BAB 4 PENGUJIAN DAN EVALUASI 4.1 Pengujian Pengujian yang akan dilakukan buertujuan untuk melakukan perbandingan antara teknik pemrosesan citra dengan menggunakan logika samar dan dengan teknikteknik konvensional. Selain itu juga bertujuan untuk menghasilkan hasil yang terbaik dengan menggabungkankan proses image enhancement dengan edge detection. Adapun pengukuran-pengukuran yang digunakan untuk menentukan baik atau tidaknya hasil pemrosesan citra adalah: - Index of Fuzziness. - Mean Squared Error. - Peak Signal to Noise Ratio. - Fast Fourrier Transform. - Dan waktu pemrosesan yang dibutuhkan oleh computer (time). Penelitian ini akan membandingkan proses-proses pengolahan citra sebagai berikut: - Image enhancement dengan menggunakan logika samar dan teknik konvensional. - Edge detection dengan menggunakan logika samar dan teknik konvensional. - Edge detection citra yang telah dilakukan image enhancement sehingga dapat terlihat apakah ada peningkatan kualitas. 76
77 4.1.1 Pengujian Kualitas Gambar Pengujian kualitas gambar yang dihasilkan menggunakan parameter-parameter sebagai berikut: Index of Fuzziness (IoF): merupakan tingkat kesulitan untuk menentukan apakah sebuah pixel harus diperlakaukan sebagai hitam atau putih. Disebut juga tingkat grayness ambiguity sebuah gambar. Gambar yang terbaik adalah gambar dengan IoF paling rendah atau grayness ambiguity paling rendah. Sehingga Iof dapat dijadikan parameter kesuksesan teknik logika samara. Mean Squared Error (MSE): adalah perkiraan nilai yang diharapkan dengan menghitung akar nilai error dari sebuah gambar. Error tersebut adalah perbedaan antara gambar asli dan gambar hasil yang sudah diberi noise. Semakin kecil nilai MSE semakin baik kualitas sebuah gambar. Peak Signal-to-Noise Ratio (PSNR): rasio antara kekuatan maksimum sebuah sinyal dengan noise yang mempengaruhinya. Hasil PSNR ini berupa desibel logaritma sebuah gambar dikatakan sempurna bebas dari noise jika nilai PSNRnya 60dB. Fast Fourrier Transform (FFT): adalah pemetaan sinyal yang berada dalam spatial domain atau disebut juga citra kedalam frequency domain.
78 Gambar 4.1 kiri FFT citra tanpa noise, kanan FFT citra dengan noise. Dari hasil FFT yang terlihat pada gambar 4.1 gambar yang bersih dari noise akan memiliki sinyal yang energinya terpusat ditengah sedangkan bila gambar tersebut dipengaruhi noise hasilnya energinya akan tersebar dan tidak terpusat ditengah. 4.1.2 Image Enhancement Algoritma-algoritma yang digunakan pada teknik konvensional maupun dengan logika samar adalah: Teknik konvensional: - Histogram equalization. - Adaptive histiogram equalization. Logika samar: - Possibility distribution. - Intensification operator. - Histogram hyperbolization. - Rule based fuzzy. - Locally adaptive intensification operator.
79 Pengujian dilakukan menggunakan 2 gambar yang dibedakan berdasarkan tingkat kerumitannya. Tingkat kerumitan sebuah gambar diukur berdasarkan persepsi visual peneliti. Tabel 4.1 merupakan pengujian terhadap gambar yang strukturnya sederhana sedangkan tabel 4.2 pengujian terhadap gambar yang kompleks. Algoritma-algoritma yang digunakan dapat dibedakan menjadi 2 yang melakukan pendekatan secara global dan pendekatan secara lokal. Contoh pendekatan lokal adalah fuzzy locally adaptive dan adaptive histogram equalization untuk teknik konvensional. Fuzzy locally adaptive yang diuji dalam penelitian ini menggunakan neighborhood 4x4, 8x8, 16x16. Tabel 4.1 Pengujian image enhancement menggunakan gambar sederhana. No. Gambar FFT Keterangan 1 Gambar asli. 2 Histogram equalization.
80 Adaptive 3 Histogram equalization.. 4 Possibility Distribution. 5 Intensification Operator. 6 Histogram Hyperbolization.
