ABSTRAKSI: Pada citra berformat digital sering terjadi kerusakan yang didefinisikan sebagai noise. Noise terdiri dari berbagai macam model dan salah satunya adalah Impulse Noise. Impulse Noise muncul kerena kesalahan sensor citra dalam melakukan interpretasi gambar sebenarnya ke format digital. Faktor yang mempengaruhi kesalahan interpretasi citra yang dapat mengakibatkan terjadinya noise adalah faktor lingkungan yang berdebu.
Sistem yang dibangun merupakan sistem untuk melakukan filtering terhadap impulse noise. Sistem merupakan gabungan dari dua metode yaitu K-Nearest Neighbor sebagai metode filtering dan Adaptive Center Weighted Median Filter sebagai metode deteksi noise. K-Nearest Neighbor melakukan filtering dengan menggunakan pendekatan nearest neighbor. Pendekatan tersebut dilakukan dengan melihat piksel-piksel tetangga yang terdapat disekitar piksel yang akan dilakukan filtering. Pada K-NN, jumlah tetangga terdekat diubah menjadi kxk piksel sehingga area untuk proses filtering akan diperluas dan terdapat lebih banyak informasi untuk melakukan proses filtering. Nilai K yang digunakan adalah 3, 5, 7, 9, dan 11. Pengujian citra dilakukan pada citra dengan format JPG dan memiliki 3 channel warna RGB, sehingga proses deteksi dan filtering dilakukan dalam 3 layer. Setelah itu dilakukan analisis performansi dengan menggunakan PSNR.
Berdasarkan hasil analisis pengujian diperlukan nilai k yang tepat sesuai dengan karakteristik citranya. Namun pada umumnya hasil terbaik diperoleh dengan nilai k=3 dengan kondisi probabilitas noise yang ditentukan pada pengujian.
Kata Kunci : lazy learning, K-NN, ACWMF, random valued impulse noise, filtering, PSNRABSTRACT: In digital format image damage that often occurs is defined as noise. Noise itself consists of a variety of models and one of them is Impulse Noise. Impulse Noise appears in the image sensor errors because they interpret the actual images to digital format. Factors that affect image interpretation as a dusty environment factors.
Systems built a system to perform the filtering of noise. On systems using K-Nearest Neighbor to perform noise filtering and ACWMF to perform noise detection. Once noise is detected, the K-nearest neighbor perform filtering by using a nearest neighbor approach. The approach is to look at neighboring pixels around the pixel contained to be performed filtering. By increasing the number of neighbors to be k then the area for the filtering process will be expanded so that there will be more information to make the process of filtering. K values used were 3, 5, 7, 9, and 11. Because they are then waged an RGB image filtering process carried out in 3 layers. And after that performance analysis is done using the PSNR.
Based on analytical results of testing required value of k appropriate to the characteristics of the image. But in general the best results obtained with a value of k = 3 with the conditions specified in the probability of noise testing.Keyword: lazy learning, K-NN, ACWMF, random valued impulse noise, filtering, PSNR