ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN SPECKLE NOISE PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI SKRIPSI NUR AINUN 091401010 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN SPECKLE NOISE PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijasah Sarjana Ilmu Komputer NUR AINUN 091401010 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
ii PERSETUJUAN Judul : ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN SPECKLE NOISE PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI Kategori : SKRIPSI Nama : NUR AINUN Nomor Induk Mahasiswa : 091401010 Program Studi : S1 ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 1 Pembimbing 2 M. Andri Budiman, S.T., M.Comp.Sc., M.E.M Dian Rachmawati, S.Si, M.Kom NIP. 19751008 200801 1 011 NIP. 19830723 200912 2 004 Diketahui/disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 19620317 199103 1 001
iii PERNYATAAN ANALISIS PENGARUH KOMBINASI GAUSSIAN NOISE DAN SPECKLE NOISE PADA CITRA TERHADAP KINERJA METODE DETEKSI TEPI SKRIPSI Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, Januari 2014 Nur Ainun 091401010
iv PENGHARGAAN Puji dan syukur penulis panjatkan kepada Allah SWT., Tuhan Yang Maha Esa, yang telah memberikan berkat dan karunia-nya, serta segala sesuatu dalam hidup, sehingga penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi,. Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada: 1. Bapak Prof. Dr. Dr. Syahril Pasaribu, DTM&H, Msc(CTM), Sp.A(K) selaku Rektor. 2. Bapak Prof. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi. 3. Bapak Dr. Poltak Sihombing, M.Kom. selaku Ketua Program Studi S1 Ilmu Komputer dan Dosen Pembimbing I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis. 4. Ibu Maya Silvi Lydia, B.Sc. M.Sc. selaku Sekretaris Program Studi S1 Ilmu Komputer dan Dosen Penguji II yang telah memberikan kritik dan saran dalam penyempuraan skripsi ini. 5. Bapak M. Andri Budiman, S.T., M.Comp.Sc., M.E.M selaku Dosen Pembimbing I yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis. 6. Ibu Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembimbing II yang telah banyak meluangkan waktunya dalam memberikan masukan-masukan kepada penulis. 7. Semua dosen serta pegawai di Program Studi S1 Ilmu Komputer Fasilkom-TI USU. 8. Ayahanda Armansyah dan Ibunda Junaini yang menjadi motivasi penulis untuk sukses dan selalu memberikan dukungan baik materi maupun nonmateri, perhatian, serta doa tanpa henti kepada penulis. 9. Kakak tercinta Rina Madhona, Skm., Abangda Rino Khalid dan M. Teguh Pramana yang menjadi penunjang hidup bagi penulis. 10. Teman-teman pengurus IMILKOM Fasilkom-TI 2012-2013. 11. Teman-teman sekaligus keluarga besar Program Studi S1 Ilmu Komputer Fasilkom-TI USU. 12. Semua pihak yang terlibat langsung maupun tidak langsung yang tidak dapat penulis ucapkan satu demi satu yang telah membantu penyelesaian skripsi ini.
v Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Medan, Januari 2014 Penulis, Nur Ainun
vi ABSTRAK Pendeteksi tepian adalah bagian dari pengolahan citra. Mendeteksi tepi pada citra adalah hal yang biasa, namun disini dilakukan deteksi tepi pada citra yang telah diberi noise. Hal ini dilakukan untuk melihat apakah ada pengaruh noise pada kinerja deteksi tepi. Noise yang digunakan berupa kombinasi dari Gaussian noise dan Speckle noise sedangkan operator deteksi tepinya adalah Marr-Hildreth, Laplacian Of Gaussian dan Prewitt. Parameter yang digunakan untuk mengukur nilai perbandingan antara ketiga operator deteksi tepi yaitu nilai MSE dan PSNR. Pada sistem ini objek yang digunakan adalah citra dengan format bitmap atau *.bmp. Berdasarkan beberapa hasil pengujian diperoleh bahwa ada pengaruh noise terhadap kinerja deteksi tepi dengan nilai mean dan variance yang diujikan dari rentang 0 hingga 1. Nilai rata-rata MSE pada operator Marr-Hildreth pada kombinasi Gaussian Noise dan Speckle Noise yang menandakan bahwa citra hasil deteksi tepi buram berkisar lebih dari 0.13 dan PSNR berkisar kurang dari 57.00. Sedangkan untuk nilai rata-rata MSE pada operator LOG pada kombinasi Gaussian Noise dan Speckle Noise berkisar lebih dari 0.16 dan PSNR berkisar kurang dari 0.478. Dan untuk Prewitt, MSE berkisar lebih dari 0.04 dan PSNR berkisar kurang dari 0.474. Selain itu jenis citra juga mempengaruhi seberapa besar nilai noise dapat diberikan untuk mempengaruhi kinerja deteksi tepi, yaitu citra dengan background solid dan citra dengan background merata. Katakunci: deteksi tepi, Marr-Hildreth, Laplacian of Gaussian, Prewitt, Gaussian noise, Speckle noise.
vii ANALYSIS EFFECT COMBINATION OF GAUSSIAN NOISE AND SPECKLE NOISE IN IMAGE ON PERFORMANCE OF EDGE DETECTION METHOD ABSTRACT Edge detection is part of the image processing. Edge detecting in ordinary image is a common thing, but here edge detection do in image noise that has been given. This is done to see if there is an influence of noise on the performance of edge detection. Noise used are combination of Gaussian noise and Speckle noise, while the edge detection operator are Marr-Hildreth, Laplacian Of Gaussian and Prewitt. The parameters used to measure the value of a comparison between the three edge detection operators are MSE and PSNR. In this system object used is a bitmap image or *. bmp. Based on some test results obtained that there is influence of noise on the performance of edge detection with mean and variance of the tested range of 0 to 1. The average value of MSE on the Marr-Hildreth operator on a combination of Gaussian noise and Speckle Noise which indicates that the edge detection image is blurred, range of more than 0.13 and PSNR ranges from less than 57.00. As for the average value of MSE on LOG operator on a combination of Gaussian noise and Speckle Noise ranges of more than 0.16 and less than 0.478 for PSNR ranges. And for Prewitt, MSE ranged over 0.04 and less than 0.474 for PSNR ranges. Besides affects of the image type also how much noise value can be assigned to affect the performance of edge detection, they are the image with a solid background and image with background evenly. Keyword: edge detection, Marr-Hildreth, Laplacian of Gaussian, Prewitt, Gaussian noise, Speckle noise.
