Abstract:
Pengolahan citra adalah salah satu ilmu yang mempelajari bagaimana cara melakukan transformasi
dan manipulasi digital dari suatu gambar dengan bantuan komputasi [1]. Karena semakin
meningkatnya penggunaan gambar digital, maka penilaian kualitas citra atau Image Quality
Assessment (IQA) menjadi salah satu perhatian dalam citra digital. Sudah ada begitu banyak
cara perhitungan kualitas objektif yang telah dikembangkan dan digunakan untuk menilai kualitas
citra. Namun tidak bisa dipastikan cara-cara yang sudah ada menghasilkan penilaian yang
berkorelasi dengan persepsi manusia. Skripsi ini menyelesaikan bagaimana cara peningkatan
korelasi terhadap penilaian kualitas citra terhadap penilaian mata manusia terhadap suatu citra.
Terdapat tiga model dalam penilaian citra secara objektif maupun subjektif, yaitu fullreference
(FR), no-reference (NR), dan reduced-reference (RR). Pada penelitian dalam skripsi
kali ini, telah dibangun perangkat lunak yang memanfaatkan penilaian citra secara objektif
dengan nama Peak Signal to-Noise Ratio (PSNR), Universal Quality Index (UQI), dan Structural
Similarity Index Measure (SSIM) dengan menerima input berupa dua gambar dengan tipe
’.bmp’, ’.png’, serta ’jpg’ (satu gambar asli dan satu gambar terdistorsi). Perangkat lunak
membandingkan 2 gambar tersebut dan menilai kualitas citra dengan ketiga jenis IQA tersebut.
Hasil penilaian dari ketiga IQA digabungkan dan diproses dengan Model Fuzzy Takagi Sugeno
untuk mendapatkan nilai MOS yang diharapkan memiliki korelasi tinggi dengan hasil MOS
aktual. Model Fuzzy Takagi Sugeno dibuat menggunakan ANFIS pada toolbox MATLAB
dengan melatih model menggunakan data survey TID2008 yang mengandung hasil pengumpulan
penilaian MOS dari banyak sumber terhadap beberapa gambar asli dengan beberapa macam
gambar terdistorsinya.
Pengujian pada skripsi ini dilakukan dengan cara membandingkan korelasi dan error yang
didapatkan antara hasil MOS aktual dengan MOS prediksi perangkat lunak yang dibangun.
Gambar yang digunakan merupakan gambar salah satu data TID2008. Hasil aktual dengan
prediksi dihitung korelasinya dengan menggunakan perhitungan korelasi Spearman dan MAPE
sebagai rumus perhitungan error. Pengujian dilakukan dengan beberapa jumlah grid partition
yang berbeda-beda. Mulai dari 4 sampai 7 grid partition pada setiap himpunan PSNR, UQI,
dan SSIM. Pada pengujian dengan 4 grid partition dihasilkan korelasi sebesar 0.82855 dengan
error 0.15874, pengujian dengan 5 grid partition dihasilkan korelasi sebesar 0.85324 dengan
error 0.13107, pengujian dengan 6 grid partition dihasilkan korelasi sebesar 0.85196 dengan
error 0.11533 dan pengujian dengan 7 grid partition dihasilkan korelasi sebesar 0.90016 dengan
error 0.09149. Dari hasil pengujian yang didapatkan, maka dapat disimpulkan bahwa semakin
besar jumlah grid partition yang digunakan, maka korelasi akan semakin tinggi dan error akan
semakin rendah.