PERANCANGAN APLIKASI REDUKSI NOISE PADA CITRA DIGITAL DENGAN METODE MEAN FILTER DAN MIDPOINT

Jurnal INFOTEK, Vol 1, No 3, Oktober 2016

ISSN 2502-6968 (Media Cetak)

PERANCANGAN APLIKASI REDUKSI NOISE PADA CITRA DIGITAL DENGAN METODE MEAN FILTER DAN MIDPOINT Selvi Kurniawati (14110584) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja No.338 Sp.Limun Medan www.stmik-budidarma.ac.id//Email:[email protected] ABSTRAK Reduksi Noise adalah sebuah teknik yang digunakan untuk memperbaiki gambar yang memiliki noise, teknik yang digunakan adalah dengan mengganti pixel noise dengan pixel gambar yang mendekati pixel noise tersebut. Untuk memperbaiki citra akibat noise dapat diatasi dengan proses filtering, filtering yang terdiri dari mean filering dan midpoind. Kata Kunci : Reduksi, Noise , Citra , Digital, Mean Filter, Midpoint 1. Pendahuluan 1.1 Latar Belakang Masalah Pengolahan citra adalah sebuah cabang ilmu yang berakar dari grafika komputer yang mentitik beratkan permasalahannya pada peningkatan kualitas citra, perbaikan citra, dan pemeliharaan. Aplikasi-aplikasi seperti fotografi, remote sensoring, sampai dengan multimedia (citra tetap, citra bergerak, audio, dan gabungan ketiganya) adalah contoh-contoh aplikasi yang seringkali menggunakan teknik pengolahan citra. Suatu citra terkadang memiliki noise karena citra tersebut salah dalam pengambilan ataupun karena file tersebut memang pada dasarnya kurang baik, noise pada gambar biasanya berbentuk titik yang tersebar diseluruh gambar atau beberapa bagian pada gambar, untuk proses perbaikannya bisa dilakukan dengan menggunakan software-software seperti adobe photoshop ataupun software pengguna citra digital. Reduksi Noise adalah sebuah teknik yang digunakan untuk memperbaiki gambar yang memiliki noise, teknik yang digunakan adalah dengan mengganti pixel noise dengan pixel gambar yang mendekati pixel noise tersebut. Untuk memperbaiki citra akibat noise dapat diatasi dengan proses filtering, filtering yang terdiri dari mean filering dan midpoind. Metode mean filtering adalah satu teknik filtering yang bekerja dengan cara mengganti intensitassuatu pixel-pixel tetangganya(Ratma 2013). Metode Midpoind Filtering ini mengganti nilai sebuah pixel dengan nilai rata-rata dari pixel terkecil dan nilai pixel terbesar dari gray-level dalam subimage dibawah jendela ketetanggaan ukuran MxN, Filtering merupakan kombinasi order statistic dan average (Niko alfian 2015). Tools yang akan digunakan untuk merancang aplikasi ini adalah Microsoft visual studio.net 2008. Berdasarkan latar belakang di atas penulis berinisiatif mengambil judul “Perancangan Aplikasi Reduksi Noise Pada Citra Digital Dengan Metode Mean Filter Dan Midpoint”.

1.2

Rumusan Masalah Adapun masalah yang akan di angkat, di bahas, dan di selesaikan adalah sebagai berikut : 1. Bagaimana proses reduksi noise pada citra digital ? 2. Bagaimana menerapkan metode Mean Filter dan Midpoint untuk perbaikan noise? 3. Bagaimana merancang aplikasi yang digunakan untuk memperbaiki noise dengan metode Mean Filter dan Midpoint? 1.3 Batasan Masalah Sesuai dengan latar belakang pemilihan judul di atas yang dibahas diharapkan tidak menyimpang dari pokok permasalahan, maka yang menjadi batasan permasalahan di dalam skripsi ini adalah : 1. Reduksi Noise diterapkan pada file JPG 2. Ukuran maksimal citra digital yang dapat diproses oleh aplikasi dibatasi pada ukuran 200 x 200 pixel, sedangkan proses pada analisa ukuran citra 5 x 5 pixel. 3. Tidak membahas Analisa perbandingan metode mean filter dan midpoint pada proses reduksi noise 4. Reduksi Noise tidak berjalan bersamaan tetapi permetode 5. Aplikasi dirancang dengan menggunakan bahasa pemrograman Visual Basic.NET 2008 1.4

