<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Saverio SIkteubun on Medium]]></title>
        <description><![CDATA[Stories by Saverio SIkteubun on Medium]]></description>
        <link>https://medium.com/@sikteubunsaver?source=rss-c648e49f13bb------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*Hn_bwUTcoG7b99-F</url>
            <title>Stories by Saverio SIkteubun on Medium</title>
            <link>https://medium.com/@sikteubunsaver?source=rss-c648e49f13bb------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 15:54:43 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@sikteubunsaver/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Restorasi CT Scan Thorax Dosis Rendah: Meredam Noise, Streaking, dan Kontras Rendah dengan…]]></title>
            <link>https://medium.com/@sikteubunsaver/restorasi-ct-scan-thorax-dosis-rendah-meredam-noise-streaking-dan-kontras-rendah-dengan-ede846f2515c?source=rss-c648e49f13bb------2</link>
            <guid isPermaLink="false">https://medium.com/p/ede846f2515c</guid>
            <category><![CDATA[pcd]]></category>
            <dc:creator><![CDATA[Saverio SIkteubun]]></dc:creator>
            <pubDate>Sun, 25 Oct 2026 23:43:32 GMT</pubDate>
            <atom:updated>2026-10-25T23:43:32.342Z</atom:updated>
            <content:encoded><![CDATA[<h3>Restorasi CT Scan Thorax Dosis Rendah: Meredam Noise, Streaking, dan Kontras Rendah dengan Bilateral Filter, High-Frequency Emphasis, dan CLAHE</h3><p><em>UTS Pengolahan Citra Digital (kasus klinik): merancang kasus sendiri, rubrik evaluasi objektif, dan algoritma restorasi yang divalidasi dengan angka</em></p><h3>Pendahuluan</h3><p>Sebuah rumah sakit mengeluhkan kualitas citra CT Scan thorax hasil protokol dosis rendah. Dosis radiasi memang ditekan demi keselamatan pasien, tetapi akibatnya citra menjadi berbintik (noise Poisson dan Gaussian), muncul garis-garis artefak (streaking), dan kontras lokal jaringan lunak sangat rendah. Dokter radiologi kesulitan membedakan nodul paru kecil dan lesi mediastinum dari noise. Pada soal UTS ini, saya berperan sebagai spesialis pengolahan citra medis yang diminta membangun sistem restorasi.</p><p>Soal meminta tiga hal, dan artikel ini disusun mengikutinya:</p><ol><li><strong>Definisikan kasus sendiri</strong>: sampel citra medis yang mengalami degradasi mutu, lengkap dengan spesifikasi input dan tujuan klinisnya.</li><li><strong>Tetapkan rubrik evaluasi</strong>: metrik kuantitatif beserta target dan alasannya, serta indikator kualitatif.</li><li><strong>Kembangkan dan publikasikan algoritma</strong>: alur pemrosesan (filter domain spasial/frekuensi, penajaman tepi, koreksi kontras), visual Before vs After, analisis, dan kode Python.</li></ol><p>Satu keputusan desain perlu disampaikan di awal: sampel citra saya adalah <strong>phantom thorax numerik yang diakuisisi dengan simulasi CT fisik</strong>, bukan citra pasien nyata. Alasannya ada dua. Pertama, soal membolehkan memilih atau membuat sampel, sedangkan saya tidak memiliki akses ke citra CT thorax pasien yang sah untuk dipublikasikan. Kedua, dengan phantom, nilai HU yang benar diketahui, sehingga PSNR, SSIM, dan CNR dapat dihitung terhadap referensi sungguhan, bukan sekadar “terlihat lebih bagus”. Konsekuensinya (misalnya phantom yang lebih sederhana daripada anatomi nyata) saya bahas terbuka di bagian Keterbatasan.</p><p>Ringkasan hasil: PSNR naik dari 19.49 dB ke 27.51 dB, SSIM dari 0.545 ke 0.837, dan noise di jaringan lunak turun dari 59.5 HU ke 10.8 HU. Dari sembilan target rubrik, semuanya tercapai, dengan satu target (CNR lesi) hanya lolos tipis.</p><h3>1. Definisi Kasus</h3><h3>1.1 Skenario klinik</h3><p>Seorang pasien menjalani CT thorax dosis rendah untuk pemantauan nodul paru. Radiolog perlu menjawab tiga pertanyaan klinis dari citra aksial setinggi jantung:</p><ul><li>Apakah ada <strong>nodul paru solid</strong> berdiameter sekitar 9 mm, dan apakah bentuk serta tepinya dapat dinilai?</li><li>Apakah ada <strong>lesi hipodens low-contrast</strong> di mediastinum anterior (diameter sekitar 20 mm, selisih densitas sekitar 30.0 HU terhadap jaringan sekitarnya)? Selisih sekecil itu mudah tertutup noise.</li><li>Apakah kontur <strong>tulang rusuk, sternum, dan vertebra</strong> serta <strong>cabang pembuluh paru</strong> halus tetap dapat dinilai?</li></ul><h3>1.2 Spesifikasi sampel dan input sistem</h3><ul><li><strong>Modalitas:</strong> CT Scan thorax, potongan aksial setinggi jantung.</li><li><strong>Format input:</strong> larik 512×512 bernilai Hounsfield Unit (HU) bertipe float. Ukuran piksel 0.8 mm, sehingga bidang pandang 409.6 mm.</li><li><strong>Isi phantom:</strong> kulit dan lemak subkutan (−95 HU), otot dinding dada (55 HU), jaringan lunak mediastinum (40 HU), kedua paru (−850 HU) dengan pohon pembuluh bercabang (30 HU), jantung (42 HU) dengan lemak perikardial (−70 HU), aorta desendens, esofagus, vertebra dengan kanal spinal, sternum, dan tulang rusuk (450 HU).</li><li><strong>Dua lesi target:</strong> nodul paru solid 9 mm (35 HU) di paru kanan, dan lesi hipodens 20 mm (10 HU) di mediastinum anterior pada jaringan 40 HU.</li><li><strong>Window tampilan:</strong> mediastinum (level 40, lebar 400 HU) dan paru (level −600, lebar 1500 HU).</li></ul><h3>1.3 Degradasi: simulasi akuisisi CT dosis rendah</h3><p>Supaya degradasi muncul dari proses fisik dan bukan sekadar derau yang ditempel, citra diakuisisi lewat rantai berikut:</p><ol><li>Nilai HU diubah menjadi koefisien atenuasi μ (air = 0.019 per mm).</li><li>Transformasi Radon menghasilkan integral garis p untuk 180 proyeksi pada rentang 0 sampai 180 derajat.</li><li>Jumlah foton yang tiba di detektor mengikuti <strong>distribusi Poisson</strong> dengan rata-rata I0·exp(−p), I0 = 5×1⁰⁵ foton per sinar.</li><li>Ditambah <strong>derau elektronik Gaussian</strong> (σ = 40 foton ekuivalen), dan nilai di bawah 1 foton ditahan di 1.</li><li>Rekonstruksi dengan <strong>filtered back projection</strong> (filter ramp), lalu dikonversi kembali ke HU.</li></ol><p>Karena proyeksinya hanya 180 dan filter ramp memperkuat frekuensi tinggi, hasilnya adalah tiga gejala yang disebut di soal: noise berbintik, garis streaking yang menyebar dari tulang dan tepi paru, dan lesi low-contrast yang tenggelam dalam noise. Pada sinar yang paling teratenuasi, detektor hanya menerima rata-rata 1856 foton (simpangan baku Poisson relatif 2.3%), jadi kekurangan foton ekstrem bukan penyebab utama di kasus ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XEn4yWksVUEtOr_pblBYkw.png" /><figcaption><strong>Gambar 1 — Kasus Awal</strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/910/1*RH0dic8ba1o1oqWz91xsGg.png" /><figcaption><strong>Gambar 2 — Lokasi Roi</strong></figcaption></figure><p>Gambar 1 menunjukkan referensi dan citra rusak pada kedua window. Gambar 2 menunjukkan lokasi ROI yang dipakai untuk semua pengukuran.</p><h3>1.4 Diagnosis degradasi: pengukuran sebelum memilih filter</h3><p>Sebelum memilih metode, saya mengukur sifat galat (citra rusak dikurangi referensi) dengan skrip evaluasi. Tiga temuan menentukan rancangan:</p><ul><li><strong>Noise mendekati Gaussian dan tidak seragam.</strong> Kurtosis berlebih galat di ROI jantung 0.08 dan di ROI paru 0.31, dekat dengan nol (distribusi normal). Noise Poisson di domain proyeksi memang menjadi mendekati Gaussian setelah rekonstruksi. Simpangan bakunya berbeda antar lokasi: 59.5 HU di jantung dan 45.3 HU di paru, jadi noise tidak stasioner.</li><li><strong>Streaking tidak punya arah dominan.</strong> Energi galat di cincin frekuensi 0.08 sampai 0.35 siklus per piksel tersebar hampir merata ke semua sektor sudut 15 derajat: antara 7.5% dan 9.8% per sektor, dibanding 8.3% jika benar-benar merata. Akibatnya, filter notch atau wedge terarah tidak punya dasar bukti di kasus ini.</li><li><strong>Galat didominasi frekuensi tinggi.</strong> Sebanyak 79.5% energi galat berada di atas 0.25 siklus per piksel, sehingga peredaman noise harus bekerja di area itu tanpa merusak tepi anatomi.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*18Woz16228oItOQpxKnsWg.png" /><figcaption><strong>Gambar 3 — Analisis Spektrum</strong></figcaption></figure><p>Untuk mengetahui penyebabnya, saya juga merekonstruksi pada konfigurasi lain. Angka berikut dihitung di window mediastinum, di dalam topeng tubuh:</p><ul><li>Kasus ini (dosis rendah, 180 proyeksi): PSNR 19.49 dB, SSIM 0.545, σ jantung 59.5 HU.</li><li>Tanpa noise sama sekali, tetap 180 proyeksi: PSNR 22.47 dB, SSIM 0.628, σ jantung 21.3 HU. Ini bagian degradasi yang murni berasal dari proyeksi yang jarang (artefak streaking).</li><li>Dosis sama, 720 proyeksi: PSNR 23.73 dB, SSIM 0.670, σ jantung 27.8 HU.</li></ul><p>Jadi degradasi kasus ini adalah gabungan noise (komponen terbesar) dan artefak proyeksi jarang. Menariknya, rekonstruksi tanpa noise saja hanya mencapai 22.47 dB, artinya filter pasca-rekonstruksi yang baik masih boleh menembus angka itu dengan ikut meredam artefak.</p><h3>2. Rubrik Evaluasi</h3><p>Rubrik ditetapkan dari kondisi awal, pembanding fisik di atas, dan acuan klinis, sebelum evaluasi akhir dijalankan, dan tidak saya ubah sesudah hasilnya keluar. Seluruh metrik kuantitatif dihitung terhadap referensi phantom.</p><h3>2.1 Metrik kuantitatif, target, dan alasannya</h3><ol><li><strong>PSNR ≥ 23.5 dB</strong> (awal 19.49 dB). Dihitung di window mediastinum, di dalam topeng tubuh, supaya latar udara tidak menggelembungkan nilai. Kenaikan minimal 4 dB berarti galat RMS turun sekitar 37%.</li><li><strong>SSIM ≥ 0.80</strong> (awal 0.545). PSNR hanya mengukur selisih piksel, sedangkan SSIM mengukur kemiripan struktur: apakah tepi dan pola anatomi tetap sama. Rekonstruksi tanpa noise pada protokol yang sama hanya mencapai 0.628, jadi 0.80 menuntut artefak ikut tereduksi.</li><li><strong>σ noise ROI jantung ≤ 20 HU</strong> (awal 59.5 HU). Sebagai acuan kasar, noise CT thorax dosis standar berada pada orde 10 sampai 20 HU. ROI berupa lingkaran homogen di dalam jantung.</li><li><strong>σ residu ROI paru ≤ 15 HU</strong> (awal 45.3 HU). ROI di paru kanan sengaja homogen pada referensi, jadi seluruh variasi yang tersisa adalah noise dan streaking.</li><li><strong>Retensi tepi antara 0.80 dan 1.05.</strong> Dihitung sebagai rasio kekuatan gradien (Sobel) citra terhadap referensi di 5% piksel dengan tepi terkuat pada referensi. Di bawah 0.80 tepi dianggap terlalu kabur, di atas 1.05 berarti tepi berlebihan (risiko halo).