viii DAFTAR ISI Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Gambar Daftar Tabel Hal. ii iii iv vi vii viii x xii Bab 1 Pendahuluan 1.1 Latar Belakang 1 1.2 Perumusan Masalah 2 1.3 Batasan Masalah 2 1.4 Tujuan Penelitian 3 1.5 Manfaat Penelitian 3 1.6 Sistematika Penulisan 3 Bab 2 Landasan Teori 2.1 Citra 2.2.1 Pengolahan Citra 2.2.2 BMP 9 2.2 Noise 10 2.2.1 Gaussian Noise 10 2.2.2 Speckle Noise 11 2.3 Deteksi Tepi 12 2.3.1 Operator The Marr-Hildreth 15 2.3.2 Operator Laplacian Of Gaussian 2.3.3 Operator Prewitt 16 17 2.4 Konvolusi 18 2.5 MSE dan PSNR 21 2.5.1 Mean Square Error 21 2.5.2 Peak Signal to Noise Ratio 22 Bab 3 Analisis Dan Perancangan Sistem 3.1 Analisis Sistem 23 3.1.1 Analisis Masalah 23 3.1.2 Analisis Kebutuhan Sistem 24 3.1.2.1 Kebutuhan Fungsional Sistem 24 3.1.2.2 Kebutuhan Non-Fungsional Sistem 25 3.1.3 Analisis Proses 25 3.1.3.1 Noising 25 3.1.3.2 Deteksi Tepi Marr-Hildreth 26 3.1.3.3 Deteksi Tepi Laplacian Of Gaussian 26 3.1.3.4 Deteksi Tepi Prewitt 26 3.2 Pemodelan 26 5 9
ix 3.2.1 Use Case Diagram 27 Hal. 3.2.2 Sequance Diagram 3.2.3 Activity Diagram 31 32 3.3 Pseudocode 34 3.3.1 Pseudocode Noising 34 3.3.2 Pseudocode Operator Marr-Hildreth 35 3.3.3 Pseudocode Operator Laplacian Of Gaussian 36 3.3.4 Pseudocode Operator Prewitt 36 3.3.5 Pseudocode Menghitung Nilai MSE 37 3.3.6 Pseudocode Menghitung Nilai PSNR 37 3.4 Perancangan Sistem 38 3.4.1 Perancangan Flowchart Sistem 38 3.4.2 Perancangan Antarmuka (Interface) 41 3.4.2.1 Form Home 41 3.4.2.2 Form Deskripsi 42 3.4.2.3 Form Gaussian-Speckle Noise 43 3.4.2.4 Form Speckle-Gaussian Noise 44 3.4.2.5 Form Gaussian Noise 46 3.4.2.6 Form Speckle Noise 48 Bab 4 Implementasi dan Pengujian 4.1 Implementasi 50 4.1.1 Form Home 50 4.1.2 Form Deskripsi 51 4.1.3 Form Gaussian-Speckle Noise 51 4.1.4 Form Speckle-Gaussian Noise 53 4.1.5 Form Gaussian Noise 54 4.1..6 Form Speckle Noise 56 4.2 Pengujian 57 4.2.1 Pengujian Gaussian-Speckle Noise 57 4.2.2 Pengujian Speckle-Gaussian Noise 64 4.2.3 Pengujian Gaussian Noise 67 4.2.4 Pengujian Speckle Noise 71 4.2.5 Pengujian Random 75 4.2.6 Perbandingan Histogram 77 4.2.7 Perbandingan Citra Background Solid dengan Citra Background Merata 77 Bab 5 Kesimpulan dan Saran 5.1 Kesimpulan 81 5.2 Saran 82 Daftar Pustaka 83 Lampiran Listing Program A-1 Lampiran Curriculum Vitae B-1
x DAFTAR GAMBAR Hal. Gambar 2.1 Pixel Matrix 6 Gambar 2.2 Citra Biner 7 Gambar 2.3 Citra Skala Keabuan 7 Gambar 2.4 Citra Warna (True Color) 8 Gambar 2.5 Citra Warna Berindeks 8 Gambar 2.6 Mangga.bmp Gambar 2.7 Citra Tanpa Noise Gambar 2.8 Citra Dengan Gaussian Noise Gambar 2.9 Citra Tanpa Noise Gambar 2.10 Citra Dengan Speckle Noise Gambar 2.11 Model Tepi Satu Dimensi Gambar 2.12 Jenis-Jenis Tepi Gambar 2.13 Proses Deteksi Tepi Citra Gambar 2.14 Proses Deteksi Tepi