiliki nilai MSE mean yang lebih tinggi di bandingkan nilai MSE median , sedangkan nilai SNR median lebih rendah dari nilai SNR mean dan nilai PSNR median lebih rendah dari nilai PSNR mean

44 4.5.3 Grafik Nilai Selisih Citra 29 Gambar 4. 5 Grafik Citra 29 Pada gambar 4.5 menunjukkan bahwa grafik citra 10 memiliki nilai MSE mean yang lebih tinggi di banndingkan nilai MSE median , sedangkan nilai SNR median lebih rendah dari nilai SNR mean dan nilai PSNR median lebih rendah dari nilai PSNR mean Grafik Nilai Selisih Citra 12 Gambar 4. 6 Grafik Citra 12 Pada gambar 4.6 menunjukkan bahwa grafik citra 10 memiliki nilai MSE mean yang lebih tinggi di banndingkan nilai MSE median 6.431, sedangkan nilai SNR median lebih rendah dari nilai SNR mean dan nilai PSNR median lebih rendah dari nilai PSNR mean

45 4.6 Grafik Nilai Selisih PSNR SNR dan MSE Grafik Nilai Selisih PSNR Gambar 4. 7 Grafik Nilai Selisih PSNR Pada gambar 4.7 menunjukkan bahwa selisih PSNR mean memiliki rentang nilai sampai Sedangkan, selisih nilai PSNR median memiliki rentang nilai sampai sehingga nilai selisih PSNR mean lebih tinggi di bandingkan nilai selisih PSNR median Grafik Nilai Selisih SNR Gambar 4. 8 Grafik Nilai Selisih SNR Pada gambar 4.8 menunujukkan bahwa selisih SNR mean memiliki rentang nilai sampai Sedangkan, selisih nilai PSNR median memiliki rentang 33

46 nilai sampai Sehingga nilai selisih SNR mean lebih tinggi di bandingkan nilai selisih SNR median Grafik Nilai Selisih MSE Gambar 4. 9 Grafik Nilai Selisih MSE Pada gambar 4.9 menunujukkan bahwa selisih MSE mean memiliki rentang nilai sampai Sedangkan, selisih nilai MSE median memiliki rentang nilai sampai Sehingga nilai selisih SNR mean lebih tinggi di bandingkan nilai selisih MSE median. BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil analisa maka dapat disimpulkan bahwa: 1. Dari hasil filtering noise pada setiap citra bahan penelitian terlihat ada beberapa perbedaan dari hasil filtering pada metode median filter dan mean filter terhadap citra asli. Itu menunjukkan bahwa implementasi filtering noise berhasil. 2. Hasil perhitungan nilai PSNR, SNR, MSE pada suatu citra yang telah di filtering mendapatkan nilai sebuah angka dimana nilai rata-rata PSNR sebesar sedangkan nilai rata-rata SNR median filter sebesar 34

47 diman nilai PSNR lebih besar di bandingkan SNR. Sedangkan nilai rata-rata MSE sebesar menunjukan bahwa nilai MSE lebih besar dibandingkan nilai rata-rata PSNR dan SNR. Dengan demikian, dengan menggunakan percobaan tiga parameter ini dapat disimpulkan bahwa, metode median lebih bagus dibandingkan metode mean dikarenakan hasil citra filter median lebih bagus dari pada hasil filter mean. Dalam pengujian di buktikan bahwa parameter PSNR lebih baik dari pada parameter SNR dan MSE. Dikarenakan nilai PSNR median hampir menyerupai nilai citra asil. 3. Nilai selisih PSNR median rata-rata sebesar lebih kecil dibandingkan dengan rata-rata nilai selisih PSNR mean , sedangkan nilai selisih SNR median memiliki nilai rata-rata lebih besar dibandingkan dari nilai selisih SNR mean , dan niali selisih MSE median sebesar memiliki rata-rata lebih besar dari rata-rata nilai MSE mean Saran Adapun saran untuk penelitian selanjutnya: 1. Untuk penelitian selanjutnya bisa menggunakan aplikasi berbasis filter median. 2. Penerapan pada noise yang lain yaitu noise Gaussian, uniform, sehingga dapat melihat perbandingan kualitas filter noise pada citra. 35

48 DAFTAR PUSTAKA Yuwono Bambang, Image Smoothing Menggunakan Mean Filtering, Median Filtering, Modu Filtering dan Gaussian Fitering. Telematika, Vol. 7, No. 1, Juli 2010, hlm Murinto, Eko Aribowo, Risnadi Syazali (2007) Analisis Perbandingan Metode Intensity Filtering Dengan Metode Frequency Filtering Sebagai Reduksi Noise Pada Citra Digital, Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: , Yogyakarta, Patidar, Pawan, Manoj Gupta, Sumit Srivastava, Ashok Kumar Nagawat (2010), Image De-noising by Various Filters for Different Noise, International 36

49 Journal of Computer Applications, ISSN : Volume 9 No.4, November 2010, Hlm Cheddad, A., Condell, J., Curran, K., Kevitt, P.Mc., Digital Image Steganography: Survey and Analysis of Current Methods. Signal Processing, Elsevier. Northern Ireland, UK. Wedianto Andre dkk (2016), Analisa Perpandingan Metode filter Gaussian, Mean dan Median Terhadap Reduksi Noise. Jurnal Media Infotama ISSN vol. 12 No. 1, Februari Eko Prasetyo (2011), Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab, Penerbit Andi, ISBN: , Yogyakarta, Gonzalez, Rafael C., Richard E. Woods (2008), Digital Image Processing Third Edition, Pearson Prentice Hall, Upper Saddle River, New Jersey. Ahmad, Usman Pengolahan Citra Digital dan Teknik Pemrogramannya. Graha Ilmu. Yogyakarta. Pradana, B. (2015). Implementasi Metode Low Pass Filtering Untuk Mereduksi Noise Pada Objek Citra Digital. Pelita Informatik a Budi Darma, 9 (1) 37