net/publication/324181351
CITATIONS READS
2 3,904
2 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by I Nyoman Gede Arya Astawa on 04 April 2018.
Abstrak – Perbaikan suatu citra digital yang mempunyai intensitas mutu kurang baik seperti mengandung cacat atau
derau, warnanya terlalu kabur atau kontras yang disebut noise memiliki peran penting. Kejelasan suatu citra akan
menjadi berarti sebagai sebuah informasi. Penelitian ini bertujuan memperbaiki suatu citra digital dengan mengurangi
noise menggunakan metode Histogram Equalization dan Gaussian Filtering. Pengukuran suatu noise citra dilakukan
dengan metode Peak Signal-to-Noise Ratio (PSNR) sedangkan pengukuran kualitas sinyal menggunakan Signal-to-
Ratio (SNR). Dalam penelitian ini, ukuran matriks yang digunakan adalah 3×3, 5×5, 7×7, 9×9, dengan standar deviasi
0,5; 0,6; 0,7; 0,8; 0,9; dan 1. Hasil penelitian menunjukkan bahwa nilai tertinggi perbaikan suatu citra adalah gaussian
filter dengan matrik berukuran 3x3 dan standar deviasi = 0,5. Adapun, nilai Peak Signal-to-Noise Ratio (PSNR) =
32.948 dan nilai Signal-to-Ratio (SNR) = 45.7757.
Kata kunci – Citra digital, Histogram Equalization, Gaussian Filtering
15
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X
𝑥2
−
𝑓(𝑥) = 𝑒 2𝜎2 (3)
Output citra Wajah
16
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X
Sedangkan fungsi Gauss pada dimensi dua semakin mendekati citra asli. PSNR dapat dihitung
adalah sebagai berikut (4): sebagai berikut (7)[2] :
𝑥2 +𝑦2 𝑀𝑎𝑥𝐼
𝑓(𝑥, 𝑦) = 𝑒
−
2𝜎2 (4) 𝑃𝑆𝑁𝑅 = 20 log ( ) (7)
𝑅𝑀𝑆𝐸
Dimana, f(x) adalah gaussian filtering pada Dimana, nilai MaxI adalah nilai maksimum piksel citra
dimensi dua; e adalah epselon; x adalah jarak dari titik grayscale, MaxI =255 dan RMSE adalah nilai Root
asal pada sumbu horisontal; y adalah jaraka dari titik Mean Square Error.
asal pada sumbu vertikal; 𝜎 adalah standar deviasi.
2.5 Signal to Noise Ratio
2.2 Noise Signal to Noise Ratio (SNR) digunakan untuk
Noise adalah suatu bentuk kerusakan pada mengukur tingkat kualitas sinyal pada citra. Acuan
image signal yang disebabkan oleh gangguan eksternal. nilai SNR ini dihitung berdasarkan perbandingan
Gangguan pada citra umumnya berupa variasi antara citra asli dengan citra hasil filtering. Sehingga
intensitas suatu piksel yang tidak berkorelasi dengan semakin besar nilai SNR, maka semakin baik kualitas
piksel-piksel tetangganya [12]. sinyal yang dihasilkan. SNR biasanya dalam satuan
decibels (dB), persamaannya sebagai berikut (8)[2]:
Gaussian Noise
2
∑𝑚,𝑛 𝐼𝑚,𝑛
Gaussian noise menunjukkan bentuk ideal white 𝑆𝑁𝑅 = 10 log10 [∑ ] (8)
−
noise yang mengakibatkan fluktuasi acak pada suatu 𝑚,𝑛 𝐼𝑚,𝑛 −𝐼𝑚.𝑛
17
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X
Tabel 1. Nilai PSNR dan SNR dengan Standar Deviasi 0,5* Adapun, nilai PSNR dan SNR terlihat semakin
Standar Deviasi = 0.5
kecil, sedangkan nilai standar deviasi semakin besar.
Hal ini menunjukkan, semakin besar nilai standar
Matrix
deviasi, semakin terlihat perbedaan antara kedua citra,
3x3* 5x5 7x7 9x9 Tabel 1, 2, 3, 4, 5, dan 6. Hasil pengolahan citra wajah
PSNR 32.948 32.9228 32.9228 32.9228 dapat dilihat pada Gambar 3.
SNR 45.7757 45.7625 45.7625 45.7625
RMSE 5.7430 5.7597 5.7597 5.7597
18
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X
REFERENSI
[1] Ibrahim, H. and N.S.P. Kong. 2007. "Brightness Preserving
Dynamic Histogram Equalization for Image Contrast
Enhancement". IEEE Transactions on Consumer Electronics.
53.(4): p. 1752-1758.
[2] Gybert, S., W. Weku, and L. Latumakulita. 2013. "Perbaikan
Citra Digital dengan Menggunakan Filtering Technique dan
Similarity Measurement". de CARTESIAN. 2.(2): p. 1-9.
[3] Ahmad, N. and A. Hadinegoro. 2012. "Metode Histogram
Equalization Untuk Perbaikan Citra Digital". Seminar
Nasional Teknologi Informasi & Komunikasi Terapan 2012.
[4] Shan, D. and R. Ward. 2005. "Wavelet-based illumination
normalization for face recognition". in IEEE International
Conference on Image Processing 2005.
[5] Berlin, C., Y. Yao-Ming, and L. Shih-Hsiang. 2007. "A
Comparative Study of Histogram Equalization (HEQ) for
Robust Speech Recognition". Computational Linguistics and
Chinese Language Processing. 12.(2): p. 217-238.
[6] Cheng, H.D. and X.J. Shi. 2004. "A simple and effective
histogram equalization approach to image enhancement".
Digital Signal Processing. 14.(2): p. 158-170.
[7] Kumar, S., et al. 2010. "Performance Comparison of Median
and Wiener Filter in Image De-noising". International Journal
of Computer Applications (0975-8887). 12.(4): p. 27-31.
[8] Patidar, P., et al. 2010. "Image De-noising by Various Filters
for Different Noise". International Journal of Computer
Applications (0975 – 8887). 9.(4): p. 45-50.
[9] Sheetal, G., M. Bhawna, and G. Rajesh. 2011. "Histogram
Equalization Techniques For Image Enhancement".
International Journal of Electronics & Communication
Technology (Iject). 2.(1).
[10] Frank, Y.S., Image Steganography, in Image Processing and
Pattern Recognition:Fundamentals and Techniques2010,
Wiley-IEEE Press. p. 474-495.
[11] McAndrew, A., 2004, An Introduction to Digital Image
Processing with Matlab, Boston, MA, United States: Course
Technology Press.
[12] Yuwono, B. 2010. "Image Smoothing Menggunakan Mean
Filtering, Median Filtering, Modus Filtering Dan Gaussian
Filtering". TELEMATIKA. 7.(1): p. 65-75.
19