ANALISIS PERBANDINGAN METODE GAUSSIAN FILTER DENGAN WIENER

FILTER UNTUK MEREDUKSI NOISE GABUNGAN GAUSSIAN DAN SALT AND

PEPPER
Dimas Ari Tonang
Program Studi Teknik Informatika –S1, Fakultas Ilmu Komputer,
Universitas Dian Nuswantoro Semarang
URL:http://dinus.ac.id/
Email:dimasaritonang@gmail.com

Abstrak
Simplicity in the process of retrieval and storage of information in the form of digital image making
community started leaving the analog image. From the ease of digital image sometimes can be contaminated by
noise. Noise due to the process of delivery either via cable or via satellite media is very influential to the quality
of the image. By using the technique of filtering noise reduction process will be performed on a digital image
that has been previously given the joint Gaussian noise and salt and pepper and continued with Similarity
Measurement of digital image similarity to identify the results of filtering with the original image. This research
was conducted to determine the appropriate filtering techniques to reduce the combined noise Gaussian and salt
and pepper. The process of image processing in this study consists of process input imagery, image conversion,
addition of noise reduction filtering method of image with Gaussian and wiener. Of research results obtained so
that the application of the Gaussian Filter with a value of standard deviation = 0.1 produces digital images that
best approached the original image compared to the application of the Gaussian filter with standard deviation
range 0.1 ≤  ≥ 10. Retrieved also Euclidean distance calculation results more consistent and get the smallest
distance against the original image. It is also supported by calculation of the RMSE and PSNR Gaussian Filter
method that has the effectiveness of 86.7% nicer than Wiener Filter in reduction of the image containing the
joint Gaussian noise and Salt and pepper. This research developed so that can use different types of methods or
other noise.
Keywords: digital Imagery, Gaussian Noise, Salt and Pepper Noise, Euclidean Distance, GaussianFilter,
Wiener Filter,RMSE,PSNR

Abstract
Kemudahan dalam proses pengambilan dan penyimpanan informasi berupa citra digital membuat masyarakat
mulai meninggalkan citra analog. Dari kemudahan tersebut terkadang citra digital dapat terkontaminasi derau
(noise). Derau/noise akibat proses pengiriman baik itu melalui media kabel ataupun melalui satelit sangat
berpengaruh terhadap kualitas citra. Dengan menggunakan teknik filtering akan dilakukan proses pengurangan
noise pada citra digital yang sebelumnya telah diberi noise gabungan gaussian dan salt and pepper dan
dilanjutkan dengan Similarity Measurement untuk mengidentifikasi kesamaan citra digital hasil filtering dengan
citra original. Penelitian ini dilakukan untuk menentukan teknik filtering yang tepat untuk mengurangi noise
gabungan gaussian dan salt and pepper. Proses pengolahan citra dalam penelitian ini terdiri atas proses input
citra, konversi citra, penambahan noise, reduksi citra dengan metode filtering gaussian dan wiener. Dari hasil
penelitian didapat bahwa penerapan Gaussian Filter dengan nilai standar deviasi = 0,1 menghasilkan citra digital
yang paling mendekati citra original dibanding dengan penerapan Gaussian filter dengan standar deviasi rentang
0,1≤≥10. Diperoleh juga hasil perhitungan euclidean distance lebih konsisten dan mendapatkan jarak terkecil
terhadap citra asli. Hal tersebut di dukung juga dengan perhitungan RMSE dan PSNR bahwa metode Gaussian
Filter memiliki efektivitas sebesar 86,7% lebih bagus daripada Wiener Filter dalam mereduksi citra yang
mengandung gabungan noise Gaussian dan Salt and pepper. Supaya penelitian ini berkembang dapat
menggunakan jenis metode atau noise yang lain.
