BAB I

PENDAHULUAN

1.1 Latar Belakang

Salah satu masalah yang sering terjadi pada citra digital adalah noise. Noise merupakan sinyal-
sinyal yang tidak diinginkan. Banyak faktor yang membuat suatu noise dapat berada di dalam
sebuah citra. Sebagai contoh kamera tidak fokus pada saat pengambilan citra atau munculnya
bintik-bintik yang bisa jadi disebabkan oleh proses pengambilan gambar yang tidak sempurna,
dapat juga berasal dari proses editing maupun kompresi sehingga timbul noise yang dapat
merusak kualitas gambar. Noise pada citra tidak hanya terjadi karena beberapa faktor diatas,
tetapi bisa juga disebabkan oleh kotoran-kotoran yang terjadi pada citra. Ada tiga macam noise
yaitu noise salt & pepper, noise Gaussian, dan noise Speckle.

Noise reduction merupakan suatu proses untuk mereduksi atau mengurangi noise pada
sebuah citra digital. Sampai saat ini, banyak metode yang telah dicoba untuk mengurangi
banyaknya noise pada citra digital dengan tujuan untuk memperbaiki kualitas citra tersebut,
diantanya adalah filter rata-rata, Gaussian filter dan Median filter.

Dalam paper ini kami menggunakan metode Median filter untuk menghilangkan noise dan juga
untuk menjaga detail yang ada dalam citra, sehingga kita dapat memperoleh citra digital dengan
noise terkecil.

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, maka rumusan masalah yang akan dibahas pada paper ini
adalah :

1. Mengenalkan metode Median filter.

2. Bagaimana caranya menghilangkan noise dengan menggunakan metode Median filter.

1.3 Batasan Masalah

Sejumlah permasalahan yang dibahas dalam paper ini akan dibatasi ruang lingkup
pembahasannya adalah:
 Paper ini lebih memfokuskan pada perumusan dan penganalisaan metode Median filter dalam
melakukan perbaikan citra digital dalam menghilangkan noise pada program median filtering
yang kami buat.

1.4 Tujuan Penulisan

Tujuan dari paper ini adalah untuk menghilangkan noise pada citra digital dengan cara
menggunakan metode Median filter.
 BAB II
LANDASAN TEORI

2.1 Teori Umum

2.1.1 Warna

Dengan menggunakan tiga buah reseptor manusia dapat membedakan banyak

83
warna. Warna tricromatic RGB dalam sistem grafis umumnya menggunakan 3 byte (2 ) ,
atau sekitar 16 juta kode warna. Dikatakan kode warna dan bukan warna karena
manusia tidak dapat membedakan warna sebanyak itu. Mesin dapat membedakan antara
berbagai kode warna, namun perbedaan tersebut belum tentu dapat menunjukan
perbedaan yang dapat ditangkap oleh mata manusia. Tiap 3 byte pada pixel RGB
mencangkup 1 byte pixel untuk tiap warna Red (mer ah), Green (hijau), Blue (biru) ( Sap hiro
& Stockman, 2001).

Gambar direpresentasikan sebagai matrik dengan elemen integer atau

pixel.Biasanya pixel tidak disimpan dalam bentuk matrik sederhana, namun menggunak an
data yang lebih rumit. Dan terkadang memudahk an secara matematis jika k ita beran
ggapan gamb ar berwarna seb agai matrik dari vektor tiga d imensi(Pav lidis, 1982).

Y = (0,11)R + (0,59)G + (0,3)B

Persamaan 2-1 Rumus perubahan nilai pixel RGB menjadi grayscale pada OpenCV

Bila dibandin gkan dengan gambar biasa, gambar grayscale memilk i akurasi y ang
kurang, hal ini terutama dikarenakan warn a dap at membantu kita dalam membed akan objek
dengan lebih baik. Namun untuk beberapa aplikasi penggunan warna akan menin gkatkan
pengeluaran, sehingga tidak diusulkan. Hal ini dikarenakan, tidak hanya karena kamera
berwarna yang harganya lebih mahal, ju ga d isebabkan k arena den gan men ggunakan warna
maka diperlukan tiga buah digitizer, dan tiga buah frame untuk memasukkan gambar
tersebut. Dan karena dengan menggunakan gambar berwarna maka diperlukan P emrosesan
yang lebih banyak dalam menginterp retasikan gambar berwarna dengan sepenuhnya
(Davies, 1990).

