PROPOSAL

SKRIPSI

ANALISA KOMPARATIF KINERJA METODE MEAN FILTER, MEDIAN

FILTER DAN ALPHA TRIMMED MEAN FILTER PADA
NOISE REDUCTION SPECKLE DAN RAYLEIGH

Diajukan Untuk Memenuhi Persyaratan Meraih Gelar Sarjana Komputer

Pada Program Studi Teknik Informatika Fakultas Teknik dan Komputer
Universitas Harapan Medan

Nama
NIM

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN KOMPUTER
UNIVERSITAS HARAPAN MEDAN
MEDAN
2021

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.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah diatas dapat dipersempit pokok permasalahn dalam
penelitian ini, yaitu sebagai berikut:
1. Bagaimana memperbaiki kualitas citra yang terkena noise dengan melakukan proses
filtering menggunakan metode Mean Filter, Medan Filter dan metode Alpha-Trimmed
Mean Filter.
2. Bagaimana perbandingan kinerja metode Mean Filter, Medan Filter dan metode Alpha-
Trimmed Mean Filter dalam perbaikan kualitas citra digital dilihat dari parameter
kualitas citra.
3. Bagaimana mengimplementasikan metode Mean Filter, Medan Filter dan metode
Alpha-Trimmed Mean Filter kedalam sebuah aplikasi dalam perbaikan kualitas citra
digital.

1.3 Batasan Masalah

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.

1.4 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah sebagai berikut:
1. Untuk memperbaiki kualitas citra yang terkena noise dengan melakukan proses filtering
menggunakan metode Mean Filter, Median Filter dan metode Alpha-Trimmed Mean
Filter.
2. Untuk menguji perbandingan kinerja metode Mean Filter, Median Filter dan metode
Alpha-Trimmed Mean Filter dalam perbaikan kualitas citra digital dilihat dari parameter
kualitas citra.
3. Untuk mengimplementasikan metode Mean Filter, Median Filter dan metode Alpha-
Trimmed Mean Filter kedalam sebuah aplikasi dalam perbaikan kualitas citra digital.

1.5 Manfaat Penelitian

Adapun manfaat dari penelitian ini diantaranya yaitu sebagai berikut:
1. Memberikan solusi berupa aplikasi dan inFormasi bagaimana cara mereduksi noise
Speckle dan Rayleigh noise pada citra digital untuk memperbaiki kualitas citra menjadi
citra yang lebih baik.
2. Penelitian ini diharapkan juga untuk mampu menentukan metode mana yang lebih baik
diantara Mean Filter, Median Filter dan metode Alpha-Trimmed Mean Filter untuk
mereduksi noise pada citra digital, khususnya jenis noise Speckle dan Rayleigh noise.

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

f(x, y) : intensitas cahaya (brightness) pada titik (x, y)

Suatu citra dapat didefenisikan sebagai fungsi (x,y) berukuran M baris dan N
kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y)
dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x, y,
dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka citra
tersebut adalah citra digital.

Gambar 1. Citra dan Nilai Penyusun Piksel

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.

2.2 Jenis-jenis Citra

Adapun jenis-jenis citra digital dapat dijelaskan sebagai berikut:
1. Citra Biner
Citra biner merupakan citra digital yang hanya memiliki dua kemungkinan nilai piksel
yaitu hitam dan putih. Citra biner juga disebut citra B&W (black and white) atau citra
monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap piksel dari citra biner.
Gradasi warna : Bit 0 = warna hitam Bit 1 = warna putih.

Gambar 2. Citra Biner

 6

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.

Gambar 3. Citra Grayscale

3. Citra RGB (Red, Green, Blue) atau Citra Warna
Citra berwarna, atau biasa dinamakan citra RGB, merupakan jenis citra yang
menyajikan warna dalam bentuk komponen R (merah), G (hijau), dan B (biru). Setiap
komponen warna menggunakan 8 bit (nilainya berkisar antara 0 sampai dengan 255).
Dengan demikian, kemungkinan warna yang bisa disajikan mencapai 255 x 255 x 255
atau 16.581.375 warna, seperti dapat dilihat pada gambar 4 dibawah ini.

Gambar 4. Citra Warna

2.3 Noise (Derau)
Noise adalah suatu gangguan yang disebabkan oleh penyimpanan data digital yang
diterima oleh alat penerima data gambar yang dapat mengganggu kualitas citra. Noise
dapat disebabkan oleh gangguan fisik (optik) pada alat penangkap citra misalnya kotoran
debu yang menempel pada lensa foto maupun akibat proses pengolahan yang tidak sesuai.
Noise dalam pengolahan citra adalah pixel atau gambar yang dapat menganggu kualitas
citra. Ada beberapa penyebab noise yaitu proses pengolahan yang sengaja dibuat tidak
sesuai, gangguan fisis (optik) pada alat akuisisi, dan juga kotoran yang ada pada citra.
 7

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.

Gambar 5. Contoh Speckle Noise

2. Rayleigh Noise
Citra pada gambar 4 dengan kontaminasi noise rayleigh, memperlihatkan citra tidak
tidak terlihat jelas titik-titik noise yang mempengaruhi kualitas citra.
 8

Gambar 6. Contoh Rayleigh 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.