Kata kunci : Citra digital, Gaussian Noise, Salt and Pepper Noise, Euclidean Distance, Manhattan Distance,
GaussianFilter, Wiener Filter, RMSE,PSNR

analog. Bentuk citra digital sendiri merupakan

PENDAHULUAN
Seiring dengan perkembangan zaman, informasi
dalam bentuk citra memegang peranan sangat
penting. Kemudahan dalam proses pengambilan
dan penyimpanan informasi berupa citra digital
membuat masyarakat mulai meninggalkan citra
salah satu akses informasi yang paling mudah
untuk digunakan dari segi pengiriman data berupa
citra serta pengolahan dan pemrosesan citra itu
sendiri. Dari kemudahan-kemudahan yang didapat
dari informasi yang disajikan dalam bentuk citra
digital terkadang sebuah citra seringkali mengalami
Dokumen Karya Ilmiah | Tugas Akhir | Program Studi Teknik Informatika –S1 | Fakultas Ilmu Komputer | Universitas Dian Nuswantoro
Semarang | 2016
penurunan kualitas citra yang disebabkan oleh
banyak faktor. Salah satu faktor yang menyebabkan
kualitas citra menurun biasanya terjadi ketika
proses pengambilan, pengiriman dan penyimpanan
citra tersebut. Suatu citra dikatakan mengalami
penurunan kualitas mutu biasanya mengandung
cacat atau derau (noise) dan warnanya terlalu
kontras ataupun juga blur. Sebuah citra digital yang
mengalami kerusakan mengakibatkan informasi
yang akan disampaikan jadi berkurang sehingga
membuat informasi yang diperoleh menjadi tidak
sesuai dengan apa yang diharapkan. Kerusakkan
yang terjadi akibat proses pengiriman baik itu
melalui media kabel ataupun melalui satelit juga
berpengaruh terhadap kualitas citra sehingga untuk
menyikapi hal tersebut maka perlu dilakukan
sebuah proses perbaikan citra dengan
menggunakan metode filtering citra [1].
Pada proses filtering, derau / noise
diperbaiki sehingga citra mudah di intrepertasikan
oleh manusia ataupun mesin dan menjadikan
informasi yang akan disampaikan sesuai dengan
yang diharapkan. Derau ataupun noise adalah
sebuah gambar atau piksel yang mengganggu
kualitas citra. Derau dapat disebabkan oleh
gangguan fisis(optik) pada alat akuisisi maupun
secara disengaja akibat proses pengolahan yang
tidak sesuai. Contohnya adalah bintik hitam atau
putih yang muncul secara acak yang tidak
diinginkan di dalam citra ataupun bintik putih yang
terdistribusi normal. Noise dengan bintik acak
tersebut disebut dengan derau (salt & paper) dan
noise dengan bintik putih yang terdistribusi normal
disebut dengan derau gaussian. [2]
Berdasarkan penelitian yang pernah
dilakukan Gybert Saselah, Winsy Weku, Luther
Latumakulita [1] dalam penelitianya yang berjudul
“Perbaikan Citra Digital dengan Menggunakan
Filtering Technique dan Similarity Measurement”
mendapat kesimpulan: 1.Bahwa Gaussian filter
lebih mendekati citra original daripada wiener filter
untuk memperbaiki citra yang mengandung noise
gaussian. 2. Berdasarkan perhitungan similarity
measurement metode euclidean distance
menghasilkan jarak paling kecil dibanding dengan
metode manhattan pada penerapan gaussian filter
dengan ukuran matriks 3x3 dengan nilai standar
deviasi = 1 dan diikuti juga dengan hasil
perhitungan MSE,PSNR dan SNR yang juga
konsisten dengan nilai terbaik pada ukuran strandar
deviasi tersebut.
Dari hasil uji coba dan analisis yang dilakukan
serta kesimpulan yang diperoleh, peneliti
seblumnya memberikan rujukan untuk melakukan
penelitian lebih lanjut dengan menggunakan jenis
noise yang berbeda ataupun dengan gabungan dua
noise atau lebih.
Berdasarkan latar belakang masalah
tersebut maka pada penelitian ini akan dilakukan
penelitian lebih lanjut mengenai analisis terhadap
2
metode filtering tersebut dengan melakukan proses
pengurangan gabungan dua buah noise, yaitu
dengan menggabungkan gaussian noise dan salt
and pepper noise dengan tingkat standar deviasi
noise masing-masing 0,2 yang akan diuji dengan
dua buah metode filtering yaitu gaussian filter dan
wiener filter yang kemudian akan dilakuakn
pendekatan jarak untuk membandingkan hasil citra
filtering yang paling mendekati citra asli.
