PERANCANGAN APLIKASI PENGURANGAN NOISE PADA CITRA DIGITAL MENGGUNAKAN METODE FILTER GAUSSIAN Warsiti Mahasiswi Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Sp. Limun Medan www.stmik-budidarma.ac.id // Gmail : wartini@gmail.com ABSTRAK Operasi Filtering merupakan salah satu bagian dari perbaikan kualitas citra, yaitu mengurangi noise yang ada pada citra. Citra yang dikenal dalam komputer adalah citra dalam format digital. Citra digital dapat mengalami penurunan kualitas atau beberapa gangguan yang mungkin terjadi, seperti kamera tidak fokus atau munculnya bintik-bintik yang bisa terjadi disebabkan oleh proses pengambilan gambar yang tidak sempurna maupun secara disengaja akibat proses pengolahan yang tidak sesuai dan bisa juga disebabkan oleh kotorankotoran yang menempel pada citra. Metode filter gaussian bertujuan untuk mengurangi noise dengan cara menentukan kernel matriks dan bekerja dengan menggantikan nilai intensitas setiap pixel citra masukan dengan rata-rata dari nilai pembobotan kernel untuk setiap pixel-pixel tetangganya dan pixel itu sendiri. Pada proses pengurangan noise ukuran kernel sangat mempengaruhi dalam memperoleh hasil kualitas citra. Penelitian ini telah menghasilkan sebuah program aplikasi untuk mengurangi noise dengan metode filter gaussian. Citra uji yang digunakan pada penelitian ini menggunakan citra berwarna. Citra tersebut di masukan dan ditampilkan pada program. Kemudian dilakukan proses Gaussian filtering dengan menggunakan metode filter gaussian. Maka akan dihasilkan suatu citra sesuai yang diinginkan. Kata Kunci :Filtering, Noise, Filter Gaussian, Pengurangan Noise 1. Pendahuluan Citra merupakan suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra yang dikenal dalam komputer adalah citra dalam format digital. Citra digital dapat mengalami penurunan kualitas atau beberapa gangguan yang mungkin terjadi, seperti kamera tidak fokus atau munculnya bintik-bintik yang bisa terjadi disebabkan oleh proses pengambilan gambar yang tidak sempurna maupun secara disengaja akibat proses pengolahan yang tidak sesuai dan bisa juga disebabkan oleh kotoran-kotoran yang menempel pada citra. Gangguan pada citra umumnya berupa variasi intensitas suatu pixel yang tidak berkolerasi dengan pixel tetanggannya, pixel yang mengalami gangguan umumnya memiliki frekuesi tinggi, setiap gangguan pada citra dinamakan noise. Citra yang mengandung noise memerlukan langkah-langkah perbaikan untuk meningkatkan kualitas citra tanpa mengurangi lebih banyak kualitas detail citra serta menghasilkan citra dengan informasi yang cukup akurat, peningkatan kualitas citra adalah suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Tujuan utama dari peningkatan kualitas citra adalah untuk memproses citra sehingga citra yang dihasilkan lebih baik dari pada citra aslinya untuk aplikasi tertentu. Salah satu tekhnik perbaikan citra yaitu operasi filtering, operasi yang dilakukan adalah meloloskan atau menerima komponen dengan frekuensi tertentu dan menghilangkan atau menolak komponen dengan frekuensi yang lain dalam hal ini merupakan filter lolos rendah (low pass filter) yang berarti meloloskan komponen frekuensi yang rendah. Untuk pengurangan noise, terdapat beberapa metode yang dapat digunakan seperti mean filtering, median filtering, dan filter gaussian (gausian filtering), setiap metode mempunyai kelebihan dan kekurangan masing-masing tergantung kebutuhan dalam pengolahan citra sendiri, dalam penyusunan skripsi ini, penulis menggunakan metode filter gaussian. Filter gaussian secara meluas telah digunakan dalam bidang analisis citra terutama untuk proses penghalusan, pengaburan, menghilangkan detil dan menghilangkan derau (noise). matriks dengan matriks asli sangat bagus sehingga hasil yang diberikan lebih mendekati citra aslinya sehingga sangat bagus untuk pengolahan pada citra yang ber noise dengan efektifitas cepat. Maka penulis sangat tertarik memanfaatkan metode filter gaussian didalam memperbaiki kualitas citra untuk mengurangi gangguan derau (noise) pada citra digital. 