Anda di halaman 1dari 8

1

IMPLEMENTASI ADAPTI VE MEDI AN FI LTER SEBAGAI


REDUKSI NOISE PADA CITRA DIGITAL
Eva Listiyani
1)

1) S1 / Jurusan Sistem Komputer, Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya

Abstract: When an image captured by a camera or image that has been stored in a long
time, often can not be directly used as desired because the quality has not met the standard
for processing needs. For example, the image is accompanied by a lack of uniform intensity
variations due to uneven lighting, or lacking in contrast so it is difficult to separate the object
from its background via binerisasi surgery because too much noise (interference or distortion
in the image), and others. In general it can be said that the image quality is so low, either
because of the noise, as well as by other causes such as high intensity variations from the
same area, or because of weak intensity difference of two or more different areas. The image
quality such as these require corrective measures or quality needs to be improved to facilitate
the processing to be performed. Adaptive median filter is a filter that is best used for image
enhancement, because it can handle a greater probability than the standard median filter, and
can also maintain the details of each image as well as to smooth the noise.

Key Words : Image Filtering, Adaptive Median Filter, Image Processing

Ketika sebuah citra ditangkap oleh
kamera atau citra yang telah disimpan dalam
waktu cukup lama, seringkali tidak dapat
langsung digunakan sebaigaimana yang
diinginkan karena kualitasnya belum
memenuhi standar untuk kebutuhan
pengolahan (Ahmad, Usman, 2005).
Misalnya saja citra disertai oleh variasi
intensitas yang kurang seragam akibat
pencahayaan yang tidak merata, atau lemah
dalam hal kontras sehingga obyek 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. Citra dengan kualitas
seperti ini memerlukan langkah-langkah
perbaikan atau kualitasnya perlu ditingkatkan
untuk memfasilitasi pengolahan yang akan
dilakukan.
Untuk mengatasi noise tersebut perlu
dilakukan usaha untuk memperbaiki kualitas
citra itu. Median filter adalah salah satu
filtering non-linear yang mengurutkan nilai
intensitas sekelompok pixel, kemudian
mengganti nilai pixel yang diproses dengan
nilai mediannya. Median filter telah
digunakan secara luas untuk memperhalus
dan mengembalikan bagian dari citra yang
mengandung noise yang berbentuk bintik
putih.
Kualitas citra diukur dengan dua besaran,
yaitu MSE (Mean Square Error) dan PSNR
(Peak Signal to Noise Ratio). MSE (Mean
Square Error) menyatakan tingkat kesalahan
kuadrat rata-rata dari codebook yang
dihasilkan terhadap vektor input. Semakin
kecil nilai MSE menunjukkan semakin sesuai
dengan vektor input. Parameter PSNR
bernilai sebaliknya, semakin besar parameter
PSNR semakin bagus codebook yang
dihasilkan.




2
LANDASAN TEORI
Citra Digital
Citra (image) adalah bidang dalam
dwimatra (dua dimensi) (Munir, Rinaldi,
2004). Sebagai salah satu komponen
multimedia, citra memegang peranan sangat
penting sebagai bentuk informasi visual
(Murinto, dkk, 2007). Seiring dengan
perkembangan teknologi pengolahan citra
(image processing) telah banyak dipakai di
berbagai bidang. Citra adalah gambar dua
dimensi yang dihasilkan dari gambar analog
dua dimensi yang kontinu menjadi gambar
diskrit melalui proses sampling. Gambar
analog dibagi menjadi N baris dan M kolom
sehingga menjadi gambar diskrit. Dimana
setiap pasangan indeks baris dan kolom
menyatakan suatu titik pada citra. Nilai
matriksnya menyatakan nilai kecerahan titik
tersebut. Titik tersebut dinamakan sebagai
elemen citra atau pixel (picture elemen).
Dalam kamus komputer, gambar atau foto
diistilahkan sebagai citra digital yang
mempunyai representasi matematis berupa
matriks = .