81 7 Rule Based. Locally Adaptive 8 dengan neighborhood 4x4. Locally Adaptive 9 dengan neighborhood 8x8. Locally Adaptive 10 dengan neighborhood 16x16.
82 Tabel 4.2 Pengujian image enhancement menggunakan gambar kompleks. No. Gambar FFT Keterangan 1 Gambar asli. 2 Histogram equalization. Adaptive 3 Histogram equalization.
83 4 Possibility Distribution. 5 Intensification Operator. 6 Histogram Hyperbolization. 7 Rule Based.
84 Locally Adaptive 8 dengan neighborhood 4x4. Locally Adaptive 9 dengan neighborhood 8x8. Locally Adaptive 10 dengan neighborhood 16x16.
85 4.1.3 Edge Detection Untuk teknik konvensional pendeteksian tepi dilakukan menggunakan beberapa algoritma yaitu sobel, prewitt, canny, dan zerocrossing. Sedangkan lagika samar akan diuji 2 algoritma yaitu fast fuzzy edge detector dan fuzzy rule based. Tabel 4.3 Pengujian edge detection. No. Gambar FFT Keterangan 1 Gambar asli. Edge detection 2 menggunakan operator Sobel.
86 Edge detection 3 menggunakan operator Prewitt. Edge detection 4 menggunakan operator Canny. Edge detection 5 menggunakan operator Zero Crossing. Edge detection 6 menggunakan Fast Fuzzy Edge Detection.
87 Edge detection 7 menggunakan Rule Based Edge Detection. 4.1.4 Mixed Process Merupakan pengujian yang dilakukan dengan menggabungkan proses image enhancement dan edge detection untuk mendapatkan hasil yang lebih baik. Yang pertama kali akan diuji dalam penelitian ini adalah deteksi tepi teknik konvensional setelah melalui proses enhancement dengan histogram equalization atau adaptive histogram equalization. Tabel 4.4 Pengujian edge detection dengan teknik konvensional setelah dilakukan image enhancement menggunakan teknik konvensional. No. Gambar Keterangan 1 Histogram equalization + Sobel.
88 2 Histogram equalization + Prewitt. 3 Histogram equalization + Canny. 4 Histogram equalization + Zero Crossing. 5 Adaptive histogram equalization + Sobel.
89 6 Adaptive histogram equalization + Prewitt. 7 Adaptive histogram equalization + Canny. 8 Adaptive histogram equalization + Zero Crossing. 9 Fast Fuzzy Edge Detection.
90 Tabel 4.5 Pengujian edge detection dengan logika samar setelah dilakukan image enhancement menggunakan logika samar. No. Gambar Keterangan 1 Gambar asli setelah dilakukan FFED tanpa image enhancement. 2 Possibility distribution. 3 intensification operator.
91 4 Histogram hyperbolization. 5 fuzzy rule based. 6 Locally adaptive 4x4. 7 Locally adaptive 8x8.
92 8 Locally adaptive 16x16. 4.2 Evaluasi Hasil penelitian menunjukan bahwa kualitas citra yang dihasilkan berbeda-beda tergantung dari tingkat kerumitan sebuah citra. Algoritma yang baik untuk memproses citra tertentu belum tentu cocok untuk citra yang lain. Data-data hasil pengujian ditampilkan per citra untuk memberikan gambaran algoritma mana yang optimal untuk citra tersebut. Berikut adalah data-data yang didapatkan dari pengujian: 4.2.1 Image Enhancement Untuk pengujian menggunakan intensification operator, histogram hyperbolization nilai Fe pada intensification operator dan modifier Beta pada histogram hyperbolization diset default yang bernilai 2.
