Nama : Mirna Anjelika Imas

Nim : 22482011393

Matkul : Biostatistik

Pengertian

A. MEDIAN
Median adalah nilai tengah dari suatu rangkaian data yang telah diurutkan secara terurut. Ini
berarti jika ada set data, data tersebut harus diurutkan dari yang terkecil hingga yang
terbesar atau sebaliknya.
Kemudian, median adalah nilai yang berada di tengah rangkaian data yang telah diurutkan.
Jika jumlah data adalah ganjil, median adalah nilai yang tepat berada di tengah data tersebut.
Namun, jika jumlah data adalah genap, median adalah rata-rata dari dua nilai yang berada di
tengah.

Untuk menghitung median dari suatu rangkaian data sebagai berikut:

1. Urutkan data
Langkah pertama adalah mengurutkan data dari yang terkecil ke yang terbesar atau
sebaliknya.
2. Tentukan posisi median
Jika jumlah data adalah ganjil, median adalah nilai yang berada tepat di tengah rangkaian
data setelah diurutkan. Namun, jika jumlah data adalah genap, median adalah rata-rata dari
dua nilai yang berada di tengah.

B. MEAN
Mean adalah salah satu ukuran gejala pusat. Mean dapat dikatakan sebagai wakil kumpulan
data. Menentukan mean dapat dilakukan dengan cara menjumlahkan seluruh nilai data,
kemudian membaginya dengan banyaknya data.

Jumlah seluruh data: banyak data atau, dapat dirumuskan dengan:

𝑥̅ = ∑ x / n
Keterangan:
𝑥̅ = rerata atau mean
n = banyaknya data
∑ x = jumlah seluruh data

Contoh:

Hitung rerata atau mean dari data berikut: 6, 5, 9, 7, 8, 8, 7, 6.

Penyelesaian:
𝑥̅ = 5 + 6 + 6 + 7 + 7 + 8 + 8 + 9 : 8
= 56 : 8
= 7, maka mean dari bilangan tersebut adalah 7.
C. MODUS
Modus adalah data yang paling sering muncul. Modus merupakan ukuran pemusatan untuk
menyatakan fenomena yang paling banyak terjadi. Sekumpulan data yang diperoleh,
memungkinkan untuk memiliki nilai modus yang tidak tunggal atau mungkin juga tidak
memilikinya.

Contoh:
Tentukan modus dari data berikut: 50, 35, 70, 90, 70, 40, 40, 40, 65, 45, 70, 80,

Penyelesaian:
Urutkan data terlebih dahulu, sehingga menjadi:
35, 40, 40, 40, 45, 50, 65, 70, 70, 70, 80, 90
Kita mengetahui bahwa nilai 40 berjumlah 3, dan nilai 70 berjumlah 3, maka modus dari data
tersebut adalah nilai 40, dan 70.
 IMAGE SMOOTHING MENGGUNAKAN MEAN FILTERING, MEDIAN
FILTERING, MODUS FILTERING DAN GAUSSIAN FILTERING

Bambang Yuwono
Jurusan Teknik Informatika UPN “Veteran” Yogyakarta
Jl. Babarsari 2 Tambakbayan 55281 Telp (0274) 485323
Email : [email protected]