</li><li><strong>Kontras lesi dipertahankan ≥ 80%.</strong> Selisih 30.0 HU antara lesi dan sekitarnya tidak boleh hilang akibat penghalusan. Restorasi yang menghapus lesi bersama noise justru berbahaya secara klinis.</li><li><strong>Bias HU ≤ 5 HU</strong> di ROI jantung dan paru. Nilai HU dipakai radiolog untuk menilai densitas, jadi restorasi tidak boleh menggesernya.</li><li><strong>CNR lesi pada citra tampilan ≥ 3.0.</strong> CNR adalah selisih rata-rata lesi dan latar dibagi simpangan baku latar. Angka 3 adalah batas bawah kriteria Rose (sekitar 3 sampai 5) untuk deteksi yang andal. Dihitung di cincin latar 3 sampai 9 piksel di luar lesi.</li><li><strong>Kontras Weber lesi pada tampilan ≥ 0.20</strong> (awal 0.152). Weber adalah selisih intensitas lesi terhadap latar dibagi intensitas latar, dan menggambarkan “rasio kontras” yang terlihat di monitor. Ambang diskriminasi Weber untuk target besar dan seragam sekitar 0.02, jadi 0.20 memberi margin sekitar sepuluh kali lipat.</li></ol><h3>2.2 Indikator kualitatif dan alasannya</h3><ol><li><strong>Streaking tidak terlihat jelas</strong> di kedua window. Garis artefak meniru struktur nyata dan bisa menyamarkan atau menyerupai lesi.</li><li><strong>Nodul 9 mm tetap bulat dengan tepi tegas.</strong> Bentuk dan tepi dipakai untuk membedakan nodul jinak dan ganas.</li><li><strong>Cabang pembuluh halus tetap kontinu.</strong> Penghalusan berlebihan memutus cabang kecil, yang bisa disangka kelainan.</li><li><strong>Kontur tulang tanpa halo atau ringing.</strong> Penajaman berlebih menciptakan pinggiran palsu di sekitar tulang.</li><li><strong>Tekstur tidak terlihat artifisial.</strong> Citra yang terlalu mulus, atau berpola baru, mengurangi kepercayaan pembaca.</li></ol><p>Dua jenis indikator dipakai bersama karena angka saja bisa menipu: filter yang menghapus semua detail akan memiliki noise rendah dan CNR tinggi (lihat Gaussian di bagian 3), tetapi citranya tidak lagi layak dibaca. Karena itu retensi tepi, kontras lesi, dan bias HU dipasang sebagai penyeimbang.</p><h3>3. Algoritma Restorasi</h3><h3>3.1 Alur pemrosesan</h3><pre>CT dosis rendah (HU, float)<br>   |<br>   v<br>[1] Bilateral filter           (spasial, peredam noise + streaking, menjaga tepi)<br>   |<br>   v<br>[2] High-frequency emphasis    (frekuensi, penajaman tepi)<br>   |<br>   v   hasil restorasi dalam HU  --&gt; dinilai PSNR, SSIM, sigma, retensi tepi, kontras lesi, bias HU<br>   |<br>   v<br>[3] Windowing mediastinum  --&gt; [4] CLAHE (koreksi kontras lokal)<br>   |<br>   v   citra tampilan  --&gt; dinilai CNR dan kontras Weber</pre><p>Tahap [1] dan [2] bekerja pada nilai HU sehingga angka densitas tetap bermakna. Koreksi kontras (tahap [3] dan [4]) dikerjakan sebagai transformasi tampilan di akhir, seperti praktik pada konsol radiologi, sehingga data HU hasil restorasi tidak ikut berubah.</p><h3>3.2 Memilih filter peredam noise</h3><p>Enam keluarga filter dibandingkan dengan kriteria yang sama: PSNR tertinggi dengan retensi tepi minimal 0.80. Hasil terbaik tiap keluarga:</p><ul><li>Median 3×3: PSNR 23.01 dB, SSIM 0.656, σ jantung 23.7 HU, CNR lesi 1.36, retensi tepi 0.816</li><li>Wiener lokal 5×5: PSNR 23.18 dB, SSIM 0.778, σ jantung 9.2 HU, CNR lesi 3.05, retensi tepi 0.800</li><li>Non-local means (h = 70 HU): PSNR 24.49 dB, SSIM 0.842, σ jantung 5.6 HU, CNR lesi 3.13, retensi tepi 0.863</li><li><strong>Bilateral (σ warna 150 HU, σ ruang 3 piksel)</strong>: PSNR 25.94 dB, SSIM 0.831, σ jantung 9.2 HU, CNR lesi 3.09, retensi tepi 0.896</li></ul><p>Dua keluarga lain tidak punya konfigurasi yang lolos retensi tepi 0.80:</p><ul><li>Gaussian σ=1.0 (terbaik di PSNR): PSNR 21.06 dB, SSIM 0.672, σ jantung 14.6 HU, CNR lesi 2.46, retensi tepi 0.599</li><li>Butterworth low-pass di domain frekuensi, d0 = 0.2 (terbaik di PSNR): PSNR 21.54 dB, SSIM 0.673, σ jantung 16.2 HU, CNR lesi 2.30, retensi tepi 0.666</li></ul><p>Pelajaran penting dari perbandingan ini: filter yang meredam noise paling kuat belum tentu terbaik. Gaussian σ=2.0 menurunkan σ jantung sampai 5.0 HU dan menaikkan CNR sampai 4.08, tetapi retensi tepinya hanya 0.312 dan PSNR turun ke 18.53 dB. Low-pass di domain frekuensi mengalami hal yang sama, karena keduanya menghaluskan tepi anatomi dan noise dengan cara yang sama. Bilateral filter menimbang piksel tetangga dengan dua faktor sekaligus: kedekatan jarak dan kemiripan intensitas. Piksel di seberang tepi tulang atau tepi paru berbeda ratusan HU dari piksel pusat sehingga bobotnya hampir nol, sedangkan noise sekitar 60 HU masih dalam rentang σ warna 150 HU sehingga ikut dirata-ratakan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*b_zMnxlA8MljLunjLUKUaQ.png" /><figcaption>Gambar 4 — Perbadingan Filter</figcaption></figure><p>Kandidat bilateral dipetakan pada σ warna 100, 150, 200, dan 300 HU serta σ ruang 2, 3, dan 4 piksel (12 konfigurasi). Nilai terbaik adalah σ warna 150 HU dan σ ruang 3 piksel, yang menghasilkan PSNR 25.94 dB. σ warna yang terlalu kecil (100 HU) menyisakan noise (σ jantung 16.7 HU), sedangkan yang terlalu besar (300 HU) mulai merugikan: PSNR turun ke 22.95 dB dan retensi tepi mendekati batas (0.802).</p><h3>3.3 Penajaman tepi: domain spasial vs domain frekuensi</h3><p>Bilateral sedikit melembutkan tepi, dan rekonstruksi FBP sendiri sudah agak lunak. Dua cara penajaman dibandingkan dengan kriteria: PSNR tertinggi dengan retensi tepi tidak lebih dari 1.00 (tepi tidak boleh melebihi kekuatan referensi).</p><ul><li><strong>Spasial:</strong> kernel 3×3 identitas dikurangi α kali Laplacian. Terbaik α=0.1 dengan PSNR 27.02 dB dan CNR 2.60.</li><li><strong>Frekuensi:</strong> high-frequency emphasis (HFE), H(u,v) = 1 + k·(1 − exp(−D²/(2·d⁰²))), dengan D jarak ke pusat spektrum. H(0,0) = 1 sehingga nilai HU rata-rata tidak berubah. Terbaik d0=0.1 dan k=0.2 dengan PSNR 27.51 dB dan CNR 2.85.</li></ul><p>HFE menang pada PSNR sekaligus CNR. Penyebab yang paling masuk akal (belum saya uji terpisah): Laplacian paling kuat menguatkan frekuensi tertinggi, tempat noise terkonsentrasi, sedangkan filter Gaussian pada HFE menaikkan frekuensi menengah yang membawa informasi tepi. Inilah alasan domain frekuensi masuk ke alur final berdasarkan bukti, bukan karena dipaksakan. Efek penajaman terhadap tahap sebelumnya: PSNR naik dari 25.94 dB ke 27.51 dB dan retensi tepi dari 0.896 ke 0.983, dengan konsekuensi σ jantung naik dari 9.2 ke 10.8 HU dan CNR turun dari 3.09 ke 2.85.</p><h3>3.4 Koreksi kontras lokal dengan CLAHE</h3><p>CLAHE (contrast limited adaptive histogram equalization, kisi 8×8) diterapkan pada citra window mediastinum. Parameter clipLimit dipilih dengan kriteria: clipLimit terbesar yang masih menjaga CNR lesi tampilan ≥ 3.0, karena CLAHE yang terlalu kuat ikut memperbesar noise.</p><ul><li>Tanpa CLAHE: CNR 2.85, Weber 0.132, σ tampilan jantung 6.9.</li><li>clip 1.0: CNR 3.15, Weber 0.249, σ tampilan 11.9.</li><li>clip 1.5: CNR 3.10, Weber 0.302, σ tampilan 14.7.</li><li><strong>clip 2.0:</strong> CNR 3.08, Weber 0.354, σ tampilan 17.5.</li><li>clip 3.0: CNR 2.91, Weber 0.436, σ tampilan 22.8.</li><li>clip 4.0: CNR 2.75, Weber 0.505, σ tampilan 28.1.</li></ul><p>Pilihan: <strong>clip 2.0</strong>, clipLimit terbesar dengan CNR masih di atas 3.0 (clip 3.0 sudah turun di bawahnya). Harganya jelas: noise pada tampilan naik dari 6.9 ke 17.5 skala abu-abu. Ini kompromi yang disengaja antara keterlihatan lesi dan kehalusan citra.</p><h3>3.5 Ablasi: apakah tiap tahap berkontribusi?</h3><ul><li>Lengkap (bilateral + HFE): PSNR 27.51 dB, SSIM 0.837, σ jantung 10.8 HU, CNR lesi 2.85, retensi tepi 0.983</li><li>Tanpa penajaman: PSNR 25.94 dB, SSIM 0.831, σ jantung 9.2 HU, CNR lesi 3.09, retensi tepi 0.896</li><li>Tanpa peredam noise (hanya HFE pada citra rusak): PSNR 18.51 dB, SSIM 0.540, σ jantung 70.9 HU, CNR lesi 0.51, retensi tepi 0.968</li></ul><p>Tanpa peredam noise, penajaman justru memperburuk citra (PSNR 18.51 dB, di bawah citra rusak). Urutan peredam noise sebelum penajaman bukan sekadar kebiasaan: penajaman bersifat high-pass dan memperkuat noise apa pun yang masih ada.</p><h3>4. Implementasi Kode</h3><p>Kode dibagi menjadi lima berkas dengan tanggung jawab terpisah. Source code lengkap ada di bagian Lampiran di akhir artikel.</p><ul><li>simulasi_ct.py: membangun phantom thorax (HU) dan mensimulasikan akuisisi CT dosis rendah (Radon, Poisson, noise elektronik, FBP).</li><li>metrik_ct.py: seluruh metrik rubrik (windowing, PSNR, SSIM di dalam topeng, σ ROI, CNR, Weber, retensi tepi, bias HU).</li><li>restorasi_ct.py: pipeline final (bilateral, HFE, windowing, CLAHE), tabel metrik, dan semua gambar.</li><li>evaluasi_parameter.py: diagnosis degradasi, perbandingan filter, pemilihan parameter dengan kriteria tertulis, ablasi, dan pemeriksaan rubrik.</li><li>stat_tambahan.py: atribusi penyebab degradasi dan statistik histogram.</li></ul><h3>Penjelasan per fungsi pada pipeline</h3><p><strong>1. </strong><strong>hapus_derau().</strong> Memanggil cv2.bilateralFilter pada citra HU bertipe float32. Diameter jendela dihitung dari σ ruang (2×⌈2σ⌉+1 = 13 piksel). σ warna 150 HU menentukan seberapa besar selisih intensitas yang masih dianggap &quot;jaringan yang sama&quot;.</p><p><strong>2. </strong><strong>penajaman_frekuensi().</strong> Citra diubah ke domain frekuensi dengan fft2, dikalikan filter H(u,v) = 1 + k·(1 − exp(−D²/(2·d0²))) dengan frekuensi dalam siklus per piksel (fftfreq), lalu dikembalikan dengan ifft2. Pada frekuensi nol H = 1, jadi nilai HU rata-rata terjaga.</p><p><strong>3. </strong><strong>tampilan_mediastinum() dan </strong><strong>koreksi_kontras().</strong> Windowing memetakan −160 sampai 240 HU ke 0 sampai 255. CLAHE membagi citra menjadi kisi 8×8, menyamakan histogram tiap petak, dan membatasi penguatan dengan clipLimit agar noise tidak meledak.</p><p><strong>4. Fungsi metrik.</strong> psnr_ssim() menghitung PSNR dari galat kuadrat rata-rata hanya di dalam topeng tubuh, dan SSIM dari peta SSIM yang dirata-ratakan di topeng yang sama. cnr_lesi() dan weber_lesi() memakai inti lesi (hasil erosi 2 piksel) dan cincin latar 3 sampai 9 piksel. retensi_tepi() membandingkan gradien Sobel di 5% piksel tepi terkuat referensi.</p><p><strong>5. Simulasi akuisisi.</strong> akuisisi() mengubah HU menjadi μ, menghitung integral garis dengan radon, menjatuhkan jumlah foton dengan rng.poisson, menambah noise Gaussian elektronik, menahan nilai di minimal 1 foton, mengambil logaritma, dan merekonstruksi dengan iradon (filter ramp). Seed acak tetap membuat seluruh hasil bisa direproduksi.