93 Tabel 4.6 Hasil pengukuran dari gambar-gambar pada table 4.1. Action MSE PSNR Time(s) IoF Original Image 617.912 46.561-0.163 Possibility 566.383 47.433 0.242 0.137 Distribution Intensification 388.753 51.196 0.511 0.183 Operator Histogram 452.474 49.678 0.239 0.155 Hyperbolization Rule Based 437.675 50.011 0.346 0.286 Locally 583.51 47.663 0.831 0.073 adaptive 4x4 Locally 529.173 48.112 0.558 0.083 adaptive 8x8 Locally 486.543 48.952 0.474 0.083 adaptive 16x16 Histogram 583.06 47.142 0.013 0.194 equalization Adaptive histogram equalization 611.5 46.666 0.243 0.203 Tabel 4.7 Hasil pengukuran gambar-gambar pada table 4.2. Action MSE PSNR Time(s) IoF Original Image 630.279 46.363-0.185 Possibility 527.338 47.328 0.263 0.139 Distribution Intensification 390.378 50.78 0.185 0.211 Operator Histogram 407.723 50.219 0.242 0.187 Hyperbolization Rule Based 497.202 48.735 0.323 0.254 Locally 429.64 52.196 0.831 0.069 adaptive 4x4 Locally 378.44 51.204 0.54 0.063 adaptive 8x8 Locally 372.346 51.627 0.449 0.055 adaptive 16x16 Histogram 577.483 47.238 0.011 0.238 equalization Adaptive histogram equalization 584.924 47.11 0.228 0.237
94 Berdasarkan kedua tabel diatas persaingan antara pendekatan lokal dan global ditentukan oleh tingkat kerumitan citra. Untuk citra yang rumit pendekatan lokal menjadi pilihan yang tepat karena parameter PSNR, MSE, IoFnya lebih unggul dibandingkan pendekatan global. Untuk citra sederhana parameter PSNR, MSE pendekatan lokal berada dibawah pendekatan global. Karena pada gambar yang sederhana pendekatan lokal memiliki kecenderungan untuk memperjelas keberadaan noise lihat gambar no.8 pada tabel 4.1. Tetapi pendekatan lokal secara mutlak unggul dalam index of fuzziness yang merupakan derajat kesulitan untuk menentukan apakah sebuah pixel harus diperlakukan sebagai hitam atau putih. Kembali ke topik utama apakah pendekatan dengan logika samar lebih baik daripada menggunakan teknik konvensional. Masih berdasarkan kedua table diatas, pendekatan dengan logika samar secara garis besar lebih unggul atau paling tidak sama dengan teknik konvensional. Dalam hal waktu pemrosesan teknik konvensional lebih unggul daripada teknik logika samar. Menurut uji FFT image enhancement yang diproses menggunakan teknik konvensional menghasilkan citra yang energi dari sinyalnya lebih terfokus ditengah dibanding teknik logika samar. Jadi pada teknik konvensional noise yang muncul cenderung lebih sedikit. Uji FFT lebih efektif pada gambar yang sederhana karena pada gambar yang kompleks perbedaan antara satu citra dengan yang lainnya tidak begitu terlihat perhatikan uji FFT pada tabel 4.2.
95 4.2.2 Edge Detection Tabel 4.8 Hasil pengukuran tabel 4.3. Action MSE PSNR Time(s) IoF Fast Fuzzy 406.496 50.749 0.387 0.147 Edge Detector Rule Based 528.673 48.121 128.562 0.158 Edge Detector Sobel 323.981 53.018 0.111 0.132 Prewitt 319.981 53.143 0.113 0.131 Canny 326.431 52.9431 0.535 0.124 Zero Crossing 324.278 53.009 0.132 0.128 Berdasarkan data-data pada table 4.8 diatas teknik konvensional lebih baik daripada pendekatan menggunakan logika samar. Uji FFTnya menunjukan sinyal edge detection yang dihasilkan menggunakan logika samar energinya lebih terfokus daripada teknik konvensional. Menurut pengamatan menggunakan persepsi visual manusia deteksi tepi yang menggunakan logika samar lebih baik daripada teknik konvensional. Karena lebih detil dalam menampilkan seluruh edge dalam gambar dan tidak memperjelas edge-edge yang tidak perlu untuk ditampilkan atau bukan bagian dari objek dalam citra yang dapat terlihat pada tabel 4.4 gambar no.9 dibanding dengan gambar-gambar diatasnya. Pada gambar tersebut objek utamanya adalah orang dan kamera, menggunakan logika samar edge dari kedua objek utama tersebut dapat ditampilkan dengan baik sedangkan background-nya tidak begitu menonjol. Sedangkan pendekatan dengan canny atau zero crossing (tabel 4.4 gambar no.3,4,7,8) kedua pendekatan tersebut mampu menampilkan seluruh edge tapi bukan hanya edge pada objek utama saja edge pada background yang tidak perlu juga ikut ditampilkan dengan intensitas yang sama dengan edge objek. Mungkin ini adalah hal yang bagus tapi untuk implementasi lebih lanjut citra tersebut mungkin akan