Metode The Marr-Hildreth Gambar 2.15 Kernel Konvolusi Laplacian Gambar 2.16 Proses Deteksi Tepi Metode LOG Gambar 2.17 Proses Deteksi Tepi Metode Prewitt Gambar 2.18 Proses Konvolusi Gambar 2.19 Matriks Citra dan Kernel Sebelum Konvolusi Gambar 2.20 Tahapan Proses Pembentukan Konvolusi Gambar 2.21 Hasil Konvolusi Citra dan Kernel 10 11 11 12 12 13 14 15 16 17 17 18 19 20 20 21 Gambar 3.1 Diagram Ishikawa 24 Gambar 3.2 Use Case Diagram Sistem Analisis Pengaruh Noise Terhadap Deteksi Tepi 27 Gambar 3.3 Sequence Diagram Tahap Awal Deteksi Tepi Citra 32 Gambar 3.4 Activity Diagram Pada Sistem Analisis Pengaruh Noise Terhadap Deteksi Tepi 33 Gambar 3.5 Gambaran Umum Sistem 38 Gambar 3.6 Proses Deteksi Tepi 39 Gambar 3.7 Proses Analisis dari Sistem Analisis Pengaruh Noise Pada Citra Terhadap Kinerja Metode Deteksi Tepi 40 Gambar 3.8 Form Home 41 Gambar 3.9 Form Deskripsi 42 Gambar 3.10 Form Gaussian-Speckle Noise 43 Gambar 3.11 Form Speckle-Gaussian Noise 45 Gambar 3.12 Form Gaussian Noise 46 Gambar 3.13 Form Speckle Noise 48 Gambar 4.1 Form Home 50 Gambar 4.2 Form Deskripsi 51 Gambar 4.3 Form Gaussian-Speckle Noise 52
xi Gambar 4.4 Form simulasi Gaussian-Speckle Noise 52 Gambar 4.5 Form Speckle-Gaussian Noise 53 Gambar 4.6 Form simulasi Speckle-Gaussian Noise 54 Gambar 4.7 Form Gaussian Noise 55 Gambar 4.8 Form Simulasi Gaussian Noise 55 Gambar 4.9 Form Speckle Noise 56 Gambar 4.10 Form Simulasi Speckle Noise 57 Gambar 4.11 Pilih Tombol Gaussian-Speckle Noise 58 Gambar 4.12 Browse Citra.bmp Pada Form Gaussian-Speckle Noise 58 Gambar 4.13 Tampilan Proses Noising dan Deteksi Tepi Pada Form Gaussian-speckle Noise 59 Gambar 4.14 Perbandingan Histogram Pada Simulasi Gaussian-Speckle Noise 77 Gambar 4.15 Grafik Tabel 4.16 79 Gambar 4.16 Grafik Tabel 4.17 79
xii DAFTAR TABEL Tabel 3.1 Dokumentasi Naratif Use Case Pilih Noise Tabel 3.2 Dokumentasi Naratif Use Case Deteksi Tepi Tabel 3.3 Dokumentasi Naratif Use Case Deskripsi Hal. 28 29 31 Tabel 4.1 Perbandingan nilai MSE dan PSNR masing-masing Operator Deteksi Tepi Tabel 4.2 Perbandingan Sampel pada Simulasi Gaussian-Speckle Noise Tabel 4.3 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.2 59 60 61 Tabel 4.4 Pengukuran Nilai MSE dan PSNR pada Gaussian-Speckle Noise 62 Tabel 4.5 Perbandingan Sampel pada Simulasi Speckle- Gaussian Noise 64 Tabel 4.6 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.5 65 Tabel 4.7 Pengukuran Nilai MSE dan PSNR pada Speckle-Gaussian Noise 66 Tabel 4.8 Perbandingan Sampel pada Simulasi Gaussian Noise 68 Tabel 4.9 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.8 69 Tabel 4.10 Pengukuran Nilai MSE dan PSNR pada Gaussian Noise 70 Tabel 4.11 Perbandingan Sampel pada Simulasi Speckle Noise 71 Tabel 4.12 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.11 73 Tabel 4.13 Pengukuran Nilai MSE dan PSNR pada Speckle Noise 73 Tabel 4.14 Perbandingan Sampel Random 75 Tabel 4.15 Perbandingan Nilai MSE dan PSNR Untuk Tabel 4.14 76 Tabel 4.16 Perbandingan Nilai Rata-Rata MSE 78 Tabel 4.17 Perbandingan Nilai Rata-Rata PSNR 79