</p><h3>5. Analisis Hasil</h3><h3>5.1 Tabel metrik pipeline final</h3><pre>Tabel 1: tahap HU (window mediastinum, dalam topeng tubuh)<br>Tahap                      PSNR   SSIM  sigma jantung  sigma paru  CNR lesi  retensi<br>Citra rusak               19.49  0.545           59.5        45.3      0.60    0.880<br>Bilateral                 25.94  0.831            9.2         6.3      3.09    0.896<br>Bilateral + HFE           27.51  0.837           10.8         7.4      2.85    0.983</pre><pre>Tabel 2: tampilan window mediastinum (skala 0-255)<br>Tahap                     CNR lesi   Weber  sigma jantung<br>Citra rusak                   0.61   0.152           37.9<br>Hasil tanpa CLAHE             2.85   0.132            6.9<br>Hasil + CLAHE                 3.08   0.354           17.5</pre><pre>Tabel 3: window paru dan nodul 9 mm<br>Tahap                      PSNR   SSIM  kontras nodul (HU)  CNR nodul<br>Referensi                     -      -               885.0          -<br>Citra rusak               28.60  0.645               885.6      20.71<br>Hasil restorasi           35.86  0.958               874.0     141.05</pre><h3>5.2 Perbandingan visual</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*64pTUXXfRW_I1_CgpklBhQ.png" /><figcaption><strong>Gambar 5 — Tahapan Restorasi</strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4euDxMlxO0INMi31KRbttw.png" /><figcaption><strong>Gambar 6 — Before After</strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9sqz0Z9GQ0x6MLKOhfxMmQ.png" /><figcaption><strong>Gambar 7 — Perbesaran Detail</strong></figcaption></figure><h3>5.3 Rubrik terhadap hasil</h3><ol><li><strong>PSNR:</strong> awal 19.49, akhir 27.51, target ≥ 23.5, <strong>LOLOS</strong>. Kenaikan 8.02 dB.</li><li><strong>SSIM:</strong> 0.545 menjadi 0.837, target ≥ 0.80, <strong>LOLOS</strong>. Kenaikan 0.292.</li><li><strong>σ noise ROI jantung:</strong> 59.5 HU menjadi 10.8 HU, target ≤ 20, <strong>LOLOS</strong>. Noise turun sekitar 5.5 kali lipat.</li><li><strong>σ residu ROI paru:</strong> 45.3 HU menjadi 7.4 HU, target ≤ 15, <strong>LOLOS</strong>.</li><li><strong>Retensi tepi:</strong> 0.880 menjadi 0.983, target 0.80 sampai 1.05, <strong>LOLOS</strong>. Nilai awal tampak tinggi karena gradien noise ikut terhitung, jadi retensi tepi paling bermakna dibaca pada hasil akhir.</li><li><strong>Kontras lesi dipertahankan:</strong> 87.4% dari 30.0 HU (sekitar 26.2 HU), target ≥ 80%, <strong>LOLOS</strong>. Penghalusan mengurangi sebagian kontras, tetapi lesi tidak terhapus.</li><li><strong>Bias HU maksimum:</strong> 0.90 HU, target ≤ 5, <strong>LOLOS</strong>.</li><li><strong>CNR lesi pada tampilan:</strong> 0.61 menjadi 3.08, target ≥ 3.0, <strong>LOLOS</strong> dengan margin tipis. Sebelum CLAHE, CNR pada tahap HU berada di 2.85, di bawah target. Jadi target ini bergantung pada CLAHE dan tidak tercapai oleh restorasi saja.</li><li><strong>Kontras Weber lesi pada tampilan:</strong> 0.152 menjadi 0.354, target ≥ 0.20, <strong>LOLOS</strong>. Menariknya, nilai Weber tanpa CLAHE (0.132) lebih rendah daripada citra rusak karena penghalusan mengurangi sebagian kontras lesi. CLAHE yang mengangkatnya.</li></ol><h3>5.4 Indikator kualitatif</h3><p>Penilaian ini saya lakukan secara visual pada Gambar 4 sampai 7, dengan satu penilai.</p><ol><li><strong>Streaking: terpenuhi sebagian.</strong> Garis kasar yang jelas pada citra rusak tidak lagi terlihat di window paru maupun mediastinum. Pada perbesaran masih tampak pola garis halus samar di sekitar tepi tubuh dan di jaringan lunak (sisa artefak).</li><li><strong>Nodul 9 mm: terpenuhi.</strong> Nodul tetap bulat dengan tepi tegas, dan kontrasnya terhadap paru 874.0 HU dibanding 885.0 HU pada referensi (98.8%).</li><li><strong>Pembuluh halus: terpenuhi.</strong> Seluruh cabang pada pohon pembuluh tetap kontinu pada perbesaran.</li><li><strong>Kontur tulang: terpenuhi.</strong> Tidak tampak halo atau ringing yang jelas di sekitar tulang rusuk dan vertebra, sejalan dengan retensi tepi akhir 0.983 yang tidak melebihi 1.</li><li><strong>Tekstur: terpenuhi sebagian.</strong> Hasil sebelum CLAHE terlihat halus tetapi tidak datar. Setelah CLAHE, jaringan lunak tampak lebih berbutir (σ tampilan 17.5), yang merupakan harga dari kontras lesi yang lebih jelas.</li></ol><h3>5.5 Analisis histogram</h3><ul><li><strong>Citra rusak.</strong> Histogram di dalam tubuh landai dan lebar tanpa dua kelompok jaringan yang tegas. Intensitas yang melebar ini adalah efek noise.</li><li><strong>Setelah bilateral.</strong> Muncul dua puncak tegas pada intensitas sekitar 41 dan 128, yaitu lemak dan jaringan lunak. Tinggi puncak jaringan lunak naik dari sekitar 520 piksel pada citra rusak menjadi sekitar 2121, karena piksel yang tadinya tersebar berkumpul kembali di nilai densitasnya.</li><li><strong>Setelah penajaman.</strong> Bentuk dua puncak hampir tidak berubah (puncak jaringan lunak di 128), sesuai desain HFE yang tidak menggeser rata-rata.</li><li><strong>Setelah CLAHE.</strong> Puncak jaringan lunak bergeser ke intensitas 145 dan melebar, artinya kontras tampilan diregangkan. Piksel yang tadinya bernilai 0 (udara paru, 36267 piksel) tidak lagi tepat di 0 karena CLAHE mengangkat intensitas gelap.</li></ul><h3>6. Keterbatasan</h3><ol><li><strong>Phantom, bukan pasien.</strong> Phantom terdiri dari area homogen berbatas tegas, yang menguntungkan filter penjaga tepi seperti bilateral dan non-local means. Citra nyata punya tekstur parenkim dan transisi gradual, sehingga hasil di klinik hampir pasti lebih rendah. Seluruh target tercapai juga mungkin berarti target terlalu longgar untuk kasus ini.</li><li><strong>Tidak ada beam hardening, scatter, dan gerak.</strong> Simulasi hanya memuat noise Poisson, noise elektronik, dan proyeksi jarang. Artefak lain pada CT nyata tidak diuji.</li><li><strong>Parameter dipilih dengan bantuan referensi.</strong> σ warna, k, dan clipLimit dipilih berdasarkan PSNR, retensi tepi, dan CNR terhadap phantom. Pada pasien nyata referensi tidak ada, sehingga parameter harus ditentukan dari estimasi noise pada citra itu sendiri.</li><li><strong>Penghalusan mengurangi kontras lesi.</strong> Kontras lesi tersisa 87.4%. Pada lesi yang lebih kecil atau lebih lemah dari 30 HU, penghalusan dapat menghapusnya.</li><li><strong>CLAHE menaikkan noise tampilan</strong> dari 6.9 ke 17.5 skala abu-abu, dan CNR akhir hanya lolos tipis (3.08 terhadap target 3.0).</li><li><strong>Evaluasi masih sederhana.</strong> Satu citra, satu seed, satu penilai visual, dan tidak ada pembacaan oleh radiolog. Hasil ini bukti konsep, bukan validasi klinis.</li></ol><h3>7. Kesimpulan</h3><p>Untuk kasus CT thorax dosis rendah dengan noise, streaking, dan kontras lokal rendah, alur terbaik berdasarkan pengukuran adalah <strong>bilateral filter</strong> (peredam noise yang menjaga tepi), <strong>high-frequency emphasis di domain frekuensi</strong> (penajaman tepi), dan <strong>CLAHE</strong> (koreksi kontras lokal pada tampilan). Hasilnya: PSNR naik 8.02 dB menjadi 27.51 dB, SSIM menjadi 0.837, noise di jaringan lunak turun menjadi 10.8 HU, nodul 9 mm dan pembuluh halus terjaga, serta lesi hipodens 20 mm yang tadinya tenggelam (CNR 0.61) menjadi terdeteksi (CNR 3.08).</p><p>Ada tiga pelajaran. Pertama, <strong>ukur dulu sifat degradasi sebelum memilih filter</strong>: spektrum galat yang merata ke semua sudut membuktikan bahwa notch terarah tidak tepat, dan noise yang Gaussian tetapi tidak stasioner mengarah ke filter yang adaptif terhadap intensitas. Kedua, <strong>noise paling kecil bukan tujuan akhir</strong>: Gaussian dan low-pass frekuensi menurunkan noise paling jauh tetapi menghancurkan tepi, dan rubrik yang memasangkan noise dengan retensi tepi serta kontras lesi mencegah pilihan yang keliru itu. Ketiga, <strong>setiap tahap harus membuktikan kontribusinya</strong>: ablasi menunjukkan penajaman tanpa peredam noise justru memperburuk citra, dan CLAHE hanya dipakai sebesar yang tidak merusak detektabilitas.</p><p>Langkah lanjut yang paling bernilai adalah menguji pipeline pada citra CT nyata yang berlisensi terbuka, menambah artefak fisik lain (beam hardening, logam), dan membandingkannya dengan penilaian radiolog.</p><h3>Lampiran: Source Code Lengkap</h3><h3>simulasi_ct.py</h3><pre>import numpy as np<br>from skimage.transform import iradon, radon</pre><pre>UKURAN = 512<br>SPASI_MM = 0.8          # ukuran piksel (mm); bidang pandang sekitar 410 mm<br>MU_AIR = 0.019          # koefisien atenuasi air (1/mm), sekitar energi efektif 70 keV<br>SEED_VASKULAR = 11</pre><pre># Parameter akuisisi dosis rendah<br>FOTON_AWAL = 500_000    # jumlah foton per sinar tanpa atenuasi (I0)<br>SIGMA_ELEKTRONIK = 40.0 # derau elektronik detektor (jumlah foton ekuivalen)<br>JUMLAH_PROYEKSI = 180   # proyeksi pada rentang 0-180 derajat<br>SEED_AKUISISI = 3<br></pre><pre>def _grid(faktor):<br>    n = UKURAN * faktor<br>    ukuran_piksel = SPASI_MM / faktor<br>    koordinat = (np.arange(n) - (n - 1) / 2) * ukuran_piksel<br>    x, y = np.meshgrid(koordinat, koordinat)<br>    return x, y<br></pre><pre>def _elips(x, y, cx, cy, a, b, derajat=0.0):<br>    t = np.deg2rad(derajat)<br>    xr = (x - cx) * np.cos(t) + (y - cy) * np.sin(t)<br>    yr = -(x - cx) * np.sin(t) + (y - cy) * np.cos(t)<br>    return (xr / a) ** 2 + (yr / b) ** 2 &lt;= 1<br></pre><pre>def _kapsul(x, y, p1, p2, lebar):<br>    (x1, y1), (x2, y2) = p1, p2<br>    dx, dy = x2 - x1, y2 - y1<br>    t = np.clip(((x - x1) * dx + (y - y1) * dy) / (dx * dx + dy * dy), 0, 1)<br>    return np.hypot(x - (x1 + t * dx), y - (y1 + t * dy)) &lt;= lebar / 2<br></pre><pre>def _pembuluh(x, y, hu, lapisan, asal, arah_pusat, seed):<br>    rng = np.random.default_rng(seed)<br>    for _ in range(7):<br>        sudut = np.deg2rad(arah_pusat + rng.uniform(-65, 65))<br>        panjang = rng.uniform(34, 56)<br>        ujung = (asal[0] + panjang * np.cos(sudut), asal[1] + panjang * np.sin(sudut))<br>        hu[_kapsul(x, y, asal, ujung, 5.0) &amp; lapisan] = 30<br>        tengah = (asal[0] + 0.55 * panjang * np.cos(sudut), asal[1] + 0.55 * panjang * np.sin(sudut))<br>        for geser in (-28, 30):<br>            s2 = sudut + np.deg2rad(geser)<br>            p2 = rng.uniform(18, 28)<br>            u2 = (tengah[0] + p2 * np.cos(s2), tengah[1] + p2 * np.sin(s2))<br>            hu[_kapsul(x, y, tengah, u2, 3.0) &amp; lapisan] = 30<br>            m2 = (tengah[0] + 0.6 * p2 * np.cos(s2), tengah[1] + 0.6 * p2 * np.sin(s2))<br>            u3 = (m2[0] + 12 * np.cos(s2 + 0.5), m2[1] + 12 * np.sin(s2 + 0.5))<br>            hu[_kapsul(x, y, m2, u3, 1.8) &amp; lapisan] = 30<br></pre><pre>def buat_phantom():<br>    &quot;&quot;&quot;Phantom potongan aksial thorax setinggi jantung (nilai HU) dan topeng ROI.