2. Tinjauan Pustaka 2.1 Penelitian Sebelumnya Menurut Nataniel dan Heliza Rahmania Hatta (2009), menyebutkan Perancangan atau desain didefinisikan sebagai proses aplikasi berbagai teknik dan prinsip bagi tujuan pendefinisian suatu perangkat, suatu proses atau sistem dalam detail yang memadai untuk memungkinkan realisasi 72
fisiknya. Untuk mengendalikan proses desain. Menurut A. Davis dalam jurnal yang berjudul Perancangan Sistem Informasi Terpadu Pemerintah Daerah Kabupaten Paser (2009), mengusulkan serangkaian prinsip-prinsip dasar dalam perancangan/desain sebagai berikut: Gambar 2.3 Ilustrasi digitalisasi Citra Sumber : Darma Putra. 2010. Pengolahan Citra Digital. Contoh lain dari suatu citra digital (citra grayscale), dengan nilai intensitas dari citra pada area tertentu. a. Desain tidak boleh menderita karena tunnel vision (visi terowongan). b. Desain tidak boleh berulang. c. Desain harus terstruktur untuk mengakomodasi perubahan. d. Desain harus terstruktur untuk berdegradasi dengan baik, bahkan pada saat data dan eventevent (kejadian-kejadian) menyimpang atau menghadapi kondisi operasi. e. Desain bukan pengkodean dan pengkodean bukanlah desain. f. Desain harus dinilai kualitasnya pada saat desain dibuat, bahkan setelah jadi. 2.2.Citra Digital Secara umum pengolahan citra digital menunjuk pada pemrosesan gambar 2 dimensi menggunakan komputer. Dalam konteks yang lebih luas, pengolahan citra digital mengacu pada pemrosesan setiap data 2 dimensi. Citra digital merupakan sebuah larik (array) yang berisi nilainilai real maupun komplek yang direpresentasikan dengan deretan bit tertentu.suatu citra dapat didefinisikan sebagai fungsi f (x,y) berukuran M baris dan N kolom, dengan x dan y koordinat spasial, dan intensitas f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Nilai pada suatu irisan dan antara baris dan kolom (pada posisi x,y) disebut dengan picture elements, image elements, pels, atau pixel. istilah pixel sering digunakan pada citra digital. Setiap pixel tidak hanya satu titik dalam sebuah citra merupakan sebuah bagian berupa kotak yang merupakan bagian terkecil (sel). Nilai dari sebuah pixel haruslah dapat menunjukan nilai rata-rata yang sama untuk seluruh bagian dari sel tersebut.gambar 2.3 menunjukan ilustrasi digitalisasi citra dengan M sama dengan = 16 baris dan N sama dengan N=16 kolom. Baris f(x,y) Kolom Gambar 2.4 Citra grayscale, cuplikan (croping) pada area tertentu beserta nilai intensitas nya. Sumber : Darma Putra. 2010. Pengolahan Citra Digital. 2.3 Analisa Noise (Derau) Noise adalah suatu bentuk kerusakan pada image signal yang disebabkan oleh gangguan eksternal, melainkan ikut tercampur pada citra. Gangguan tersebut umumnya berupa variasi intensitas (derajat keabuan) suatu pixel yang tidak berkorelasi dengan pixel-pixel tetangganya. Secara visual, gangguan mudah dilihat oleh mata karena tampak berbeda dengan pixel tetangganya. 