Shafira Fitri Hazairin

1305617012
Matematika 2017

BAB 1. INTRODUCTION
Pada era globalisasi dan digitalisasi seperti sekarang ini, manusia dapat dengan mudah
mempelajari dan menggunakan teknologi komputer sebagai alat bantu penyelesaian tugas atau
permasalahan. Komputer dapat melakukan pengolahan data, kata, maupun image dalam waktu
yang singkat. Banyak penemuan baru maupun pengembangan dari penemuan yang sudah ada yang
dapat diambil manfaatnya untuk kebutuhan manusia. Bidang yang signifikan dipengaruhi oleh
perkembangan komputer adalah image processing. Cara kerja komputer dalam mengolah image
adalah dengan mengikuti algoritma-algoritma yang sudah disusun.
Dalam penerapan sehari-hari, sebuah image dapat terpapar oleh noise yang tidak diinginkan.
Image noise yang umum diketahui adalah Salt and Pepper, Impulse, dan Gaussian Noise. Masing-
masing noise tersebut memberikan efek yang berbeda kepada image yang terpapar. Untuk
mengembalikan image seperti sedia kala, perlu dilakukan metode untuk meningkatkan kualitas
image. Operasi peningkatan kualitas image berfungsi untuk meningkatkan fitur tertentu pada
image yang sudah terpapar noise sehingga tingkat keberhasilan dalam pengolahan gambar
berikutnya menjadi tinggi. Image dimodifikasi untuk membuatnya menjadi lebih terlihat baik dari
segi kualitas, sehingga mudah untuk dianalisa. Salah satu dari banyak teknik atau metode untuk
mereduksi beberapa noise tersebut adalah dengan metode spasial, yang mengandalkan pemisahan
pixel image menjadi kernel tertentu. Ukuran dari tiap kernel harus berupa angka ganjil. Metode ini
terdiri dari Mean Filter, Median Filter, dan Gauss Filter.
Algoritma dalam pengoperasian masing-masing filter tentu saja berbeda. Mean filter
merupakan salah satu filter yang bekerja dengan menggantikan intensitas nilai pixel dengan rata-
rata dari nilai pixel tersebut dengan nilai pixel-pixel tetangganya, karena itu disebut Neighborhood
filter. Median Filter bekerja dengan mengurutkan nilai intensitas sekelompok pixel, kemudian
mengganti nilai pixel yang diproses dengan nilai mediannya (nilai tengahnya). Cara kerja Gaussian
Filter dengan mengikuti distribusi Gaussian, nama lainnya distribusi normal. Sesuai dengan cara
kerjanya, dari ketiga filter tersebut dapat ditentukan filter jenis apa yang dapat mereduksi dan
mengembalikan kualitas image dengan terbaik. Maka, penting untuk dilakukannya penelitian
untuk menganalisa dampak diberikannya sebuah filter terhadap suatu image yang terpapar noise.

BAB 2. BACKGROUND THEORY

2.1. Pengertian Image
Image atau gambar dalam Bahasa Indonesia adalah adalah representasi biner dari informasi
visual. Piksel adalah unsur gambar atau representasi sebuah titik terkecil dalam sebuah gambar
grafis yang dihitung per inci. Semakin banyak piksel yang digunakan untuk menunjukan gambar,
semakin jelas gambar. Citra digital tersimpan dalam suatu bentuk larik (array) angka digital yang
merupakan hasil kuantifikasi dari tingkat kecerahan masing masing piksel penyusun citra tersebut.
Citra digital yang tersimpan dalam larik dua dimensi tersusun atas unsur-unsur kecil yang disebut
dengan piksel. Piksel inilah yang akan menjadi dasar untuk pengolahan image. Matriks piksel
tersebut akan dioperasikan sedemikian rupa agar dapat mengeluarkan hasil filter yang diinginkan.