&quot;&quot;&quot;<br>    f = 2<br>    x, y = _grid(f)<br>    hu = np.full(x.shape, -1000.0)<br>    hu[_elips(x, y, 0, 0, 175, 125)] = -95      # lemak subkutan<br>    hu[_elips(x, y, 0, 0, 162, 112)] = 55       # otot dinding dada<br>    hu[_elips(x, y, 0, 0, 150, 100)] = 40       # jaringan lunak mediastinum<br>    paru_kanan = _elips(x, y, -88, 4, 58, 80, -8)<br>    paru_kiri = _elips(x, y, 90, 8, 54, 78, 8)<br>    paru = paru_kanan | paru_kiri<br>    hu[paru] = -850<br>    _pembuluh(x, y, hu, paru_kanan, (-32.0, 0.0), 180, SEED_VASKULAR)<br>    _pembuluh(x, y, hu, paru_kiri, (36.0, 6.0), 0, SEED_VASKULAR + 1)<br>    roi_paru = (x + 108) ** 2 + (y - 40) ** 2 &lt;= 14 ** 2<br>    hu[roi_paru &amp; paru_kanan] = -850<br>    hu[_elips(x, y, 16, -8, 50, 44, 25)] = -70   # lemak perikardial<br>    hu[_elips(x, y, 16, -8, 46, 40, 25)] = 42    # jantung<br>    hu[_elips(x, y, 40, 52, 11, 11)] = 45        # aorta desendens<br>    hu[_elips(x, y, 8, 50, 7, 6)] = 35           # esofagus<br>    # tulang belakang<br>    hu[_elips(x, y, 0, 72, 24, 20)] = 520<br>    hu[_elips(x, y, 0, 72, 20, 16)] = 260<br>    hu[_elips(x, y, 0, 98, 9, 8)] = 30           # kanal spinal<br>    for sisi in (-1, 1):<br>        hu[_elips(x, y, 16 * sisi, 100, 6, 12, 20 * sisi)] = 450<br>        hu[_elips(x, y, 34 * sisi, 98, 12, 5)] = 450<br>    hu[_elips(x, y, 0, 112, 5, 10)] = 450<br>    # sternum dan tulang rusuk<br>    hu[_elips(x, y, 0, -98, 14, 5)] = 400<br>    for sisi in (-1, 1):<br>        hu[_elips(x, y, 30 * sisi, -95, 18, 4, 10 * sisi)] = 140<br>    for phi in np.deg2rad(np.arange(-160, 161, 14)):<br>        if abs(phi) &lt; np.deg2rad(40) or abs(phi - np.pi / 2) &lt; np.deg2rad(22) or abs(phi + np.pi / 2) &lt; np.deg2rad(22):<br>            continue<br>        cx, cy = 154 * np.cos(phi), 104 * np.sin(phi)<br>        sudut = np.rad2deg(np.arctan2(104 * np.cos(phi), -154 * np.sin(phi)))<br>        hu[_elips(x, y, cx, cy, 9, 4, sudut)] = 450<br>    # lesi<br>    nodul = (x + 118) ** 2 + (y + 30) ** 2 &lt;= 4.5 ** 2<br>    lesi = (x - 4) ** 2 + (y + 70) ** 2 &lt;= 10 ** 2<br>    hu[nodul] = 35                               # nodul paru solid 9 mm<br>    hu[lesi] = 10                                # lesi hipodens low-contrast 20 mm<br>    # turunkan resolusi (rata-rata blok 2x2 = efek volume parsial)<br>    def kecil(a):<br>        return a.reshape(UKURAN, f, UKURAN, f).mean(axis=(1, 3))<br>    topeng = {<br>        &quot;tubuh&quot;: kecil(_elips(x, y, 0, 0, 175, 125).astype(float)) &gt; 0.5,<br>        &quot;paru&quot;: kecil(paru.astype(float)) &gt; 0.5,<br>        &quot;nodul&quot;: kecil(nodul.astype(float)) &gt; 0.5,<br>        &quot;lesi&quot;: kecil(lesi.astype(float)) &gt; 0.5,<br>        &quot;roi_jantung&quot;: kecil(((x - 16) ** 2 + (y + 8) ** 2 &lt;= 15 ** 2).astype(float)) &gt; 0.5,<br>        &quot;roi_paru&quot;: kecil((roi_paru &amp; paru_kanan).astype(float)) &gt; 0.5,<br>    }<br>    topeng[&quot;jaringan_lunak&quot;] = topeng[&quot;tubuh&quot;] &amp; ~topeng[&quot;paru&quot;]<br>    return kecil(hu), topeng<br></pre><pre>def akuisisi(hu_asli, foton_awal=FOTON_AWAL, sigma_elektronik=SIGMA_ELEKTRONIK,<br>             jumlah_proyeksi=JUMLAH_PROYEKSI, seed=SEED_AKUISISI):<br>    rng = np.random.default_rng(seed)<br>    mu = np.clip(MU_AIR * (1 + hu_asli / 1000.0), 0, None)<br>    sudut = np.linspace(0, 180, jumlah_proyeksi, endpoint=False)<br>    integral = radon(mu, theta=sudut, circle=True) * SPASI_MM<br>    foton = rng.poisson(foton_awal * np.exp(-integral)).astype(np.float64)<br>    foton += rng.normal(0, sigma_elektronik, foton.shape)<br>    foton = np.maximum(foton, 1.0)                 # sinar yang kehabisan foton ditahan di 1<br>    sinogram = -np.log(foton / foton_awal)<br>    rekon = iradon(sinogram / SPASI_MM, theta=sudut, circle=True, filter_name=&quot;ramp&quot;)<br>    return 1000.0 * (rekon / MU_AIR - 1.0), integral<br></pre><pre>def buat_kasus():<br>    &quot;&quot;&quot;Referensi (phantom), citra CT dosis rendah yang rusak, dan topeng ROI.&quot;&quot;&quot;<br>    referensi, topeng = buat_phantom()<br>    rusak, _ = akuisisi(referensi)<br>    return referensi, rusak, topeng</pre><h3>metrik_ct.py</h3><pre>import cv2<br>import numpy as np<br>from scipy.ndimage import binary_dilation, binary_erosion<br>from skimage.metrics import structural_similarity</pre><pre>L_MEDIASTINUM, W_MEDIASTINUM = 40, 400<br>L_PARU, W_PARU = -600, 1500<br></pre><pre>def jendela(hu, level=L_MEDIASTINUM, lebar=W_MEDIASTINUM):<br>    &quot;&quot;&quot;HU -&gt; skala 0-255 (float) dengan windowing.&quot;&quot;&quot;<br>    return np.clip((hu - (level - lebar / 2)) / lebar, 0, 1) * 255.0<br></pre><pre>def psnr_ssim(referensi, citra, topeng, level=L_MEDIASTINUM, lebar=W_MEDIASTINUM):<br>    &quot;&quot;&quot;PSNR dan SSIM pada citra ber-window, dihitung hanya di dalam topeng tubuh.&quot;&quot;&quot;<br>    a, b = jendela(referensi, level, lebar), jendela(citra, level, lebar)<br>    mse = ((a - b)[topeng] ** 2).mean()<br>    _, peta = structural_similarity(a, b, data_range=255, full=True)<br>    return 10 * np.log10(255 ** 2 / mse), peta[topeng].mean()<br></pre><pre>def sigma_roi(citra, roi):<br>    return citra[roi].std()<br></pre><pre>def bias_roi(referensi, citra, roi):<br>    return citra[roi].mean() - referensi[roi].mean()<br></pre><pre>def cincin(objek, dalam=3, luar=9):<br>    return binary_dilation(objek, iterations=luar) &amp; ~binary_dilation(objek, iterations=dalam)<br></pre><pre>def kontras_lesi(citra, lesi, jaringan_lunak):<br>    &quot;&quot;&quot;Selisih rata-rata antara inti lesi dan cincin latar di sekitarnya (satuan citra).&quot;&quot;&quot;<br>    inti = binary_erosion(lesi, iterations=2)<br>    return citra[inti].mean() - citra[cincin(lesi) &amp; jaringan_lunak].mean()<br></pre><pre>def cnr_lesi(citra, lesi, jaringan_lunak):<br>    latar = cincin(lesi) &amp; jaringan_lunak<br>    return abs(kontras_lesi(citra, lesi, jaringan_lunak)) / citra[latar].std()<br></pre><pre>def weber_lesi(citra_tampilan, lesi, jaringan_lunak):<br>    inti = binary_erosion(lesi, iterations=2)<br>    latar = citra_tampilan[cincin(lesi) &amp; jaringan_lunak].mean()<br>    return abs(citra_tampilan[inti].mean() - latar) / latar<br></pre><pre>def magnitudo_gradien(a):<br>    return np.hypot(cv2.Sobel(a, cv2.CV_64F, 1, 0, ksize=3), cv2.Sobel(a, cv2.CV_64F, 0, 1, ksize=3))<br></pre><pre>def retensi_tepi(referensi, citra, level=L_MEDIASTINUM, lebar=W_MEDIASTINUM):<br>    &quot;&quot;&quot;Rasio gradien citra terhadap referensi di 5% piksel dengan tepi terkuat pada referensi.&quot;&quot;&quot;<br>    g0 = magnitudo_gradien(jendela(referensi, level, lebar))<br>    area = g0 &gt;= np.percentile(g0[g0 &gt; 0], 95)<br>    return magnitudo_gradien(jendela(citra, level, lebar))[area].mean() / g0[area].mean()</pre><h3>restorasi_ct.py</h3><pre>import math</pre><pre>import cv2<br>import matplotlib.pyplot as plt<br>import numpy as np</pre><pre>import metrik_ct as mt<br>import simulasi_ct as sim</pre><pre># Parameter restorasi (dipilih lewat evaluasi_parameter.py)<br>BILATERAL_SIGMA_WARNA = 150.0   # HU: selisih intensitas yang masih dianggap &quot;jaringan yang sama&quot;<br>BILATERAL_SIGMA_RUANG = 3.0     # piksel<br>HFE_K = 0.2                     # kekuatan high-frequency emphasis<br>HFE_D0 = 0.10                   # frekuensi potong (siklus per piksel)<br>CLAHE_CLIP = 2.0<br>CLAHE_TILE = 8<br></pre><pre>def hapus_derau(hu, sigma_warna=BILATERAL_SIGMA_WARNA, sigma_ruang=BILATERAL_SIGMA_RUANG):<br>    diameter = 2 * math.ceil(2 * sigma_ruang) + 1<br>    return cv2.bilateralFilter(hu.astype(np.float32), diameter, sigma_warna, sigma_ruang).astype(np.float64)<br></pre><pre>def penajaman_frekuensi(hu, k=HFE_K, d0=HFE_D0):<br>    # high-frequency emphasis: H(u,v) = 1 + k * (1 - exp(-D^2 / (2 d0^2))); H(0,0) = 1 menjaga nilai HU rata-rata<br>    v = np.fft.fftfreq(hu.shape[0])[:, None]<br>    u = np.fft.fftfreq(hu.shape[1])[None, :]<br>    H = 1 + k * (1 - np.exp(-(u ** 2 + v ** 2) / (2 * d0 ** 2)))<br>    return np.real(np.fft.ifft2(np.fft.fft2(hu) * H))<br></pre><pre>def tampilan_mediastinum(hu):<br>    return np.clip(np.round(mt.jendela(hu)), 0, 255).astype(np.uint8)<br></pre><pre>def koreksi_kontras(citra_tampilan, clip=CLAHE_CLIP, tile=CLAHE_TILE):<br>    return cv2.createCLAHE(clipLimit=clip, tileGridSize=(tile, tile)).apply(citra_tampilan)<br></pre><pre>def pulihkan(rusak, k=HFE_K, clip=CLAHE_CLIP):<br>    bersih = hapus_derau(rusak)<br>    tajam = penajaman_frekuensi(bersih, k)<br>    return {&quot;bersih&quot;: bersih, &quot;tajam&quot;: tajam, &quot;tampilan&quot;: koreksi_kontras(tampilan_mediastinum(tajam), clip)}<br></pre><pre>def histogram(sumbu, citra, topeng, judul):<br>    jumlah = np.bincount(citra[topeng].ravel(), minlength=256)[1:255].astype(float)<br>    sumbu.semilogy(np.arange(1, 255), np.where(jumlah &gt; 0, jumlah, np.nan), color=&quot;black&quot;)<br>    sumbu.set_xlim(0, 255)<br>    sumbu.set_title(judul + &quot;\n(skala log; bin 0 dan 255 tidak ditampilkan)&quot;, fontsize=10)<br>    sumbu.set_xlabel(&quot;Nilai Intensitas&quot;)<br>    sumbu.set_ylabel(&quot;Frekuensi (log)&quot;)<br>    sumbu.grid(True, linestyle=&quot;--&quot;, alpha=0.4)<br></pre><pre>def tampil(sumbu, citra, judul, level=None, lebar=None):<br>    gambar = citra if level is None else mt.jendela(citra, level, lebar)<br>    sumbu.imshow(gambar, cmap=&quot;gray&quot;, vmin=0, vmax=255)<br>    sumbu.set_title(judul, fontsize=10)<br>    sumbu.axis(&quot;off&quot;)<br></pre><pre>if __name__ == &quot;__main__&quot;:<br>    import warnings</pre><pre>    from scipy.signal import wiener as wiener_lokal<br>    from skimage.restoration import denoise_nl_means</pre><pre>    warnings.filterwarnings(&quot;ignore&quot;)  # filter Wiener lokal membagi dengan varians nol di area udara<br>    referensi, rusak, topeng = sim.buat_kasus()<br>    tubuh, lunak, lesi, nodul, paru = topeng[&quot;tubuh&quot;], topeng[&quot;jaringan_lunak&quot;], topeng[&quot;lesi&quot;], topeng[&quot;nodul&quot;], topeng[&quot;paru&quot;]<br>    