96 menimbulkan ambiguity. Sobel dan prewitt tidak terlalu menonjolkan edge pada background tapi edge pada objek jadi tidak tertampilkan dengan baik lihat tabel 4.4 gambar no.1,2,5,6 edge pada objek jadi terputus dan tidak sempurna. Logika samar mampu menonjolkan edge yang berasal dari perbedaan intensitas yang mencolok antara objek dan background dan perbedaan intensitas yang tidak begitu besar edgenya juga tidak terlalu menonjol. Parameter ukur yang digunakan seperti MSE,PSNR,IoF yang mengatakan sebaliknya mungkin dikarenakan parameter tersebut tidak cocok digunakan untuk menentukan kualitas citra hasil edge detection. 4.2.3 Mixed Process Tabel 4.9 Hasil pengukuran tabel 4.4 setelah dilakukan histogram equalization. Action MSE PSNR Time(s) IoF Sobel 322.873 53.053 0.125 0.131 Prewitt 319.742 53.15 0.124 0.131 Canny 322.839 53.054 0.522 0.124 Zero Crossing 328.155 52.89 0.135 0.128 Tabel 4.10 Hasil pengukuran tabel 4.4 setelah dilakukan adaptive histogram equalization. Action MSE PSNR Time(s) IoF Sobel 327.37 52.914 0.361 0.13 Prewitt 329.438 52.851 0.371 0.13 Canny 322.459 53.065 0.83 0.123 Zero Crossing 333.345 52.734 0.459 0.125
97 Tabel 4.11 Hasil pengukuran tabel 4.5. Action MSE PSNR Time(s) IoF Original FFED 406.496 50.749 0.312 0.147 Possibility 426.285 50.274 0.557 0.154 Distribution Intensification 398.676 50.943 0.723 0.161 Operator Histogram 422.696 50.358 0.529 0.16 Hyperbolization Rule Based 392.929 51.089 0.639 0.189 Locally 505.116 48.577 1.926 0.175 adaptive 4x4 Locally 493.726 48.805 1.332 0.173 adaptive 8x8 Locally adaptive 16x16 454.619 49.63 1.216 0.174 Penggunaan image enhancement sebelum mendeteksi tepi citra, berdasarkan tabel 4.9, 4.10, 4.11 tidak memberikan perubahan yang signifikan pada teknik konvensional. Sedangkan pada logika samar hasilnya bahkan ada yang kurang baik hasilnya. Berdasarkan data-data hasil penelitian, dengan membandingkan tabel 4.8 sampai 4.11 penggunaan logika samar masih kurang dibanding teknik konvensional. Namun data-data berdasarkan parameter ukur tersebut kurang sesuai untuk edge detection karena pengamatan visual peneliti pendekatan logika samar lebih baik karena tidak menghasilkan edge yang tidak penting dalam gambar. Hanya saja hal ini berlaku pada pandekatan global menggunakan logika samar, karena pendekatan lokal logika samar juga menghasilkan tepi-tepi yang tidak perlu dikarenakan tepian neighborhood ikut dimunculkan (lihat tabel 4.5 gambar no.7). Pengujian dengan FFT tidak ditampilkan hal ini dikarenakan seperti pada tabel 4.3 perubahan yang terjadi tidak begitu terlihat dan hasilnnya juga tidak jauh berbeda.
98 Berdasarkan pengujian diatas secara garis besar logika samar memberikan hasil yang lebih baik dalam proses image enhancement. Sedangkan untuk edge detection menurut parameter-parameter ukur yang digunakan logika samar masih kurang dibanding teknik konvensional. Namun tidak menutup kemungkinan parameter ukur tersebut kurang tepat jika digunakan untuk mengukur kualitas citra hasil edge detection. Karena menurut pengamatan visual peneliti pendekatan logika samar lebih detil dalam menampilkan edge dan tidak menonjolkan edge yang bukan bagian dari objek dalam sebuah citra.