Tujuan dan Manfaat Penelitian Tujuan dari hasil penelitian ini adalah sebagai berikut: 1. Merancang aplikasi yang khusus untuk memperbaiki citra yang memiliki noise? 2. Menerapkan metode Mean Filter dan Midpoint untuk perbaikan noise 3. Menerapkan metode mean filter dan midpoint pada aplikasi reduksi noise Adapun manfaat yang ingin dicapai dari skripsi ini adalah : 1. Memahami proses reduksi noise citra digital dengan menggunakan suatu teknik perbaikan

Perancangan Aplikasi Reduksi Noise Pada Citra Digital Dengan Metode Mean Filter Dan Midpoint Oleh : Selvi Kurniawati

122


citra digital yaitu metode Mean Filter dan Midpoint. 2. Program aplikasi yang dihasilkan dapat dipergunakan untuk reduksi citra yang mempunyai noise menjadi lebih baik dari citra aslinya. 2. Landasan Teori 2.1 Perancangan Jogiyanto H.M (2005 : 196) perancangan merupakan desain sistem menentukan bagaimana suatu sistem akan menyelasaikan apa yang mesti diselesaikan, tahap ini mentangkut mengkonfigurasi dan kompone- komponen perangkat lunak dan perangkat keras dari suatu sistem sehingga setelah instalasi dari sistem akan benar-benar memuaskan rancangan bangunan yang telah di tetapkan pada akhir tahap analisis sistem. 2.2 Aplikasi Menurut Hendrayudi dalam buku VB 2008 (2009,: 143) Aplikasi adalah kumpulan perintah program yang dibuat untuk melakukan pekerjaanpekerjaan tertentu (khusus). Aplikasi dapat diartikan juga sebagai program komputer yang dibuat untuk menolong manusia dalam melaksanakan tugas tertentu. Aplikasi software yang dirancang untuk penggunaan praktisi khusus, klasifikasi luas ini dapat dibagi menjadi 2 (dua) yaitu: 1. Aplikasi software spesialis, program dengan dokumentasi tergabung yang dirancang untuk menjalankan tugas tertentu. 2. Aplikasi paket, suatu program dengan dokumentasi tergabung yang dirancang untuk jenis masalah tertentu. 2.2 Sistem Tata sutabri (2012:3) secara sederhana sistem dapat diartikan sebagai suatu kumpulan atau himpunan dari unsur, komponen, atau variabel yang terorganisasi, saling berinteraksi,saling tergantung satu sama lain dan terpadu. Suatu sistem pada dasarnya adalah sekelompok unsur yang erat hubunganya satu dengan yang lain, yang berfungsi bersama sama untuk mencapai tujuan tertentu. 2.3 Pengertian Citra Menurut Darma putra (2010,: 19, 20) Suatu citra dapat didefinisikan sebagai fungsi f(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 dapat dikatakan bahwa citra tersebut adalah citra digital. 2.4 Noise


Sifat noise pada domain frekuensi mengacu pada kandungan frekuensi dari noise dalam pengertian frekuensi (yaitu sebagai lawan dari spektrum elektromagnetik). Sebagai contoh, jika spektrum fourier dari noise adalah konstan, noise tersebut merupakan ‘white noise; dimana merupakan sifat fisik dari cahaya putih yang berisi setidaknya semua frekuensi dalam spektrum yang visible dengan proposi yang sama. Sedangkan sifat noise dalam domain spesial, mengacu pada ada atau tidaknya hubungan piksel noise dengan pikselpiksel lain dalam citra tersebut, dimana noise biasanya berdiri sendiri dan tidak terhubung dengan piksel lain (uncorrelated).Fajar Astuti Hermawati (2013 :110). 2.5 Metode Mean Filter Fajar Astuti Hermawati (2013,: 131, 132) Filter ini mengganti nilai sebuah piksel dengan nilai rata-rata dari Graylevel dalam subimage dibawah jendela ketetanggaan ukuran mxn setelah dikurangi sebanyak d/2 nilai terkecil dan d/2 nilai terbesar, seperti persamaan berikut: 1 𝑓̌(𝑥, 𝑦) = ∑ ℊ (𝑠, 𝑡) … … … … … … … (2.1) 𝑚𝑛 (𝑠,𝑡)∈𝑆𝑥𝑦

