SKRIPSI
Nama
NIM
1
2
1. Pendahuluan
1.1 Latar Belakang Masalah
Kemajuan teknologi informasi, perkembangan dan besarnya kegandrungan masyarakat
terhadap media sosial berbasis citra saat ini, menjadikan citra mempunyai peranan yang
sangat penting dalam menunjang penyampaian informasi. Kebutuhan akan citra pada
penyampaian informasi, sayangnya tidak diikuti oleh baiknya kualitas citra yang ada.
Sering kali pada citra ditemukan gangguan, seperti muncul bintik-bintik yang disebabkan
oleh proses pengambilan citra yang tidak sempurna pada kamera, pencahayaan yang tidak
merata sehingga mengakibatkan intensitas yang tidak seragam dan tidak merata, kontras
citra yang terlalu rendah sehingga objek sulit dipisahkan dari latar belakangnya, atau
gangguan yang disebabkan oleh kotoran-kotoran yang menempel pada citra dan lain
sebagainya. Semua gangguan tersebut menyebabkan adanya noise pada citra, sehingga
mengakibatkan degradasi citra (penurunan kualitas citra). Citra yang mengandung noise
membutuhkan langkah-langkah perbaikan. Efek masing-masing noise tentunya berbeda-
beda, ada yang memiliki efek sangat memengaruhi tampilan citra, ada juga yang tidak
memengaruhi tampilan citra.
Restorasi citra adalah suatu teknik yang memperhatikan bagaimana mengurangi
perubahan bentuk dan penurunan kualitas citra yang terjadi selama pembentukan citra
tersebut. Terdapat perbedaan mendasar antara restorasi citra (image restoration) dan
eningkatan citra (image enhancement). Peningkatan citra (image enhancement) merupakan
proses untuk membuat citra menjadi lebih baik dari sudut pandang pengolahan. Hal ini
dilakukan, misalnya dengan mengubah kontras dan kecerahan. Restorasi citra (image
restoration) merupakan proses untuk membuat citra yang kualitasnya menurun akibat
adanya noise agar menjadi mirip dengan keadaaan aslinya, citra tersebut diperbaiki dengan
berbagai teknik citragrafi untuk memperbaiki kualitas citra, seperti filtering.
Terdapat dua jenis filtering pada domain spasial (ruang gambar), yaitu Mean Filter
dan Order Statistic Filter. Mean Filter terbagi atas Arithmetic Mean Filter, Geometric
Mean Filter, Harmonic Mean Filter, dan Contraharmonic Mean Filter. Order Static Filter
terbagi atas Median Filter, Min dan Max Filter, Midpoint Filter, dan Alpha-Trimmed Mean
Filter.
Filter Mean atau Aritmatic Mean Filter adalah menghitung rata -rata nilai pixel pada
setiap tahap proses konvolusi. Nilai rata rata tersebut digunakan untuk menganti nilai pixel
3
pada pusat window pada proses konvolusi. Median Filter sangat populer dalam pengolahan
citra. Filter ini mengganti nilai piksel dengan Median (nilai tengah) dari nilai intensitas
dalam tetangga dari piksel tersebut. Sedangkan Alpha-trimmed Mean Filter adalah filter
yang mengganti nilai sebuah piksel dengan nilai rata-rata dari dalam sub-image di bawah
jendela ketetanggaan ukuran M x N setelah menghilangkan nilai terkecil dan nilai terbesar.
Berdasarkan pemaparan di atas, penulis tertarik untuk melakukan penelitian dalam
analisis perbandingan kinerja metode Mean Filter, Median Filter dan Alpha Trimmed
Mean Filter pada noise reduction Speckle dan Rayleigh.