2.2 Pengertian Noise

Noise adalah variasi acak dari sinyal yang tidak diinginkan berupa warna atau kecerahan
dalam gambar. Sinyal dari noise dapat mengganggu kualitas dari sinyal asli suatu image. Jenis
noise yang banyak dikenal adalah Salt and Pepper Noise, Impulse Noise, dan Gaussian Noise.
Ketiga jenis noise tersebut menghasilkan dampak yang berbeda terhadap image asli.
A) Salt and Pepper Noise
Noise jenis ini akan mengakibatkan timbulnya titik-titik berwarna putih dan hitam secara acak
pada image asli. Frekuensi dari banyaknya titik acak tersebut, atau dapat disebut density, dapat
diatur dengan memasukkan konstanta berupa nilai skalar bernilai 0 sampai dengan 1 pada
algoritma Noise Salt and Pepper. Semakin besar density yang dipilih, efek noise ini akan semakin
besar terhadap image asli. Hal tersebut mengakibatkan frekuensi titik-titik acak semakin banyak,
image asli akan semakin kabur dan tak sulit diidentifikasi. Algoritma pengaplikasian salt and
pepper noise kepada sebuah image awal adalah sebagai berikut:
1. Matriks yang berisi piksel sebuah image greyscale dicari sizenya. Misalkan size
yang didapat adalah (m,n)
2. Dibuat matriks berukuran (m,n) yang berisi konstanta acak (random numbers),
dengan konstanta acak tersebut memiliki range nilai dari 0 sampai 1. Konstanta
acak tersebut akan menggambarkan peluang untuk setiap piksel yang
bersesuaian dengan piksel acak tersebut.
3. Piksel yang mendapatkan konstanta acak bernilai besar (dalam hal ini,
dimisalkan nilainya di atas 0.99) , piksel akan berubah menjadi warna hitam.
Sedangkan piksel yang mendapat konstanta acak bernilai kecil (dalam hal ini,
dimisalkan nilainya di bawah 0.01), piksel akan berubah menjadi warna putih.
4. Setelah diproses, akan tampil image awal dengan bintik (titik) berwarna hitam
dan putih karena dampak dari langkah di atas.

B) Impulse Noise
Impuls noise memberikan dampak timbulnya titik-titik berwarna putih secara acak pada image
asli. Sama halnya dengan salt and pepper noise, frekuensi dari banyaknya titik acak tersebut dapat
diatur dengan menggunakan konstanta tertentu bernilai 0 sampai dengan 1 pada algortima impulse.
Semakin besar frekuensi yang dipilih, image akan memiliki banyak titik putih. Sebaliknya, jika
frekuensi diperkecil, jumlah titik putih akan berkurang. Algoritma pembentukan impulse noise
adalah sebagai berikut:
1. Matriks yang berisi piksel sebuah image greyscale dicari sizenya. Misalkan size
yang didapat adalah (m,n)
 2. Dibuat matriks berukuran (m,n) yang berisi konstanta acak (random numbers),
dengan konstanta acak tersebut memiliki range nilai dari 0 sampai 1. Konstanta
acak tersebut akan menggambarkan peluang untuk setiap piksel yang
bersesuaian dengan angka acak tersebut.
3. Piksel yang mendapat konstanta acak bernilai kecil (dalam hal ini, dimisalkan
nilainya di bawah 0.01) akan berubah menjadi warna putih.
4. Setelah diproses, akan tampil image awal dengan bintik (titik) berwarna putih
secara acak karena dampak dari langkah di atas.

C) Gaussian Noise
Cara kerja Gaussian noise adalah dengan mengikuti distribusi Gaussian, atau disebut distribusi
normal. Noise ini menimbulkan spektrum berupa cahaya putiih. Gaussian noise dijalankan dengan
menghitung mean dan varians dari image foto asli. Makin besar rata-rata dan variasinya maka citra
akan semakin kabur, sebaliknya makin kecil konstantanya efek pada citra makin tidak terlihat.
Pada saat nilai rata-rata dan variansnya besar, image akan menjadi hanya cahaya putih saja.