hasil = pulihkan(rusak)<br>    bersih, tajam, akhir = hasil[&quot;bersih&quot;], hasil[&quot;tajam&quot;], hasil[&quot;tampilan&quot;]<br>    tanpa_clahe = tampilan_mediastinum(tajam)<br>    rusak_tampil = tampilan_mediastinum(rusak)<br>    referensi_tampil = tampilan_mediastinum(referensi)</pre><pre>    np.save(&quot;hasil_restorasi_hu.npy&quot;, tajam)<br>    cv2.imwrite(&quot;hasil_restorasi.png&quot;, akhir)<br>    cv2.imwrite(&quot;ct_rusak_simulasi.png&quot;, rusak_tampil)</pre><pre>    print(&quot;Tabel 1: tahap HU (window mediastinum, dalam topeng tubuh)&quot;)<br>    print(f&quot;{&#39;Tahap&#39;:&lt;24}{&#39;PSNR&#39;:&gt;7}{&#39;SSIM&#39;:&gt;7}{&#39;sigma jantung&#39;:&gt;15}{&#39;sigma paru&#39;:&gt;12}{&#39;CNR lesi&#39;:&gt;10}{&#39;retensi&#39;:&gt;9}&quot;)<br>    for nama, citra in [(&quot;Citra rusak&quot;, rusak), (&quot;Bilateral&quot;, bersih), (&quot;Bilateral + HFE&quot;, tajam)]:<br>        psnr, ssim = mt.psnr_ssim(referensi, citra, tubuh)<br>        print(f&quot;{nama:&lt;24}{psnr:&gt;7.2f}{ssim:&gt;7.3f}{mt.sigma_roi(citra, topeng[&#39;roi_jantung&#39;]):&gt;15.1f}&quot;<br>              f&quot;{mt.sigma_roi(citra, topeng[&#39;roi_paru&#39;]):&gt;12.1f}{mt.cnr_lesi(citra, lesi, lunak):&gt;10.2f}{mt.retensi_tepi(referensi, citra):&gt;9.3f}&quot;)</pre><pre>    print(&quot;\nTabel 2: tampilan window mediastinum (skala 0-255)&quot;)<br>    print(f&quot;{&#39;Tahap&#39;:&lt;24}{&#39;CNR lesi&#39;:&gt;10}{&#39;Weber&#39;:&gt;8}{&#39;sigma jantung&#39;:&gt;15}&quot;)<br>    for nama, img in [(&quot;Citra rusak&quot;, rusak_tampil), (&quot;Hasil tanpa CLAHE&quot;, tanpa_clahe), (&quot;Hasil + CLAHE&quot;, akhir)]:<br>        f = img.astype(np.float64)<br>        print(f&quot;{nama:&lt;24}{mt.cnr_lesi(f, lesi, lunak):&gt;10.2f}{mt.weber_lesi(f, lesi, lunak):&gt;8.3f}{f[topeng[&#39;roi_jantung&#39;]].std():&gt;15.1f}&quot;)</pre><pre>    print(&quot;\nTabel 3: window paru dan nodul 9 mm&quot;)<br>    print(f&quot;{&#39;Tahap&#39;:&lt;24}{&#39;PSNR&#39;:&gt;7}{&#39;SSIM&#39;:&gt;7}{&#39;kontras nodul (HU)&#39;:&gt;20}{&#39;CNR nodul&#39;:&gt;11}&quot;)<br>    print(f&quot;{&#39;Referensi&#39;:&lt;24}{&#39;-&#39;:&gt;7}{&#39;-&#39;:&gt;7}{mt.kontras_lesi(referensi, nodul, paru):&gt;20.1f}{&#39;-&#39;:&gt;11}&quot;)<br>    for nama, citra in [(&quot;Citra rusak&quot;, rusak), (&quot;Hasil restorasi&quot;, tajam)]:<br>        psnr, ssim = mt.psnr_ssim(referensi, citra, tubuh, mt.L_PARU, mt.W_PARU)<br>        print(f&quot;{nama:&lt;24}{psnr:&gt;7.2f}{ssim:&gt;7.3f}{mt.kontras_lesi(citra, nodul, paru):&gt;20.1f}{mt.cnr_lesi(citra, nodul, paru):&gt;11.2f}&quot;)</pre><pre>    # Gambar 1: kasus awal (referensi vs rusak, dua window)<br>    fig, sb = plt.subplots(2, 2, figsize=(11, 9))<br>    tampil(sb[0, 0], referensi, &quot;Referensi (phantom) - window mediastinum&quot;, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    tampil(sb[0, 1], rusak, &quot;CT dosis rendah (rusak) - window mediastinum&quot;, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    tampil(sb[1, 0], referensi, &quot;Referensi (phantom) - window paru&quot;, mt.L_PARU, mt.W_PARU)<br>    tampil(sb[1, 1], rusak, &quot;CT dosis rendah (rusak) - window paru&quot;, mt.L_PARU, mt.W_PARU)<br>    fig.tight_layout()<br>    fig.savefig(&quot;kasus_awal.png&quot;, dpi=130)</pre><pre>    # Gambar 2: lokasi ROI untuk metrik<br>    fig, sb = plt.subplots(1, 1, figsize=(7, 6))<br>    tampil(sb, referensi, &quot;Lokasi ROI evaluasi (window mediastinum)&quot;, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    for nama, warna in [(&quot;roi_jantung&quot;, &quot;deepskyblue&quot;), (&quot;roi_paru&quot;, &quot;lime&quot;), (&quot;lesi&quot;, &quot;red&quot;), (&quot;nodul&quot;, &quot;yellow&quot;)]:<br>        sb.contour(topeng[nama], levels=[0.5], colors=warna, linewidths=1.5)<br>    sb.contour(mt.cincin(lesi) &amp; lunak, levels=[0.5], colors=&quot;orange&quot;, linewidths=1.0, linestyles=&quot;dashed&quot;)<br>    sb.text(8, 24, &quot;biru: ROI jantung | hijau: ROI paru | merah: lesi hipodens\nkuning: nodul 9 mm | oranye putus-putus: cincin latar lesi&quot;,<br>            color=&quot;white&quot;, fontsize=7, bbox=dict(facecolor=&quot;black&quot;, alpha=0.6))<br>    fig.tight_layout()<br>    fig.savefig(&quot;lokasi_roi.png&quot;, dpi=130)</pre><pre>    # Gambar 3: analisis spektrum galat (bukti tidak ada arah dominan)<br>    galat = (rusak - referensi) * tubuh<br>    spektrum = np.abs(np.fft.fftshift(np.fft.fft2(galat * np.outer(np.hanning(512), np.hanning(512))))) ** 2<br>    yy, xx = np.indices(spektrum.shape)<br>    fy, fx = (yy - 256) / 512, (xx - 256) / 512<br>    rad, sudut = np.hypot(fx, fy), np.rad2deg(np.arctan2(fy, fx)) % 180<br>    cincin_f = (rad &gt; 0.08) &amp; (rad &lt; 0.35)<br>    persen = [100 * spektrum[cincin_f &amp; (sudut &gt;= a) &amp; (sudut &lt; a + 15)].sum() / spektrum[cincin_f].sum() for a in range(0, 180, 15)]<br>    fig, sb = plt.subplots(1, 2, figsize=(13, 5))<br>    sb[0].imshow(np.log1p(spektrum), cmap=&quot;gray&quot;)<br>    sb[0].set_title(&quot;Spektrum daya galat (log)&quot;)<br>    sb[0].axis(&quot;off&quot;)<br>    sb[1].bar([f&quot;{a}-{a + 15}&quot; for a in range(0, 180, 15)], persen, color=&quot;gray&quot;)<br>    sb[1].axhline(100 / 12, color=&quot;red&quot;, linestyle=&quot;--&quot;, label=&quot;distribusi merata (8.3%)&quot;)<br>    sb[1].set_title(&quot;Energi galat per sektor sudut (cincin 0.08-0.35 siklus/piksel)&quot;)<br>    sb[1].set_xlabel(&quot;Sektor sudut (derajat)&quot;)<br>    sb[1].set_ylabel(&quot;Persen energi&quot;)<br>    sb[1].tick_params(axis=&quot;x&quot;, rotation=60)<br>    sb[1].legend()<br>    fig.tight_layout()<br>    fig.savefig(&quot;analisis_spektrum.png&quot;, dpi=130)</pre><pre>    # Gambar 4: perbandingan keluarga filter pada area lesi mediastinum<br>    ys, xs = slice(110, 250), slice(170, 350)<br>    r32 = rusak.astype(np.float32)<br>    butter_h = 1 / (1 + (np.hypot((yy - 256) / 512, (xx - 256) / 512) / 0.16) ** 4)<br>    kandidat = [<br>        (&quot;Referensi&quot;, referensi), (&quot;Citra rusak&quot;, rusak),<br>        (&quot;Median 3x3&quot;, cv2.medianBlur(r32, 3)),<br>        (&quot;Gaussian sigma=1.5&quot;, cv2.GaussianBlur(r32, (0, 0), 1.5)),<br>        (&quot;Wiener lokal 5x5&quot;, wiener_lokal(rusak, mysize=5)),<br>        (&quot;Butterworth d0=0.16 (frekuensi)&quot;, np.real(np.fft.ifft2(np.fft.ifftshift(np.fft.fftshift(np.fft.fft2(rusak)) * butter_h)))),<br>        (&quot;NLM h=70 HU&quot;, denoise_nl_means(rusak / 400.0, patch_size=5, patch_distance=7, h=70 / 400.0, sigma=0, fast_mode=True) * 400.0),<br>        (&quot;Bilateral (terpilih)&quot;, bersih),<br>    ]<br>    fig, sb = plt.subplots(2, 4, figsize=(16, 7.5))<br>    for s_, (nama, citra) in zip(sb.ravel(), kandidat):<br>        judul = nama if citra is referensi else f&quot;{nama}\nPSNR {mt.psnr_ssim(referensi, citra, tubuh)[0]:.2f} dB&quot;<br>        tampil(s_, citra[ys, xs], judul, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    fig.tight_layout()<br>    fig.savefig(&quot;perbandingan_filter.png&quot;, dpi=120)</pre><pre>    # Gambar 5: tiap tahap beserta histogram (gaya contoh di materi)<br>    tahap = [(&quot;Citra rusak&quot;, rusak_tampil), (&quot;Bilateral&quot;, tampilan_mediastinum(bersih)),<br>             (&quot;Bilateral + HFE&quot;, tanpa_clahe), (&quot;+ CLAHE (tampilan akhir)&quot;, akhir)]<br>    fig, sb = plt.subplots(2, 4, figsize=(20, 9))<br>    for i, (nama, img) in enumerate(tahap):<br>        tampil(sb[0, i], img, nama)<br>        histogram(sb[1, i], img, tubuh, f&quot;Histogram {nama}&quot;)<br>    fig.tight_layout()<br>    fig.savefig(&quot;tahapan_restorasi.png&quot;, dpi=110)</pre><pre>    # Gambar 6: before vs after<br>    fig, sb = plt.subplots(2, 3, figsize=(16, 10.5))<br>    pr, sr = mt.psnr_ssim(referensi, rusak, tubuh)<br>    pa, sa = mt.psnr_ssim(referensi, tajam, tubuh)<br>    tampil(sb[0, 0], rusak, f&quot;Before - mediastinum\nPSNR {pr:.2f} dB | SSIM {sr:.3f}&quot;, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    tampil(sb[0, 1], tajam, f&quot;After - mediastinum\nPSNR {pa:.2f} dB | SSIM {sa:.3f}&quot;, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    tampil(sb[0, 2], referensi, &quot;Referensi - mediastinum&quot;, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    pr2, sr2 = mt.psnr_ssim(referensi, rusak, tubuh, mt.L_PARU, mt.W_PARU)<br>    pa2, sa2 = mt.psnr_ssim(referensi, tajam, tubuh, mt.L_PARU, mt.W_PARU)<br>    tampil(sb[1, 0], rusak, f&quot;Before - paru\nPSNR {pr2:.2f} dB | SSIM {sr2:.3f}&quot;, mt.L_PARU, mt.W_PARU)<br>    tampil(sb[1, 1], tajam, f&quot;After - paru\nPSNR {pa2:.2f} dB | SSIM {sa2:.3f}&quot;, mt.L_PARU, mt.W_PARU)<br>    tampil(sb[1, 2], referensi, &quot;Referensi - paru&quot;, mt.L_PARU, mt.W_PARU)<br>    fig.tight_layout()<br>    fig.savefig(&quot;before_after.png&quot;, dpi=110)</pre><pre>    # Gambar 7: perbesaran lesi mediastinum (baris atas) dan nodul + pembuluh (baris bawah)<br>    fig, sb = plt.subplots(2, 4, figsize=(18, 9))<br>    for s_, (nama, citra) in zip(sb[0], [(&quot;Referensi&quot;, referensi), (&quot;Rusak&quot;, rusak), (&quot;Hasil (tanpa CLAHE)&quot;, tajam)]):<br>        tampil(s_, citra[110:250, 170:350], f&quot;{nama} - lesi hipodens&quot;, mt.L_MEDIASTINUM, mt.W_MEDIASTINUM)<br>    tampil(sb[0, 3], akhir[110:250, 170:350], &quot;Hasil + CLAHE (tampilan akhir) - lesi hipodens&quot;)<br>    for s_, (nama, citra) in zip(sb[1], [(&quot;Referensi&quot;, referensi), (&quot;Rusak&quot;, rusak), (&quot;Hasil restorasi&quot;, tajam)]):<br>        tampil(s_, citra[160:300, 60:260], f&quot;{nama} - nodul dan pembuluh&quot;, mt.L_PARU, mt.W_PARU)<br>    sb[1, 3].axis(&quot;off&quot;)<br>    fig.tight_layout()<br>    fig.savefig(&quot;perbesaran_detail.png&quot;, dpi=110)</pre><pre>    plt.show()</pre><h3>evaluasi_parameter.py</h3><pre>import warnings</pre><pre>import cv2<br>import numpy as np<br>from scipy.signal import wiener as wiener_lokal<br>from scipy.stats import kurtosis<br>from skimage.restoration import denoise_nl_means</pre><pre>import metrik_ct as mt<br>import restorasi_ct as rc<br>import simulasi_ct as sim</pre><pre>warnings.filterwarnings(&quot;ignore&quot;)</pre><pre># Rubrik: target ditetapkan dari kondisi awal dan acuan klinis, sebelum evaluasi akhir dijalankan<br>TARGET = {<br>    &quot;PSNR (dB)&quot;: (&quot;&gt;=&quot;, 23.5),<br>    &quot;SSIM&quot;: (&quot;&gt;=&quot;, 