NOISE FILTERING

Oleh Kelompok III

1. Rendianto L. Naitkakin (51200073)
2. Juanita G. P. Seran (51200076)
3. Maria W. Usfinit (51200077)
4. Adriana Naiheli (51190049)

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS PERTANIAN
UNIVERSITAS TIMOR
KEFAMENANU
2023
1. Pengertian Noise Salt & Pepper
Noise salt and pepper merupakan gambar atau piksel yang dapat mengganggu
kualitas citra yang berupa bintik hitam atau putih yang muncul secara acak seperti
tebaran garam dan merica..

2. Pengertian Noise Filtering

Noise adalah gambar atau pixel yang mengganggu kualitas citra. Sedangkan
filtering berasal dari kata filter, pengertian menurut KKBI: filter artinya penyaringan.
Jadi noise filtering merupakan cara untuk menyaring noise pada citra untuk memperbaiki
kualitas citra.

3. Domain Spasial pada pengolahan citra

Domain spasial merupakan teknik peningkatan mutu citra yang melakukan manipulasi
langsung pixel (x,y) suatu citra dengan menggunakan fungsi transformasi:
g(x, y) = T[f(x, y)]
Keterangan :
f(x, y) sebagai citra input,
g(x, y) adalah hasil citra yang sudah diproses.
T adalah operator pada f yang didefinisikan berdasarkan beberapa lingkungan di
(x, y).
Domain spasial memiliki ciri-ciri sebagai berikut :
 Konsep koordinat baris dan kolom. 
 Pemrosesan piksel-per-piksel.
 Komputasi lama (terutama citra dengan ukuran spasial tinggi).

4. a. Gaussian Filter
Gaussian filter merupakan filter linear dengan nilai pembobotan untuk setiap anggotanya
dipilih berdasarkan fungsi gaussian. Gaussian filter didapat dari operasi konvolusi. Filter
ini biasanya digunakan untuk membuat gambar menjadi blur atau mengurangi noise pada
gambar.
Berikut ini merupakan rumus Gaussian Filter :

Keterangan :
c dan  = konstanta
G (i,j) = elemen matriks kernel gauss pada posisi (i,j)
(u,v) = indeks tengah dari matriks kernel gauss
 Implementasi Gaussian Filter
a. Implementasi Gausian Filter pada buah Apel Merah

b. Implementasi Gausin Filtering pada buah Apel Hijau

Keterangan :
Fspecial : Jenis filter yang digunakan.
Imfilter : implementasi dari filter
b. Average Filter (Mean Filter)
Menurut Usman (2005:61) salah satu filter linier adalah filter rata-rata (Filter Mean) dari
intensitas pada beberapa pixel lokal dimana setiap pixel 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 adalah
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 misalkan 2x2, 3x3, 4x4, dan seterusnya. Kemudian akan dilakukan mean
filter untuk citra M dengan menggunakan matriks kernel (3x3). Pixel m(2,2) = 3, akan
diubah menjadi Selain mean filtering yang merupakan proses filter linier, terdapat pula
pendekatan filter pembobotan (weighted filter).
Rumus average filter :

Keterangan :

= Nilai rata-rata (Mean)

n = Jumlah data
xi = Nilai ke -i
i = Nilai Awal

 Implementasi Average Filter

a. Implementasi Average Filter pada apel merah

b. Implementasi Mean Filtering pada apel hijau

c. Median Filter
Menurut 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 asli piksel digunakan juga pada
saat perhitungan nilai median tersebut). Media filter ini cukup popular karena beberapa
tipe gangguan acak (seperti salt noise, pepper noise. Teknik ini mampu mengurangi
gangguan yang lebih baik dibandingkan dengan model linear smooting dengan ukuran
yang sama.
Rumus Median Filter :

Keterangan: n = Jumlah data

x = Nilai baru median
  Implementasi Median Filter
a. Pada Apel merah

b. Pada Apel Hijau

5. MSE(Mean Square Error) dan PSNR(Peak Signal to Noise Ratio)

MSE (Mean Square Error) adalah nilai error kuadrat rata rata antar hasil citra asli
dengan citra manipulasi. Nilai MSE diperoleh dengan cara membandingkan nilai citra
hasil pada posisi pixel yang sama dengan selisih pixel pixel citra asal.
PSNR (Peak Signal to Noise Ratio) adalah perhitungan yang menentukan nilai dari
sebuah citra. Besar kecilnya nilai MSE yang terjadi pada citra mempengaruhi nilai
PSNR. PSNR biasanya dinyatakan dalam skala decibel (dB) dalam bentuk logaritma.
Semakin kecil nilai PSNR, hasil yang diperoleh semakin jelek.
 Berikut ini merupakan persamaan MSE

Berikut ini merupakan persamaan PSNR

Keterangan :
 Cmax adalah nilai pixel terbesar pada keseluruhan citra.
 x dan y adalah koordinat suatu titik pada citra.
 M dan N adalah dimensi dari citra.
 S adalah citra tersisipi (stego-image)
 C adalah citra asli (cover image)
-Implementasi MSE-
 -Implementasi PSNR-

-Hasil PSNR-

Kesimpulan :
Jadi dari implementasi MSE dan PSNR dapat diambil kesimpulan bahwa hubungan
antara nilai MSE dan PSNR adalah semakin kecil nilai PSNR, maka semakin besar pula
nilai MSE nya.