Matriks Bitmap
Citra disimpan di dalam berkas (file)
dengan format tertentu (Munir, 2004).
Format citra yang baku di lingkungan sistem
operasi Microsoft Windows adalah berkas
bitmap (*.bmp). Saat ini format BMP
memang kalah populer dibandingkan
dengan format JPG atau GIF. Hal ini karena
berkas BMP pada umumnya tidak
dimampatkan sehingga ukuran berkasnya
relatif lebih besar daripada berkas JPG
maupun GIF. Hal ini juga yang menyebabkan
format BMP sudah jarang digunakan.
Meskipun format BMP tidak
mangkus dari segi ukuran berkas, namun
format BMP mempunyai kelebihan dari segi
kualitas gambar. Citra dalam format BMP
lebih bagus daripada citra dalam format yang
lainnya, karena citra dalam format BMP
umumnya tidak dimampatkan sehingga tidak
ada informasi yang hilang. Terjemahan bebas
bitmap adalah pemetaan bit. Artinya, nilai
intensitas pixel di dalam citra dipetakan
disejumlah bit tertentu. Peta bit yang umum
adalah 8, artinya setiap pixel panjangnya 8
bit. Delapan bit ini merepresentasikan nilai
intensitas pixel. Dengan demikian ada
sebanyak 2
8
= 256 derajat keabuan, mulai
dari 0-255.

Pixel
Pixel (Picture Elements) adalah nilai
tiap-tiap entri matriks pada bitmap. Rentang
nilai-nilai pixel ini dipengaruhi oleh
banyaknya warna yang dapat ditampilkan.
Jika suatu bitmap dapat menampilkan 256
warna maka nilai-nilai pixel nya dibatasi dari
0-255. Suatu bitmap dianggap mempunyai
ketepatan yang tinggi jika dapat
menampilkan lebih banyak warna. Prinsip ini
dapat dilihat dari contoh pada gambar 4 yang
memberikan contoh dua buah bitmap dapat
memiliki perbedaan dalam menangani
transisi warna putih ke warna hitam.

Dimensi dan Resolusi
Dimensi bitmap adalah ukuran
bitmap yang dinotasikan dengan menulis
lebar x tinggii bitmap. Satuan ukur dimensi
bitmap adalah berupa satuan ukur metris
maupun pixel. Dimensi yang digunakan oleh
bitmap mewakili ordo matriks citra itu
sendiri. Model matriks untuk bitmap
dipengaruhi oleh kerapatan pixel atau
resolusi. Kerapatan pixel ini digunakan
bitmap dalam mendekati kekontinyuan.
Semakin besar resolusi suatu bitmap, obyek
yang ditampilkan citra tersebut semakin
akurat.
Kerapatan titik-titik pada citra
dinamakan resolusi, yang menunjukkan
seberapa tajam gambar ini ditampilkan yang
ditunjukkan dengan jumlah baris dan kolom.
Resolusi merupakan ukuran kuantitas bukan
kualitas. Pixel merupakan satuan ukuran
terhadap jumlah area photo-receptor pada
sensor gambar kamera, yang menentukan
seberapa banyak data yang dapat ditangkap.
Resolusi digunakan untuk pendataan
(sampling) citra dari sensor. Sensor
mengubah citra dari fungsi kontinu ke fungsi
diskrit sehingga semakin besar resolusi citra
maka informasi yang dihasilkan akan
3
semakin baik, sebab data yang diperoleh
menjadi lebih banyak.

Pengolahan Citra
Image processing atau pengolahan
citra adalah salah bidang dalam dunia
komputer yang mulai berkembang sejak
manusia memahami bahwa komputer tidak
hanya mampu menangani data teks, tetapi
juga data citra (Ahmad, 2005:4). Terminologi
pengolahan citra dipergunakan bila hasil
pengolahan data yang berupa citra, adalah
juga berbentuk citra yang lain, yang
mengandung atau memperkuat informasi
khusus pada citra hasil pengolahan sesuai
dengan tujuan pengolahannya.

