See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/324181351

PERBAIKAN CITRA WAJAH DENGAN METODE HISTOGRAM EQUALIZATION

DAN GAUSSIAN FILTERING

Conference Paper · December 2016

CITATIONS READS

2 3,904

2 authors, including:

I Nyoman Gede Arya Astawa

Politeknik Negeri Bali
33 PUBLICATIONS   59 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Networking View project

Web Programming View project

All content following this page was uploaded by I Nyoman Gede Arya Astawa on 04 April 2018.

The user has requested enhancement of the downloaded file.

Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

PERBAIKAN CITRA WAJAH DENGAN METODE HISTOGRAM

EQUALIZATION DAN GAUSSIAN FILTERING
I Nyoman Gede Arya Astawa1), Elina Rudiastari2)
1)
Prodi Manajemen Informatika, 2)Prodi Teknik Listrik
12)
Jurusan Teknik Elektro, Politeknik Negeri Bali – Bukit Jimbaran, Kuta Selatan, Badung - Bali
arya_kmg@pnb.ac.id1), elinarudiastari@yahoo.com2)

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

I. PENDAHULUAN melakukan proses pemerataan histogram (Histogram

Seiring perkembangan teknologi, citra
memegang peranan sangat penting sebagai bentuk
informasi dengan kemudahan yang ditawarkan dalam
hal pengambilan, pemrosesan dan penyimpanannya.
Walaupun sebuah citra kaya dengan informasi, namun
seringkali citra yang kita miliki mengalami penurunan
intensitas mutu, misalnya mengandung cacat atau
derau, dan warnanya terlalu kabur atau kontras yang
disebut noise. Penurunan intensitas mutu tersebut
antara lain disebabkan karena proses pengambilan atau
penyimpanan gambar (citra digital), proses pengiriman
citra digital (melalui kabel ataupun melalui satelit).
Sehingga suatu citra berpeluang mengalami kerusakan
(noise) dan mengakibatkan informasi yang ada menjadi
berkurang.
Beberapa penelitian telah dilakukan untuk
memperbaiki suatu citra, seperti peneliti [1]
menyatakan bagian yang sangat penting dalam
pengolahan citra tingkat rendah adalah peningkatan
citra, yang memiliki tujuan untuk meningkatkan
kualitas gambar yang memiliki nilai kontras rendah,
untuk memperbesar perbedaan intensitas antara objek-
objek dan latar belakang gambar dan meningkatkan
persepi informasi yang terdapat pada gambar.
Selanjutnya, penelitian [2] menyatakan bahwa dengan
teknik filtering dapat memperbaiki suatu citra digital.
Hasil penelitian ini menegaskan bahwa perbaikan citra
sangat dibutuhkan agar informasi yang diperoleh akan
maksimal. Penelitian [3] juga mengemukakan bahwa
perbaikan suatu citra dapat meningkatkan kelebihan-
kelebihan yang dimiliki oleh citra digital tersebut.
Hasil penelitian ini menunjukkan bahwa kualitas citra
dari sisi kontras warna dapat ditingkatkan dengan
memberikan perlakuan pada histogramnya.
Oleh karena itu, perbaikan kualitas atau kontras
suatu citra sangat diperlukan agar informasi yang
terkandung di dalamnya menjadi jelas. Salah satu
metode yang dapat digunakan adalah biasanya dengan
Equalization) dari tingkat keabuan (gray-level) pada
pixel citra secara spasial, sehingga citra dapat
didistribusikan secara merata. Histogram Equalization
mengatur gray-level dari sebuah citra dengan
menggunakan informasi dari bentuk histogram.
Kemudian fungsi pemerataan diaplikasikan ke citra
grayscale yang asli [4]. Pada penelitian yang dilakukan
oleh [5], dikatakan bahwa Histogram Equalization
(HEQ) merupakan salah satu teknik yang paling efisien
dimana telah digunakan untuk mengurangi mismatch
antara hasil pelatihan dengan hasil data tes. Begitu juga
pada penelitian [6] yang mengatakan bahwa metode
Histogram Equalization sangat efektif digunakan tidak
hanya dalam meningkatkan seluruh citra tetapi juga
dalam meningkatkan detail tekstur. Hal tersebut juga
membuat perubahan urutan tingkat warna abu-abu citra
asli benar-benar terkendali, sehingga lebih efektif
meningkatkan kualitas citra. Penelitian yang dilakukan
oleh [7] diperoleh hasil penelitian penerapan Wiener
filter pada citra digital yang terdegredasi Speckle noise
dan Gaussian noise, hasilnya citra hasil yang lebih baik
kalau dibandingkan dengan citra hasil penerapan
median filter. Hal ini juga diperkuat dengan hasil
penelitian [8], yang menegaskan bahwa Wiener filter
memberikan hasil lebih baik dibandingkan dengan
mean filter ataupun median filter untuk mengurangi
Speckle noise, Poisson noise ataupun Gaussian noise
pada suatu noisy image. Peneliti [1] menyebutkan
penggunaan metode Histogram Equaliazation ini
dianggap mudah karena kesederhanaan dan memiliki
kinerja yang relatif lebih baik pada hampir semua jenis
gambar dan juga mampu meningkatan kontras pada
citra.
Tujuan dari penelitian ini adalah menerapkan
metode perbaikan pengolahan citra pada gambar wajah.
Adapun, metode yang digunakan adalah Histogram
Equalization dan Gaussian filtering. Dimana, metode
Histogram Equalization digunakan untuk perataan