Sedangkan pada grayscale, tiap warna direpresentasikan oleh 1 bit p ixel, dimana
tiap bit dari pixel y ang merep resentasikan gambar grayscale adalah suatu nilai yang
menunjukkan nilai intensitas dari gambar y ang b erada p ada p osisi tersebut. Sehingga dap at
diproses sebagai entitas tunggal p ada komputer. Tidak seperti gambar RGB, yang merupakan
suatu set yang berisi tiga bit data, maka diperlukan tiga buah angka untuk merep
resentasikan informasi y ang ada didalamny a. Sehin gga pada gambar grayscale diperlukan
proses komputasi yang lebih sedikit bila bandingkan dengan gambar berwarna.
2.2. Teori Khusus
2.2.1. Smoothing

Smoothing merup akan salah satu teknik y ang umum digunakan pada p engolahan
gambar. Proses ini bertujuan untuk memperhalus gambar, mengurangi resolusi
gambar, serta men guran gi noise (Bradski & Kaehler, 2008). Pada prosesny a smoothing
menggunakan teknik konvolusi y ang menggunakan kernel d engan berb agai ukuran. Pada
pengerjaanya terdapat beberapa cara untuk melakuk an smoothing, sep erti mean filter,
median filter, dan gaussian filter. Dimana pada proses paling sederhananya hasil dari
smoothing pada suatu pixel adalah hasil dari rata-rata pixel tersebut den gan pixel
disekitarnya,

2.2.1.1. Median Filter

Konsep dasarny a adalah den gan menemukan nilai p ixel y ang memiliki nilai
intensitas dari suatu pixel y ang berbeda dengan nilai pixel y ang ada didaerah
sekitarnya, dan men ggantiny a dengan nilai y ang lebih cocok. Cara y ang palin g
sederhana dalam mencapainya adalah dengan melakukan pencegahan atau
pembatasan nilai pixel, sehingga suatu pixel tidak memiliki nilai intensitas y ang
diluar nilai y ang ada di sek itarny a (Davies, 1990).

Untuk itu kita perlu mengetahui nilai intensitas pada suatu kelompok
pixel. Pada pengerjaannya pada suatu daerah pixel seharusnya bagian yang
merup akan nilai tertin ggi dan terendah, dan nilai yang sebanding pada kedua
bagian akhir distribusi dihilangkan. Sehingga hasilnya meninggalkan nilai median.
Dari sana didap atkan median filter, dimana didapat seluruh nilai distribusi
intensitas, dan dihasilkan gamb ar baru y ang sesuai den gan nilai-nilai median
yang ada.

(a) (b)

Gambar 2-1 Proses median filter,

(a) gambar aw al; (b) gambar hasil median filter dimana terlihat lebih halus dan noise hilang.
 Berbeda dengan Gaussian filter y ang men ghaluskan keseluruhan gamb ar,
pada median filter terlihat bahwa proses penghalusannya terjadi pada daerah
tepi gambar. Sehingga meski terjadi penghalusan gambar, median filter
lebihkearah “melembutkan” gambar yang ada. Kita dapat pula mengurangi
komputasi dengan mencari nilai extrem yang perlu untuk diubah, atau den gan
membatasi nilai median yang digunakan.

2 8 7
4 0 6 243805767 023456778
3 5 7 ↑ median

(a) (b) (c)

Gambar 2-2
Mencari median dengan ukuran 3x3.

(a) bentuk nilai intensitas yang ditemukan; (b) penempatan nilai intensitas dalam bentuk vektor; (c)
nilai intensitas yang telah diurutkan, dan ditemukan median-nya.