Abstract

Image smoothing aims to suppress the interference (noise) in the image. The disorder
usually appears as a result of which is not good penerokan (sensor noise, photographic grain
noise) or due to transmission line (the delivery of data)
This research has resulted in an application program for image smoothing by four methods:
mean filtering, median filtering, Gaussian filtering and filtering modes. Test images used in this
study using a sample consisting of twenty 24-bit image and the image of 8 bits. The images are
loaded and displayed on the program. Then the image smoothing process was done using the
Gaussian method, the mean, median and mode, and displays histogramnya. Parameters
measured are the result of image smoothing based on the four methods used, the signal to-
noise ratio (SNR), and timing-run.
Keywords : : Image smoothing, mean filtering, median filtering, modus filtering, SNR
Pelembutan Citra (Image smoothing) bertujuan untuk menekan gangguan (noise) pada
citra. Gangguan tersebut biasanya muncul sebagai akibat dari hasil penerokan yang tidak
bagus (sensor noise, photographic grain noise) atau akibat saluran transmisi (pada pengiriman
data)
Penelitian ini telah menghasilkan sebuah program aplikasi untuk image smoothing dengan
empat metode yaitu mean filtering, median filtering, modus filtering dan gaussian filtering. Citra
uji yang digunakan pada penelitian ini menggunakan duapuluh sampel yang terdiri dari citra 24
bit dan citra 8 bit. Citra tersebut di-load dan ditampilkan pada program. Kemudian dilakuan
proses image smoothing dengan menggunakan metode gaussian, mean, median dan modus,
serta menampilkan histogramnya. Parameter yang diukur adalah hasil image smoothing
berdasarkan keempat metode yang digunakan, signal to-noise ratio (SNR), dan timing-run.
Kata kunci: Image smoothing, mean filtering, median filtering, modus filtering, SNR

1. PENDAHULUAN
Gangguan pada citra 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. Gambar 1 adalah citra Fox yang mengalami
gangguan berupa salt and pepper serta gaussian yang tampil pada gambar dalam bentuk
bercak putih atau hitam seperti beras.

(a) (b) (c) (d)

Gambar 1. Citra Fox yang mengalami gangguan berupa

(a) Asli (b) Gaussian (c) salt and pepper (d) Speckle

Image Smoothing…(Bambang)
66 ■ TELEMATIKA Vol. 7, No. 1, JULI 2010 :65 – 75
Pixel yang mengalami gangguan umumnya memiliki frekuensi tinggi (berdasarkan
analisis frekuensi dengan transformasi Fourier). Komponen citra yang berfrekuensi rendah
umumnya mempunyai nilai pixel konstan atau berubah sangat lambat. Operasi pelembutan citra
dilakukan untuk menekan komponen yang berfrekuensi tinggi dan meloloskan komponen yang
berfrekuensi rendah. Ada beberapa cara atau metode pelembutan citra, diantaranya adalah
mean filtering, median filtering, modus filtering dan gausian filtering yang akan dibahas pada
tulisan ini.

2. Tinjauan Pustaka
2.1 Mean Filtering
Mean adalah nilai rata-rata dari kumpulan data (Usman, 2005).
Rumusan menghitung mean adalah:
n
1
X =
n
x
i 1
i .............................1)

Keterangan :
X = Nilai rata-rata (Mean)
n = Jumlah data
xi = Nilai ke -i
i = Nilai Awal
Mean filtering yang digunakan untuk efek smoothing ini merupakan jenis spatial
filtering, yang dalam prosesnya mengikutsertakan piksel-piksel disekitarnya. Piksel yang akan
diproses dimasukkan dalam sebuah matrik yang berdimensi N X N. Ukuran N ini tergantung
pada kebutuhan, tetapi nilai N haruslah ganjil sehingga piksel yang diproses dapat diletakkan
tepat ditengah matrik. Sebagai contoh matrik berdimensi 3 X 3 seperti gambar 2.3 di bawah ini:

1 2 3
4 T 5
6 7 8

Gambar 2.1 Matrik mean filtering

Nilai 1, 2, 3, 4, 5, 6, 7, dan 8 pada gambar 2.1 adalah piksel-piksel disekitar piksel T

yang akan diproses. Nilai 4 didapat dari piksel sebelah kiri dari piksel T, nilai 5 didapat dari
piksel di sebelah kanan dari piksel T, proses pengambilan piksel dimulai dengan mengambil
piksel yang akan diproses, disimpan dalam nilai T. Kemudian diambil piksel-piksel sekitarnya
sehingga matrik terisi penuh. Proses selanjutnya dijumlahkan semua nilai yang terdapat pada
matrik tersebut. Hasil penjumlahan tersebut dibagi dengan jumlah titik yang terdapat pada
matrik tersebut. Bilangan pembagi ini dapat diperoleh dari perkalian antara N X N. Pada gambar
2.1, maka hasil pembaginya adalah 9. Sembilan diperoleh dari hasil kali matrik 3 X 3. Hasil
pembagian tersebut akan menggantikan nilai T. Nilai T yang baru akan ditampilkan pada layar
monitor untuk menggantikan nilai T yang lama.
Proses diatas adalah untuk menggambar grayscale (hitam-putih), untuk menggambar
berwarna maka masing-masing titik terlebih dahulu ditentukan nilai warna merah (R), hijau (G),
dan biru (B). Masing-masing nilai RGB dijumlahkan. Hasil penjumlahan nilai RGB dibagi dengan
jumlah titik yang diproses. Hasil dari pembagian digunakan untuk menentukan warna baru yang
akan di letakkan pada titik T.