0.80),<br>    &quot;Sigma noise ROI jantung (HU)&quot;: (&quot;&lt;=&quot;, 20.0),<br>    &quot;Sigma residu ROI paru (HU)&quot;: (&quot;&lt;=&quot;, 15.0),<br>    &quot;Retensi tepi&quot;: (&quot;antara&quot;, (0.80, 1.05)),<br>    &quot;Kontras lesi dipertahankan (%)&quot;: (&quot;&gt;=&quot;, 80.0),<br>    &quot;Bias HU maksimum (HU)&quot;: (&quot;&lt;=&quot;, 5.0),<br>    &quot;CNR lesi tampilan&quot;: (&quot;&gt;=&quot;, 3.0),<br>    &quot;Kontras Weber lesi tampilan&quot;: (&quot;&gt;=&quot;, 0.20),<br>}</pre><pre>referensi, rusak, topeng = sim.buat_kasus()<br>tubuh, lunak, lesi = topeng[&quot;tubuh&quot;], topeng[&quot;jaringan_lunak&quot;], topeng[&quot;lesi&quot;]<br>r32 = rusak.astype(np.float32)<br></pre><pre>def ukur(citra):<br>    psnr, ssim = mt.psnr_ssim(referensi, citra, tubuh)<br>    return dict(psnr=psnr, ssim=ssim, sj=mt.sigma_roi(citra, topeng[&quot;roi_jantung&quot;]),<br>                sp=mt.sigma_roi(citra, topeng[&quot;roi_paru&quot;]), cnr=mt.cnr_lesi(citra, lesi, lunak),<br>                tepi=mt.retensi_tepi(referensi, citra))<br></pre><pre>def baris(label, m):<br>    return (f&quot;{label:&lt;26} PSNR={m[&#39;psnr&#39;]:5.2f}  SSIM={m[&#39;ssim&#39;]:.3f}  sigma_jantung={m[&#39;sj&#39;]:5.1f}  &quot;<br>            f&quot;sigma_paru={m[&#39;sp&#39;]:5.1f}  CNR={m[&#39;cnr&#39;]:4.2f}  retensi={m[&#39;tepi&#39;]:.3f}&quot;)<br></pre><pre>print(&quot;[A] Diagnosis degradasi (citra rusak - referensi)&quot;)<br>galat = rusak - referensi<br>for nama in (&quot;roi_jantung&quot;, &quot;roi_paru&quot;):<br>    g = galat[topeng[nama]]<br>    print(f&quot;{nama}: sigma={g.std():.1f} HU  kurtosis berlebih={kurtosis(g):.2f}&quot;)<br>spektrum = np.abs(np.fft.fftshift(np.fft.fft2((galat * tubuh) * np.outer(np.hanning(512), np.hanning(512))))) ** 2<br>y, x = np.indices(spektrum.shape)<br>fy, fx = (y - 256) / 512, (x - 256) / 512<br>rad, sudut = np.hypot(fx, fy), np.rad2deg(np.arctan2(fy, fx)) % 180<br>cincin_f = (rad &gt; 0.08) &amp; (rad &lt; 0.35)<br>persen = [100 * spektrum[cincin_f &amp; (sudut &gt;= a) &amp; (sudut &lt; a + 15)].sum() / spektrum[cincin_f].sum() for a in range(0, 180, 15)]<br>print(f&quot;Energi galat per sektor sudut 15 derajat (jika merata = 8.3%): min={min(persen):.1f}%  maks={max(persen):.1f}%&quot;)<br>print(f&quot;Energi galat di frekuensi &gt; 0.25 siklus/piksel: {100 * spektrum[rad &gt;= 0.25].sum() / spektrum.sum():.1f}%&quot;)<br>print(baris(&quot;citra rusak&quot;, ukur(rusak)))</pre><pre>print(&quot;\n[B] Filter peredam noise (kriteria: PSNR tertinggi dengan retensi tepi &gt;= 0.80)&quot;)<br>kandidat = []<br>for k in (3, 5):<br>    kandidat.append((&quot;median&quot;, f&quot;median {k}x{k}&quot;, lambda k=k: cv2.medianBlur(r32, k).astype(np.float64)))<br>for s in (1.0, 1.5, 2.0):<br>    kandidat.append((&quot;gaussian&quot;, f&quot;gaussian sigma={s}&quot;, lambda s=s: cv2.GaussianBlur(r32, (0, 0), s).astype(np.float64)))<br>for m in (5, 7, 9):<br>    kandidat.append((&quot;wiener lokal&quot;, f&quot;wiener lokal {m}x{m}&quot;, lambda m=m: wiener_lokal(rusak, mysize=m)))<br></pre><pre>def butterworth(d0):<br>    F = np.fft.fftshift(np.fft.fft2(rusak))<br>    H = 1 / (1 + (np.hypot((y - 256) / 512, (x - 256) / 512) / d0) ** 4)<br>    return np.real(np.fft.ifft2(np.fft.ifftshift(F * H)))<br></pre><pre>for d0 in (0.08, 0.12, 0.16, 0.20):<br>    kandidat.append((&quot;butterworth (frekuensi)&quot;, f&quot;butterworth d0={d0}&quot;, lambda d0=d0: butterworth(d0)))<br>for h in (40, 70, 110):<br>    kandidat.append((&quot;non-local means&quot;, f&quot;NLM h={h} HU&quot;, lambda h=h: denoise_nl_means(rusak / 400.0, patch_size=5, patch_distance=7, h=h / 400.0, sigma=0, fast_mode=True) * 400.0))<br>for sw in (100, 150, 200, 300):<br>    for sr in (2, 3, 4):<br>        kandidat.append((&quot;bilateral&quot;, f&quot;bilateral warna={sw} ruang={sr}&quot;, lambda sw=sw, sr=sr: rc.hapus_derau(rusak, sw, sr)))<br>hasil_b = []<br>for keluarga, label, fn in kandidat:<br>    m = ukur(fn())<br>    hasil_b.append((keluarga, label, m))<br>    print(baris(label, m))<br>print(&quot;Terbaik per keluarga yang lolos retensi tepi &gt;= 0.80:&quot;)<br>terbaik = {}<br>for keluarga, label, m in hasil_b:<br>    if m[&quot;tepi&quot;] &gt;= 0.80 and (keluarga not in terbaik or m[&quot;psnr&quot;] &gt; terbaik[keluarga][1][&quot;psnr&quot;]):<br>        terbaik[keluarga] = (label, m)<br>for keluarga in dict.fromkeys(k for k, _, _ in hasil_b):<br>    if keluarga in terbaik:<br>        print(f&quot;  {keluarga:&lt;24} {terbaik[keluarga][0]:&lt;32} PSNR={terbaik[keluarga][1][&#39;psnr&#39;]:.2f}&quot;)<br>    else:<br>        print(f&quot;  {keluarga:&lt;24} tidak ada konfigurasi yang lolos&quot;)<br>pilihan_filter = max(terbaik.items(), key=lambda kv: kv[1][1][&quot;psnr&quot;])<br>print(f&quot;Pilihan: {pilihan_filter[1][0]}&quot;)<br>bersih = rc.hapus_derau(rusak)</pre><pre>print(&quot;\n[C] Penajaman tepi (kriteria: PSNR tertinggi dengan retensi tepi &lt;= 1.00)&quot;)<br>lap = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]], dtype=np.float32)<br>kandidat_c = []<br>for a in (0.05, 0.1, 0.15, 0.2):<br>    ker = -a * lap<br>    ker[1, 1] += 1<br>    kandidat_c.append((&quot;spasial Laplacian&quot;, f&quot;laplacian alpha={a}&quot;, None, lambda ker=ker: cv2.filter2D(bersih, -1, ker)))<br>for d0 in (0.05, 0.10, 0.15):<br>    for k in (0.1, 0.15, 0.2, 0.25, 0.3):<br>        kandidat_c.append((&quot;frekuensi HFE&quot;, f&quot;HFE d0={d0} k={k}&quot;, (d0, k), lambda d0=d0, k=k: rc.penajaman_frekuensi(bersih, k, d0)))<br>print(baris(&quot;tanpa penajaman&quot;, ukur(bersih)))<br>terbaik_c = {}<br>for keluarga, label, par, fn in kandidat_c:<br>    m = ukur(fn())<br>    print(baris(label, m) + (&quot;  (melebihi 1.00)&quot; if m[&quot;tepi&quot;] &gt; 1.0 else &quot;&quot;))<br>    if m[&quot;tepi&quot;] &lt;= 1.0 and (keluarga not in terbaik_c or m[&quot;psnr&quot;] &gt; terbaik_c[keluarga][1][&quot;psnr&quot;]):<br>        terbaik_c[keluarga] = (label, m, par)<br>for keluarga, (label, m, _) in terbaik_c.items():<br>    print(f&quot;  terbaik {keluarga:&lt;18} {label:&lt;22} PSNR={m[&#39;psnr&#39;]:.2f}  CNR={m[&#39;cnr&#39;]:.2f}&quot;)<br>pilihan_tajam = max(terbaik_c.values(), key=lambda v: v[1][&quot;psnr&quot;])<br>print(f&quot;Pilihan: {pilihan_tajam[0]}&quot;)<br>d0_pilih, k_pilih = pilihan_tajam[2]<br>tajam = rc.penajaman_frekuensi(bersih, k_pilih, d0_pilih)</pre><pre>print(&quot;\n[D] Koreksi kontras CLAHE (kriteria: clipLimit terbesar dengan CNR lesi tampilan &gt;= 3.0)&quot;)<br>dasar = rc.tampilan_mediastinum(tajam)<br></pre><pre>def ukur_tampilan(img):<br>    f = img.astype(np.float64)<br>    return mt.cnr_lesi(f, lesi, lunak), mt.weber_lesi(f, lesi, lunak), f[topeng[&quot;roi_jantung&quot;]].std()<br></pre><pre>c, w, sd = ukur_tampilan(dasar)<br>print(f&quot;tanpa CLAHE        CNR={c:.2f}  Weber={w:.3f}  sigma_tampilan_jantung={sd:.1f}&quot;)<br>clip_pilih = None<br>for clip in (1.0, 1.5, 2.0, 3.0, 4.0):<br>    c, w, sd = ukur_tampilan(rc.koreksi_kontras(dasar, clip))<br>    print(f&quot;CLAHE clip={clip:&lt;4}    CNR={c:.2f}  Weber={w:.3f}  sigma_tampilan_jantung={sd:.1f}&quot;)<br>    if c &gt;= 3.0:<br>        clip_pilih = clip<br>print(f&quot;Pilihan: clip={clip_pilih}&quot;)</pre><pre>print(&quot;\n[E] Ablasi tahap (tahap HU, window mediastinum)&quot;)<br>print(baris(&quot;lengkap (bilateral+HFE)&quot;, ukur(tajam)))<br>print(baris(&quot;tanpa penajaman&quot;, ukur(bersih)))<br>print(baris(&quot;tanpa peredam noise&quot;, ukur(rc.penajaman_frekuensi(rusak, k_pilih, d0_pilih))))</pre><pre>print(&quot;\n[F] Rubrik: target vs hasil (awal = citra rusak)&quot;)<br>akhir_tampil = rc.koreksi_kontras(dasar, clip_pilih)<br>awal_tampil = rc.tampilan_mediastinum(rusak)<br>m0, m1 = ukur(rusak), ukur(tajam)<br>kontras_ref = abs(mt.kontras_lesi(referensi, lesi, lunak))<br>tampil0, tampil1 = ukur_tampilan(awal_tampil), ukur_tampilan(akhir_tampil)<br>bias = max(abs(mt.bias_roi(referensi, tajam, topeng[n])) for n in (&quot;roi_jantung&quot;, &quot;roi_paru&quot;))<br>bias0 = max(abs(mt.bias_roi(referensi, rusak, topeng[n])) for n in (&quot;roi_jantung&quot;, &quot;roi_paru&quot;))<br>nilai = {<br>    &quot;PSNR (dB)&quot;: (m0[&quot;psnr&quot;], m1[&quot;psnr&quot;]),<br>    &quot;SSIM&quot;: (m0[&quot;ssim&quot;], m1[&quot;ssim&quot;]),<br>    &quot;Sigma noise ROI jantung (HU)&quot;: (m0[&quot;sj&quot;], m1[&quot;sj&quot;]),<br>    &quot;Sigma residu ROI paru (HU)&quot;: (m0[&quot;sp&quot;], m1[&quot;sp&quot;]),<br>    &quot;Retensi tepi&quot;: (m0[&quot;tepi&quot;], m1[&quot;tepi&quot;]),<br>    &quot;Kontras lesi dipertahankan (%)&quot;: (100 * abs(mt.kontras_lesi(rusak, lesi, lunak)) / kontras_ref, 100 * abs(mt.kontras_lesi(tajam, lesi, lunak)) / kontras_ref),<br>    &quot;Bias HU maksimum (HU)&quot;: (bias0, bias),<br>    &quot;CNR lesi tampilan&quot;: (tampil0[0], tampil1[0]),<br>    &quot;Kontras Weber lesi tampilan&quot;: (tampil0[1], tampil1[1]),<br>}<br>print(f&quot;Kontras lesi pada referensi: {kontras_ref:.1f} HU&quot;)<br>for nama, (jenis, batas) in TARGET.items():<br>    awal, akhir = nilai[nama]<br>    if jenis == &quot;&gt;=&quot;:<br>        lolos, teks = akhir &gt;= batas, f&quot;&gt;= {batas}&quot;<br>    elif jenis == &quot;&lt;=&quot;:<br>        lolos, teks = akhir &lt;= batas, f&quot;&lt;= {batas}&quot;<br>    else:<br>        lolos, teks = batas[0] &lt;= akhir &lt;= batas[1], f&quot;{batas[0]} - {batas[1]}&quot;<br>    print(f&quot;{nama:&lt;32} target {teks:&lt;12} awal={awal:7.3f}  akhir={akhir:7.3f}  {&#39;LOLOS&#39; if lolos else &#39;GAGAL&#39;}&quot;)</pre><pre>print(&quot;\nPilihan:&quot;, dict(sigma_warna=pilihan_filter[1][0], d0=d0_pilih, k=k_pilih, clip=clip_pilih))<br>print(&quot;Konstanta di restorasi_ct.py:&quot;, dict(sigma_warna=rc.BILATERAL_SIGMA_WARNA, sigma_ruang=rc.BILATERAL_SIGMA_RUANG, d0=rc.HFE_D0, k=rc.HFE_K, clip=rc.CLAHE_CLIP))</pre><h3>Keluaran evaluasi_parameter.py</h3><pre>[A] Diagnosis degradasi (citra rusak - referensi)<br>roi_jantung: sigma=59.5 HU  kurtosis berlebih=0.08<br>roi_paru: sigma=45.3 HU  kurtosis berlebih=0.31<br>Energi galat per sektor sudut 15 derajat (jika merata = 8.3%): min=7.5%  maks=9.8%<br>Energi galat di frekuensi &gt; 0.25 siklus/piksel: 79.5%<br>citra rusak                PSNR=19.49  SSIM=0.545  sigma_jantung= 59.5  sigma_paru= 45.3  CNR=0.60  retensi=0.880</pre><pre>[B] Filter peredam noise (kriteria: PSNR tertinggi dengan