Analisis Komparatif Kinerja Median Filter dan Gaussian Filter dalam Reduksi Noise pada Citra Sampah untuk Mendukung Klasifikasi Otomatis

Surmayanti; Sepsa Nurrahman; Firna Yenila

doi:10.55382/jurnalpustakadata.v6i4.2154

Penulis

Surmayanti Universitas Putra Indonesia YPTK Padang
Sepsa Nurrahman Universitas Putra Indonesia “YPTK” Padang
Firna Yenila Universitas Putra Indonesia “YPTK” Padang

DOI:

https://doi.org/10.55382/jurnalpustakadata.v6i4.2154

Kata Kunci:

Pengolahan Citra Digital, Citra Sampah, Median Filter, Gaussian Filter, Reduksi Noise

Abstrak

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.

Unduhan

Data unduhan belum tersedia.

Referensi

M. Hidayatul Arifin, R. Amelia Vega S. Meliala, K. Impana Manik, A. Defiyanti, and H. Syahputra, “Perbandingan Kinerja Knn Dan Svm Dalam Klasifikasi Sampah Organik Dan Anorganik Menggunakan Ekstraksi Fitur Hog Dan Lbp,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 4, pp. 6100–6109, 2025, doi: 10.36040/jati.v9i4.13972.

S. G. P. Berutu and I. A. K. Mogi, “Identifikasi Salt and Pepper Noise pada Citra dengan Metode Median Filter,” Jnatia, vol. 1, no. 4, pp. 1093–1100, 2023, [Online]. Available: https://www.kaggle.com/datasets/muhammadmasdar/shiftacademy-flower-classification.

A. Fauzi, “Pengurangan Derau (Noise) pada Citra Paper Dokumen menggunakan Metode Gaussian Filter dan Median Filter,” KAKIFIKOM (Kumpulan Artik. Karya Ilm. Fak. Ilmu Komputer), vol. 04, no. 01, pp. 7–15, 2022, doi: 10.54367/kakifikom.v4i1.1871.

W. Ye, “Transmission Image,” 2022.

I. Wirabowo and I. Susilawati, “Implementasi Convolution Neural Network (CNN) untuk Deteksi Penyakit pada Daun Jagung Berbasis Citra Digital,” J. Pustaka Data (Pusat Akses Kaji. Database, Anal. Teknol. dan Arsit. Komputer), vol. 5, no. 1, pp. 233–241, 2025, doi: 10.55382/jurnalpustakadata.v5i1.1046.

G. Umi Khaerunnisa, “Spectrum: Multidisciplinary Journal,” Spectr. Multidiscip. J., vol. Volume 2, no. Nomor 3, pp. 135–140, 2025.

I. A. Rahman, R. Silvi, A. Butar-Butar, and T. Hidayat, “Optimalisasi Teknik Reduksi Noise: Studi Perbandingan Metode Filtering untuk Peningkatan Citra,” J. J-Innovation, vol. 14, no. 2, pp. 59–67, 2025.

L. Fischer-Brandies, L. Muller, J. J. Riegger, and R. Buettner, “Fresh or Rotten? Enhancing Rotten Fruit Detection with Deep Learning and Gaussian Filtering,” IEEE Access, vol. 13, no. February, pp. 31857–31869, 2025, doi: 10.1109/ACCESS.2025.3542612.

H. Shen, Z. Q. Zhao, and W. Zhang, “Adaptive Dynamic Filtering Network for Image Denoising,” Proc. 37th AAAI Conf. Artif. Intell. AAAI 2023, vol. 37, pp. 2227–2235, 2023, doi: 10.1609/aaai.v37i2.25317.

H. Limbong, Lailan Sofinah Harahap, and Rafli Arya Gading, “Comparison of Median Filter and Gaussian Filter Performance in Removing Salt and Pepper Noise,” J. Artif. Intell. Eng. Appl., vol. 4, no. 3, pp. 1849–1854, 2025, doi: 10.59934/jaiea.v4i3.1033.

S. Mohan and B. Paulchamy, “Removal of salt and pepper noise using adaptive switching modified decision-based unsymmetric trimmed median filter optimized with Hyb-BCO-FBIA,” Automatika, vol. 65, no. 3, pp. 852–865, 2024, doi: 10.1080/00051144.2024.2321807.

K. M. Harahap, D. Pangestu, D. Alfarizdi, and F. Iqbal, “Penerapan Pengolahan Citra Digital Berbasis MATLAB untuk Sortasi Ukuran dan Warna Buah Alpukat,” J. Pustaka Data (Pusat Akses Kaji. Database, Anal. Teknol. dan Arsit. Komputer), vol. 5, no. 1, pp. 22–26, 2025, doi: 10.55382/jurnalpustakadata.v5i1.967.

M. Rasheed et al., “Recognizing Brain Tumors Using Adaptive Noise Filtering and Statistical Features,” Diagnostics, vol. 13, no. 8, 2023, doi: 10.3390/diagnostics13081451.

R. A. Wibisono et al., “Perbandingan Efektifitas Filter Median , Gaussian Dan Comparison of the Effectiveness of Median , Gaussian,” 5th Semin. Nas. Mhs. Fak. Teknol. Inf., vol. 3, no. September, pp. 974–983, 2024.

M. G. Tatuin, Y. P. . Kelen, and S. S. Manek, “Pengaruh Ukuran Jendela Ketetanggaan (Window) Terhadap Hasil Redukasi Noise pada Metode Median Filter dan Gaussian Filter,” J. Krisnadana, vol. 3, no. 3, pp. 142–154, 2024, doi: 10.58982/krisnadana.v3i3.601.

H. El saady, “Color Image De-noising Based on Mean, Median, and Gaussian filters,” Ijarcce, vol. 12, no. 8, pp. 116–123, 2023, doi: 10.17148/ijarcce.2023.12816.

D. Chee Yong Ong, I. Bukhori, K. S. Sim, and K. Beng Gan, “Adaptive Optimizable Gaussian Process Regression Linear Least Squares Regression Filtering Method for SEM Images,” IEEE Access, vol. 13, no. May, pp. 93574–93592, 2025, doi: 10.1109/ACCESS.2025.3573389.