Dimana 0 ≥ d ≥ (mn-1). Jika d = 0, filter ini bekerja seperti arithmetic mean filter. Jika d = (mn-1)/2, filter ini menjadi median filter. Untuk nilai d yang lain, filter in berguna untuk mereduksi noise pada citra pada citra yang terdegradasi berbagi tipe noise, seperti kombinasi salt-and-pepper noise dan Gaussian noise. 2.6 Metode Midpoint Filter Filter ini mengganti nilai sebuah piksel dengan nilai rata-rata dari nilai terkecil dan nilai terbesar dari gray-level dalam subimage di bawah jendela ketetanggaan ukuran mxn, dengan persamaan: 𝒇̌(𝒙, 𝒚) 𝟏 = [ 𝐦𝐚𝐱 {𝓰(𝒔, 𝒕)} 𝟐 (𝒔,𝒕)∈𝑺𝒙𝒚 + 𝐦𝐢𝐧 {𝓰(𝒔, 𝒕)}] … … … … … … … (𝟐. 𝟐) (𝒔,𝒕)∈𝑺𝒙𝒚

Filter ini merupakan kombinasi order statistic dan average. Filter midpoint paling baik digunakan untuk mereduksi noise yang terdistribusi secara random atau uniform noise. 2.7 Microsoft Visual Studio 2008 Microsoft Visual Studio 2008 merupakan kelanjutan dari Microsoft Visual Studio sebelumnya, yaitu Microsoft Visual Studio.Net 2003 yang diproduksi oleh Microsoft. Pada bulan Februari 2002 Microsoft memproduksi teknologi .Net Framework 1.0, teknologi ini didasarkan atas susunan berupa .Net Framework sehingga setiap produk baru yang terkait dengan teknologi .Net akan selalu berkembang mengikuti perkembangan.

3. Analisa dan Perancangan Perancangan Aplikasi Reduksi Noise Pada Citra Digital Dengan Metode Mean Filter Dan Midpoint Oleh : Selvi Kurniawati

123


3.1 Analisa Analisa merupakan suatu kegiatan berfikir untuk menguraikan suatu keseluruhan menjadi komponen sehingga dapat mengenal tanda-tanda 122 dari setiap komponen hubungan satu sama lain dan fungsi masing-masing dalam suatu keseluruhan yang terpadu. Memperhatikan, mangamati sesuatu yang dilakukan seseorang didalam kegiatan penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya dengan maksud untuk mengidentifikasikan danmeng evaluasi permasalahan-permasalahan, kesempatankesempatan, hambatan-hambatan yang terjadi dan kebutuhan-kebutuhan yang diharapkan sehingga dapat diusulkan sebagai perbaikan. 3.2 Analisa Algoritma Mean Filter 96 223 251 248 234 108 216 237 240 239 103 220 244 235 233 101 207 224 216 220 102 198 223 220 210 Dari nilai variabel intensitas diatas yang nantinya akan digunakan dalam proses pereduksian noise. 1. Tabel diatas adalah nilai intensitas yang mengandung noise, maka dari itu akan dilakukan proses reduksi noise dengan menggunakan metode mean filtering, yang dihitung dengan rumus: 1 𝑓̌(𝑥, 𝑦) = ∑ ℊ (𝑠, 𝑡) 𝑚𝑛


1

Mean filtering = 𝑚𝑥𝑛 ∑ 𝑓 (𝑥𝑦) 1

= (96 + 103 + 108 + 216 + 220 + 223 + 3𝑥3 237 + 244 + 251) 1 = 9 (1,698) = 189 Piksel citra pada tahap proses 1 filtering 189

b.