Terlihat diatas bahwa pengurutan nilai intensitas pixel wajib untuk

digunakan. Bila kita menggunakan buble sort maka untuk setiap daerah n x n,
4
maka diperlukan fun gsi sebany ak O ( n ). M aka untuk median filter y ang memiliki
daerah kecil, antara seb esar 3x3 atau 4x4, mak a buble sort atau p eny ortiran
lain baik untuk digun akan. Namun tidak terlalu baik bila daerah y ang dip akai
lebih dari atau sama d en gan 5 x5, atau nilai inensitasny a lebih terbatas.

Median filter umumnya menggunakan kernel dengan ukuran 3x3. Namun

dapat p ula menggun akan ukuran y ang lebih besar . Selain itu sesuai den gan
perkemban gany a maka b entuk y ang dip akai juga dap at bemacam-macam,
seperti salib, dan garis (vertikal dan horisontal), yang terpusat pada titik
tengahnya. Hal ini dimaksudkan agar p roses y ang dihasilkan menjadi leb ih cep at,
terutama karena jumlah pixel yang dih itung menjadi lebih sedikit. median filter
cukup dikenal baik atas kemampuanya untuk men ghilan gkan salt and paper noise.
Selain itu median filter akan meningkatkan kualitas gambar, sehingga
memperjelas daerah tep i (edge) p ada gambar (Nixon & Agu ado, 2002).

Hal ini terjadi k arena pada daer ah y ang terletak p ada bagian tep i suatu
gamb ar, filter akan memp roses data dan umumnya akan mendap atkan nilai
yang sesuai dengan daerah yang memiliki nilai intensitas yang lebih besar
(didalam atau diluar batas). Sehingga filter secara tidak langsung menentukan
terdap at p ada bagian mana pixel itu berada. Hal in i tentu saja membuat daerah
tepi menjadi sedikit melebar, namun perlu diingat bahwa pixel melebarkan
daerah tepi dari kedua belah sisi, sehin gga hal ini meny ebabkan daerah tep iny a
bisa lebih terlihat (Davies, 1990).
 BAB III
PEMBAHASAN

HASIL DAN PEMBAHASAN

Kami menggunakan Algoritma Median filter dalam pemrosesan citra grayscale. Tapi sebelum
menggunakan algoritma median filter, kami menyiapkan citra standar yaitu ‘Kinal’ yang berukuran 567
x 529. Kami memakai citra yang normal kemudian kami memasukan noise ke dalam gambar tersebut
dengan menggunakan program Noise Corrupter.

Gambar 1 . Screenshoot program Noise Corrupter

Gambar 2. Screenshoot Dectructive Noise Level

Program ini dapat memasukan noise ke dalam gambar dengan Destructive Noise Level dari 1-100%
artinya semakin tinggi prosentasinya maka noise akan semakin banyak sehingga semakin memperusak
kualitas gambar. Perbandingan citra asli dengan citra yang telah bernoise dengan tingkatan noise yang
berbeda akan di tampilkan pada gambar berikut :

a. Citra Asli b. Citra asli yang bernoise 25%

c. Citra asli yang bernoise 50% d. Citra asli yang bernoise 75%

Kita dapat melihat pada gambar diatas, setelah citra asli dimasukan pada program Noise Corrupter
maka kualitas gambar semakin rusak dan pada level noise yang tinggi gambar semakin sulit untuk
dikenali. (Gambar d).
Proses Median Filter

Ketiga hasil citra yang benoise tadi kemudian kita uji dengan menggunakan metode Median filter. Hasil
dari median filter dapat kita lihat pada gambar dibawah ini:

1.Reduction filter 25% 2.Reduction filter 50% 3. Reduction filter 75%

Dari hasil Reduction filter pada ketiga citra diatas, kita dapat melihat berkurangnya noise pada ketiga
citra tesebut. Berkurang noise pada ketiga citra diatas memiliki intensitas yang berbeda. Dari ketiga
gambar diatas gambar dengan level noise 25% setelah direduction,kualitas gambarnya hampir kembali
seperti citra asli, sedangkan level 50% kualitas gambarnya walaupun sudah diperbaiki tapi masih ada
noise yang terdeteksi dan pada level 75% kualitas gambarnya semakin susah diperbaiki dilihat dari
masih banyaknya noise yang terdeteksi.
ANALISIS PROGRAM

Gambar 1 ( tampilan program median filtering kelompok kami )

Program median filtering yang kelompok kami kerjakan, untuk citra yang akan diambil untuk di proses
bisa berupa citra berwarna maupun grayscale, namun untuk pada saat pemrosesan citra yang dipakai
akan di transform atau di convert menjadi citra grayscale dan akan di tampilkan mode yang grayscale
untuk di bandingkan.

Transfom atau konversi ke grayscale

Diatas gambar(1) , merupakan screenshoot dari program dan bagian dari proses transform gambar
menjadi gray scale .

Untuk beberapa variable diatas telah sebelumnya di deklarasikan untuk public sebelumnya yaitu :

Pixels yang berupa array 2 dimensi akan mengambil besar maksimum dari ukuran gambar yang telah di
load, kemudian membuat variable bitmap dengan variable gambar2.

Kemudian untuk proses yang dimulai dari array 0 dengan menggunakan variable bantu ( i , j ) , proses
tersebut untuk mendapatkan nilai pixel dari gambar awal yang nantinya akan di simpan dalam variable
color lama, dan satu variable bantu yaitu nilai menampung sementara hasil convert nilai rgb pixel
tersebut dan di disimpan lagi nilai baru tersebut ke dalam pixels dan akhirnya memasukkan nilai color
kedalam color baru dan langsung mengisi pixel untuk gambar2 , yang merupakan variable untuk citra
grayscale program kami .
Median Filtering

Gambar 2 ( hasil median filtering dari citra noise 25% )

Proses penghilangan noise menggunakan median filtering, gambar a merupakan gambar bernoise yang
setelah proses median filtering sebanyak 2x akan menghasilkan gambar b yang lebih mulus dan
menghilangkan sebagian besar noise dari gambar a , gambar b merupakan hasil proses corrupter noise
dari program sebelumnya sebesar 25% . berikut contoh dari citra yang terlah di corrupt sebanyak 50%
dan 75%.

Gambar 3 ( hasil median filtering dari citra noise 50% )

Bisa dilihat untuk gambar atau citra yang telah dirusak sebanyak 50% noise filter median masih bisa
memperbaikinya dan citra masih layak untuk dikenali. Pada gambar b tersebut telah di proses filter
sebanyak 4x dari citra awal yang bernoise sebesar 50%.

Gambar 4 ( hasil median filtering dari citra noise 75% )

Gambar 4 , merupakan citra yang telah dirusak sebanyak 75% bisa dilihat pada citra awal sangat sulit
untuk dikenali citra tersebut dengan banyak sekali noise yang diberikan , dengan proses filtering
sebanyak 8x pada gambar b , gambarnya bisa dikenali tapi terdapat banyak blur dan banyak hilangnya
pixel – pixel asli dari gambar .
Berikut uraian dari bagian program kami untuk proses median filtering :

Untuk pemrosesan citra pada median filtering ini, kami menggunakan kernel sebesar 3 x 3 , yang dalam
arraynya kami buat sebesar 9 besar tampung sementaranya , proses median untuk mendapatkan nilai
tengah yang akan menggantikan pixel tengah dari kernel, untuk hasilnya sendiri untuk noise pada pixel
bagian 0,0 sampai 0,widthgambar dst.. diabaikan karena kernel ini .