Filter
Filtering merupakan suatu proses
yang mengambil sebagian sinyal frekuensi
tertentu dan membuang sinyal pada frekuensi
lain (Sigit, dkk ,2005). Filtering pada citra
menggunakan prinsip sama, yaitu mengambil
fungsi citra pada frekuensi-frekuensi tertentu
dan membuang fungsi citra pada frekuensi-
frekuensi lain.

Kernel Filter
Kernel atau mask memberikan
petunjuk tentang apa yang harus dilakukan
filter terhadap data. Pada umumnya kernel
mempunyai panjang danlebar ganjil. Pola
bilangan ganjil n bertujuan agar matriks
kernel mempunyai jari-jari r sehingga n=2r-
1. Contoh cara penentuan lokasi entri-entri
matriks dapat dilihat pada contoh gambar
dengan (i,j) yang berjalan dari -2 hingga 2
dan (x,y) yang berjalan dari 0 sampai 4.

Filter Median
Cara kerja filter median dalam
jendela tertentu mirip dengan filter linier
namun prosesnya bukan lagi dengan
pembobotan.
Rinaldi Munir (2004:126)
menjelaskan filter median sebagai suatu
jendela yang memuat sejumlah pixel ganjil.
Jendela digeser titik demi titik pada seluruh
daerah citra. Pada setiap pergeseran dibuat
jendela baru. Titik tengah dari jendela ini
diubah dengan nilai median dari jendela
tersebut.

Metode Adaptive
Oleh karena itu adaptive median filter
telah diterapkan secara luas sebagai metode
canggih dibandingkan dengan median filter
standar. Adaptive median filter melakukan
pengolahan spasial untuk menentukan piksel
dalam gambar yang telah dipengaruhi oleh
impuls noise. Adaptive median filter
mengklasifikasikan piksel sebagai kebisingan
dengan membandingkan setiap piksel pada
gambar dengan piksel tetangga disekitarnya.
Ukuran lingkungan disesuaikan, serta
ambang batas untuk perbandingan. Sebuah
piksel yang berbeda dari mayoritas
tetangganya, maupun yang tidak selaras
secara struktural dengan piksel mereka yang
sama, akan diberi label sebagai impuls noise.
Noise dari piksel ini kemudian akan
digantikan oleh nilai piksel median dari
piksel median dari piksel di lingkungan yang
telah lulus uji pelabelan kebisingan.

Noise Uniform dan Noise Gaussian
Noise Uniform seperti halnya Noise
Gaussian dapat dibangkitkan dengan cara
membangkitkan bilangan acak [0,1] dengan
distribusi uniform. Kemudian untuk titik-titik
yang terkena noise , nilai fungsi citra
ditambahkan dengan noise yang ada
Noise Uniform merupakan noise
sintesis yang sebenarnya dalam
penerapannya jarang digunakan, tetapi secara
pemrograman pembangkitan noise uniform
ini merupakan jenis pembangkitan noise
yang paling mudah.

MSE dan PSNR
Peak Signal to Noise Ratio (PSNR)
adalah sebuah perhitungan yang menentukan
nilai dari sebuah citra yang dihasilkan. Nilai
PSNR ditentukan oleh besar atau kecilnya
nilai MSE yang terjadi pada citra. Semakin
besar nilai PSNR, semakin baik pula hasil
yang diperoleh pada tampilan citra hasil.
Sebaliknya, semakin kecil nilai PSNR, maka
akan semakin buruk pula hasil yang
diperoleh pada tampilan citra hasil. Satuan
4
nilai dari PSNR sama seperti MSE, yaitu
decibel (dB). Jadi hubungan antara nilai
PSNR dengan nilai MSE adalah semakin
besar nilai PSNR, maka akan semakin kecil
nilai MSE-nya.
PSNR secara umum digunakan untuk
mengukur kualitas pada penyusunan ulang
citra. Hal ini lebih mudah didefinisikan
dengan Mean Square Error (MSE).
Mean Square Error (MSE) adalah
kesalahan kuadrat rata-rata. Nilai MSE
didapat dengan membandingkan nilai selisih
pixel-pixel citra asal dengan citra hasil pada
posisi pixel yang sama. Semakin besar nilai
MSE, maka tampilan pada citra hasil akan
semakin buruk. Sebaliknya, semakin kecil
nilai MSE, maka tampilan pada citra hasil
akan semakin baik. (Lestari, Dewi, 2006)