Selanjutnya geser kernel satu piksel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel 96 234 223 251 248 108 216 239 237 240 103 220 233 244 235 101 207 224 216 220 102 198 223 220 210 Hasil image filtering 1 ∑ 𝑓 (𝑥𝑦) Mean filtering =

9

= 235 Piksel citra pada tahap proses II filtering

(𝑠,𝑡)∈𝑆𝑥𝑦

Dimana: X,y = koordiat pixel pada citra Mn = dimensi citra (pixel) S,t = nilai intesitas pixel Namun namun yang akan dihitung untuk satu kali proses yaitu hanya digeser 1 piksel ke kanan hingga mencapai lebar citra, kemudian digeser 1 piksel kebawah hingga mencapai tinggi dari citra. Pengambilan piksel 9 buah ini dikarena ukuran kernel/filter yang akan digunakan berukuran 5x5, dengan filter 3x3 sehingga piksel yang akan di proses berjumlah 9 buah filter. Citra input / intensitas piksel 96 108 103 101 102 a.

223 216 220 207 198

251 237 244 224 223

248 240 235 216 220

234 239 233 220 210

Tempatkan filter pada sudut kiri atas, lalu hitung nilai pixel pada posisi (0,0) dari filter. 234 96 223 251 248 239 108 216 237 240 233 103 220 244 235 101 207 224 216 220 102 198 223 220 210 Hasil image filtering

𝑚𝑥𝑛

1

= (216 + 220 + 223 + 235 + 237 + 240 + 3𝑥3 244 + 248 + 251) 1 = (2,114)

189

235

c.

Selanjutnya geser kernel satu piksel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel 96 223 251 248 234 108 216 237 240 239 103 220 244 235 233 101 207 224 216 220 102 198 223 220 210 Hasil image filtering 1 Mean filtering = 𝑚𝑥𝑛 ∑ 𝑓 (𝑥𝑦) 1

= (233 + 234 + 235 + 237 + 239 + 240 + 3𝑥3 244 + 248 + 251) 1 = 9 (2,161) = 240 Piksel citra pada tahap proses III filtering 189

235

240


124


d.

96 108 103 101 102

Selanjutnya geser kernel ke satu piksel ke sudut kiri, kemudian hitung nilai pixel pada posisi (0,0) dari kernel 223 251 248 234 239 216 237 240 233 220 244 235 220 207 224 216 198 223 220 210

Hasil image filtering 1 Mean filtering = 𝑚𝑥𝑛 ∑ 𝑓 (𝑥𝑦) 1

= (101 + 103 + 108 + 207 + 216 + 220 + 3𝑥3 224 + 237 + 244) 1 = 9 (1,660) = 184 Piksel citra pada tahap proses IV filtering


= 232 Piksel citra pada tahap proses VI filtering 189 184

235

240

e.

Selanjutnya geser kernel satu piksel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel 96 223 251 248 234 108 216 239 237 240 103 220 233 244 235 101 207 220 224 216 102 198 223 220 210 Hasil image filtering 1 ∑ 𝑓 (𝑥𝑦) Mean filtering = 1

Selanjutnya geser kernel ke satu piksel sudut kiri, kemudian hitung nilai pixel pada posisi (0,0) dari kernel 96 223 251 248 234 108 216 237 240 239 233 103 220 244 235 220 101 207 224 216 210 102 198 223 220 Hasil image filtering 1 ∑ 𝑓 (𝑥𝑦) Mean filtering = 𝑚𝑥𝑛

189 184

f.

235 226

240

189 184 180 h.

96 223 251 108 216 237 103 220 244 101 207 224 102 198 223 Hasil image filtering 1 Mean filtering = 𝑚𝑥𝑛

235 226

240 232

Selanjutnya geser kernel satu piksel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel

96 223 251 108 216 237 103 220 244 101 207 224 102 198 223 Hasil image filtering 1 Mean filtering = 𝑚𝑥𝑛

248 240 235 216 220

234 239 233 220 210

∑ 𝑓 (𝑥𝑦)

1

Selanjutnya geser kernel satu piksel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel

1

= (101 + 102 + 103 + 198 + 207 + 220 + 3𝑥3 223 + 224 + 244) 1 = 9 (1,622) = 180 Piksel citra pada tahap proses VII filtering

𝑚𝑥𝑛

= (207 + 216 + 216 + 220 + 224 + 235 + 3𝑥3 237 + 240 + 244) 1 = 9 (2,039) = 226 Piksel citra pada tahap proses V filtering

240 232

g.