2.2 Modus Filtering

Modus adalah nilai variable yang memiliki frekuensi tertinggi (Usman, 2005). Modus
dapat ditemukan pada data yang telah diurutkan maupun yang belum terurut. Untuk
menentukan modus filter ini, pertama-tama ditentukan piksel utama yang akan diproses dari
piksel-piksel disekitarnya. Pada modus filtering digunakan matrik berdimensi N X N. Dari matrik
tersebut, kemudian data yang ada diurutkan dan dimasukkan dalam sebuah matrik berukuran
1X(N X N). Hal ini berguna untuk mempermudah menemukan modusnya untuk pencarian nilai
yang terbanyak frekuensinya dari kumpulan data yang telah urut tersebut
Sebagai contoh, jika diketahui suatu piksel utama dan piksel-piksel disekitanya adalah:
TELEMATIKA ISSN 1829-667X ■ 67
5 7 2

7 4 7

2 7 1

Gambar 2.2 Matrik untuk modus filtering

Maka data pada gambar 2.2 harus diurutkan terlebih dahulu sehingga menjadi:
1 2 2 4 5 7 7 7 7

Gambar 2.3 Matrik modus filtering setelah diurutkan

Sehingga dari gambar 2.3 dapat diketahui bahwa modus dari matrik tersebut adalah 7. Nilai 7
akan menggantikan piksel utama yang semula bernilai 4.

2.3 Median Filtering

Median adalah nilai tengah dari kumpulan data (Usman, 2005). Untuk mencari median
dari kumpulan data yang ganjil maka:
n 1
x
2
Keterangan:
n = Jumlah data
x = Nilai baru median
Untuk median filtering ini, data yang digunakan untuk menghitung median terdiri dari
kumpulan data yang ganjil. Hal ini disebabkan dengan jumlah data yang ganjil maka piksel yang
akan diproses dapat berada ditengah. Pada median filtering digunakan matrik berdimensi N X
N. Dari matrik tersebut, kemudian data yang ada diurutkan dan dimasukkan dalam sebuah
matrik berukuran 1X (N X N). Hal ini berguna untuk mempermudah menemukan median dari
kumpulan data yang telah urut tersebut
Sebagai contoh jika diketahui suatu matrik berdimesi 3X3 yang berisi piksel utama dan
piksel-piksel disekitarnya :
9 5 5

3 8 5

2 1 4

Gambar 2.4 matrik untuk median filtering

Matrik diatas harus diurutkan terlebih dahulu dan dimasukkan dalam sebuah matrik
yang berukuran 1X (3X3) atau 1X9.
1 2 3 4 5 5 5 8 9

Gambar 2.5 Matrik untuk median filtering setelah diurutkan

Dari gambar 2.5 dapat dicari nilai piksel yang baru dengan menggunakan perhitungan
median, maka nilai mediannya adalah x = 5. Nilai 5 ini akan menggantikan nilai 8 sehingga
piksel utamanya akan memiliki warna yang berbeda dengan sebelumnya.