METODOLOGI PENELITIAN
Deskripsi Sistem
























Proses Penambaan Noise

START
Citra Masukan
Jumlah Noise
(Variance)
Tambahkan
Noise
Citra Bernoise
STOP


Proses Pemilihan Matriks Input
START
Matriks Citra
Noise 2D
Hitung Jumlah
Kolom Matriks
Iterasi sebanyak
jumlah kolom
Ambil nilai tiap
kolom dari matriks
citra
Simpan pada
matriks temporary
Matriks input
kolom n baris
STOP


Citra butuh
pembangkitan
noise?
Yes
Inputkan Citra No
Inputkan level yang
diinginkan
Proses Filtering
Proses Filtering
Hitung Nilai MSE
dan PSNR
Tampilkan Citra
Hasil
Inputkan citra
START
Tambahkan noise ke
citra
END
Filter Foto
5
Proses Pengolahan Matriks Input dengan
Adaptive Median Filter

START
Matriks input
1kolom dan n baris
Simpan matriks
input pada memori
sementara
Pengurutan bubble
sorting
Ambil nilai pada
urutan yang paling
tengah
Simpan matriks
hasil pada memori
bitmap citra hasil
Matriks hasil
filter
STOP
Tentukan nilai
M


Proses Pembentukan Sinyal Output

START
Load matriks hasil
pengolahan
Sinyal
output
Matriks Hasil
STOP



HASIL dan ANALISA
Citra yang digunakan dalam perbaikan
citra bernoise ini berformat .bmp atau
bitmap. Uji coba yang digunakan
menggunakan citra noise.bmp (256*195),
noise2.bmp (360*480), normal.bmp
(360*480), normal2.bmp (259*194), tes-
coret.bmp (640*480), tes-coret2.bmp
(340*250). Hasil uji coba akan memberikan
nilai berupa MSE dan PSNR. MSE
digunakan untuk menghitung beda
(kesalahan)
antara citra masukan dan citra keluaran,
sedangkan PSNR digunakan untuk
menghitung rasio citra keluaran terhadap
noise.
Hasil uji coba pada bab ini akan
ditampilkan berupa hasil uji coba citra
keluaran serta tabel nilai PSNR dan MSE.
Hal ini dilakukan supaya pengamatan
terhadap citra keluaran lebih leluasa.

Tampilan Awal Program
Uji Coba Citra Input dengan Noise Uniform
dengan Kernel 3x3
Citra Normal dengan ukuran 360*480

No
Besar
Noise
(%)
MSE PSNR
1. 5% 12,5282 34,7682
2. 25% 11.2678 45,2762
3. 50% 9,8776 68,7765
6
4. 70% 6,3028 91,2456
5. 80% 3,4529 105,7822

Citra Normal2 dengan ukuran 259*194
No
Besar
Noise
(%)
MSE PSNR
1. 5% 23,7633 49,2507
2. 25% 19,2841 56,6081
3. 50% 13,1483 75,7758
4. 70% 12,7685 99,3152
5. 80% 7,2190 116,2959

Uji Coba Citra Input dengan Noise Uniform
dengan Kernel 5x5
Citra Normal dengan ukurab 360*480
No
Besar
Noise
(%)
MSE PSNR
1. 5% 17,5555 28,1021
2. 25% 15,1213 36,3728
3. 50% 12,7612 67,4233
4. 70% 7,2054 92,5683
5. 80% 4,6072 101,1723







Citra Normal2 dengan ukuran 259*194
No
Besar
Noise
(%)
MSE PSNR
1. 5% 28,7322 47,1231
2. 25% 22,6002 58,1622
3. 50% 14,8884 83,6154
4. 70% 12,2603 105,1405
5. 80% 8,0383 126,3215