15
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia
Makassar – 14 Desember 2016
intensitas cahaya dan metode Gaussian filtering
digunakan untuk proses pengurangan noise citra wajah.
Paper ini terdiri dari Bagian I, yang menjelaskan
latar belakang, hasil penelitian terkait dan tujuan
penelitian. Bagian II, menjelaskan alur penelitian,
metode dan proses kerja Histogram Equalization dan
Gaussian filtering. Bagian III, menerangkan dan
menganalisis hasil pengujian perbaikan citra wajah.
Bagian IV, merupakan kesimpulan dari penelitian ini.
II. METODE PENELITIAN
Penelitian ini akan dilakukan pada jenis data
citra digital. Pemilihan citra digital ini dilakukan
karena sangat umum dipakai dan memiliki ukuran yang
relatif kecil serta dapat memberikan banyak informasi.
Penelitan yang dilakukan ini dimulai dengan
mendapatkan citra wajah dari input. Citra yang telah
didapat selanjutnya akan dikonversi dari format warna
(RGB) menjadi Grayscale. Citra yang telah dikonversi
tersebut akan melalui proses Histogram Equalization.
Pada proses ini, akan didapat nilai histogram.
Kemudian dilakukan pemerataan, proses selanjutnya
adalah citra akan diproses dengan metode filtering
Gaussian noise. Tujuan dari proses ini adalah untuk
mengurangi noise yang terdapat pada citra. Proses
pengurangan noise akan memberikan pengaruh yang
besar pada pengolahan citra digital. Untuk itu perlu
dilakukan proses pengurangan noise tersebut supaya
didapatkan data yang lebih akurat dan representatif
pada keadaan sesungguhnya. Sehingga hasil
pengolahan citra yang didapatkan pada proses
selanjutnya menjadi lebih baik[2].
Hasil citra yang didapat dalam proses ini akan
diubah ukurannya (resize). Dan, proses akhir adalah
menghitung nilai PSNR dan SNR sebagai ukuran
keberhasilan suatu metode perbaikan citra. Adapun alur
penelitian perbaikan citra wajah dapat dilihat pada
Gambar 1.
Input Citra Wajah
Konversi RGB ke
Grayscale
Histogram Equalization
Gaussian Filtering
Output citra Wajah
Menghitung
PSNR dan SNR
Gambar 1 Diagram alir penelitian
16
Vol. 1, Desember 2016
ISSN : 2443-048X
2.1 Perbaikan citra
Perbaikan citra merupakan salah satu metode
yang sederhana dan cukup menarik bidang pengolahan
citra digital. Pada dasarnya, ide di balik teknik
perbaikan citra adalah untuk memperbaiki detail yang
dikaburkan, atau hanya untuk menyorot fitur tertentu
yang menarik di gambar. Oleh karena itu, peningkatan
kualitas suatu citra yang terdegradasi dilakukan dengan
menerapkan teknik perbaikan citra [9].
2.1.1 Histogram Equalization
Metode Histogram Equalitation (HE)
merupakan salah satu teknik yang cukup populer untuk
meningkatkan kualitas citra digital. Konsep dasar dari
Histogram Equalization adalah dengan men-strecth