2.4 Gaussian Filtering

Gaussian filtering didapat dari operasi konvolusi. Operasi perkalian yang dilakukan
ialah perkalian antara matriks kernel dengan matriks gambar asli. Matriks kernel gauss didapat
dari fungsi komputasi dari distribusi gaussian, seperti pada persamaan di bawah ini:
(i  u ) 2  ( j  v ) 2
G (i, j )  c.e  ....................................4)
2 2

Image Smoothing…(Bambang)
68 ■ TELEMATIKA Vol. 7, No. 1, JULI 2010 :65 – 75
Keterangan :
c dan  = konstanta
G (i,j) = elemen matriks kernel gauss pada posisi (i,j)
(u,v) = indeks tengah dari matriks kernel gauss
Berikut ini contoh matrik kernel Gauss 3 X 3 dengan  = 1.0

1 2 1

2 3 2

1 2 1

Gambar 2.6 Matrik kernel gauss 3 X 3 dengan  =1.0

Perkalian antara bobot matriks gambar asli dengan bobot matrik kernel gauss dapat
dirumuskan seperti pada di bawah ini:
1 N 1  M 1 ( N  1) ( M  1)  
Pixel B(i,j) = .    G ( p, q ).Pixel A i  p  , j  q    ...5)
K  q 0  2 2  
p 0 
Keterangan :
Pixel A = gambar A (Gambar Asli)
Pixel B(i,j) = bobot hasil perkalian pada posisi (i,j)
N = jumlah kolom matriks kernel
M = jumlah baris matriks kernel
K = penjumlahan semua bobot di G
G(p,q) = elemen matriks kernel gauss pada posisi (p,q)
Gambar yang akan diproses dibagi menjadi 2 jenis piksel, yaitu piksel batas dan piksel dalam.
Piksel batas yaitu piksel yang berada dipaling luar pada gambar, selain piksel tersebut disebut
piksel dalam.
Untuk piksel yang berada di dalam, perkalian dilakukan menggunakan rumus no 5,
yaitu menjadikan piksel yang dicari nilai barunya sebagai piksel tengah dan bobotnya dikalikan
dengan bobot pada piksel tengah matrik kernel, lalu dijumlahkan dengan hasil perkalian antara
bobot piksel-piksel tetangga-tetangganya dengan bobot piksel matrik kernel. Untuk piksel yang
berada disudut atau perbatasan, sebelum dilakukan perkalian, sebelumnya harus mencari
bobot pada piksel-piksel luar (dummy). Bobot piksel-piksel ini dicari dengan menggunakan
interpolasi yaitu dengan melihat dua piksel di dekatnya yang searah (horizontal atau vertikal).
Apabila ada piksel yang memiliki bobot lebih kecil dari 0 maka bobot dijadikan 0. Apabila ada
piksel yang memiliki bobot lebih besar dari 255 maka bobotnya dijadikan 255.
Contoh konvolusi matrik gambar asli(A) dengan matrik kernel gauss(G):

Keterangan:
A = Matriks gambar asal B = Matrik hasil perkalian
TELEMATIKA ISSN 1829-667X ■ 69
G = Matrik kernel gauss C = Matrik gambar hasil
2.5 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 (Nalwan,1997). Running-time digunakan untuk mengetahui total waktu
yang diperlukan untuk sebuah proses.

2.6 SNR (signal-to-noise ratio)

SNR digunakan untuk menentukan kualitas citra setelah dilakukan operasi
pengurangan derau. Citra hasil dibandingkan dengan citra asli untuk memberi perkiraan kasar
kualitas citra hasil. Semakin besar nilai SNR berarti pengurangan derau dapat meningkatkan
kualitas citra, sebaliknya jika nilai SNR semakin kecil maka pada citra hasil hanya sedikit juga
peningkatan kualitasnya (Basuki, 2005).
Nilai SNR yang tinggi adalah lebih baik karena berarti rasio sinyal terhadap derau juga
tinggi, dimana sinyal adalah citra asli. SNR biasanya diukur dengan satuan decibles (dB).
Rumus untuk menghitung SNR dapat dilihat dalam persamaan berikut:
2
I
m,n
m, n

SNR  10 . Log10 
...................................9)
2
 (I
m,n
m, n  I m ,n )

dimana :
I m,n adalah citra asli

I m,n adalah citra hasil
m,n adalah ukuran citra

3. Hasil Dan Pembahasan

Penelitian ini telah menghasilkan sebuah aplikasi untuk image smoothing dengan
menggunakan metode gaussian filtering, mean filtering, median filtering dan modus filtering.
Ukuran matrik kernelnya terdiri 3x3, 5x5, 7x7 dan 9x9. Aplikasi ini juga dilengkapi dengan
perhitungan SNR dan histogram. Berikut hasil-hasil pengujian programnya.