Batasan masalah pada penulisan skripsi ini diperlukan agar penulisan lebih terarah
sehingga pembahasan tidak menyimpang dari tujuan yang dicapai. Adapun yang menjadi
batasan masalah adalah sebagai berikut:
1. Citra uji yang digunakan untuk diproses yaitu citra warna berformat bitmap (.bmp).
2. Noise yang digunakan untuk perbandingan yaitu Speckle noise dan Rayleigh noise.
3. Metode yang digunakan untuk mereduksi noise yaitu metode Mean Filter, Median
Filter, dan dan Alpha Trimmed Mean Filter.
4. Parameter yang digunakan untuk menganalisa pengaruh Speckle noise dan Rayleigh
noise terhadap komparatif kinerja metode Mean Filter, Median Filter, dan dan Alpha
4
Trimmed Mean Filter adalah Mean Squared Error (MSE), Peak Signal to Noise Ratio
(PSNR) serta Running Time pada saat reduksi noise.
5. Aplikasi dirancang dengan menggunakan bahasa pemrograman Microsoft Visual
C#.NET.
2. Tinjauan Pustaka
2.1 Citra Digital
Secara umum, pengolahan citra digital menunjuk pada pemrosesan gambar 2D (dua
dimensi) menggunakan komputer. Ditinjau dari sudut pandang matematis, citra merupakan
fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Secara matematis
fungsi intensitas cahaya pada bidang dwimatra disimbolkan dengan f(x, y), dalam hal ini:
(x, y) : koordinat pada bidang dwimatra
5
Nilai suatu pixel memiliki nilai dalam rentang tertentu, mulai dari nilai minimum
sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis
warnanya. Namun secara umum jangkauannya adalah 0 – 255, citra dengan penggambaran
seperti ini digolongkan ke dalam citra integer. Berikut adalah jenisjenis citra berdasarkan
nilai pikselnya.
2. Citra Grayscale
Citra grayscale yaitu citra digital yang hanya memiliki satu nilai kanal pada setiap
pikselnya, dengan kata lain nilai bagian RED = GREEN = BLUE. Nilai tersebut
digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna
dari hitam, keabuan, dan putih. Tingkatan keabuan disini merupakan warna abu-abu
dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra grayscale berikut
memiliki kedalaman warna 8 bit (28 = 256 kombinasi warna keabuan). Seperti
diperlihatkan pada gambar 3 dibawah ini.
Terdapat beberapa jenis noise yaitu, gaussian noise, speckle noise, salt & pepper noise, dan
uniform noise.
Noise pada citra tidak hanya terjadi karena ketidaksempurnaan dalam proses
capturing, tetapi bisa juga disebabkan oleh kotoran-kotoran yang terjadi pada citra. Noise
muncul biasanya sebagai akibat dari pembelokan pixel yang tidak baik. Gangguan tersebut
umumnya berupa variasi intensitas suatu pixel yang tidak berkorelasi dengan pixel-pixel
tetangganya. Secara visual, gangguan mudah dilihat oleh mata karena tampak berbeda
dengan pixel tetangganya. Pixel yang mengalami gangguan umumnya memiliki frekuensi
tinggi. Komponen citra yang berfrekuensi rendah umumnya mempunyai nilai pixel konstan
atau berubah sangat lambat.
Noise merupakan kesalahan yang terjadi dalam proses pengambilan citra yang
menyebabkan sebuah nilai intensitas pixel tidak mencerminkan nilai intensitas pixel yang
sebenarnya. Intensitas warna dari noise bernilai antara 0 sampai 255. Adapun jenis-jenis
noise yang akan diprose dalam penelitian ini yaitu gaussian noise dan noise salt and
pepper, dapat dijelaskan sebagai berikut:
1. Speckle Noise
Speckle Noise adalah jenis noise yang memberikan warna hitam pada titik yang
terkena noise. Noise ini dapat dibangkitkan dengan cara membangkitkan bilangan 0
(warna hitam) pada titik-titik yang secara probabilitas lebih kecil dari nilai probabilitas
noise. Speckle Noise juga biasa disebut noise multiplikatif. Sebutan ini dikarenakan
sifatnya yang menambahkan noise multiplikatif pada citra asli. Speckle Noise mampu
mengakibatkan kualitas citra menjadi sangat terdegradasi karena nilai piksel pada citra
dikalikan dengan komponen noise.