2.3 Pengertian Filter

2.3.1 Mean Filter
Menurut Usman (2005:61) salah satu filter linier adalah filter rata-rata (Filter Mean) dari
intensitas pada beberapa piksel lokal dimana setiap piksel akan digantikan nilainya dengan rata-
rata dari nilai intensitas pixel tersebut dengan pixel-pixel tetangganya, dan jumlah pixel tetangga
yang dilibatkan tergantung pada filter yang dirancang. Mean Filter mengganti nilai pixel pada
posisi (x,y) dengan nilai rata-rata pixel yang berada tetangga disekitarnya. Luasan jumlah pixel
tetangga ditentukan sebagai masking/kernel/window yang berukuran baru. Algoritma berpikir
mean filtering adalah sebagi berikut:
1. Menambahkan tepian matriks piksel dari image yang terkena noise dengan angka nol.
Misalkan matriks piksel awal berukuran (m,n), maka dibuat matriks baru
berukuran(m+2,n+2), dengan baris dan kolom yang baru berisi seluruhnya angka nol.
2. Membuat kernel berukuran (n,n), n adalah angka ganjil.
Kernel yang umum adalah berukuran (3,3) atau (5,5). Pada langkah ini, matriks yang
didapat pada langkah 1 akan dipisah-pisah menjadi beberapa kernel.
3. Menghitung mean dari masing-masing kernel.
4. Nilai-nilai mean tersebut kemudian disusun kembali mengikuti urutan awalnya.
5. Diperoleh image baru yang menampilkan hasil Mean Filter dari image awal yang sudah
terkena noise.
2.3.2 Median Filter
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. Median filter mengganti nilai suatu piksel dengan median nilai tingkat keabuan
dari pixel tetangga. Nilai median tersebut didapatkan dari nilai tengah nilai asli piksel. Algoritma
berpikir dalam pembentkan median filter adalah sebagai berikut:
1. Menambahkan tepian matriks piksel dari image yang terkena noise dengan angka nol.
Misalkan matriks piksel awal berukuran (m,n), maka dibuat matriks baru
berukuran(m+2,n+2), dengan baris dan kolom yang baru berisi seluruhnya angka nol.
2. Membuat kernel berukuran (n,n), n adalah angka ganjil.
Kernel yang umum adalah berukuran (3,3) atau (5,5). Pada langkah ini, matriks yang
didapat pada langkah 1 akan dipisah-pisah menjadi beberapa kernel.
3. Menghitung median dari masing-masing kernel.
4. Nilai-nilai median tersebut kemudian disusun kembali berseuaian dengan urutan
awalnya.
5. Diperoleh image baru yang menampilkan hasil Median Filter dari image awal yang
sudah terkena noise.

2.3.3 Gaussian Filter

Menurut Usman (2005:70), filter Gaussian sangat baik untuk menghilangkan noise yang
bersifat sebaran nomal, yang banyak di jumpai pada sebaran citra hasil proses digitasi
menggunakan kamera karena merupakan fenomena alamiah akibat sifat pantulan cahaya dan
kepekaan sensor cahaya pada kamera itu sendiri. Gaussian Blur adalah Filter blur yang
menempatkan warna transisi yang signifikan dalam sebuah image, kemudian membuat warna-
warna pertengahan untuk menciptakan efek lembut pada sisi-sisi sebuah image. Gaussian blur
adalah salah satu filter blur yang menggunakan rumus matematika untuk menciptakan efek
autofocus untuk mengurangi detail dan menciptakan efek berkabut. Gaussian adalah istilah
matematika yang diambil dari nama seorang matematikawan Jerman, Karl Friedrich Gauss.
Algoritma pembentukan Gaussian Filter adalah sebagai berikut:

2.4 Signal to Noise Ratio

Dikutip dari Wikipedia, Signal to Noise Ratio (disingkat SNR atau S / N) adalah ukuran
yang digunakan dalam sains dan teknik yang membandingkan tingkat sinyal yang diinginkan
dengan tingkat noise pada latar belakang. SNR didefinisikan sebagai rasio daya sinyal terhadap
daya noise, yang sering dinyatakan dalam desibel. Rasio yang lebih tinggi dari 1: 1 (lebih besar
dari 0 dB) menunjukkan lebih banyak sinyal daripada noise.
SNR dapat diterapkan pada segala bentuk sinyal, misalnya tingkat isotop dalam inti es, pensinyalan
biokimia antar sel, atau sinyal perdagangan finansial.
Signal-to-noise ratio (SNR) digunakan dalam pencitraan sebagai ukuran fisik dari
sensitivitas sistem pencitraan (digital atau film). Standar industri mengukur SNR dalam desibel
(dB) kekuasaan dan karenanya menerapkan aturan 10 log pada rasio SNR "murni" (rasio 1: 1
menghasilkan 0 desibel, misalnya). Pada gilirannya, menghasilkan "sensitivitas." Standar industri
mengukur dan menentukan sensitivitas dalam hal kesetaraan kecepatan film ISO; SNR: 32.04 dB
= kualitas gambar luar biasa dan SNR: 20 dB = kualitas gambar bisa diterima.
SNR adalah parameter yang tidak tergantung pada jenis noise, tetapi hasil dan kegunaannya
sangat terkait dengan bagaimana gambar tersebut terdegradasi. SNR berguna untuk gaussian noise,
tetapi memberikan hasil yang buruk pada degradasi lokal dan non linier. Rumusnya adalah dari
Digital Image Processign (Gonzalez, 2007, hal. 376). f ^ adalah gambar terkena noise dan f gambar
asli.

2.5 Metodologi Penelitian

Greyscale
Image Asli Image

Noise Salt and

Impulse Gaussian
Ditambahkan Pepper

Me,Med, Me, Med, Me,Med,

3 Jenis Filtering Gauss Gauss Gauss

Analisa Analisa Analisa

Hasil hasil Hasil Hasil
 Cara kerja penyusunan penelitian ini adalah sebagai berikut:
1. Sebuah image greyscale diberikan oleh masing-masing noise, yakni Salt and Pepper,
Impulse, dan Gaussian Noise.
2. Hasil image yang terkena noise tersebut, kemudian direduce noise-nya dengan
menggunakan noise filtering, yakni Mean, Median, dan Gaussian Filter.
3. Analisa hasil, manakah filter yang terbaik untuk mereduce noise tertentu.
4. Digunakan Metode Histogram dan Signal to Noise Ratio (SNR) untuk membandingkan
hasil filter secara kuantitatif.

BAB 3. EXPERIMENT & RESULTS

Pada percobaan ini, digunakan sebuah image awal seperti gambar dibawah ini:

Image tersebut akan dibuat menjadi greyscale, dan dicari histogramnya.

Image Greyscale tersebut kemudian akan diberikan Salt and Pepper, Impulse, dan Gaussian Noise.
Setelah itu, dipaparkan hasilnya setelah melalui proses Filtering, yakni Mean Filter, Median Filter,
dan Gaussian Filter. Kemudian, akan dibandingkan filter mana yang terbaik untuk mereduce noise.
Cara membandingkannya adalah dengan memanfaatkan kemiripan trend-nya dengan histogram,
dan selanjutnya menggunakan Signal to Noise Ratio.

3.1 Salt and Pepper Noise

A) Analisa Menggunakan Perbandingan Image (sebelum & sesudah filter) dan Histogram.
Setelah image greyscale diberikan Salt and Pepper Noise, hasil image dan histogramnya berubah.
Hasil image menjadi muncul bintik-bintik acak berwarna hitam dan putih.

