Publisher

PUSTAKAGALERIMANDIRIPUSTAKAGALERIMANDIRI

Journal Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer)Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Abstract

Kualitas citra merupakan faktor penting dalam mendukung keberhasilan sistem klasifikasi otomatis berbasis pengolahan citra digital. Keberadaan noise pada citra dapat menurunkan kualitas visual serta mengganggu proses ekstraksi fitur dan klasifikasi objek. Oleh karena itu, diperlukan tahap praproses yang mampu mereduksi noise secara efektif sebelum citra digunakan pada proses analisis lebih lanjut. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja Median Filter dan Gaussian Filter dalam mereduksi noise pada citra sampah menggunakan MATLAB. Dataset penelitian terdiri atas 50 citra sampah dari dataset TrashNet yang diberi gangguan berupa Salt and Pepper Noise dan Gaussian Noise. Selanjutnya, kedua metode filtering diterapkan pada citra yang telah terkontaminasi noise dan dievaluasi menggunakan parameter Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), dan Structural Similarity Index Measure (SSIM). Hasil penelitian menunjukkan bahwa pada citra yang terkontaminasi Salt and Pepper Noise, Median Filter menghasilkan performa terbaik dengan nilai rata-rata MSE sebesar 20,397, PSNR sebesar 36,381 dB, dan SSIM sebesar 0,97369. Sebaliknya, Gaussian Filter pada kondisi yang sama menghasilkan nilai rata-rata MSE sebesar 122,7, PSNR sebesar 27,349 dB, dan SSIM sebesar 0,62427. Pada citra yang terkontaminasi Gaussian Noise, Gaussian Filter menunjukkan performa yang lebih baik dengan nilai rata-rata MSE sebesar 75,098, PSNR sebesar 29,543 dB, dan SSIM sebesar 0,67797 dibandingkan Median Filter yang menghasilkan nilai rata-rata MSE sebesar 131,39, PSNR sebesar 26,986 dB, dan SSIM sebesar 0,49787. Hasil penelitian menunjukkan bahwa efektivitas metode reduksi noise dipengaruhi oleh karakteristik noise pada citra. Median Filter lebih efektif dalam menangani Salt and Pepper Noise, sedangkan Gaussian Filter lebih sesuai untuk mereduksi Gaussian Noise. Temuan ini dapat menjadi referensi dalam pemilihan metode praproses citra untuk mendukung pengembangan sistem klasifikasi sampah otomatis berbasis computer vision.

Conclusion

Hasil penelitian menunjukkan bahwa Median Filter memberikan performa terbaik pada citra yang terkontaminasi Salt and Pepper Noise dengan nilai rata-rata MSE sebesar 20,397, PSNR sebesar 36,381 dB, dan SSIM sebesar 0,97369.Sebaliknya, Gaussian Filter menunjukkan performa yang lebih baik pada citra yang terkontaminasi Gaussian Noise dengan nilai rata-rata MSE sebesar 75,098, PSNR sebesar 29,543 dB, dan SSIM sebesar 0,67797.Hasil tersebut menunjukkan bahwa efektivitas metode reduksi noise sangat dipengaruhi oleh karakteristik noise yang terdapat pada citra.Berdasarkan hasil pengujian, dapat disimpulkan bahwa Median Filter lebih efektif digunakan untuk mereduksi Salt and Pepper Noise, sedangkan Gaussian Filter lebih efektif digunakan untuk mereduksi Gaussian Noise pada citra sampah.Pemilihan metode filtering yang sesuai terbukti mampu meningkatkan kualitas citra hasil praproses, sehingga berpotensi mendukung proses ekstraksi fitur dan meningkatkan kinerja sistem klasifikasi sampah berbasis computer vision.

Future Research

Berdasarkan hasil penelitian, saran penelitian lanjutan yang dapat dilakukan adalah: (1) Mengembangkan kajian dengan membandingkan metode filtering lainnya atau mengintegrasikan tahap reduksi noise dengan model klasifikasi berbasis deep learning untuk mengevaluasi pengaruhnya terhadap akurasi klasifikasi sampah otomatis. (2) Menganalisis efektivitas metode reduksi noise pada citra sampah dengan karakteristik noise yang berbeda, seperti noise impulsif atau noise frekuensi tinggi, untuk menentukan metode yang paling sesuai untuk berbagai jenis noise. (3) Meneliti dan mengembangkan algoritma filtering yang dapat menyesuaikan diri dengan karakteristik noise yang dinamis, sehingga mampu meningkatkan kualitas citra hasil praproses secara lebih adaptif dan efektif.

References

1. 0. y5i dw9v2 1e qli 8c1 a6 fl qp2 gky ojs.aaai.org/index.php/AAAI/article/view/253170 y5i dw9v2 1e qli 8c1 a6 fl qp2 gky ojs aaai index php AAAI article view 25317
2. Comparison of Median Filter and Gaussian Filter Performance in Removing Salt and Pepper Noise | Journal... doi.org/10.59934/jaiea.v4i3.1033Comparison of Median Filter and Gaussian Filter Performance in Removing Salt and Pepper Noise Journal doi 10 59934 jaiea v4i3 1033
3. PERBANDINGAN KINERJA KNN DAN SVM DALAM KLASIFIKASI SAMPAH ORGANIK DAN ANORGANIK MENGGUNAKAN EKSTRAKSI... ejournal.itn.ac.id/index.php/jati/article/view/13972PERBANDINGAN KINERJA KNN DAN SVM DALAM KLASIFIKASI SAMPAH ORGANIK DAN ANORGANIK MENGGUNAKAN EKSTRAKSI ejournal itn ac index php jati article view 13972

Metadata

File size	365.66 KB
Pages	7
DMCA	Report