histogram, sehingga perbedaan pixel menjadi lebih
besar. Dengan kata lain, informasi menjadi lebih kuat
sehingga secara kasat mata dapat menangkap informasi
yang disampaikan [9].
Secara matematis dapat dihitung dengan rumus (1):
𝑛𝑖
ℎ𝑖 = i = 0,1,...,L-1 (1)
𝑛
Dimana, L adalah derajat keabuan; n adalah
jumlah seluruh pixel di dalam citra; ni adalah jumlah
pixel yang memiliki derajat keabuan i.
Diasumsikan bahwa pemerataan histogram
mengubah nilai masukan rk menjadi sk dan kemudian
mengubah s. Jika ditulis dalam bentuk persamaan
tersebut (1) adalah sebagai berikut (2) [10] :
k menjadi vk
(𝐿−1) 𝑘
𝑣𝑘 = 𝑇(𝑠𝑘 ) = ∑𝑗=0 𝑛𝑗 (2)
𝑀𝑁
Dimana, k adalah warna citra awal; vk adalah
nilai grey level yang baru; T adalah fungsi mapping; sk
adalah nilai grey level dari citra awal; L adalah jumlah
tingkat keabuan; nj adalah jumlah pixel yang bernilai
sk; MxN adalah total jumalh piksel.
2.1.2 Gaussian Filtering
Metode Gaussian Filtering termasuk dalam
kelas low-pass filters, yang didasarkan pada fungsi
distribusi peluang Gaussian [11]. Prinsip dasar dari
metode ini adalah Operasi perkalian yang dilakukan
ialah perkalian antara matriks kernel dengan matriks
gambar asli [12]. Adapun rumus dari metode Gaussian
Filtering sebagai berikut (3):
𝑥2
−
𝑓(𝑥) = 𝑒 2𝜎2 (3)
Dimana, f(x) adalah gaussian filtering pada
dimensi satu; e adalah epselon; x adalah jarak dari titik
asal pada sumbu horisontal; 𝜎 adalah standar deviasi.
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia
Makassar – 14 Desember 2016
Sedangkan fungsi Gauss pada dimensi dua
adalah sebagai berikut (4):
𝑥2 +𝑦2
𝑓(𝑥, 𝑦) = 𝑒
−
2𝜎2 (4)
Dimana, f(x) adalah gaussian filtering pada
dimensi dua; e adalah epselon; x adalah jarak dari titik
asal pada sumbu horisontal; y adalah jaraka dari titik
asal pada sumbu vertikal; 𝜎 adalah standar deviasi.
2.2 Noise
Noise adalah suatu bentuk kerusakan pada
image signal yang disebabkan oleh gangguan eksternal.
Gangguan pada citra umumnya berupa variasi
intensitas suatu piksel yang tidak berkorelasi dengan
piksel-piksel tetangganya [12].
Gaussian Noise
Gaussian noise menunjukkan bentuk ideal white
noise yang mengakibatkan fluktuasi acak pada suatu
sinyal. Gaussian noise adalah white noise yang
terdistribusi normal. Jika citra digital direpresentasikan
dengan I dan Gaussian Noise dengan N, maka bentuk
model noisy image adalah sebagai berikut (5) [11] :
𝐼+𝑁 (5)
2.3 Root Mean Squared Error
Root Mean Squared Error (RMSE) sangat
baik digunakan untuk mengukur tingkat error pada
citra hasil filtering dengan cara membandingkannya
dengan citra asli. Adapun, rumus dari RMSE sebagai
berikut (6) [2]:
1
𝑅𝑀𝑆𝐸 = √ ∑𝑚 𝑛
𝑥=1 ∑𝑦=1(𝑓(𝑥, 𝑦) − 𝑓′(𝑥, 𝑦))
2 (6)
𝑚𝑥𝑛
Dimana, m dan n adalah panjang dan lebar citra; f’(x,y)