1

189 184

235 226

248 240 235 216 220

= (198 + 207 + 216 + 220 + 220 + 223 + 3𝑥3 224 + 235 + 244) 1 = (1,987) 9

= 221 Piksel citra pada tahap proses VIII filtering

234 239 233 220 210

189 184 180

235 226 221

240 232

i.

∑ 𝑓 (𝑥𝑦)

= (216 + 220 + 224 + 233 + 235 + 237 + 3𝑥3 239 + 240 + 244) 1 = 9 (2,088)

Selanjutnya geser kernel satu piksel ke kanan, kemudian hitung nilai pixel pada posisi (0,0) dari kernel 96 223 251 248 234 108 216 237 240 239 103 220 244 235 233


125


101 207 224 216 220 102 198 223 220 210 Hasil image filtering 1 Mean filtering = 𝑚𝑥𝑛 ∑ 𝑓 (𝑥𝑦) 1

= (210 + 216 + 220 + 220 + 223 + 224 + 3𝑥3 233 + 235 + 244) 1 = 9 (2,025) = 225 Piksel citra pada tahap proses IX filtering 189 184 180

235 226 221


menentukan struktur organisasi dan model dari sebuah system, Model dari skenario user pada form perbaikan Noise. Berikut adalah Use Case Diagram yang penulis buat untuk sistem yang sedang dikerjakan Memuat Gambar bernoise Proses mean filter <
240 232 225

Proses de>> midpoint

Maka hasil aritmatika mean filtering adalah 3.3 Analisa Algoritma Midpoint Midpoint filter adalah menghitung nilai rata-rata dari sebuah piksel dari nilai terkecil dan nilai terbesar . 1. Citra hasil reduksi noise 5 x 5 piksel dengan menggunakan metode mean filter yang akan di terapkan kedalam metode Midpoint . Citra 5 x 5 piksel 96 223 251 248 234 108 189 235 240 239 103 184 226 232 233 101 180 221 225 220 102 198 223 220 210 Filter ini mengombinasi order statistic dan average. Filter ini bekerja paling baik untuk noise tersebar acak, seperti gaussian atau uniform noise. maka dari itu akan dilakukan proses reduksi noise dengan menggunakan metode midpoint filtering, yang dihitung dengan rumus: 𝟏 𝒇̌(𝒙, 𝒚) = [ 𝐦𝐚𝐱 {𝓰(𝒔, 𝒕)} + 𝐦𝐢𝐧 {𝓰(𝒔, 𝒕)}] (𝒔,𝒕)∈𝑺𝒙𝒚 𝟐 (𝒔,𝒕)∈𝑺𝒙𝒚 Dimana: Max : intesitas maksimum piksel tetangga Min : intesitas Minimum piksel tetangga g : Kernel y dan x : koordinat piksel citra sxy : window daerah yang diliputi filter g(s,t) : sub-image Sxy

3.4 perancangan Aplikasi 3.5 Pemodelan System Pemodelan sistem pada penelitian skripsi yang penulis bahas menggunakan UML dalam hal ini menggunakan Use Case Diagram dan Activity Diagram. 1. Use Case Diagram Use case diagram ini menjelaskan dan menerangkan kebutuhan (requirement) yang diinginkan atau dikehendaki user (pengguna), dan sangat berguna dalam

<>

U se r

<> Hasil Perbaika Gambar n3.9: Use Case Aplikasi Citra

2.