Uji Coba Citra Input dengan Noise
Gaussian dengan Kernel 3x3
Citra Normal dengan ukuran 360*480
No
Besar
Noise
(%)
MSE PSNR
1. 5% 24,2826 32,2767
2. 25% 19,3275 48,4931
3. 50% 17,6320 72,1306
4. 70% 13,7610 84,1212
5. 80% 9,2311 97,2609











7
Citra Normal2 dengan ukuran 259*194















Uji Coba Citra Input dengan Noise
Gaussian dengan Kernel 5x5
Citra Normal dengan ukuran 360*480
No
Besar
Noise
(%)
MSE PSNR
1. 5% 16,3287 17,7558
2. 25% 13,1325 26,9459
3. 50% 12,8978 38,9416
4. 70% 10,6008 63,6540
5. 80% 6,3359 91,8151

Citra Normal2 dengan ukuran 259*194
No
Besar
Noise
(%)
MSE PSNR
1. 5% 19,0026 28,6464
2. 25% 15,7702 42,9404
3. 50% 12,5233 61,0837
4. 70% 8,9204 93,5193
5. 80% 3,4888 107,3796


Kesimpulan
Berdasarkan aplikasi yang telah dibuat
beserta uji coba yang telah dilakukan, maka
dapat ditarik kesimpulan berikut :
1. Adaptive median filter merupakan
filter yang paling baik digunakan
untuk perbaikan citra, baik dengan
noise yang sengaja dibangkitkan oleh
komputer maupun yang dimasukkan
secara manual oleh user.
2. Adaptive median filter dapat
menangani noise yang memiliki
probabilitas lebih besar daripada flter
median standar.
3. Adaptive median filter dapat
mempertahankan detail dari setiap
citra sekaligus dapat menghaluskann
noise.
Saran
Saran yang hendak disampaikan terkait
dengan pengerjaan Tugas Akhir ini adalah
perbaikan citra bernoise dengan
menggunakan menggunakan metode
Adaptive median filter dapat juga dilakukan
pada semua jenis noise yang ada baik yang
sengaja dibangkitkan oleh komputer maupun
yang dimasukkan manual oleh user.
Diharapkan juga penghalusan noise pada
gambar yang telah diberi noise manual atau
sengaja dicoret-coret dapat lebih sempurna
lagi sehingga citra hasilnya akan lebih baik.

Daftar Pustaka

A Achmad, B. & Firdausy, K. 2005.
Teknik Pengolahan Citra Digital
Menggunakan Delphi. Jogjakarta:
Ardi Publishing.

Ahmad, Usman. 2005. Pengolahan
Citra Digital dan Teknik
Pemrogramannya. Edisi Pertama.
Yogyakarta : Graha Ilmu.
No
Besar Noise
(%)
MSE PSNR
1. 5% 26,1512 46,2053
2. 25% 15,8312 59,4436
3. 50% 12,4836 78,3760
4. 70% 7,7876 93,3788
5. 80% 6,1233 124,9387
8

Basuki, A. & Palandi, J.F.F. 2005.
Pengolahan Citra Digital
Menggunakan Visual Basic.
Jogjakarta: Graha Ilmu.

H, Hwang & Haddad R. A. 1995.
Adaptive Median Filters : New
Algorithm and Result.

Jannah, Asmaniatul. 2008. Analisis
Perbandingan Metode Filter
Gaussian, Mean, dan Median
Terhadap Reduksi Noise Salt and
Pepper

Munir, Rinaldi. 2004. Pengolahan
Citra Digital dengan Pendekatan
Algoritmik. Bandung :
Informatika.

R.C. Gonzalez, R.E. Woods. 1992.
Digital Image Processing. USA :
Addison-Wesley Publishing
Company.

Sigit, Riyanto, dkk. 2005. Step by Step
Pengolahan Citra Digital.
Yogyakarta : ANDI Offset.