adalah piksel citra hasil filtering; f(x,y) adalah piksel
citra asli.
Perhitungan nilai RMSE untuk perbaikan citra
adalah nilai RMSE yang semakin besar, maka citra
hasil filtering tersebut akan memiliki tingkat kesalahan
yang semakin besar, sehingga citra yang dihasilkan
dalam proses tersebut semakin tidak mirip dengan citra
aslinya, begitupun sebaliknya.
2.4 Peak Signal to Noise Ratio
Peak Signal to Noise Ratio (PSNR) merupakan
perbandingan antara nilai maksimum dari sinyal yang
diukur dengan besarnya noise yang berpengaruh pada
sinyal tersebut. Oleh karena itu, PSNR digunakan
sebagai parameter standar untuk menilai kualitas suatu
citra secara obyektif dengan cara membandingkan
noise terhadap sinyal puncak. Sehingga kalau semakin
besar nilai PSNR citra hasil, maka citra tersebut akan
17
Vol. 1, Desember 2016
ISSN : 2443-048X
semakin mendekati citra asli. PSNR dapat dihitung
sebagai berikut (7)[2] :
𝑀𝑎𝑥𝐼
𝑃𝑆𝑁𝑅 = 20 log ( ) (7)
𝑅𝑀𝑆𝐸
Dimana, nilai MaxI adalah nilai maksimum piksel citra
grayscale, MaxI =255 dan RMSE adalah nilai Root
Mean Square Error.
2.5 Signal to Noise Ratio
Signal to Noise Ratio (SNR) digunakan untuk
mengukur tingkat kualitas sinyal pada citra. Acuan
nilai SNR ini dihitung berdasarkan perbandingan
antara citra asli dengan citra hasil filtering. Sehingga
semakin besar nilai SNR, maka semakin baik kualitas
sinyal yang dihasilkan. SNR biasanya dalam satuan
decibels (dB), persamaannya sebagai berikut (8)[2]:
2
∑𝑚,𝑛 𝐼𝑚,𝑛
𝑆𝑁𝑅 = 10 log10 [∑ ] (8)
−
𝑚,𝑛 𝐼𝑚,𝑛 −𝐼𝑚.𝑛
Dimana, I-m,n merupakan citra asli, Im,n adalah citra
hasil; m, n adalah ukuran citra m × n.
III. HASIL DAN PEMBAHASAN
Sub bagian ini menjelaskan hasil dan analisa
dari penerapan metode Histogram Equalization dan
Gaussian filtering dalam pengujian perbaikan citra
wajah. Adapun software yang digunakan dalam
penelitian ini adalah software Matlab R2010a (versi
7.10.0.499).
Proses pengolahan citra dalam penelitian ini
terdiri dengan proses input gambar dan membaca
matriks citra, konversi citra, denoising citra digital
dengan menerapkan filter.
Proses pertama adalah menginput citra digital
wajah pada software matlab. Kemudian, citra tersebut
akan ditampilkan dalam bentuk matriks m×n sesuai
ukuran gambar tersebut. Proses selanjutnya,
pembacaan matriks citra. Citra digital wajah dibuat
dengan nilai piksel 0 – 255 pada 3 dimensi warna yaitu
Red, Green, dan Blue (RGB). Untuk mempermudah
analisa citra, dilakukan proses konversi citra digital
RGB menjadi Grayscale.
Selanjutnya, proses perataan histogram. Proses
ini bekerja dengan mendistribusikan nilai derajat
keabuan suatu citra dibuat rata, hasil histogram dapat
dilihat pada Gambar 2.
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