Gambar 5 ( listing code untuk proses median filtering )

List code diatas untuk proses median filtering kami , seperti yang disebutkan untuk kernel berukuran 3
x 3 , memakai variable kernel , dan kami memakai variable gambar3 untuk bitmap sementara gambar
baru setelah proses penghilangan noise, untuk prosesnya terdapat 4 proses perulangan secara umum,
dan dapat di uraikan yaitu 1 proses perulangan untuk semua proses kernel pada gambar yang di batasi
untuk height dan width asli gambar yang kami kurangi 2 , dengan maksud agar proses berhenti atau
hanya pada gambar dikarenakan kernel berukuran 3 x 3 maka pasti akan lebih dari width dan height
asli gambar atau citra apabila tidak dibatasi lagi tepian maksimum yang akan dilewati kernel
 3 proses lagi yaitu proses pertama yaitu memasukkan pixel gambar yang dilewati kernel
pertama ke dalam array kernel dengan batasnya tentu saja 3 x 3 juga

 Proses ke dua yaitu proses pengurutan 9 nilai yang telah di tampung dalam array kernel ,
dengan algoritma bubble sort , menggunakan bantuan variable temp perlahan variebel yang
lebih besar akan di naikan ke atas sampai semua nilai dalam kernel telah rapi terurut .

 Proses ke tiga yaitu menerapkan atau mengubah nilai dalam variable pixels dengan nilai
median dari kernel yang telah diurut sebelumnya

 Kami menggunakan urutan array ke empat untuk ditimpa atau dimasukkan ke dalam nilai
pixels karena nilai tengah dari kernel 3 x 3 adalah array dengan nomer urut ke 4 atau untuk
urutan nya yaitu urutan angka ke 5 dalam kernel yang tepat berada di tengah (ambil array ke 4
, karena array dihitung mulai dari 0) .
Uraian diatas merupakan keseluruhan proses median filtering dari program kami, setelah habis proses
tersebut citra baru siap di fill atau di isi ke dalam pixel untuk variable gambar3 dengan mengisi penuh
pixel gambar3 tersebut dengan isi array pixels yang telah di modifikasi dalam proses filtering tersebut.

Untuk program ini bisa ditekan berulang kali fungsi proses filtering dan program akan terus
memproses citra sampai keinginan user . dengan mengulang semua proses median filtering yang
sebelumnya telah diuraikan .
 BAB IV

KESIMPULAN

Di dalam paper telah dibahas dan diuraikan sebuah program yang kami buat untuk membuktikan dan
menerapkan algoritma median filtering dalam memproses sebuah citra yang ber-noise , menggunakan
citra bitmap yang sebelumnya telah diberikan noise dengan program corrupter.

Hasil dari algoritma median filtering cukup memuaskan , dengan begitu tinggi tingkat noise yang
diberikan aplikasi masih bisa mentolerir hingga tingkat noise hingga 75% walaupun pada tingkat noise
tersebut citra yang diproses cukup kehilangan banyak informasi pixel dan terdapat banyak blur tetapi
citra tersebut masih layak untuk dikenali, juga pada median filtering ini yang kami pakai kernel 3 x 3
untuk pixel bagian 0,0 .. 0,width/height image takakan di proses atau di skip karena tak masuk area
proses kernel ini .

Dengan demikian maka algoritma median filtering ini layak untuk dipakai memproses citra yang
memiliki tingkat noise cukup extreme tapi bisa memberikan efek blur pada beberapa tingkat noise
yang sangat parah.
 DAFTAR PUSTAKA

digilib.its.ac.id/public/ITS-Undergraduate-14264-chapter1pdf.pdf

library.binus.ac.id/eColls/eThesis/Bab2/2011-1-00326-if%202.pdf

repository.unand.ac.id/15342

repository.usu.ac.id/bitstream/123456789/31325/.../Chapter%20II.pdf
Pengolahan Citra Digital
Median Filtering

OLEH :

- Taufik A. Ali Samad (1006081033)

- Hepiyana V. Runesi (1006082017)

Universitas Nusa Cendana NTT

Fakultas Sains dan Teknik
Jurusan Ilmu Komputer
2013