Activity Diagram Perancangan activity diagram untuk perbaikan Noise menjelaskan keseluruhan event atau aktifitas yang terjadi pada aplikasi perbaikan noise tersebut

4. ALGORITMA DAN IMPLEMENTASI 4.1 Algoritma Algoritma adalah urutan langkah-langkah logis penyeselaian masalah yang disusun secara sistematis dan logis. Kata logis (logika) merupakan kata kunci dalam algoritma. Langkah-langkah yang tidak dapat di kerjakan dan tidak menghasilkan efek tertentu tidak dapat di sebut sebuah algoritma. Adapun algoritma dari aplikasi reduksi noise pada citra digital dengan metode mean filter dan midpoint ini adalah sebagai berikut: 4.2 Algoritma Reduksi Noise Menggunakan Mean Filter Header : Algoritma Mean filter Deklarasi : Citra Noise, x, y, k1,k2,k3,k4,k5,k6,k7,k8,k9 Input : Citra Noise citra yang menjadi objek Output : Citra Tanpa Noise Proses : For y As Integer = 0 To source.Height - 1 For x As Integer = 0 To source.Width - 1


126


If (((vwidth - x) >= 2) And ((vheight - y) >= 2)) Then k1 = source.GetPixel(x, y).G k2 = source.GetPixel(x + 1, y).G k3 = source.GetPixel(x + 2, y).G k4 = source.GetPixel(x, y + 1).G k5 = source.GetPixel(x + 1, y + 1).G k6 = source.GetPixel(x + 2, y + 1).G k7 = source.GetPixel(x, y + 2).G k8 = source.GetPixel(x + 1, y + 2).G k9 = source.GetPixel(x + 2, y + 2).G vmeanfilter = (k1 + k2 + k3 + k4 + k5 + k6 + k7 + k8 + k9) / 9 source.SetPixel(x, y, Color.FromArgb(vmeanfilter, vmeanfilter, vmeanfilter)) End If Next x Next y pb2.SizeMode = PictureBoxSizeMode.StretchImage pb2.Image = source MessageBox.Show("Proses Mean Filtering Suksess....!!") CitraAkhir.Text = "Hasil Proses Mean Filter" Keterangan: k1 = Intesitas piksel pertama k2 = Intesitas piksel kedua k3 = Intesitas piksel ketiga k4 = Intesitas piksel empat k5 = Intesitas piksel lima k6 = Intesitas piksel enam k7 = Intesitas piksel ketujuh k8= Intesitas piksel delapan k9 = Intesitas piksel sembilan 4.2 Algoritma Reduksi Noise Menggunakan Midpoint Header : Algoritma Midpoint Deklarasi : citra noise, x,y,k(0), k(1), k(2), k(3), k(4), k(5), k(6), k(7), k(8) Input : Citra Noise Citra yang menjadi objek Output : Citra Tanpa Noise Proses : For y As Integer = 0 To source.Height - 1 For x As Integer = 0 To source.Width - 1 If (((vwidth - x) >= 2) And ((vheight - y) >= 2)) Then k(0) = source.GetPixel(x, y).G k(1) = source.GetPixel(x + 1, y).G k(2) = source.GetPixel(x + 2, y).G k(3) = source.GetPixel(x, y + 1).G k(4) = source.GetPixel(x + 1, y + 1).G


k(5) = source.GetPixel(x + 2, y + 1).G k(6) = source.GetPixel(x, y + 2).G k(7) = source.GetPixel(x + 1, y + 2).G k(8) = source.GetPixel(x + 2, y + 2).G For a As Integer = 0 To 7 For b = a + 1 To 8 If k(b) > k(a) Then nl = k(a) k(a) = k(b) k(b) = nl End If Next b Next a vmidfilter = (k(0) + k(8)) / 2 source.SetPixel(x, y, Color.FromArgb(vmidfilter, vmidfilter, vmidfilter)) End If Next x Next y pb2.SizeMode = PictureBoxSizeMode.StretchImage pb2.Image = source MessageBox.Show("Proses Midpoint Filtering Suksess....!!") CitraAkhir.Text = "Hasil Proses Mid Point Filter" 4.3 Implementasi Program Aplikasi reduksi noise pada citra digital yang telah di rancang merupakan aplikasi berbasis netframework 3.5 yang dibuat menggunakan tools Microsoft Visual Studio 2008. Aplikasi reduksi noise ini dapat di jalan kan pada sistem operasi Windows yang mendukung netframework 3.5. 4.4 Tampilan Program Aplikasi reduksi noise pada citra digital menggunakan metode mean filter dan midpoint untuk proses mereduksi noise yang dilakukan adalah proses mereduksi noise pada gambar citra digital . Berikut hasil dari implementasi aplikasi yang telah di rancang:

Gambar 4.1 Form Aplikasi Reduksi Noise


127


Pada form Aplikasi reduksi noise terdapat beberapa langkah yang dapat dilakukan oleh user untuk menjalankan aplikasi reduksi noise di antaranya adalah 1. Ambil File Gambar Ambil file gambar adalah proses dimana mengambil gambar yang bernoise yang akan di bersihkan seperti gambar 4.2


4.