Gambar 3.1 Image Smoothing Menggunakan Metode Mean

Image Smoothing…(Bambang)
70 ■ TELEMATIKA Vol. 7, No. 1, JULI 2010 :65 – 75

Gambar 3.2 Matrik hasil metode Mean

Gambar 3.3 Smoothing Menggunakan Metode Gausian

Gambar 3.4 Histogram sebelum dan sesudah smoothing gaussian

Analisis hasil smoothing berdasarkan kualitas gambar

Dari keempat metode yang digunakan, didapat perbedaan kualitas gambar dari setiap
metode yang digunakan. Seperti yang terlihat pada gambar 4.14 berikut ini:
TELEMATIKA ISSN 1829-667X ■ 71

Gambar asli Metode gaussian Metode mean Metode median Metode modus

Gambar 3.5 Perbandingan Gambar Berdasarkan Metode

Filtering Menggunakan Ukuran Matrik 3 X 3

Dari keempat metode yang digunakan yaitu: Gaussian, Mean, Median, dan Modus
didapat gambar yang memiliki kualitas terbaik setelah dilakukan proses smoothing yaitu gambar
yang diproses menggunakan metode median. Dengan menggunakan metode median gambar
yang diproses akan mengalami penghalusan gambar secara sempurna. Dengan menggunakan
metode gaussian, gambar hasil smoothing hampir sama dengan gambar asli yaitu masih
memiliki derau meskipun gambar sudah mengalami penghalusan. Dengan menggunakan
metode mean gambar hasil smoothing sama dengan gambar hasil metode Gaussian tetapi
berubah dari gambar aslinya. Dengan menggunakan metode modus gambar yang dihasilkan
memiliki titik-titik noise yang semakin besar.

Analisis hasil smoothing berdasarkan Timing-Run

Timing-run ini adalah lama waktu proses smoothing pada suatu citra, analisis ini
menggunakan duapuluh sampel sehingga didapat hasil yang lebih akurat. Dari keempat metode
yang digunakan, didapat selisih waktu untuk melakukan proses smoothing. Seperti yang terlihat
pada tabel di bawah ini:

Tabel 3.1 Data Perbandingan Timing-run dari setiap metode filtering

Berdasarkan ukuran matrik 3 X 3.
Waktu Waktu Waktu Waktu
Nama Citra smoothing smoothing smoothing smoothing
dengan metode dengan dengan metode dengan
gaussian metode median metode
(detik) mean (detik) modus

(detik) (detik)
Butterfly.bmp 24 bit 1.883 0.591 0.861 0.982
Kuda.bmp 24 bit 1.462 0.640 0.741 0.922
Hiu.bmp 24 bit 1.663 0.611 1.2 0.931
Sun_flower.bmp 24 bit 1.502 0.661 0.951 0.881
Cat_mirror 24 bit 1.81 0.450 0.751 0.651
Cow.bmp 8 bit 1.312 0.551 0.762 0.862
Elephant.bmp 8 bit 1.923 0.620 1.101 1.82
Fox.bmp 8 bit 0.881 0.430 0.511 0.671
Nemo.bmp 8 bit 1.763 0.561 0.961 1.41
Cat_fish 8 bit 1.61 0.581 0.711 0.781
Bugline_noise.bmp8 bit 1.763 0.601 0.862 1.1
Goldhiil.bmp 8 bit 3.896 0.931 1.522 1.802
Penguin.bmp 24 bit 1.41 0.481 0.611 0.671
Saturn.bmp 24 bit 1.432 0.540 0.771 0.841
Sphinx.bmp 8 bit 1.282 0.530 0.681 0.782
Stonehenge.bmp24 bit 1.533 0.551 0.781 0.852
Freeze.bmp 24.bit 1.501 0.561 0.801 0.882
Flower.bmp 8 bit 1.482 0.561 0.751 0.851
Maria.bmp 24 bit 2.734 0.761 1.231 1.402