METODE
Spatial Filtering
Spatial filtering merupakan suatu konsep untuk
memodifikasi nilai piksel citra digital dengan
menerapkan suatu fungsi pada piksel tetangga dari
piksel tersebut. Jenis spatial filtering yang akan
digunakan pada penelitian ini:
Gaussian Filtering
Gaussian filtering diperoleh dari operasi konvolusi
yang merupakan proses perkalian antara matriks
kernel dengan matriks gambar asli. Matriks kernel
gauss diperoleh dari fungsi komputasi yang
merupakan hasil dari distribusi gaussian, berikut
dapat dilihat pada persamaan di bawah ini:
1)
Wiener Filtering
Wiener Filtering merupakan jenis filter spasial non-
linear. Pada noise image dimodelkan sebagai
berikut:
. . . . . . . . . . . . . . . . . 2)
Diketahui M merupakan gambar original dan N
adalah noise; dengan asumsi terdistribusi normal
dengan mean 0. Terkadang, dalam mask yang
dihasilkan, mean tidak selalu bernilai 0; misalkan
adalah varians noise yang bekerja pada gambar
serta g adalah current value dari piksel pada noisy
image. (McAndrew, 2004), maka nilai output dapat
dihitung dengan rumus berikut:
3)
Noise
Noise (derau) merupakan penyebab utama
penurunan kualitas citra (degradasi), sehingga
sangat mengganggu apabila suatu foto ingin dicetak
dan disimpan pada album atau dipajang diruang
tamu.
Gaussian Noise
Derau Gaussian adalah derau putih yang Noise
mempunyai distribusi normal. Jika citra dinyatakan
dengan I dan derau Gaussian dinyatakan dengan N,
maka citra yang terkorupsi oleh derau Gaussian
dinyatakan dengan cara menambahkan keduanya
Dokumen Karya Ilmiah | Tugas Akhir | Program Studi Teknik Informatika –S1 | Fakultas Ilmu Komputer | Universitas Dian Nuswantoro
Semarang | 2016
[9] yaitu dapat dibentuk model noisy image sebagai
berikut :
. . . 4)
Salt And Pepper Noise
Derau Salt and Pepper sering disebut juga impulse
noise, shot noise, dan binary noise adalah derau
disebabkan oleh gangguan yang tajam dan tiba-tiba
(sharp and sudden) pada sinyal citra, kenampakan
pada citra akan berupa titik-titik (piksel) hitam atau
putih (atau kedua-duanya) yang tersebar pada citra
[9]
. . . . . . . . . 5)
Similarity Measurement
Similiarity (kemiripan) adalah ukuran
kedekatan antara satu objek dengan objek
lainnya. Sedangkan distance (jarak) adalah ukuran
tentang jarakpisah antar objek. Terdapat beberapa
tekhnik dalam pengukuran jarakantara lain :
Euclidean Distance
Euclidean Distance adalah metrika yang paling
sering digunakan untuk menghitung kesamaan 2
vektor. Euclidean distance menghitung akar dari
kuadrat perbedaan 2 vektor (root of square
differences between 2 vectors).
. . . . . . . . . . . . .6)
Manhattan Distance
Manhattan distance merupakan salah satu
pengukuran yang paling banyak digunakan
meliputi penggantian perbedaan kuadrat dengan
menjumlahkan perbedaan absolute dari variable-
variable. Metode ini mengasumsikan bahwa
variabel dalam cluster variate tidak berkorelasi.
Prosedur ini disebut blok absolute atau lebih
dikenal dengan city block distance.
Berikut adalah rumus dari manhattan distance:
. . . 7)
Peak Signal to Noise Ratio (PSNR)
PSNR merupakan perbandingan yang terjadi antara
nilai maksimum dari sinyal yang dapat diukur
dengan besarnya sebuah derau yang berpengaruh
terhadap sinyal tersebut. Untuk menghitung PSNR
dari suatu citra, terlebih dahulu harus menentukan
RMSE(Root Mean Square Error). RMSE adalah
nilai error kuadrat rata-rata antara citra asli dengan
citra hasil filtering.
