Image Edge Sharpening Pada Sketsa Gambar Menggunakan Metode Haar Wavelet

Ardiwinata Ardiwinata

doi:10.62866/bios.v2i1.128

Ardiwinata Ardiwinata * Universitas Budi Darma, Medan, Indonesia

(*) Corresponding Author

DOI: https://doi.org/10.62866/bios.v2i1.128

Keywords: Sketching; Image Sharpening; MATLAB; Haar Wavelet

Abstract

A sketch is a simple drawing or rough draft that depicts the main parts without details. A sketch drawing is an initial idea drawing to express certain ideas into a design drawing summarizing aspects of the initial drawing design that require further processing. Sketch drawing is basically drawing lines with a free hand, without the help of a ruler. In drawing this sketch, sometimes the lines produced on the object edges are not very bright, and require sharpening on each edge of the object. For this reason, sharpening is also done on the edges of the object to make it look sharper on the edges of the object. This image sharpening is useful so that it can be interpreted by the human eye. In the process of working on this thesis, the software used is MATLAB. MATLAB is one of the software with a high level programming language. The final result of this thesis is an object with sharpened edges. In the thesis work using the Haar Wavelet method.

References

P. Faradilla, S. F. Rezky, and R. Hamdani, “Implementasi Metode Kernel Konvolusi Dan Contrast Stretching Untuk Perbaikan Kualitas Citra Digital,” vol. 1, no. November, pp. 865–875, 2022.

E. Fernando, A. Pratama, and J. Jumadi, “Implementasi Metode K-Means Clustering Pada Segmentasi Citra Digital,” vol. 18, no. 2, pp. 291–301, 2022.

J. I. Komputer, T. D. Informasi, and N. Siagian, “Perancangan Aplikasi Pengolahan Citra Digital Untuk Penajaman Sisi Citra Hasil Fingerprint Menggunakan Metode Fourier Phase Only Synthesis,” vol. 1, no. 2, pp. 66–75, 2023.

F. Tabiyah, D. A. N. Ilmu, U. I. Negeri, and R. I. Lampung, “Pengaruh media,” 2023.

B. A. B. Ii, “No Title,” pp. 1–20.

N. Z. Munantri, H. Sofyan, and M. Y. Florestiyanto, “Aplikasi Pengolahan Citra Digital Untuk Identifikasi Umur Pohon,” Telematika, vol. 16, no. 2, p. 97, 2020, doi: 10.31315/telematika.v16i2.3183.

G. C. Setyawan and M. P. Nawansari, “Kinerja Penapisan Gaussian dan Median Dalam Pelembutan Citra,” vol. 2, no. 2, pp. 1–4, 2022.

H. Printer et al., “ISSN : 2338-9214 Vol : 9 No : 1 Januari 2023 Susunan Staf Redaksi Penerbit : Program Studi Teknik Informatika Unipa Penanggung Jawab : Ketua Program Studi Informatika Editor 4 . Margaretha P N Rozady , ST ., MT : 1 . Daniel Oranova Siahan , S . Kom ., M . Sc , PDEng 2 . Dra . Ernawati , MT ( Atama Jaya Yogyakarta ) Cover & Tata Letak Alamat Redaksi : Claudia Betruchy Bada , S . Pd ., M . Pd : Program Studi Teknik Informatika Unipa Jl . Kesehatan , No . 03 Maumere – Flores – NTT,” vol. 9, no. 1, 2023.

A. Muhammad, F. Hanafiah, Y. Fitri, and A. Lubis, “Paper Analisis Pengaruh Citra Gelap Terhadap Kinerja Metode High Boost Filtering Dan Adaptive Histogram Equalization”.

D. Agusti, A. A. Nababan, C. Digital, and G. Noise, “Penerapan Metode Harmonic Mean Filter Dalam Mereduksi Gaussian Noise Pada Citra Digital,” vol. 5, no. 3, pp. 565–571, 2022.

F. A. Muhammad, G. S. Nugraha, and R. Dwiyansaputra, “Matlab Program for Sharpening Image due to Lenses Blurring Effect Simulation with Lucy Richardson Deconvolution,” vol. 2, no. 1, pp. 38–43, 2023, doi: 10.56566/amplitudo.v2i1.57.

M. Resa, A. Yudianto, P. Sukmasetya, R. A. Hasani, and D. Sasongko, “Pengaruh Data Preprocessing terhadap Imbalanced Dataset pada Klasifikasi Citra Sampah menggunakan Algoritma Convolutional Neural Network,” vol. 4, no. 3, pp. 1367–1375, 2022, doi: 10.47065/bits.v4i3.2575.

E. Simarmata, “Implementasi Metode High Pass Filtering Dan Metode Contras Streching Dalam Perbaikan Kualitas Citra,” vol. 2, no. 2, pp. 31–38, 2022.