2.4 Pemisahan Saluran Warna Pada penelitian ini citra yang digunakan adalah citra berwarna yang memiliki noise, untuk proses perbaikan pada citra berwarna, citra dipisahkan menurut saluran warnanya menjadi 3 buah citra, masing-masing mewakili saluran Red, Green dan Blue, di asumsikan gambar memiliki ukuran 5x5 pixel: 2.4.1 Perancangan Filter Gaussian Filter dalam pengolahan citra digunakan untuk menekan frekuensi tinggi yang dalam citra digital berarti penghalusan dalam hal ini penghalusan juga berarti pengurangan noise, karena noise dapat disebut memiliki intensitas tinggi atau frekuensi tinggi. Untuk mencari atau merancangan sebuah filter gaussian terdapat konstanta yang harus ditentukan terlebih dahulu secara manual, yaitu menentukan nilai standart deviasi (σ) dan ukuran filter yang dibuat, dalam hal ini efek gambar hasil filter gaussian dapat diatur dengan mengubah-ubah nilai standart deviasi (σ), apabila semakin besar nilai standart deviasi (σ) maka semakin halus efek gambar yang dihasilkan dari pemfilteran menggunakan filter yang dirancang. Namun bila ukuran matriks filter terlalu besar maka citra yang dihasilkan tampak kabur, tapi pengaruh terhadap gambar asli tidak begitu tajam. Dibawah ini adalah langkah-langkah untuk merancang filter gaussian : 73
1. Menentukan matriks filter gaussian Sudah dibahas sebelumnya bahwa matriks yang digunakan adalah matriks berukuran 5x5, untuk mempermudah perhitungan maka dibuat tabel matriks 5x5 seperti tabel 3.1 dibawah ini : Tabel 3.1 Matriks Filter Gaussian (x,y) -2-1 0 1 2-2????? -1????? 0????? 1????? 2????? 2. Memberikan nilai elemen pada matriks filter gaussian Untuk proses pengurangan noise pada gambar menggunakan filter gaussian, dapat dinyatakan pada persamaan (2.4), persamaan 2.4 inilah yang dipakai sebagai dasar untuk menentukan nilai-nilai setiap elemen dalam filter Gaussian yang akan dibuat. penulis memberikan standard deviasi (σ) dengan besaran nilai 2 (dua). Jadi untuk memberikan nilai elemen pada masingmasing koordinat matriks filter g(x,y). maka, masing-masing koordinat dimasukkan kedalam rumus, adapun rumus dan perhitungannya dapat dilihat dibawah ini : g(x, y) = e x2 +y 2 2σ 2 Dimana : g = gaussian x = nilai koordinat x y = nilai koordinat y e = adalah konstanta euler (2.718281828) σ = Standard deviasi (2) maka : G (0,0) = e 02 + 0 2 2.2 2 = 1 G (1,0) = e 12 + 0 2 G (0,1) = e 02 + 1 2 G (-1,0) = e 12 + 0 2 G (0,-1) = e 02 + 1 2 G (1,1) = e 12 + 1 2 2.2 2 = G (1,-1) = e 12 + 1 2 2.2 2 = G (-1,1) = e 12 + 1 2 2.2 2 = G (-1,-1) = e 12 + 1 2 2.2 2 = G (2,1) = e 22 + 1 2 2.2 2 = G (1,2) = e 12 + 2 2 2.2 2 = G (-2,1) = e 22 + 1 2 2.2 2 = G (1,-2) = e 12 + 2 2 2.2 2 = G (-1,-2) = e 12 + 2 2 2.2 2 = G (-2,-1) = e 22 + 1 2 2.2 2 = G (2,0) = e 22 + 0 2 G (0,2) = e 02 + 2 2 G (0,-2) = e 02 + 2 2 G (-2,0) = e 22 + 0 2 G (2,2) = e 22 + 2 2 2.2 2 = 0,13533 G (-2,-2) = e 22 + 2 2 2.2 2 = 0,13533 G (-2,2) = e 22 + 2 2 2.2 2 = 0,13533 G (2,-2) = e 22 + 2 2 2.2 2 = 0,13533 Maka diperoleh matriks sebagai berikut : Tabel 3.2 Matriks Filter Gaussian setelah diisi (x, -2-1 0 1 2 y) -2 0,13533 0,36787 94 0,13533-1 0 0,36787 9441 1 2 0,13533 0,77880 0,77880 1 0,77880 0,77880 0,36787 94 0,36787 9441 0,13533 3. Membuat nilai normalisasi Normalisasi adalah proses membulatkan masing-masing nilai matriks filter yang telah didapat, selain memudahkan perhitungan komputer, nilai-nilai pembobotan harus dibuat bulat sebab nilai intensitas pixel pada citra digital bernilai bulat, maka nilai filter gaussian juga harus dibuat kedalam bilangan bulat. oleh karena itu untuk membuat nilai normalisasi dari filter maka nilai 1 sebagai pembagi dibagi dengan nilai filter terkecil. hal ini bertujuan agar jumlah nilai-nilai pembobot sama dengan satu. Kemudian nilai normalisasi dikalikan dengan semua nilai filter yang belum dinormalisasi. 1 c = min (g(x, y)) Jika dilihat atau dianalisa nilai matriks filter pada tabel 3.2 untuk nilai terkecil dalam matriks g(x,y) = 0,13533, maka akan diperoleh nilai normalisasi (c) sebagai berikut : c = 1 0,13533 = 7,389056096 = 7 (setelah 74