Perhitungan RMSE adalah sebagai berikut [10]:
1 m n
RMSE   I i, j   K i, j  . . . . . . . . 8)
2
mn i1 j 1
3
Nilai PSNR didapat dengan rumus:
 B  .......
PSNR  20. log  . . . . . . . . 9)
 RMSE 
Proses Alur Penelitian
Proses Pemberian
Noise ( Gaussian
Citra Asli Proses Grayscale
Noise dan Salt And
Pepper Noise
Proses Filtering
Proses Simiilarity Noise ( Gaussian
Measurement Filter dan Wiener
Filter)
HASIL DAN PEMBAHASAN
Proses pengolahan citra dalam penelitian ini terdiri
dengan proses input gambar dan membaca matriks
citra langkah selanjutnya yaitu konversi citra RGB
ke grayscale, penambahan density noise gaussian
dan salt and pepper, reduksi noise menggunakan
metode gaussian filter dan wiener filter, similarity
measurement, analisis teknik filtering.
1. Konversi Citra RGB ke Grayscale
Setelah proses input gambar dan pembacaan
matriks citra yang menghasilkan nilai piksel 0-255
pada dimensi 3 layer yaitu Red, Green, dan Blue
(RGB), kemudian untuk mempermudah proses
selanjutnya dilakukan konversi citra RGB ke
Grayscale.
2. Menambahkan Noise Pada Citra Digital
Noise yang akan ditambahkan adalah noise
gaussian dan noise salt and pepper.
3. Melakukan proses filtering
Proses ini dilakukan untuk mereduksi noise. Yaitu
dengan menggunakan metode filtereing :
a. Gaussian Filtering
Pada metode gaussian filter dalam penelitian
ini akan digunakan ukuran matriks 3x3, 5x5,
7x7 dan 9x9 dengan penambahan standar
deviasi filter dengan ukuran 0,5 ; 2,5 ; 5 ;7,5 ;
10; dengan penggunaan matriks dan standar
deviasi yang dipakai maka di dapatkan hasil
kombinasi 20 jenis filter (G1,G2, . . .G20).
b. Wiener Filtering
Dengan ukuran matrik yang dipakai dalam
penelitian ini adalah 3x3, 5x5, 7x7 dan 9x9
dengan juga ditambah ukuran standar deviasi
dengan nilai 0,5;2,5; 5 ; 7,5;10; sehingga
diperoleh juga kombinasi 20 jenis filter
(G21,G22, . . . .G40).
4. Similarity Measurement
Setelah melakukan proses filtering citra maka
selanjutnya akan dilakukan proses similarity
measurement yaitu untuk melihat citrahasil filtering
yang paling mendekati citra original dengan
perhitungan metode euclidean distance dan
Dokumen Karya Ilmiah | Tugas Akhir | Program Studi Teknik Informatika –S1 | Fakultas Ilmu Komputer | Universitas Dian Nuswantoro
Semarang | 2016
manhattan distance. Berikut adalah tabel hasil
perhitungan similarity measurement:
5. Analisis Teknik
Dari hasil perhitungan similarity pada kedua
metode tersebut memberikan hasil yang kurang
maksimal dikarenakan hasil dari perhitungan
wiener mempunyai nilai yang sama. Sehingga perlu
dilakukan uji selanjutnya dengan menggunakan
standar deviasi 0,1 s.d 10,. Berikut tabel hasil
perhitungannya:
Dari hasil tabel diatas dapat disimpulkan bahwa
hasil terbaik dari pengukuran kualitas citra kedua
metode filtering tersebut terdapat pada penggunaan
ukuran filter matriks 3 x 3 hal tersebut ditunjukkan
dengan hasil RMSE dan PSNR kedua metode
menempati nilai terbaik pada ukuran matrik 3x3
.Diperoleh juga hasil dari pengukuran tingkat error
(RMSE) dan juga ratio noise (PSNR) bahwa
penggunaan Euclidean distance menghasilkan jarak
yang konsisten terhadap nilai hasil pengukuran
RMSE dan PSNR dibanding dengan pengukuran
menggunakan Manhattan distance.Oleh karena itu
hasil pengukran jarak yang diambil adalah nilai
dari hitungan Euclidean distance.