Apabila citra yang mengandung noise langsung diproses dan diekstrak, maka fitur-
fitur pentingnya dapat menimbulkan masalah akurasi. Jadi sebaiknya citra tersebut
dibersihkan dari noise terlebih dahulu, dan kemudian diproses untuk diekstrak fitur-fitur
pentingnya. Terdapat beberapa metode yang digunakan untuk menghilangkan noise seperti
dengan menggunakan metode Mean Filter, Median Filter, dan metode Alpha-Trimmed
Mean Filter.
Mean Filter terbagi atas Arithmetic Mean Filter, Geometric Mean Filter, Harmonic
Mean Filter, dan Contraharmonic Mean Filter. Sedangkan Ordering Filter terbagi atas
Median Filter, Maximum Filter, Minimum Filter, Midpoint Filter, dan Alpha-trimmed
Mean Filter.
Nilai yang lebih baik digunakan untuk suatu piksel ditentukan oleh nilai Median dari setiap
piksel dan kedelapan piksel tetangga pada delapan ketetanggan. Median Filter dapat
didefiniskan sebagai berikut pada persamaan (2).
f ' ( x , y ) =median ∑ g ( s ,t ) (2)
(s , t)∈S x, y
Keterangan:
f ’(x,y) : hasil Median filter
g (s,t) : sub-image Sxy
Sxy : kernel daerah yang diliputi oleh filter
Gambar 8 diatas menunjukkan proses Median Filter yang menggunakan kernel 3x3.
Dimana kernel sebelah kiri merupakan kernel dari citra asli , kemudian diurutkan nilai
semuanya kemudian cari nilai tengah dan didapat nilai tengahnya adalah 7, lalu gantikan
nilai yang berada ditengah pada citra awal dengan nilai maksimum dari kernel, maka nilai
5 diganti dengan nilai 7.
1
f ( x , y )= ( s , t ) ∈ S xy g ( s , t ) (3)
mn−d ∑
Keterangan:
f(x,y) : nilai koordinat piksel hasil filtering
mn : dimensi kernel filter
d : nilai inputan (0-9)
g(s,t) : nilai intensitas piksel yang akan diganti dengan nilai hasil filtering
∑(s,t)∈Sxy : jumlah nilai intensitas piksel yang terkena proses filtering
Nilai d berada dalam range [0, mn-1]. Penggunaan nilai d = 0 akan menyebabkan
metode Alpha-Trimmed Mean Filter mendekati metode Arithmetic Mean Filter.
Sedangkan nilai d = mn-1 akan menyebabkan metode Alpha-Trimmed Mean Filter
menjadi Median Filter. Nilai d yang lain akan memberikan hasil yang baik pada beberapa
jenis noise, terutama kombinasi Salt and Pepper Noise dengan Gaussian Noise.
Proses perhitungan metode Alpha-trimmed Mean Filter dapat dilihat pada gambar 9
dibawah ini.
Hasil perhitungan metode Alpha-trimmed Mean Filter pada g(1,1) adalah f(1,1) =
84, sehingga nilai 81 diganti dengan nilai 84. Seperti yang dapat dilihat pada gambar 10.
Gambar 10. Penggantian Nilai Piksel Hasil Metode Alpha-Trimmed Mean Filter
12
Keterangan:
PSNR : nilai Peak Signal to Noise Ratio
MAXi : nilai maksimum dari pixel citra
MSE : nilai perhitungan MSE
Log10 : Logaritma basis 10
M N
1
MSE= ∑ ∑ ¿¿¿
MN y=1 x=1
Keterangan:
MSE : nilai MSE citra hasil pengolahan
M : panjang citra hasil pengolahan (dalam pixel)
N : lebar citra hasil pengolahan (dalam pixel)
I(x,y) : nilai pixel dari citra asli
I’(x,y) : nilai pixel dari citra hasil pengolahan