Image Smoothing…(Bambang)
72 ■ TELEMATIKA Vol. 7, No. 1, JULI 2010 :65 – 75
Butterfly.bmp 8 bit 1.723 0.611 0.842 0.961

Dari data timing-run di atas, dapat dihitung nilai rata-rata dari tiap metode. Dengan
menjumlahkan nilai tiap citra dari suatu metode lalu membaginya dengan jumlah sampel citra
yang ada, sehingga didapat nilai rata-ratanya yaitu:

Tabel 3.2 Nilai Rata-Rata Timing-run Smoothing

Metode Smoothing Waktu Proses Rata-Rata (detik)
Metode Gaussian 1.72705
Metode Mean 0.5912
Metode Median 0.87015
Metode Modus 1.0468

Berdasarkan pada tabel di atas maka diperoleh timing-run terbaik dari keempat metode
adalah timing-run dengan menggunakan metode mean filtering.
Perbedaan waktu dari keempat proses metode smoothing sangat besar. Data timing-
run menunjukkan, proses smoothing dengan menggunakan metode mean membutuhkan waktu
lebih cepat dari pada ketiga metode lainnya. Hal ini terjadi karena metode gaussian, median
dan modus bekerja dengan mendeteksi dan menghitung terlebih dahulu jumlah frekuensi
pemakaian tiap nilai warna yang sama. Apabila terdapat titik yang berada pada range tersebut
akan dianggap sebagai noise, yang menyebabkan proses bekerja dua kali lebih lama. Tentu
saja hal ini membutuhkan waku yang lebih lama dibandingkan dengan metode mean yang
hanya mendeteksi sinyal tinggi dan sinyal rendah nya saja.

Analisis hasil smoothing berdasarkan SNR

Sama hal nya dengan timing-run di atas, analisis ini juga menggunakan duapuluh
sampel yang digunakan dalam uji coba program ini, agar memperoleh hasil yang lebih akurat.
SNR dari masing-masing citra uji yang merupakan hasil smoothing dapat dilihat pada tabel di
bawah ini.

Tabel 3.3 Perbandingan SNR dari setiap metode filtering berdasarkan

ukuran matrik 3 X 3.
SNR smoothing SNR SNR SNR.
Nama Citra dengan metode smoothing smoothing smoothing
gaussian (db) dengan dengan dengan
metode mean metode metode
(db) median modus
(db) (db)
Butterfly.bmp 24 bit 18.13 17.92 17.88 16.37
Kuda.bmp 24 bit 18.05 17.82 17.78 17.48
Hiu.bmp 24 bit 17.94 17.72 17.66 17.17
Sun_flower.bmp 24 bit 18.08 17.87 17.80 16.50
Cat_mirror 24 bit 18.07 17.85 17.80 17.26
Cow.bmp 8 bit 17.84 17.61 17.57 17.23
Elephant.bmp 8 bit 18.30 18.10 18.02 17.11
Fox.bmp 8 bit 18.25 18.04 17.96 17.56
Nemo.bmp 8 bit 18.21 18.00 17.94 17.48
Cat_fish 8 bit 18.15 17.92 17.88 17.23
Bugline_noise.bmp 8 bit 18.22 18.02 17.93 17.56
Goldhiil.bmp 8 bit 17.97 17.77 17.70 17.36
Penguin.bmp 24 bit 17.86 17.62 17.59 17.22
Saturn.bmp 24 bit 17.54 17.31 17.30 16.85
Sphinx.bmp 8 bit 18.31 18.08 18.01 17.63
Stonehenge.bmp 24 bit 17.99 17.75 17.70 17.43
Freeze.bmp 24.bit 17.95 17.73 17.67 17.20
Flower.bmp 8 bit 18.06 17.86 17.79 17.55
Maria.bmp 24 bit 18.30 18.09 18.02 17.16
Butterfly.bmp 8 bit 17.54 17.35 17.29 16.56
TELEMATIKA ISSN 1829-667X ■ 73