dibulatkan keatas) Jadi nilai normalisasi yang didapat dari rumus diatas setelah proses pembulatan adalah 7 (tujuh). 4. Mengalikan matriks kernel dengan nilai normalisasi Mengalikan matriks dengan nilai normalisasi bertujuan untuk menyederhanakan angka yang digunakan dalam matriks filter gaussian dengan mengalikan masing-masing nilai filter g(x,y) dengan nilai normalisasi yang sudah didapat, sehingga menghasilkan matriks filter Gaussian baru. Berdasarkan persamaan 2.5 dengan menggunakan nilai c = 7, maka : Setelah mendapatkan nilai elemen pada matrik filter, selanjutnya adalah mencari jumlah semua elemen nilai pembobot g(x,y) pada matrik filter sebagai pembagi matrik filter yang sudah didapat, tujuan nya agar nilai intensitas citra tetap seperti semula dan menjaga agar nilai baru tidak berada di luar batas nilai grayscale artinya nilai pixel citra hasil perhitungan harus dinormalkan. Berdasarkan matrik tersebut jumlah semua elemen nilai pembobot pada filter adalah = 79, jadi filter hasil rancangannya adalah : maka : g (x,y) = c. e x2 + y 2 2.σ 2 G (0,0) = 7 x 1 = 7 G (1,0) = 7 x 0,77880 = 6 G (0,1) = 7 x 0,77880 = 6 G (-1,0) = 7 x 0,77880 = 6 G (0,-1) = 7 x 0,77880 = 6 G (1,1) = 7 x = 4 G (1,-1) = 7 x = 4 G (-1,1) = 7 x = 4 G (-1,-1) = 7 x = 4 G (2,1) = 7 x = 2 G (1,2) = 7 x = 2 G (-2,1) = 7 x = 2 G (1,-2) = 7 x = 2 G (-1,-2) = 7 x = 2 G (-2,-1) = 7 x = 2 G (2,0) = 7 x 0,3678794 = 3 G (0,2) = 7 x 0,3678794 = 3 G (0,-2) = 7 x 0,3678794 = 3 G (-2,0) = 7 x 0,3678794 = 3 G (2,2) = 7 x 0,13533 = 1 G (-2,-2) = 7 x 0,13533 = 1 G (-2,2) = 7 x 0,13533 = 1 G (2,-2) = 7 x 0,13533 = 1 maka matrik filter gaussian baru yang telah dinormalisasi seperti pada tabel 3.3 dibawah ini: Tabel 3.3 Matriks Filter Gaussian setelah dinormalisasikan (x,y) -2-1 0 1 2-2 1 2 3 2 1-1 2 4 6 4 2 0 3 6 7 6 3 1 2 4 6 4 2 2 1 2 3 2 1 2.4.2 Pengurangan Noise dengan Metode Filter Gaussian Operasi ini dilakukan dengan cara konvolusi, konvolusi sering kali dilibatkan dalam operasi ketetanggan pixel. Konvolusi pada citra sering disebut konvolusi 2 dimensi. Konvolusi 2 dimensi didefinisikan sebagai proses untuk memperoleh suatu pixel berdasarkan nilai pixel itu sendiri dan tetangganya, dengan melibatkan suatu matriks yaitu kernel yang mempresentasikan pembobotan. Penjelasan rumus yang digunakan dalam konvolusi filter gaussian pada persamaan 2.3 dibawah : h(x, y) = f(x, y) g(x, y) M = k=2 N f(k, l). g(x k, y l=2 l) Dimana : h(x,y): gambar output f(x,y) : adalah gambar input g(x,y) : adalah filter gaussian Jadi secara umum rumus diatas adalah jumlah dari perkalian antara pixel citra dengan filter gaussian dan hasilnya dibagi dengan jumlah atau Sum dari matriks filter agar selang nilai intensitas tetap seperti semula. Untuk penjelasan proses konvolusi penulis membuat sebuah perumpamaan matriks citra warna saluran warna Red yang sebelumnya sudah diekstraksi yang terdapat pada gambar 3.6 sebelumnya, dengan resolusi matriks 10x10 yang akan dikonvolusikan dengan filter gaussian dengan ukuran matriks 5x5.sebagai berikut : x/y 0 1 2 3 4 5 6 7 8 9 0 79 230 231 164 86 116 198 231 229 229 1 229 236 152 31 61 49 70 224 231 229 2 229 237 136 116 211 188 131 79 231 229 1 2 3 2 1 3 89 233 70 168 195 95 208 220 230 90 2 4 6 4 2 4 229 230 211 163 75 208 207 229 68 229 3 6 7 6 3 5 230 80 239 143 142 80 206 232 234 231 2 4 6 4 2 6 225 193 89 153 205 225 201 148 173 212 1 2 3 2 1 7 123 101 101 124 77 152 130 117 68 124 8 98 114 125 126 118 120 98 126 130 122 Matriks citra 9 83 84 117 89 115 115 138 124 118 110 Filter/kernel 75