Menyimpan hasil citra reduksi noise Menyimpan hasil citra reduksi noise adalah proses dimana menyimpan hasil citra yang telah dibersihkan dari citra awal yang akan di perbaiki seperti gambar 4.5

Gambar 4.5 Menyimpan citra Hasil Reduksi Noise Gambar 4.2 Mengimput Gambar bernoise 2.

Proses mean filter Proses mean filter adalah proses dengan membersihkan gambar dengan metode mean filter seperti gambar 4.3

Gambar 4.3 proses reduksi noise dengan mean filter 3. Proses Midpoint Proses Midpoint adalah proses membersihkan gambar yang ber efek noise dengan Metode Midpoint seperti gambar 4.4

5. Kesimpulan dan Saran 5.1 Kesimpulan Dari hasil penulisan dan analisa dari bab-bab sebelumnya, maka dapat di ambil kesimpulan, dimana kesimpulan-kesimpulan tersebut kiranya dapat berguna bagi para pembaca, sehingga peulis skripsi ini dapat lebih bermanfaat. Adapun kesimpulan-kesimpulan tersebut adalah sebagai berikut: 1. Proses reduksi noise setiap pixel akan diperiksa mulai dari pixel awal sampai pada pixel akhir gambar, sehingga menyebabkan semakin besar ukuran gambar yang berarti semakin banyak juga pixel yang terkandung, sehingga menyebabkan semakin lama juga waktu proses karena semakin banyak pixel yang harus dihitung dan diproses. 2. Metode mean filter dan midpoint dapat di terapkan dalam reduksi noise dengan operasi menghitung nilai piksel awal sampai pada pixel akhir gambar. 3. Aplikasi reduksi noise pada citra digital telah selesai di rancang dengan menggunakan Tools Microsoft Visual Studio 2008 dan dapat dijalankan pada sistem operasi windows yang mendukung netframework 3.5. 5.2 Saran Saran yang dapat penulis sampaikan dalam membuat sekripsi ini yaitu: 1. Pada perkembangan aplikasi selanjutnya disarankan tidak hanya berformat JPG, tapi juga PNG, bahkan Gif 2. Aplikasi yang di gunakan tidak hanya berbasis Microsoft Visual Studio 2008, melainkan sudah dengan interface Android.

Gambar 4.4 Proses reduksi noise dengan midpoint Perancangan Aplikasi Reduksi Noise Pada Citra Digital Dengan Metode Mean Filter Dan Midpoint Oleh : Selvi Kurniawati

128



DAFTAR PUSTAKA 1. 2.

3.

4. 5. 6. 7.

8.

Jogiyanto HM, MBA, Akt. 2005. Analisis & Desain. Yogyakarta. Andi Hendrayudi. 2009. VB 2008 Untuk Berbagai Keperluan Pemograman. Jakarta, PT. Gramedia A.S, Rosa dan M. Shalahuddin. 2011. Rekayasa Perangkat Lunak. Yogyakarta. Modula Darma Putra. 2010. Pengolahan Citra Digital. Yogyakarta. Andi Tata sutabri 2012 . Fajar Astuti Hermawati 2010 Pengolahan Citra Digital yogyakarta , Andi Wahana Komputer. 2008. Cepat Menguasai Visual Studio .Net 2008 Express. Yogyakarta, Penerbit Andi Dalam jurnal pelita informatika budi darma, Ratma, Volum V, Nomor : 2, Desember 2013, 2301-942


129

PERANCANGAN APLIKASI REDUKSI NOISE PADA CITRA DIGITAL DENGAN METODE MEAN FILTER DAN MIDPOINT

Recommend Documents