Reduksi Noise Salt And Pepper Pada Citra Radiografi Neutron Menggunakan Metode Threshold Progressive Switching Median Filter

Umi Khaerunnisa

doi:10.31004/innovative.v5i3.19116

Authors

Umi Khaerunnisa Universitas Pamulang

DOI:

https://doi.org/10.31004/innovative.v5i3.19116

Keywords:

Median Filter, Noise Salt & Pepper, Threshol Progressive Switching Median Filter (PSMF)

Abstract

Filter berbasis median banyak menarik perhatian karena kesederhanaannya dan kemampuannya menjaga tepi citra. Namun karena filter median tipikal diterapkan secara seragam pada citra, filter tersebut cenderung memodifikasi piksel noise dan piksel yang bagus. Filter berbasis median terbaru, Progressive Switching Median Filter (PSMF) yang akan digabungkan dengan threshold merupakan salah satu metode segmentasi citra yang memisahkan antara detail citra dengan noise, diusulkan untuk memulihkan gambar yang rusak oleh noise impuls dan asli. filter yang dibangun menggunakan skema switching dan metode progresif melalui beberapa iterasi atau disebut PSMF, teknik deep learning terkini mampu meningkatkan kualitas citra dalam kondisi cahaya rendah secara signifikan, tanpa mengorbankan struktur atau tekstur penting (Liu & Fan, 2025). Simulasi dilakukan dengan dua tahap, simulasi pertama PSMF akan mereduksi noise salt and pepper dengan citra standar baboon dan lenna, simulasi kedua akan dilakukan dengan metode baru yang dikembangkan yaitu threshold digabungkan dengan PSMF yang akan mereduksi noise dengan citra radiografi neutron valve. Dari pengujian PSMF dengan menggunakan citra standar menghasilkan uji kuantitatif gambar hampir mirip dengan citra asli, dan hasil perhitugan kualitatif yang baik, sedangkan untuk hasil uji kuantitatif TPSMF hasil gambar tidak begitu maksimal untuk mereduksi noise asli pada radiografi neutron valve, akan tetapi untuk hasil kualitatif memiliki nilai lebih baik untuk dengan nilai PSNR 21.55, SSIM Index 0.77, MAE 2.57 dan MSE 454.60, SNR 15.43, running time 4.80.

References

Cao, N., & Liu, Y. (2024). High-Noise Grayscale Image Denoising Using an Improved Median Filter for the Adaptive Selection of a Threshold. Applied Sciences, 14(2), 635. https://doi.org/10.3390/app14020635

Kumari, T. S., Bhavani, C. A., & Sreedhar, K. (2020). A Fast and Improved Switching Median Filter with Adaptive Window for Impulse Noise Removal. International Journal of Engineering Research & Technology (IJERT), 1(10), 427.

Shah, A., Bangash, J. I., Khan, A. W., Ahmed, I., Khan, A., Khan, A., & Khan, A. (2020). Comparative analysis of median filter and its variants for removal of impulse noise from gray scale images. Journal of King Saud University – Computer and Information Sciences. https://doi.org/10.1016/j.jksuci.2020.03.007ResearchGate+1ScienceDirect+1

Liu, F., & Fan, L. (2025). A review of advancements in low-light image enhancement using deep learning. arXiv preprint arXiv:2505.05759. https://arxiv.org/abs/2505.05759

Fransiscus. (2020). Prediksi Akhis Pandemi COVID-19 di Indonesia dengan Simulasi Berbasis Model Pertumbuhan Parametrik. Jurnal Rekayasa Sistem Industri Volume 9 No 2 - Juli 2020 (Edisi Khusus COVID-19), 63-68.

Putra, H., & Walmi, N. U. (2020). Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation. Jurnal Nasional Teknologi dan Sistem Informasi, Vol. 06 No. 02, 100-107.

Khoirani, L., Ariansyah, R., & Supiyandi. S. (2024). Aplikasi Pengolahan Citra Untuk Peningkatan Deteksi Tepi Melalui Segmentasi Citra. Mars: Jurnal Teknik Mesin, Industri, Elektro dan Ilmu Komputer, Vol. 2 No. 3. https://doi.org/10.61132/mars.v2i3.191

Sovia, R., Yanto, M., & Melati, P. (2020). Prediksi Jumlah Kunjungan Wisata Mencanegara Dengan Algoritma Backpropagation. Jurnal Media Informatika Budidarma, Volume 4, No. 2, April, 355-362

Sari, P,I., Ramadhani, F., Satria, A., & Apdilah, D. (2023). Implementasi Pengolahan Citra Digital dalam Pengenalan Wajah menggunakan Algoritma PCA dan Viola-Jones. Hello World Jurnal Ilmu Komputer. Vol. 2. No. 3, https://doi.org/10.56211/helloworld.v2i3.346

Mirfan., Sudriawan., Laela, U., & Jumarlis, M. (2024). Kombinasi Algoritma KNN, HSV dan LBP Pada Pengolahan Citra Digital untuk Membedakan Kematangan Pisang. Prosiding SISFOTEK. Vol 8 . No 1 . 588-593

Siagian, N. (2023). Perancangan Aplikasi Pengolahan Citra Digital Untuk Penajaman Sisi Citra Hasil Fingerprint Menggunakan Metode Fourier Phase Only Synthesis. Jurnal Ilmu Komputer, Teknologi Dan Informasi. Vol 1. No 2. https://journal.grahamitra.id/index.php/jurikti/article/view/41

Kamil, F. (2024). Pengolahan Citra Digital Menggunakan Metode YOLO Untuk Mendeteksi Kualitas Dari Biji Kopi Berbasis Android. AI dan SPK: Jurnal Artificial Intelligence dan Sistem Penunjang Keputusan. Vol. 1. No. 1 . https://jurnalmahasiswa.com/index.php/aidanspk/article/view/240

Wijaya, A., & Franata, H. (2020). Peningkatan Hasil Segmentasi Deteksi Tepi Menggunakan Morphology Pada Pengolahan Citra, Jukomika - (Jurnal Ilmu Komput. Dan Inform., vol. 3, pp. 2655–755, https://jurnal.ikhafi.or.id/index.php/jukomika/

Maulana, R, F. (2023). Modifikasi Program Pengolahan Citra Digital Untuk Pendugaan Nilai Indeks Klorofil dan Serapan Nitrogen pada Tanaman Padi Varietas Mekongga pada Tanah Inceptisol Menggunakan Tiga Telepon Pintar. Universitas Padjadjaran. https://repository.unpad.ac.id/items/cf6fb4f7-a786-4f38-a6d8-a5ab1453cdf1

Putra, A. B. W., Trisna Aryuna, M., & Malani, R. (2021). Kompresi Citra Digital Dengan Basis Komponen Warna RGB Menggunakan Metode K-Means Clustering. Jurnal Komputer Terapan, 7(1), 14–23. https://doi.org/10.35143/jkt.v7i1.3719