Dari data SNR di atas, dapat dihitung nilai rata-rata dari tiap metode. Dengan
menjumlahkan nilai tiap citra dari suatu metode lalu membaginya dengan jumlah sampel citra
yang ada, sehingga didapat nilai rata-rata nya yaitu:

Tabel 3.4 Nilai Rata-Rata SNR

Metode Smoothing SNR Proses Rata-Rata (db)
Metode Gaussian 18.038
Metode Mean 17.8215
Metode Median 17.766
Metode Modus 17.1985

Dalam kasus ini nilai rata-rata SNR yang terbaik adalah nilai yang lebih besar, karena
nilai SNR didapat dari nilai kualitas citra filter dibandingkan nilai kualitas citra asli yang
berderau. Sehingga semakin besar nilai SNR maka semakin rendah ratio sinyal terhadap noise,
dimana sinyal adalah citra asli yang berderau. Berdasarkan pada tabel di atas maka diperoleh
SNR terbaik dari keempat metode adalah SNR dengan mnggunakan metode gaussian. Besar
nilai SNR belum tentu menentukan citra hasil terbaik menurut indra penglihatan.
Dari data yang didapat, SNR citra hasil dibandingkan dengan citra berderau terdapat
perbedaan. Perbedaan SNR juga terjadi pada proses smoothing image menggunakan metode
gaussian, mean , median dan modus berdasarkan ukuran matrik. Hal ini terjadi karena
perbedaan piksel citra uji dan kompleksitas dari gambar, sedangkan keempat metode yang
digunakan bekerja pada level piksel.
Proses image smoothing pada metode gaussian, mean, median, modus dengan
menggunakan matrik 3 X 3 dan menghasilkan nilai SNR yang besar, hal ini berarti semakin
besar peningkatan kualitas citra. Ini disebabkan karena kemungkinan banyak titik noise yang
memiliki warna sama pada titik-titik gambar asli, sehingga noise dapat dengan mudah disaring.

Analisis hasil smoothing berdasarkan histogram

Aplikasi ini menampilkan histogram citra asli dan citra hasil. Dari keempat metode
mempunyai banyak kesamaan, yaitu dari lebar histogram yang terdistribusi secara merata
keseluruh daerah, baik dari derajat keabuan maupun derajat true-color. Perbedaan terdapat
pada daerah tumpukan histogram (gunung dan lembah).Tumpukan histogram antara citra noise
sedikit lebih terdistribusi merata. Hal ini terjadi karena intensitas piksel yang dominan merata
pada seluruh citra. Dari keempat metode yang digunakan, didapat perbedaan histogram dari
setiap metode yang digunakan Seperti terlihat gambar 3.6.
Gambar 3.6 menunjukkan umpukan histogram citra hasil proses smoothing
menggunakan metode gaussian, mean, median dan modus terhadap citra noise tidak terdapat
perbedaan yang mencolok. Hal ini ditunjukkan dengan tumpukan histogram yang terdistribusi
merata keseluruh daerah derajat true-color , namun perbedaan terlihat pada nilai intensitas
piksel pada masing-masing metode.
Pada metode gaussian dan metode mean, nilai intensitas piksel pada citra tinggi. Pada
metode median nilai intensitas piksel pada citra juga tinggi tetapi memiliki warna yang merata
sedangkan pada metode modus histogram terditribusi secara merata keseluruh daerah dengan
distribusi yang merata pada setiap nilai intensitas piksel yang berarti tingkat kecerahan gambar
tetap terjaga.