Diatas merupakan matriks citra untuk nilai R atau warna merah dari data citra masukan yang sudah di ekstraksi kedalam bentuk matriks dan filter yang sudah dirancang dan ditentukan, kemudian untuk digunakan sebagai filtering atau proses pengurangan noise yang bekerja pada cara konvolusi. Langkah selanjutnya adalah melakukan operasi konvolusi dengan cara menempatkan / menumpangkan suatu filter/kernel pada setiap pixel yang ditimpali, kemudian nilai rerata diambil dari hasil-hasil tersebut. Pada proses pelaksanaan konvolusi kernel digeser sepanjang baris dan kolom dalam citra sehingga diperoleh nilai baru pada citra keluaran. 1. Letakan filter g(x,y) mulai dari titik (x-2,y-2) dari titik (x,y) citra yang akan di filtering, kemudian hitung berdasarkan sel-sel pada titik tersebut dan titik tetanggannya dengan bobot pada sel-sel matriks filter g(x,y) sesuai posisi sel-selnya maka nilai pixel hasil operasi konvolusi: G(x,y) = (1x79) + (2x230) + (3x231) + (2x164) + (1x86) + (2x229) + (4x236) +(6x152) + (4x31) + (2x61) + (3x229) + (6x237) + (7x136) + (6x116) + (3x211) + (2x89) + (4x233) + (6x70) + (4x168) + (2x195) + (1x229) + (2x230) + (3x211) + (2x163) + (1x75) = 79 + 460 + 693 + 328 + 86 + 458 + 944 + 912 + 124 + 122 + 687 + 1422 + 952 + 696 + 633 + 178 + 932 + 420 + 672 + 390 + 229 + 460 + 633 + 326 + 75 = 12911/ 79 = 163,4304 = 163 (maka 136 diganti oleh 163, tempatkan nilai pada matriks yang baru) 6 225 193 89 153 205 225 201 148 173 212 1 2 3 2 1 7 123 101 101 124 77 152 130 117 68 124 8 98 114 125 126 118 120 98 126 130 122 9 83 84 117 89 115 115 138 124 118 110 Untuk mendapatkan hasil semua matriks maka semua matriks citra warna harus dikonvolusi dengan filter gaussian hingga koordinat (10,10) dalam kasus ini, jika resolusi citra yang dikonvolusi lebih besar tentu akan lebih besar/banyak juga proses konvolusi yang dihasilkan. Apabila sudah semua pixel citra dikonvolusi maka akan terlihat hasil citra baru hasil filtering untuk waran R (red) seperti dibawah ini : x/y 0 1 2 3 4 5 0 163 145 135 141 159 178 1 166 150 145 155 168 181 2 169 159 159 166 180 187 3 159 152 154 166 176 184 4 149 144 148 157 162 167 5 127 128 135 140 142 142 Filter/kernel 3. Pengujian Program Untuk mengetahui sistem baru yang dibuat dalam hal ini penulis memberikan print out dari program sewaktu sedang berjalan hingga program selesai dijalankan. 3.1 Tampilan Menu Utama Form menu utama merupakan jendela utama aplikasi yang menampilkan menu bar dan layar citra. Menu utama yang dimaksud terdiri dari: Berikut ini adalah gambar dari layar form menu utama, seperti pada gambar 4.1 berikut: x/y 0 1 2 3 4 5 6 7 8 9 0 79 230 231 164 86 116 198 231 229 229 1 229 236 152 31 61 49 70 224 231 229 2 229 237 163 231 229 1 2 3 2 1 3 89 233 230 90 2 4 6 4 2 4 229 230 68 229 * 3 6 7 6 3 5 230 80 234 231 2 4 6 4 2 6 225 193 173 212 1 2 3 2 1 7 123 101 68 124 8 98 114 125 126 118 120 98 126 130 122 9 83 84 117 89 115 115 138 124 118 110 Setelah didapat hasil dari konvolusi maka nilai ini diletakkan pada pixel gambar yang baru kemudian konvolusi selanjutya hanya tinggal digeser x+1 atau y+1. x/y 0 1 2 3 4 5 6 7 8 9 0 79 230 231 164 86 116 198 231 