ABSTRAKSI: Dewasa ini, citra digital menjadi salah satu bentuk citra yang sangat populer karena memiliki kemudahan dalam pengambilan, pengiriman, maupun pemrosesannya. Pada saat proses pengambilan citra atau gambar sering kali terjadi gangguan. Setiap kerusakan atau gangguan yang dialami oleh citra dinamakan noise. Salah satu jenis noise yang ada yaitu impulsive noise. Impulsive noise biasanya terjadi karena adanya kondisi lingkungan yang mengganggu proses pengambilan citra seperti adanya kotoran dan debu, implusive noise muncul saat transmisi data digital, dan dapat juga disebabkan karena penggunaan ISO yang terlalu tinggi saat penggambilan gambar menggunakan kamera. Oleh karena itu, dibutuhkan suatu penyaringan/pemfilteran noise untuk memperbaiki kualitas citra yang telah terkena noise.
Sistem yang dibangun pada tugas akhir ini merupakan kombinasi dari dua buah metode yang digunakan untuk mereduksi impulsive noise pada sebuah citra digital. Sistem ini melakukan pengujian terhadap pengaruh Boundary Discriminative Noise Detection (BDND) sebagai pendeteksi impulsive noise pada metode Peer Group Filtering (PGF). Pertama-tama masukan citra yang diuji, kemudian sistem membaca citra tersebut sebagai matrik pixel. Selanjutnya beri probabilitas impulsive noise yang diinginkan untuk diuji pada citra dan bersamaan dengan itu muncul nilai PSNR citra ter-noise. Citra ter-noise tersebut dibagi berdasarkan model warna RGB sehingga menghasilkan masing-masing channel R, G, dan B (Red, Green dan Blue). Langkah selanjutnya tentukan ukuran window yang dipakai untuk proses deteksi maupun proses filtering. Ukuran window yang dapat dipilih untuk proses deteksi yaitu 5x5, 9x9 dan 21x21. Ukuran window yang dapat dipilih untuk proses filtering yaitu 3x3, 5x5, dan 7x7. Metode BDND memberikan hasil output berupa peta matrik biner pada masing-masing channel R, G, dan B dimana pixel diberi nilai 1 jika dinyatakan sebagai impulsive noise dan nilai 0 jika bukan impulsive noise. Nilai 1 pada peta matrik biner menjadi acuan yang selanjutnya dilakukan proses filtering oleh PGF. Kemudian nilai PSNR muncul dari citra hasil filter. Semua hasil yang di dapat kemudian disimpan untuk di analisis dalam pengujian sistem.
Berdasarkan analisis terhadap pengukuran secara objektif yang menunjukkan kinerja dari kombinasi BDND dan PGF dimana BDND sebagai pendeteksi impulsive noise dan PGF sebagai filtering maka dapat ditarik kesimpulan bahwa hasil kombinasi BDND dan PGF mampu menghasilkan PSNR yang cukup beragam. Metode PGF sangat baik dalam mereduksi impulsive noise pada probabilitas impulsive noise 0.01, dimana mampu mencapai selisih PSNR sebesar 18,8847 dB. Kombinasi BDND dan PGF baik dalam mereduksi impulsive noise pada probabilitas impulsive noise 0.05, 0.1, 0.2, 0.5 dan 0.75, dimana mampu mencapai selisih PSNR sebesar 19,2185 dB. Oleh karena itu, BDND sebagai pendeteksi impulsive noise dan PGF sebagai filtering dapat dikatakan berhasil melakukan kombinasi dalam peningkatan kualitas citra digital.Kata Kunci : Impulsive Noise, Peer Group Filtering, Boundary Discriminative Noise Detection, Filtering, PSNR.ABSTRACT: Nowdays, the digital image is very popular imagery because it has the ease of collecting, sending, dan processing. At the time of image acquisition often a problem occur. Every disturbance of image is called noise. One of existing noise type that is impulsive noise. Usually impulsive noise emerge by environmental condition that interfere the image intake process such as dirt and dust. Impulsive noise appears when the digital transmission and also becaused use of ISO that too high when take a picture using the camera. Therefore, needed a noise filtering to increase image quality has been affected by noise.
The system in this final project is a combination of two methods used to reduce the impulsive noise in a digital image. The system tested the effect of Boundary Discriminative Noise Detection (BDND) as a impulsive noise detector in the Peer Group Filtering (PGF). The first, input the image that wil be tested, then the system reads it image as a pixel matrix. After that gives probability of image noise PSNR. It image noise divided by RGB color model, therefore can be produce each channel R, G, and B (Red, Green and Blue). The next step, determine window size that used to detection process and filtering process. Window size that can be choosed for detection process are 5x5, 9x9, dan 21x21. Window size that can be choosed for filtering process are 3x3, 5x5, and 7x7. BDND method give result in the form of the map of the binary matrix output on each channel R, G, and B in which the pixel are given a value 1 if its denote as impulsive noise and the value 0 if not impulsive noise. The value 1 on the binery matrix map to reference is then continue to filtering process by PGF. Then, the value of PSNR will be appear by filter result image. Finally all result are saved to analyze on the test system.
Pursuant to analysis to measurement objectively showing performance from combination of BDND and PGF where BDND as impulsive noise detector and PGF as filtering, hence can be pulled by conclusion that result of combination of BDND and PGF able to yield the PSNR which immeasurable enough. PGF method is good method to reduce impulsive noise in noise probability 0.01 which able to reaches difference PSNR 18,8847 dB. BDND method is good method to reduce impulsive noise in noise probability 0.05, 0.1, 0.2, 0.5 dan 0.75 which able to reaches difference PSNR 19,2185 dB. Therefore, BDND as impulsive noise detector and PGF as filtering can be told to made a success of the combination in increased of digital image quality.Keyword: Impulsive Noise, Peer Group Filtering, Boundary Discriminative Noise Detection, Filtering, PSNR.