Tabel 5. Nilai PSNR dan SNR dengan Standar Deviasi 0,9

Standar Deviasi = 0.9
Matrix
3x3 5x5 7x7 9x9
PSNR 25.7132 24.7094 24.6602 24.6596
SNR 41.9314 41.1295 41.0804 41.0783
RMSE 13.2093 14.8276 14.9117 14.9128

Gambar 2 Contoh Histogram Citra dengan Standar Deviasi 0,5

Tabel 6. Nilai PSNR dan SNR dengan Standar Deviasi 1
Selanjutnya proses filtering. Proses ini Standar Deviasi = 1
dilakukan untuk mengurangi noise yang didapat dari
hasil pengolahan histogram equalization. Matrix
Dalam eksperimen ini, ukuran matriks yang 3x3 5x5 7x7 9x9
dipakai adalah 3×3, 5×5, 7×7, 9×9, dengan standar PSNR 25.2839 23.9577 23.8524 23.8483
deviasi 0,5; 0,6: 0,7; 0,8; 0,9; 1. Nilai PSNR dan SNR SNR 41.7072 40.6521 40.5374 40.5313
dari masing matrix tersebut dapat dilihat pada Tabel 1, 13.8785 16.1679 16.3652 16.3728
RMSE
2, 3, 4, 5, dan 6.

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

Tabel 2. Nilai PSNR dan SNR dengan Standar Deviasi 0,6

Standar Deviasi = 0.6
Matrix
3x3 5x5 7x7 9x9
PSNR 29.2794 29.1403 29.1399 29.1399
SNR 43.8599 43.7573 43.7569 43.7569
RMSE 8.7613 8.9028 8.9032 8.9032
Gambar 3 Contoh Hasil Pengolahan Citra Standar Deviasi = 1
Tabel 3. Nilai PSNR dan SNR dengan Standar Deviasi 0,7
Standar Deviasi = 0.7 IV. KESIMPULAN
Matrix Penelitian ini menerapkan metode Histogram
Equalization untuk pengolahan citra. Metode ini dapat
3x3 5x5 7x7 9x9
menjadi alternatif untuk meningkatkan kontras pada
PSNR 27.4172 27.0481 27.0463 27.0463 suatu citra. Selanjutnya, penelitian ini juga menerapkan
SNR 42.8613 42.5663 42.5608 42.5608 metode Gaussian Filtering yang bertujuan untuk
10.8563 11.3275 11.3299 11.3299 mengurangi noise sehingga suatu citra digital akan
RMSE
lebih baik. Adapun hasil penelitian menunjukkan
Tabel 4. Nilai PSNR dan SNR dengan Standar Deviasi 0,8 bahwa metode gaussian filter 3x3 dengan standar
deviasi = 0,5, kemudian diukur dengan metode
Standar Deviasi = 0.8
pengurangan noise diperoleh nilai Peak Signal-to-
Matrix Noise Ratio (PSNR) = 32.948, nilai Signal-to-Ratio
3x3 5x5 7x7 9x9 (SNR) = 45.7757, dan nilai RMSE = 5.7430 memiliki
26.3658 25.6941 25.6803 25.6802 nilai tertinggi (tabel 1). Hal ini berarti, metode
PSNR
Histogram Equalization dan Gaussian Filtering dapat
SNR 42.2723 41.7467 41.7324 41.7327
menjadi alternatif dalam memperbaiki dan mengurangi
RMSE 12.2532 13.2383 13.2594 13.2596 noise suatu citra digital. Dalam penelitian selanjutnya,

18
 Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

metode Homomorphic Filtering akan digunakan untuk

kemudian dibandingkan nilai PSNR dan SNR terbaik
atau tertinggi.

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

View publication stats