Analisis dilakukan dengan melakukan perbandingan antara Histogram Image original dan
Histogram yang dihasilkan oleh Mean, Median, dan Gaussian Filter. Tren dari masing-masing
histogram ditinjau dan dianalisis mana yang paling menyerupai histogram image original.
Histogram dari median filter paling menyerupai histogram original. Jika ditinjau Mean filter
mengakibatkan piksel berwarna gelap (mendekati hitam, pada histogram daerah yang sebelah kiri)
mengalami peningkatan. Sementara, Gaussian filter mengakibatkan seluruh jenis warna piksel
menjadi lebih landai.
B) Analisa Menggunakan Signal To Noise Ratio
Digunakan rumus di bawah ini, untuk melakukan algoritma penghitungan nilai SNR melalui
program octave

Jenis Filter Nilai SNR

Mean Filter 30.291
Median Filter 219.47
Gaussian Filter 58.105
Terlihat bahwa nilai SNR dari Median Filter paling besar. Dimana makin besar nilai SNR, maka
semakin tinggi kualitas filter tersebut. Hal ini sesuai dengan hasil image setelah difilter dan hasil
histogram yang sudah dipaparkan diatas. Maka disimpulkan bahwa Median filter sangat baik
digunakan untuk mereduksi noise Salt and Pepper.

3.2 Impulse Noise

Setelah image greyscale diberikan Impulse Noise, hasil image dan histogramnya berubah. Hasil
image menjadi muncul bintik-bintik acak berwarna putih seperti pada gambar di bawah.

A) Analisis dengan Perbandingan Histogram

Kemudian, diterapkan masing-masing jenis filter, yakni Mean, Median, dan Gaussian secara
berurutan seperti disajikan pada gambar di bawah:
Dari histogram, nampak bahwa Median filter hampir sempurna dalam memfilter Impulse noise.
B) Analisis dengan Signal to Noise Ratio
Jenis Filter Nilai SNR
Mean Filter 144.13
Median Filter 252.52
Gaussian Filter 102.4
Hasil dari nilai signal to noise ratio yang terbesar adalah menggunakan Median Filter. Artinya,
Median filter paling baik dan paling berkualitas dalam memfilter image yang terkena impulse
noise. Hal ini karena perbandingan antara kekuatan sinyal dengan kekuatan noisenya besar.
Akibatnya, median filter paling efektif untuk mengelola image yang terkena impulse noise.

1.3 Gaussian Noise

Setelah image greyscale diberikan Gaussian Noise, hasil image dan histogramnya berubah.

A) Analisis dengan Signal to Noise Ratio

Jenis Filter Nilai SNR
Mean Filter 1821963.63848
Median Filter 34769.97070
Gaussian Filter 11970.85176

Dari hasil nilai SNR yang diperoleh, terlihat bahwa Mean Filter paling efektif dalam
menghilangkan noise Gaussian. Hal ini terlihat jelas melalui perbedaan nilai SNR yang terjadi.Hal
ini diakibatkan karena teori bahwa semakin besar nilai SNR maka semakin efektif dan berkualitas
cara filtering tersebut.

B) Analisis dengan Perbandingan Image dan Histogram

Karena memang noise dampak dari noise Gaussian terhadap image asli sangatlah
signifikan, sulit untuk mengembalikan kualitas foto seperti sedia kala.
Daftar Pustaka:
Wedianto, Andre. 2016, Februari. Jurnal Media Infotama Vol. 12 No. 1
Sari, Aprila Kartika. 2015. Analisis Perbandingan Kinerja Metode Filtering untuk
Peningkatan Kualitas Citra Medis
Sembiring, Arnes. 2016. Perbandingan Algoritma Mean Filter, Median Filter dan Wiener
Filter pada Aplikasi Restorasi Citra RGB Terdegradasi Impulse Noise Menggunakan The
Peak Signal To Noise Ratio (PSNR)
Gonzalez, R. C., Woods, R. E., & Eddins, S. L., Digital Image Processing, 2nd Edition,
Gatesmark Publishing, 2009