Perbandingan Filter Metode Discrete Wavelet Transformation untuk Perbaikan Kualitas Citra Digital

M Mahaputra Hidayat

doi:10.69688/dike.v3i1.121

Authors

M Mahaputra Hidayat Universitas Bhayangkara Surabaya, Indonesia

DOI:

https://doi.org/10.69688/dike.v3i1.121

Keywords:

Discrete Wavelet Transformation, filter wavelet, perbaikan kualitas citra, PSNR, SSIM, MSE

Abstract

Perbaikan kualitas citra digital merupakan salah satu aspek penting dalam pemrosesan citra, terutama untuk aplikasi yang membutuhkan visualisasi yang lebih jelas dan akurat. Penelitian ini bertujuan untuk membandingkan kinerja berbagai filter dalam metode Discrete Wavelet Transformation (DWT) untuk meningkatkan kualitas citra digital. Studi ini menguji beberapa filter wavelet populer, seperti Haar, Daubechies, Symlets, dan Coiflets, pada dataset citra dengan noise dan detail yang beragam. Parameter evaluasi meliputi Peak Signal-to-Noise Ratio (PSNR), Mean Squared Error (MSE), dan Structural Similarity Index Measure (SSIM). Hasil pengujian menunjukkan bahwa filter Daubechies meningkatkan nilai PSNR hingga 25% dibandingkan Haar pada citra dengan noise tinggi, sementara filter Coiflets mencapai peningkatan SSIM sebesar 15% pada citra dengan detail kompleks. Secara keseluruhan, Daubechies dan Coiflets menunjukkan performa yang lebih unggul dibandingkan filter lainnya dalam mereduksi noise sekaligus mempertahankan detail citra. Penelitian ini memberikan kontribusi dalam memahami pilihan filter DWT yang optimal untuk aplikasi peningkatan kualitas citra digital, serta memberikan wawasan untuk pengembangan algoritma pemrosesan citra yang lebih efisien di masa depan.

References

R. C. Gonzalez, Digital image processing. Pearson education india, 2009.

Z. Wang dan A. C. Bovik, “A universal image quality index,” IEEE Signal Process. Lett., vol. 9, no. 3, hlm. 81–84, 2002.

S. G. Mallat, “A theory for multiresolution signal decomposition: the wavelet representation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 11, no. 7, hlm. 674–693, 1989.

A. SAID, “A New, Fast, and Efficient Image Codec Based on Set Partitioning in Hierarchical Trees,” IEEE Trans Circ Syst, vol. 10, no. 8, hlm. 1374–1387, 2000.

G. Strang, Wavelets and Filter Banks. Wellesley-Cambridge Press, 1996. Diakses: 23 Desember 2024. [Daring]. Tersedia pada: https://books.google.com/books?hl=id&lr=&id=Z76N_Ab5pp8C&oi=fnd&pg=PR9&dq=G.+Strang+and+T.+Nguyen,+%22Wavelets+and+Filter+Banks,%22+Wellesley-Cambridge+Press,+1996.&ots=qYQPcq0x8_&sig=d16rqANeCg4uzIOx3_AMy6ns3Po

P. K. de M. M. Freire, C. A. G. Santos, dan G. B. L. da Silva, “Analysis of the use of discrete wavelet transforms coupled with ANN for short-term streamflow forecasting,” Appl. Soft Comput., vol. 80, hlm. 494–505, 2019.

R. Gonydjaja, Pengantar Pengolahan Citra Digital. Penerbit P4I, 2023.

T. Blu, P. Thévenaz, dan M. Unser, “Linear interpolation revitalized,” IEEE Trans. Image Process., vol. 13, no. 5, hlm. 710–719, 2004.

S. Sumijan dan P. A. W. Purnama, “Teori dan Aplikasi Pengolahan Citra Digital Penerapan dalam Bidang Citra Medis.” PENERBIT INSAN CENDEKIA MANDIRI, 2021.

M. Moradi, “Wavelet transform approach for denoising and decomposition of satellite-derived ocean color time-series: Selection of optimal mother wavelet,” Adv. Space Res., vol. 69, no. 7, hlm. 2724–2744, 2022.

I. Daubechies, Ten Lectures on Wavelets. Society for Industrial and Applied Mathematics, 1992. doi: 10.1137/1.9781611970104.

A. A. Al-Taee, R. N. Khushaba, T. Zia, dan A. Al-Jumaily, “Feature Extraction Using Wavelet Scattering Transform Coefficients for EMG Pattern Classification,” dalam AI 2021: Advances in Artificial Intelligence, vol. 13151, G. Long, X. Yu, dan S. Wang, Ed., dalam Lecture Notes in Computer Science, vol. 13151. , Cham: Springer International Publishing, 2022, hlm. 181–189. doi: 10.1007/978-3-030-97546-3_15.

H. K. Sawant dan Z. Jalali, “Detection and classification of EEG waves,” Orient. J. Comput. Sci. Technol., vol. 3, no. 1, hlm. 207–213, 2010.

M. Orkisz dan A. Szewczuk, “Spectrum shape based roller bearing fault detection,” dalam 2019 IEEE 12th International Symposium on Diagnostics for Electrical Machines, Power Electronics and Drives (SDEMPED), IEEE, 2019, hlm. 371–376. Diakses: 23 Desember 2024. [Daring]. Tersedia pada: https://ieeexplore.ieee.org/abstract/document/8864888/

M. Unser, “Texture classification and segmentation using wavelet frames,” IEEE Trans. Image Process., vol. 4, no. 11, hlm. 1549–1560, 1995.

P. K. D. M. M. Freire dan C. A. G. Santos, “Optimal level of wavelet decomposition for daily inflow forecasting,” Earth Sci. Inform., vol. 13, no. 4, hlm. 1163–1173, Des 2020, doi: 10.1007/s12145-020-00496-z.