2.4 Restorasi Citra

Restorasi citra merupakan teknik dalam memperbaiki citra yang telah mengalami degradasi
atau kerusakan. Degradasi dapat diakibatkan oleh proses digitalisasi maupun cacat akibat
usia, jamur, goresan, pelabelan teks pada citra yang dilakukan baik sengaja maupun tidak
sengaja. Degradasi dapat berupa adanya noise (derau) akibat proses akuisisi maupun
digitalisasi citra dan noise buatan untuk proses invers dalam rangka merekonstruksi citra.
Salah satu teknik pada restorasi citra adalah filtering. Filtering adalah cara
mereduksi noise buatan yang diaplikasikan pada citra dengan menggunakan algoritma atau
metode tertentu. Konsep algoritma filtering adalah konvolusi, yaitu mengambil sebagian
data pada frekuensi tertentu dan membuang sebagian data pada frekuensi yang lain.
Sedangkan teknik filtering citra sendiri dapat dikategorikan menjadi dua, filtering domain
spasial dan filtering domain frekuensi. Teknik domain spasial dilakukan berdasarkan
manipulasi langsung terhadap citra, sedangkan teknik domain frekuensi dilakukan dengan
memodifikasi perubahan Fourier pada gambar. Ada dua metode filtering yang dapat
diterapkan pada domain spasial, yaitu Mean Filter dan Ordering Filter. Mean Filter lebih
cocok untuk menghilangkan noise yang jenisnya mirip dengan Gaussian Noise yaitu
Uniform Noise, sedangkan Ordering Filter lebih cocok untuk menghilangkan noise yang
jenisnya mirip dengan Salt and Pepper Noise seperti Rayleigh Noise.
 9

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.

2.4.1 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 pada
pusat window pada proses konvolusi. Pada Filter Mean proses yang dilakukan adalah
menghitung rata-rata dari citra yang rusak g(s,t) pada sebuah blok area citra yang
didefinisikan oleh 𝑆𝑥𝑦. Nilai dari citra f(x,y) yang diperbaiki pada tiap titik (x,y) hanya
dihitung dengan menggunakan pixel dalam daerah yang didefinisikan oleh 𝑆𝑥𝑦 dengan
rumus pada persamaan (1).
1
F ( xy )= ( s , t ) ∈ Sxy g (s , t)(1)
m∑
Keterangan:
m : baris dari sebuah matriks
n : kolom dari sebuah matriks
𝑓(x,y) : koordinat citra pada titik tengah matriks yang akan dirubah
𝑔(s,t) : koordinat citra rusak yang berada pada seluruh 𝑆𝑥𝑦
𝑆𝑥𝑦 : blok area citra yang berada pada matriks
Ilustrasi proses filter mean dapat dijelaskan pada gambar 7 dibawah ini.

Gambar 7. Mekanisme Filter Mean

2.4.2 Median Filter

Median Filter sangat populer dalam pengolahan citra. Filter ini mengganti nilai piksel
dengan Median (nilai tengah) dari nilai intensitas dalam tetangga dari piksel tersebut.
Secara matematis, Median Filter dapat dipakai untuk menghilangkan derau bintik-bintik.
 10

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

Berikut contoh Proses Median Filter pada gambar 8.

Gambar 8. Proses Median Filter dengan kernel 3x3

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.

2.4.3 Alpha-Trimmed Mean Filter

Metode Alpha-trimmed Mean Filter adalah metode filtering yang diawali dengan
menghapus d/2 nilai piksel yang memiliki nilai intensitas terendah dan menghapus d/2 nilai
piksel yang memiliki nilai intensitas tertinggi, dari kernel filter yang dinyatakan sebagai
g(x,y) dalam tetangga Sxy. Filter dibentuk oleh rata-rata sisa piksel sisa mn-d piksel yang
dinyatakan sebagai g(s,t). Rumus yang digunakan yaitu dengan menggunakan persamaan
(3) berikut.
 11

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.

Gambar 9. Proses Perhitungan Metode Alpha-Trimmed Mean Filter

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

Proses selanjutnya adalah mengulangi proses perhitungan metode Alpha-Ttrimmed

Mean Filter kepada piksel berikutnya yang berada di sebelah kanan, dan berlaku
seterusnya hingga proses filtering selesai.

2.5 Parameter Perbandingan Kualitas Citra

Penilaian kualitas citra dilakukan dengan cara penilaian secara objektif dengan
menggunakan nilai Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR)
kedua nilai tersebut membandingkan piksel-piksel pada posisi yang sama dari dua citra
yang berbeda.

2.5.1 PSNR (Peak Signal to Noise Ratio)

PSNR merupakan nilai perbandingan antara harga maksimum warna pada citra hasil
filtering dengan kuantitas gangguan (noise), yang dinyatakan dalam satuan desibel (dB).
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 semakin buruk pula hasil yang diperoleh pada
tampilan citra hasil. Didefiniskan sebagai berikut pada persamaan (4).
MAXi2
PSNR=10 log 10 ( MSE )
( 4)

Keterangan:
PSNR : nilai Peak Signal to Noise Ratio
MAXi : nilai maksimum dari pixel citra
MSE : nilai perhitungan MSE
Log10 : Logaritma basis 10

2.5.2 MSE (Mean Square Error)

MSE adalah kesalahan kuadrat rata-rata. Nilai MSE didapat dengan membandingkan nilai
selisih piksel-piksel citra asal dengan citra hasil pada posisi piksel 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. Secara matematis
dapat di rumuskan pada persamaan (5).
 13

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

2.5.3 Running Time

Running time adalah waktu dari awal proses dimulai hingga akhir proses. Waktu mulai dan
waktu akhir bekerja secara bersamaan untuk menghitung total waktu yang diperlukan yang
ditampilkan dalam satuan detik. Semakin kecil nilai running time semakin cepat waktu
yang digunakan untuk proses, dan semakin besar nilai running time semakin lama waktu
yang digunakan untuk proses. Running time digunakan untuk mengetahui total waktu yang
diperlukan untuk sebuah proses.