229 229 1 229 236 152 31 61 49 70 224 231 229 2 229 237 136 116 211 188 131 79 231 229 1 2 3 2 1 3 89 233 70 168 195 95 208 220 230 90 2 4 6 4 2 4 229 230 211 163 75 208 207 229 68 229 3 6 7 6 3 5 230 80 239 143 142 80 206 232 234 231 2 4 6 4 2 Gambar 4.1 Tampilan menu utama aplikasi 3.2 Tampilan Proses Perancangan Kernel Matriks Tampilan ini berisi tentang proses aplikasi dimana citra yang akan diproses harus terlebih dahulu menentukan ukuran kernel matrik yang digunakan, karena setiap matrik yang digunakan akan mempengaruhi hasil dari citra yang diproses. Dalam hal ini ukuran standart deviasi yang diinputkan adalah bernilai 2 dan pada ukran kernelnya sendiri berukuran 5x5 dan setelah dihitung jumlah keseluruhan bobotnya kernel Perancangan Aplikasi Matriks Pengurangan citra Noise Pada Citra Digital Menggunakan Metode Filter Gaussian. 76
adalah sebesar 79. Seperti pada gambar 4.2 berikut: Gambar 4.2 Tampilan form kernel 3.3 Tampilan About Aplikasi Tampilan tentang program adalah ketika menu tentang Aplikasi diproses untuk mengetahui informasi tentang Aplikasi. Seperti gambar 4.7 berikut: Gambar 4.7 Tampilan about aplikasi 3.4 Tampilan Form Help Menu Help ini digunakan untuk menampilkan bagaimana cara menjalankan aplikasi filter gaussian yang dapat digunakan kepada pengguna sewaktu-waktu megalami kendala didalam proses filtering. Seperti gambar 4.8 berikut: Gambar 4.8 Tampilan Menu Help 4. Kesimpulan dan Saran 4.1 Kesimpulan Setelah membahas dan menyajikan semua bab sebelumnya, dapat dibuat kesimpulan sebagai berikut : Pada proses perbaikan kualitas citra yang memiliki noise dengan mengurangi bintik-bintik pada citra sehingga membuat citra menjadi lebih baik dengan menggunakan filter Gaussian. 1. Nilai intensitas pixel pada citra baru dari hasil pengurangan noise di peroleh dengan mengganti nilai intensitas citra asal dengan rata-rata nilai pembobotan matriks kernel untuk setiap pixelpixe ltetangganya dan pixel itu sendiri. 2. DenganmenggunakanmetodefilterGaussianmak anoise yang terdapatpadacitra digital sedapat mungkin bias berkurang. 3. Citra yang memiliki noise (derau) setelah diperbaiki gambar yang dihasilkan akan terlihat lebih halus dan kabur. 4.2 Saran Setelah menyelesaikan skripsi ini, terutama di dalam pembuatan aplikasi ini masih banyak yang harus diperbaiki, oleh karena itu diperlukan saransaran untuk memperbaikinya apabila ada pengembangan lebih lanjut baik dari pembaca maupun penulis sendiri terhadap skripsi ini, sebagai berikut : 1. Nilai pinggir pixel citra dapat dikonvolusikan agar tidak ada informasi yang hilang pada citra. 2. Memberikan alat bantu pada aplikasi didalam mengenali noise pada citra digital (gambar) pada tepi gambar dengan memanfaatkan operator deteksi tepi. Daftar Pustaka 1. Putra, Darma, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta, Edisi 1, 2010. 2. Darmayuda, Ketut, Pemograman Aplikasi Database dengan Microsoft Visual Basic. NET 2008, Penerbit Informatika Bandung, Bandung,Edisi 2, 2010. 3. Sutoyo, T, Teori Pengolahan Citra Digital, Penerbit Andi, Yogyakarta, Edisi 1, 2009. 4. Sholiq, Pemodelan Sistem Informasi Berorientasi Objek dengan UML, Penerbit Graha Ilmu, Yogyakarta, Edisi 1, 2006. 5. Jogiyanto, Hartono, MBA, Ph.D. Analisis dan Desain Sistem Informasi Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis, Penerbit Andi, Yogyakarta, Edisi 2, 1999. 6. Wiliyana. Perbandingan Algoritma Arithmetic dengan Geometric Mean Filter untuk Reduksi Noise pada Citra. Jurnal). 7. [7] http://id.wikipedia.org.wiki. Aplikasi. akses 14/04/2014. 77