T. D. A. R. Putra, Y. F. Riti, and D. Anggelia, “NOISE IMAGE ENCHANCEMENT PADA CITRA ULTRASONOGRAFI,” vol. 28, pp. 149–160, 2023.

D. Anassafila, T. H. Wijaya, W. Tuti, and Y. M. Heong, “JITE ( Journal of Informatics and Telecommunication Engineering ) Sallen Key Notch Filter Circuit : Comparison Between Simulation Using Circuit Wizard and Actual Experiment,” vol. 7, no. July, pp. 43–56, 2023.

T. B. Putri, S. Saidah, B. Hidayat, F. Qothrunnada, T. Telekomunikasi, and U. Telkom, “Deteksi Emosi Berdasarkan Sinyal Suara Manusia Menggunakan Discrete Wavelet Transform ( DWT ) Dengan Klasifikasi Support Vector Machine ( SVM ) antar manusia tidak selalu terjadi dengan baik , ada beberapa faktor dari interaksi yang dapat berekspresi atau melakukan tindakan [ 1 ]. Speech processing merupakan teknik pemrosesan sinyal dan mendeteksi emosi melalui sinyal wicara [ 2 ]. Terdapat beberapa faktor fisiologis yang dapat mendapatkan hasil yang maksimal . menggunakan metode K-Nearest Neighbor ( KNN ). Pada penelitian ini metode Discrete Wavelet Transform ( DWT ) digunakan untuk melakukan proses ekstrakasi ciri dan metode Support Vector Machine ( SVM ) untuk klasifikasinya . Metode DWT adalah teknik analisa sinyal yang dikembangkan kedalam komponen frekuensi rendah dan frekuensi tinggi [ 5 ]. Kelebihan dari metode DWT adalah terdapat pada level dekomposisi . Kelebihan dari DWT ini dapat mereduksi kelemahan pemfilteran pada pembelajaran berdasarkan teori optimasi dengan dimensi tinggi [ 7 ]. SVM dengan model supervised learning yaitu dapat mengklasifikasikan data set sebagai titik dalam ruang vektor dan dipetakan ke dalam ruang yang sama sehingga SVM memiliki kelebihan untuk dapat memprediksi mengklasifikasi data secara optimal . Namun , SVM memiliki kekurangan yaitu sulit untuk memilih parameter yang berdasarkan suara . Sistem deteksi ini dirancang menggunakan metode SVM untuk klasifikasi dan DWT Gambar 1 . Diagram Alir Perancangan Sistem Deteksi Emosi,” vol. 3, no. 1, pp. 1–10, 2023.

A. Harianti, I. M. O. Widyantara, N. Made, A. Esta, and D. Wirastuti, “EVALUASI KINERJA CODEC CITRA MEDIS BERBASIS WAVELAT,” vol. 6, no. 1, 2023.

H. Kusnadi, “Bearing Fault Detection Menggunakan Metode Wavelet Berbasis Labview,” no. November 2022, pp. 49–58.

I. Saluza et al., “Prediksi Harga Saham Menggunakan Empirical Mode Decomposition dan Feed Forward Neural Networks,” pp. 961–969, 2023.

D. Setiabudi et al., “Analisis kinerja kompresi citra dwt dan fraktal pada transmisi citra dengan sistem sc-fdma 1,2,3),” vol. 5, no. 2, pp. 150–157, 2022.

D. Septiana et al., “PERBANDINGAN ANTARA FEED FORWARD NEURAL NETWORK ( FFNN ) DAN SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE ( SARIMA ) UNTUK PERAMALAN DATA RUNTUN WAKTU TERAPAN COMPARATION BETWEEN FEED FORWARD NEURAL NETWORK ( FFNN ) AND SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE ( SARIMA ) IN FORECASTING SEASONAL,” vol. 2, no. 2, 2023.

B. A. B. Ii, “Deep Learning Deep learning,” pp. 4–20, 2016.

M. Sari, “Perbaikan Deteksi Watermark Dengan Knn Pada Penyembunyian Data Berbasiskan Histogram- Based Reversible Data Hiding,” vol. 10, no. 5, pp. 4367–4371, 2023.

S. Qirana and E. Harahap, “Simulasi Antrian Kendaraan Pada Gerbang Tol Pasteur Kota Bandung Menggunakan SimEvents MATLAB Vehicle Queue Simulation at Pasteur Toll Gate Bandung City,” vol. 21, no. 1, pp. 69–76, 2022.

“No Title,” vol. 16, pp. 1056–1066, 2022.

Bila bermanfaat silahkan share artikel ini

Berikan Komentar Anda terhadap artikel Image Edge Sharpening Pada Sketsa Gambar Menggunakan Metode Haar Wavelet