Gambar asli Metode gaussian Metode mean Metode median Metode modus

Gambar 3.6 Histogram Citra Kuda2.bmp 24 bit Berdasarkan Metode Filtering

Menggunakan Ukuran Matrik 3X3

Image Smoothing…(Bambang)
74 ■ TELEMATIKA Vol. 7, No. 1, JULI 2010 :65 – 75

Gambar 3.7 menunjukkan tumpukan histogram citra hasil proses smoothing

menggunakan metode gaussian, mean, median dan modus terhadap citra noise tidak terdapat
perbedaan yang mencolok. Hal ini ditunjukkan dengan tumpukan histogram yang terdistribusi
merata keseluruh daerah derajat keabuan dengan distribusi yang merata pada setiap nilai
intensitas piksel yang berarti tingkat kecerahan gambar tetap terjaga. Jadi proses smoothing
menggunakan metode gaussian, mean, median dan modus pada citra grayscale tidak
memberikan pengaruh pada tingkat kecerahan citra ditunjukkan dengan tumpukan histogram
yang tetap terdistribusi secara merata.
Perbedaan pada puncak histogram yang nampak terjadi terdapat sewaktu
menggunakan metode modus. Pada metode ini puncak histogram lebih rendah dari pada
puncak histogram citra asli, ini mengakibatkan nilai intensitas piksel menurun yang
mengakibatkan gambar tersebut buram.

Gambar asli Metode gaussian Metode mean Metode median Metode modus

Gambar 4.7 Histogram Citra Cow.bmp 8 bit Berdasarkan Metode Filtering

Menggunakan Ukuran Matrik 3X3

4. Kesimpulan
Kesimpulan dari hasil penelitian adalah :
1. Secara garis besar timing-run untuk melakukan proses smoothing yang lebih cepat
adalah metode mean. Hal ini terjadi karena metode mean hanya mendeteksi intensitas
warna piksel pada citra yang meloloskan sinyal tinggi dan sinyal rendah nya saja.
2. Median filtering memberikan hasil yang lebih baik dibandingkan mean filtering untuk
citra yang mengalami gangguan dalam bentuk spike berupa bercak-bercak putih
maupun dalam bentuk salt and pepper.Bila ukuran mask diperbesar, maka derau
semakin banyak dihilangkan, tetapi bersamaan dengan itu informasi detail citra juga
ikut dihilangkan sehingga citra nampak kabur Sebaliknya dengan semakin kecilnya
ukuran mask, informasi detail citra dapat dipertahankan tetapi derau juga tetap
dipertahankan.
3. Berdasarkan pada pengujian maka diperoleh SNR terbaik dari keempat metode adalah
SNR dengan menggunakan metode gaussian. Besar nilai SNR belum tentu
menentukan citra hasil terbaik menurut indra penglihatan

Daftar Pustaka
Andeswari. D, 2003, Proses Peningkatan Mutu citra Menggunakan Borland Delphi 5.0,
Universitas Ahmad Dahlan, Yogyakarta.
Ansari. T, Filtering and segmentation, www.cse.ohio-state.com, 27-September-2007, 10.00
WIB.
Balza. A dan Firdausy. K, 2005, Teknik Pengolahan Citra Digital, Ardi Publishing,Yogyakarta.
Basuki. A, 2005, Pengolahan Citra Digital Menggunakan Visual Basic, Graha Ilmu, Yogyakarta.
Fitri. A, Perbandingan metode low pass filter dan median filter dalam penghalusan citra untuk
meningkatkan kualitas citra, www.digilab.unikom.ac.id, 11-September-2007, 14.30 WIB.
Husni, 2004, Pemrograman Dengan Delphi, Yogyakarta, Penerbit Graha Ilmu.
Jain. Anil K, 1989, Fundamentals of digital image processing, London, Prenctice-Hall
International.
Kiswanto H, Aplikasi Perbandingan Image Smoothing menggunakan empat metode filtering
pada pengolahan citra, Informatika UPN , Yogyakarta
TELEMATIKA ISSN 1829-667X ■ 75
Munir. R, 2002, Algoritma & Pemrograman, Bandung, Penerbit Informatika.
Munir. R, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika Bandung,
Bandung.
Nalwan. A,1997, Pengolahan Gambar Secara Digital, PT Elex Media Komputindo, Jakarta.
Pranata. Antony, 2001, Pemrograman Borland Delphi. Andi, Yogyakarta.
Perwitasari. E.W, 2006, Analisis Perbandingan Metode Transformasi Wavelet Dengan Metode
Contour Untuk Pengurangan Derau Pada Suatu Citra, Universitas Ahmad Dahlan,
Yogyakarta.
Smoothing Operation, www.ph.tn.fudelff.nl, 11-September-2007, 15.00 WIB.

Image Smoothing…(Bambang)