4
Untuk membuktikan ke efektifan kedua metode
tersebut akan dilakukan analisis tingkat lanjut
dengan menggunakan 5 (lima ) buah citra uji
dengan standar deviasi filter 0,1 dan ukuran matriks
filter 3x3.
Berikut adalah hasil uji kualitas citra dengan lima
buah citra uji:
Dari uji lanjut analisis pengukuran MSE dan
PSNR terhadap 5 buah citra uji yang mengandung
prosentase noise 10% ,30% dan 50% sehingga
didapatkan kombinasi hasil citra sebanyak 15 citra
hasil. Diperoleh hasil 13 citra hasil Metode
gaussian noise menghasilkan MSE dan PSNR
terbaik dan 2 citra hasil menunjukkan hasil MSE
dan PSNR terbaik pada Wiener filter.Sehingga dari
hasil tersebut dapat di hitung keefektivitasan
metode sebagai berikut :
Probabilitas citra hasil terbaik X 100%
Jumlah citra Uji
13 X 100% = 86,7%
15
Dari hasil tersebut menunjukkan bahwa
penggunaan Gaussian Filter lebih bagus dari pada
penggunaan Wiener Filter dalam mereduksi noise
gabungan gaussian dan salt and pepper dengan
prosentase keefektifan gaussian filter sebesar
86,7% .
Dokumen Karya Ilmiah | Tugas Akhir | Program Studi Teknik Informatika –S1 | Fakultas Ilmu Komputer | Universitas Dian Nuswantoro
Semarang | 2016

KESIMPULAN
a. Penerapan gaussian filtering dengan ukuran
filter 3x3 dan presentase noise 20% serta nilai
standar deviasi =0,1 menghasilkan citra digital
yang paling mendekati citra original dibanding
dengan nilai standar deviasi lain dengan hasil
ukuran jarak euclidean 7542,272 dan RMSE
sebesar 14,740 serta PSNR sebesar 24,760 dB,
sedangkan Wiener Filter pada ukuran yang
sama jarak euclidean terbaik 7614,611dan
RMSE sebesar 14,872 serta PSNR sebesar
24,683 dB.
b. Efektifitas penerapan metode gaussian filter
dalam pengurangan noise gabungan gaussian
dan salt and pepper terhadap 5 buah citra uji
sebesar 86,7% yang menyatakan metode
gaussian filter lebih baik daripada Wiener
Filter.

DAFTAR PUSTAKA
[1] w. w. l. l. Gybert saselah, "Perbaikan Citra Digital
dengan Menggunakan Filtering Technique,"
ejournal, vol. 2, 2013.
[2] Hermawati, Pengolahan Citra Digital, Yogyakarta:
Andi, 2013.
[3] B. Yuwono, "Image Smoothing Menggunakan
Mean Filtering, Median Filtering, Modus Filtering
dan Gaussian Filtering," Telematika, vol. 7, 2015.
[4] E. J. Rani and E. S. Kaur, "Image Restoration Using
Various Methods and Performance Using Various
Parameters," International Journal of Advanced
Research in Computer Science and Software
Engineering , vol. 4, no. 1, 2014.
[5] M. K. D. Rika Novita Wardhani, "Analisis
PenerapanMetode Konvolusi untuk Reduksi Derau
pada Citra Digital," Poli-Teknologi, vol. 10, p. 2,
2011.
[6] M. H. Oceandra, "Pengurangan Noise Pada Citra
Digital," 2013.
[7] E. D. Ginting, "Deteksi tepi Menggunakan metode
Canny Dengan Matlab Untuk Membedakan Uang
Asli dan Uang Palsu," 2012.
[8] Arifin and Budiman, "Edge Detection
Menggunakan Roberts Cross," vol. 12, 2012.
[9] A. McAndrew, "An Introduction to Digital Image
Processing with Matlab," School of Computer
Science and Mathematics, 2004.
[10] R. Munir, Pengolahan Citra Digital, Bandung :
Informatika, 2004.
[11] P. A. Setiyono, "Menganalisa Perbandingan Deteksi
Tepi Antara metode Sobel dan Metode Robert,"
2012.