retensi tepi &gt;= 0.80)<br>median 3x3                 PSNR=23.01  SSIM=0.656  sigma_jantung= 23.7  sigma_paru= 21.8  CNR=1.36  retensi=0.816<br>median 5x5                 PSNR=23.17  SSIM=0.748  sigma_jantung= 13.2  sigma_paru= 10.8  CNR=2.20  retensi=0.762<br>gaussian sigma=1.0         PSNR=21.06  SSIM=0.672  sigma_jantung= 14.6  sigma_paru= 13.5  CNR=2.46  retensi=0.599<br>gaussian sigma=1.5         PSNR=19.68  SSIM=0.710  sigma_jantung=  8.0  sigma_paru=  5.1  CNR=3.72  retensi=0.430<br>gaussian sigma=2.0         PSNR=18.53  SSIM=0.693  sigma_jantung=  5.0  sigma_paru=  2.7  CNR=4.08  retensi=0.312<br>wiener lokal 5x5           PSNR=23.18  SSIM=0.778  sigma_jantung=  9.2  sigma_paru=  6.2  CNR=3.05  retensi=0.800<br>wiener lokal 7x7           PSNR=22.28  SSIM=0.770  sigma_jantung=  5.9  sigma_paru=  6.1  CNR=3.37  retensi=0.775<br>wiener lokal 9x9           PSNR=21.42  SSIM=0.741  sigma_jantung=  4.1  sigma_paru=  2.5  CNR=2.97  retensi=0.748<br>butterworth d0=0.08        PSNR=18.05  SSIM=0.660  sigma_jantung=  3.9  sigma_paru=  2.1  CNR=3.81  retensi=0.280<br>butterworth d0=0.12        PSNR=19.76  SSIM=0.702  sigma_jantung=  7.5  sigma_paru=  4.5  CNR=3.93  retensi=0.438<br>butterworth d0=0.16        PSNR=20.88  SSIM=0.701  sigma_jantung= 11.7  sigma_paru=  8.5  CNR=3.04  retensi=0.570<br>butterworth d0=0.2         PSNR=21.54  SSIM=0.673  sigma_jantung= 16.2  sigma_paru= 14.3  CNR=2.30  retensi=0.666<br>NLM h=40 HU                PSNR=24.12  SSIM=0.751  sigma_jantung= 15.7  sigma_paru= 17.5  CNR=2.01  retensi=0.875<br>NLM h=70 HU                PSNR=24.49  SSIM=0.842  sigma_jantung=  5.6  sigma_paru=  7.6  CNR=3.13  retensi=0.863<br>NLM h=110 HU               PSNR=23.67  SSIM=0.835  sigma_jantung=  3.0  sigma_paru=  3.0  CNR=2.55  retensi=0.841<br>bilateral warna=100 ruang=2 PSNR=25.30  SSIM=0.747  sigma_jantung= 19.1  sigma_paru= 12.5  CNR=2.01  retensi=0.891<br>bilateral warna=100 ruang=3 PSNR=25.58  SSIM=0.764  sigma_jantung= 16.7  sigma_paru= 11.5  CNR=2.04  retensi=0.903<br>bilateral warna=100 ruang=4 PSNR=25.55  SSIM=0.762  sigma_jantung= 16.0  sigma_paru= 10.2  CNR=1.87  retensi=0.908<br>bilateral warna=150 ruang=2 PSNR=25.82  SSIM=0.813  sigma_jantung= 11.6  sigma_paru=  7.0  CNR=3.04  retensi=0.881<br>bilateral warna=150 ruang=3 PSNR=25.94  SSIM=0.831  sigma_jantung=  9.2  sigma_paru=  6.3  CNR=3.09  retensi=0.896<br>bilateral warna=150 ruang=4 PSNR=25.76  SSIM=0.826  sigma_jantung=  8.5  sigma_paru=  5.2  CNR=2.71  retensi=0.903<br>bilateral warna=200 ruang=2 PSNR=25.24  SSIM=0.829  sigma_jantung=  8.8  sigma_paru=  4.9  CNR=3.60  retensi=0.858<br>bilateral warna=200 ruang=3 PSNR=25.18  SSIM=0.844  sigma_jantung=  6.2  sigma_paru=  4.2  CNR=3.59  retensi=0.874<br>bilateral warna=200 ruang=4 PSNR=24.93  SSIM=0.837  sigma_jantung=  5.4  sigma_paru=  3.1  CNR=3.03  retensi=0.881<br>bilateral warna=300 ruang=2 PSNR=23.40  SSIM=0.809  sigma_jantung=  7.1  sigma_paru=  3.6  CNR=3.94  retensi=0.793<br>bilateral warna=300 ruang=3 PSNR=22.95  SSIM=0.809  sigma_jantung=  4.1  sigma_paru=  2.7  CNR=3.75  retensi=0.802<br>bilateral warna=300 ruang=4 PSNR=22.53  SSIM=0.791  sigma_jantung=  3.1  sigma_paru=  1.6  CNR=3.06  retensi=0.808<br>Terbaik per keluarga yang lolos retensi tepi &gt;= 0.80:<br>  median                   median 3x3                       PSNR=23.01<br>  gaussian                 tidak ada konfigurasi yang lolos<br>  wiener lokal             wiener lokal 5x5                 PSNR=23.18<br>  butterworth (frekuensi)  tidak ada konfigurasi yang lolos<br>  non-local means          NLM h=70 HU                      PSNR=24.49<br>  bilateral                bilateral warna=150 ruang=3      PSNR=25.94<br>Pilihan: bilateral warna=150 ruang=3</pre><pre>[C] Penajaman tepi (kriteria: PSNR tertinggi dengan retensi tepi &lt;= 1.00)<br>tanpa penajaman            PSNR=25.94  SSIM=0.831  sigma_jantung=  9.2  sigma_paru=  6.3  CNR=3.09  retensi=0.896<br>laplacian alpha=0.05       PSNR=26.81  SSIM=0.831  sigma_jantung= 10.7  sigma_paru=  7.0  CNR=2.83  retensi=0.927<br>laplacian alpha=0.1        PSNR=27.02  SSIM=0.819  sigma_jantung= 12.2  sigma_paru=  7.7  CNR=2.60  retensi=0.956<br>laplacian alpha=0.15       PSNR=26.37  SSIM=0.797  sigma_jantung= 13.7  sigma_paru=  8.4  CNR=2.39  retensi=0.985<br>laplacian alpha=0.2        PSNR=25.11  SSIM=0.770  sigma_jantung= 15.3  sigma_paru=  9.1  CNR=2.20  retensi=1.013  (melebihi 1.00)<br>HFE d0=0.05 k=0.1          PSNR=27.26  SSIM=0.843  sigma_jantung= 10.1  sigma_paru=  6.9  CNR=3.01  retensi=0.962<br>HFE d0=0.05 k=0.15         PSNR=27.36  SSIM=0.837  sigma_jantung= 10.5  sigma_paru=  7.2  CNR=2.97  retensi=0.994<br>HFE d0=0.05 k=0.2          PSNR=27.01  SSIM=0.826  sigma_jantung= 11.0  sigma_paru=  7.5  CNR=2.93  retensi=1.026  (melebihi 1.00)<br>HFE d0=0.05 k=0.25         PSNR=26.29  SSIM=0.813  sigma_jantung= 11.4  sigma_paru=  7.9  CNR=2.89  retensi=1.057  (melebihi 1.00)<br>HFE d0=0.05 k=0.3          PSNR=25.35  SSIM=0.799  sigma_jantung= 11.8  sigma_paru=  8.2  CNR=2.84  retensi=1.089  (melebihi 1.00)<br>HFE d0=0.1 k=0.1           PSNR=26.93  SSIM=0.839  sigma_jantung= 10.0  sigma_paru=  6.9  CNR=2.97  retensi=0.940<br>HFE d0=0.1 k=0.15          PSNR=27.30  SSIM=0.840  sigma_jantung= 10.4  sigma_paru=  7.2  CNR=2.91  retensi=0.961<br>HFE d0=0.1 k=0.2           PSNR=27.51  SSIM=0.837  sigma_jantung= 10.8  sigma_paru=  7.4  CNR=2.85  retensi=0.983<br>HFE d0=0.1 k=0.25          PSNR=27.55  SSIM=0.832  sigma_jantung= 11.2  sigma_paru=  7.7  CNR=2.80  retensi=1.004  (melebihi 1.00)<br>HFE d0=0.1 k=0.3           PSNR=27.40  SSIM=0.825  sigma_jantung= 11.6  sigma_paru=  8.0  CNR=2.74  retensi=1.025  (melebihi 1.00)<br>HFE d0=0.15 k=0.1          PSNR=26.63  SSIM=0.835  sigma_jantung=  9.9  sigma_paru=  6.8  CNR=2.97  retensi=0.924<br>HFE d0=0.15 k=0.15         PSNR=26.92  SSIM=0.836  sigma_jantung= 10.3  sigma_paru=  7.0  CNR=2.91  retensi=0.938<br>HFE d0=0.15 k=0.2          PSNR=27.16  SSIM=0.836  sigma_jantung= 10.6  sigma_paru=  7.2  CNR=2.85  retensi=0.952<br>HFE d0=0.15 k=0.25         PSNR=27.33  SSIM=0.834  sigma_jantung= 11.0  sigma_paru=  7.4  CNR=2.79  retensi=0.965<br>HFE d0=0.15 k=0.3          PSNR=27.41  SSIM=0.831  sigma_jantung= 11.3  sigma_paru=  7.6  CNR=2.73  retensi=0.979<br>  terbaik spasial Laplacian  laplacian alpha=0.1    PSNR=27.02  CNR=2.60<br>  terbaik frekuensi HFE      HFE d0=0.1 k=0.2       PSNR=27.51  CNR=2.85<br>Pilihan: HFE d0=0.1 k=0.2</pre><pre>[D] Koreksi kontras CLAHE (kriteria: clipLimit terbesar dengan CNR lesi tampilan &gt;= 3.0)<br>tanpa CLAHE        CNR=2.85  Weber=0.132  sigma_tampilan_jantung=6.9<br>CLAHE clip=1.0     CNR=3.15  Weber=0.249  sigma_tampilan_jantung=11.9<br>CLAHE clip=1.5     CNR=3.10  Weber=0.302  sigma_tampilan_jantung=14.7<br>CLAHE clip=2.0     CNR=3.08  Weber=0.354  sigma_tampilan_jantung=17.5<br>CLAHE clip=3.0     CNR=2.91  Weber=0.436  sigma_tampilan_jantung=22.8<br>CLAHE clip=4.0     CNR=2.75  Weber=0.505  sigma_tampilan_jantung=28.1<br>Pilihan: clip=2.0</pre><pre>[E] Ablasi tahap (tahap HU, window mediastinum)<br>lengkap (bilateral+HFE)    PSNR=27.51  SSIM=0.837  sigma_jantung= 10.8  sigma_paru=  7.4  CNR=2.85  retensi=0.983<br>tanpa penajaman            PSNR=25.94  SSIM=0.831  sigma_jantung=  9.2  sigma_paru=  6.3  CNR=3.09  retensi=0.896<br>tanpa peredam noise        PSNR=18.51  SSIM=0.540  sigma_jantung= 70.9  sigma_paru= 53.8  CNR=0.51  retensi=0.968</pre><pre>[F] Rubrik: target vs hasil (awal = citra rusak)<br>Kontras lesi pada referensi: 30.0 HU<br>PSNR (dB)                        target &gt;= 23.5      awal= 19.486  akhir= 27.511  LOLOS<br>SSIM                             target &gt;= 0.8       awal=  0.545  akhir=  0.837  LOLOS<br>Sigma noise ROI jantung (HU)     target &lt;= 20.0      awal= 59.478  akhir= 10.797  LOLOS<br>Sigma residu ROI paru (HU)       target &lt;= 15.0      awal= 45.267  akhir=  7.437  LOLOS<br>Retensi tepi                     target 0.8 - 1.05   awal=  0.880  akhir=  0.983  LOLOS<br>Kontras lesi dipertahankan (%)   target &gt;= 80.0      awal=101.849  akhir= 87.404  LOLOS<br>Bias HU maksimum (HU)            target &lt;= 5.0       awal=  0.847  akhir=  0.898  LOLOS<br>CNR lesi tampilan                target &gt;= 3.0       awal=  0.605  akhir=  3.083  LOLOS<br>Kontras Weber lesi tampilan      target &gt;= 0.2       awal=  0.152  akhir=  0.354  LOLOS</pre><pre>Pilihan: {&#39;sigma_warna&#39;: &#39;bilateral warna=150 ruang=3&#39;, &#39;d0&#39;: 0.1, &#39;k&#39;: 0.2, &#39;clip&#39;: 2.0}<br>Konstanta di restorasi_ct.py: {&#39;sigma_warna&#39;: 150.0, &#39;sigma_ruang&#39;: 3.0, &#39;d0&#39;: 0.1, &#39;k&#39;: 0.2, &#39;clip&#39;: 2.0}</pre><h3>stat_tambahan.py</h3><pre>import numpy as np</pre><pre>import metrik_ct as mt<br>import restorasi_ct as rc<br>import simulasi_ct as sim</pre><pre>referensi, rusak, topeng = sim.buat_kasus()<br>tubuh = topeng[&quot;tubuh&quot;]</pre><pre>print(f&quot;Akuisisi: I0={sim.FOTON_AWAL} foton/sinar; sigma elektronik={sim.SIGMA_ELEKTRONIK} foton; mu air={sim.MU_AIR} per mm&quot;)<br>print(f&quot;Bidang pandang: {sim.UKURAN * sim.SPASI_MM:.1f} mm; piksel {sim.SPASI_MM} mm; jumlah proyeksi {sim.JUMLAH_PROYEKSI}&quot;)<br>_, integral = sim.akuisisi(referensi)<br>foton_min = sim.FOTON_AWAL * np.exp(-integral.max())<br>print(f&quot;Integral garis maksimum={integral.max():.2f}; foton rata-rata pada sinar paling teratenuasi={foton_min:.0f}; simpangan baku Poisson relatif={100 / np.sqrt(foton_min):.1f}%&quot;)</pre><pre>print(&quot;Atribusi penyebab degradasi (window mediastinum)&quot;)<br>for nama, kwargs in [(&quot;kasus (dosis rendah, 180 proyeksi)&quot;, {}),<br>                     (&quot;tanpa noise, 180 proyeksi&quot;, dict(foton_awal=1e12, sigma_elektronik=0.0)),<br>                     (&quot;dosis sama, 720 proyeksi&quot;, dict(jumlah_proyeksi=720))]:<br>    citra, _ = sim.akuisisi(referensi, **kwargs)<br>    psnr, ssim = mt.psnr_ssim(referensi, citra, tubuh)<br>    print(f&quot;{nama:&lt;36} PSNR={psnr:5.2f}  SSIM={ssim:.3f}  sigma_jantung={mt.sigma_roi(citra, topeng[&#39;roi_jantung&#39;]):5.1f}&quot;)</pre><pre>hasil = rc.pulihkan(rusak)<br>tahap = {&quot;rusak&quot;: rc.tampilan_mediastinum(rusak), &quot;bilateral&quot;: rc.tampilan_mediastinum(hasil[&quot;bersih&quot;]),<br>         &quot;tanpa_clahe&quot;: rc.tampilan_mediastinum(hasil[&quot;tajam&quot;]), &quot;dengan_clahe&quot;: hasil[&quot;tampilan&quot;]}<br>print(&quot;Histogram tampilan di dalam tubuh (jumlah piksel di bin 0 dan 255; posisi dua puncak jaringan)&quot;)<br>for nama, img in tahap.items():<br>    h = np.bincount(img[tubuh].ravel(), minlength=256)<br>    halus = np.convolve(h[1:255], np.ones(5) / 5, mode=&quot;same&quot;)<br>    p1 = 1 + int(np.argmax(halus[20:80])) + 20<br>    p2 = 1 + int(np.argmax(halus[100:170])) + 100<br>    print(f&quot;{nama:&lt;13} bin0={h[0]:6d}  bin255={h[255]:5d}  puncak1={p1:3d}  puncak2={p2:3d}  tinggi_puncak2={halus[p2 - 1]:.0f}&quot;)</pre><h3>Keluaran stat_tambahan.py</h3><pre>Akuisisi: I0=500000 foton/sinar; sigma elektronik=40.0 foton; mu air=0.019 per mm<br>Bidang pandang: 409.6 mm; piksel 0.8 mm; jumlah proyeksi 180<br>Integral garis maksimum=5.60; foton rata-rata pada sinar paling teratenuasi=1856; simpangan baku Poisson relatif=2.3%<br>Atribusi penyebab degradasi (window mediastinum)<br>kasus (dosis rendah, 180 proyeksi)   PSNR=19.49  SSIM=0.545  sigma_jantung= 59.5<br>tanpa noise, 180 proyeksi            PSNR=22.47  SSIM=0.628  sigma_jantung= 21.3<br>dosis sama, 720 proyeksi             PSNR=23.73  SSIM=0.670  sigma_jantung= 27.8<br>Histogram tampilan di dalam tubuh (jumlah piksel di bin 0 dan 255; posisi dua puncak jaringan)<br>rusak         bin0= 38818  bin255= 5543  puncak1= 44  puncak2=125  tinggi_puncak2=520<br>bilateral     bin0= 36637  bin255= 6053  puncak1= 41  puncak2=128  tinggi_puncak2=2121<br>tanpa_clahe   bin0= 36267  bin255= 6052  puncak1= 41  puncak2=128  tinggi_puncak2=2031<br>dengan_clahe  bin0=     0  bin255= 6052  puncak1= 46  puncak2=145  tinggi_puncak2=737</pre><p><strong>Tech stack:</strong> Python · NumPy · SciPy · scikit-image · OpenCV · Matplotlib</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ede846f2515c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Restorasi Citra Rontgen Thorax: Memulihkan Blur, Noise Acak, dan Gangguan Periodik dengan Median…]]></title>
            <link>https://medium.com/@sikteubunsaver/restorasi-citra-rontgen-thorax-memulihkan-blur-noise-acak-dan-gangguan-periodik-dengan-median-8a8b66758cec?source=rss-c648e49f13bb------2</link>
            <guid isPermaLink="false">https://medium.com/p/8a8b66758cec</guid>
            <category><![CDATA[pcd]]></category>
            <dc:creator><![CDATA[Saverio SIkteubun]]></dc:creator>
            <pubDate>Fri, 23 Oct 2026 16:56:36 GMT</pubDate>
            <atom:updated>2026-10-23T16:56:36.780Z</atom:updated>
            <content:encoded><![CDATA[<h3>Restorasi Citra Rontgen Thorax: Memulihkan Blur, Noise Acak, dan Gangguan Periodik dengan Median, Notch, dan Wiener Filter</h3><p><em>Tugas 2 Pengolahan Citra Digital (Image Restoration): dari diagnosis berkas input, simulasi degradasi, sampai evaluasi objektif dengan PSNR dan SSIM</em></p><h3>Pendahuluan</h3><p>Dokter spesialis radiologi membaca rontgen thorax untuk menilai paru-paru dan garis tepi tulang rusuk. Kalau citranya buram, berbintik, dan bergaris-garis, bintik noise bisa disangka kelainan dan lesi kecil bisa tertutup. Pada Tugas 2 mata kuliah Pengolahan Citra Digital dengan materi Image Restoration, saya berperan sebagai spesialis pengolahan citra medis yang menerima rontgen thorax dengan tiga masalah sekaligus: derau acak (Gaussian dan impulse), blur, dan artefak garis gelombang periodik akibat interferensi sinyal mekanis alat pemindai.</p><p>Ada tiga target yang diminta:</p><ol><li>Meredam derau dan memulihkan degradasi secara objektif berbasis model matematika.</li><li>Menghilangkan gangguan frekuensi berulang (periodik) tanpa merusak informasi anatomi penting.</li><li>Mempertegas detail anatomi tepi (tulang) yang sempat kabur akibat proses perataan (smoothing).</li></ol><p>Ada satu catatan terbuka sebelum masuk ke teknis. Berkas input Rontgen_degraded_complex.jpeg dari folder tugas (992×541 piksel, dengan pita hitam di kiri dan kanan serta watermark stok foto yang memang sudah ada di berkas aslinya) ternyata hampir bersih ketika saya ukur. Derau, garis periodik, dan artefak kompresinya tidak terdeteksi (buktinya ada di bagian Analisis Masalah). Karena itu saya mensimulasikan degradasi yang digambarkan di soal pada citra tersebut dengan parameter yang tertulis. Keuntungannya, citra yang belum rusak tersedia sebagai referensi, sehingga kualitas restorasi bisa dinilai dengan angka (PSNR dan SSIM terhadap citra asli), bukan sekadar terlihat lebih bagus.</p><p>Semua dikerjakan dengan Python, OpenCV, NumPy, SciPy, scikit-image, dan Matplotlib. Artikel ini disusun dengan urutan Analisis Masalah, Analisis Kode, Analisis Hasil, dan Kesimpulan. Pegangan saya sepanjang pengerjaan: setiap parameter dipilih dengan kriteria tertulis yang diukur pada citra ini, dan hasil yang tidak sesuai harapan ikut dilaporkan.</p><h3>Analisis Masalah</h3><h3>Model degradasi dan target restorasi</h3><p>Materi kuliah memodelkan degradasi sebagai citra asli f yang dikenai fungsi degradasi h (blur), lalu ditambah derau η:</p><pre>g(x,y) = h(x,y) * f(x,y) + η(x,y)<br>G(u,v) = H(u,v) · F(u,v) + N(u,v)      (domain frekuensi)</pre><p>Tanda * adalah konvolusi, yang di domain frekuensi menjadi perkalian. Restorasi berbeda dari filtering biasa. Filtering biasa bertujuan membuat citra tampak lebih bagus secara subjektif, sedangkan restorasi memperkirakan f sedekat mungkin berdasarkan model H dan sifat derau yang diketahui. Soal menambahkan satu gangguan lagi, yaitu garis gelombang periodik. Di spektrum Fourier gangguan ini tampak sebagai puncak terisolasi, sehingga bisa ditargetkan tanpa menyentuh frekuensi lain.</p><h3>Diagnosis berkas input</h3><p>Sebelum memilih metode, saya mengukur dulu seperti apa kerusakan pada berkas dari folder tugas. Setelah pita hitam di kiri dan kanan dibuang, hasilnya diukur dengan skrip berikut.</p><pre>import cv2<br>import numpy as np<br>import restorasi_degradasi as m</pre><pre>asli = m.muat_citra_asli(m.NAMA_FILE)</pre><pre># 1. Estimasi simpangan baku noise (metode Immerkaer) pada area tubuh<br>kernel = np.array([[1, -2, 1], [-2, 4, -2], [1, -2, 1]], dtype=np.float64)<br>area = asli[60:480, 20:620].astype(np.float64)<br>turunan = np.abs(np.real(np.fft.ifft2(np.fft.fft2(area) * np.fft.fft2(kernel, area.shape))))[2:-2, 2:-2]<br>sigma_noise = np.sqrt(np.pi / 2) * turunan.sum() / (6 * turunan.size)<br>print(f&quot;Estimasi sigma noise (Immerkaer): {sigma_noise:.2f}&quot;)</pre><pre># 2. Apakah ada puncak periodik pada spektrum dengan detektor yang sama dengan tahap notch?<br>try:<br>    puncak, _ = m.deteksi_puncak(asli)<br>    print(f&quot;Puncak periodik terdeteksi: {len(puncak)}&quot;)<br>except ValueError as galat:<br>    print(f&quot;Puncak periodik: {galat}&quot;)</pre><pre># 3. Artefak blok JPEG 8x8: selisih piksel di batas blok dibanding di dalam blok<br># (dihitung pada citra penuh agar sejajar dengan grid blok JPEG)<br>penuh = cv2.cvtColor(cv2.imread(m.NAMA_FILE), cv2.COLOR_BGR2GRAY)<br>selisih = np.abs(np.diff(penuh.astype(np.float64), axis=1)).mean(axis=0)<br>batas = selisih[7::8].mean()<br>dalam = np.delete(selisih, np.arange(7, selisih.size, 8)).mean()<br>print(f&quot;Selisih piksel di batas blok={batas:.3f}  di dalam blok={dalam:.3f}&quot;)</pre><p>Keluaran program:</p><pre>Estimasi sigma noise (Immerkaer): 0.93<br>Puncak periodik: Tidak ada puncak periodik terdeteksi pada spektrum.<br>Selisih piksel di batas blok=2.579  di dalam blok=2.475</pre><ul><li><strong>Noise acak nyaris tidak ada.</strong> Estimasi simpangan baku noise hanya sekitar 0.93. Sebagai pembanding, simulasi di bawah memakai σ=10.</li><li><strong>Tidak ada gangguan periodik.</strong> Detektor puncak spektrum yang nanti dipakai untuk tahap notch tidak menemukan satu puncak pun pada berkas ini.</li><li><strong>Tidak ada artefak blok JPEG yang berarti.</strong> Selisih piksel di batas blok 8×8 (2.579) hampir sama dengan di dalam blok (2.475).</li><li><strong>Blur tidak bisa dipastikan</strong> tanpa citra pembanding, tetapi tiga gangguan lainnya sudah jelas tidak ada.</li></ul><p>Menerapkan filter restorasi pada berkas yang sudah bersih lalu mengklaim “perbaikan” tidak bisa dipertanggungjawabkan. Keputusannya: degradasi disimulasikan sendiri pada citra ini, dengan citra asli sebagai referensi.</p><h3>Simulasi degradasi</h3><p>Pita hitam kiri dan kanan dibuang dulu karena hanya bingkai (hasilnya citra 737×541 piksel, grayscale). Lalu citra dirusak dengan urutan: blur, tambah gelombang periodik dan noise Gaussian, bulatkan dan potong ke 0 sampai 255 (8 bit), dan terakhir noise impulse. Urutan ini mengikuti model g = h * f + η. Blur terjadi pada sistem lebih dulu, derau ditambahkan sesudahnya, dan impulse paling akhir karena nilainya mutlak 0 atau 255 sehingga tidak ikut di-blur.</p><ul><li><strong>Blur:</strong> PSF Gaussian dengan σ=2.0 piksel. Transformasi Fourier-nya H(u,v) = exp(−2π²σ²(u²+v²)), dengan u dan v dalam siklus per piksel.</li><li><strong>Noise periodik:</strong> gelombang sinus miring dengan amplitudo 20, frekuensi 30 siklus per lebar citra dan 45 siklus per tinggi citra. Ini menghasilkan dua puncak simetris di spektrum.</li><li><strong>Noise Gaussian:</strong> σ=10.</li><li><strong>Noise impulse:</strong> kepadatan 2% (separuh bernilai 0, separuh 255). Sebanyak 7838 dari 398717 piksel berubah nilainya.</li><li><strong>Reproduktif:</strong> seed acak tetap (7).</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jtyuHwXkJqv2e8uy5cU3qQ.png" /><figcaption>Gambar 1 membandingkan citra asli dengan citra rusak beserta histogramnya.</figcaption></figure><h3>Rancangan solusi</h3><p>Empat tahap, dengan urutan yang sengaja ditetapkan:</p><ol><li><strong>Median filter 3×3</strong> untuk membuang noise impulse. Impulse bernilai ekstrem, dan tahap linear sesudahnya akan memperlakukannya sebagai sinyal. Kalau tahap ini dilewati, PSNR sesudah Wiener turun dari 29.67 dB menjadi 27.53 dB.</li><li><strong>Notch filter</strong> untuk membuang garis periodik. Posisi puncaknya dideteksi otomatis dari spektrum, tanpa memakai nilai yang saya suntikkan. Kalau tahap ini dilewati, PSNR sesudah Wiener turun menjadi 21.63 dB.</li><li><strong>Wiener filter</strong> untuk memulihkan blur sekaligus meredam sisa noise Gaussian, dengan model H yang diketahui.</li><li><strong>Sharpening</strong> dengan kernel konvolusi 3×3 untuk mempertegas tepi yang kabur oleh tahap-tahap sebelumnya.</li></ol><h3>Memilih parameter dengan kriteria tertulis</h3><p>Kriteria saya tetapkan sebelum angkanya dihitung. Karena citra asli tersedia, semua diukur terhadap citra asli dengan PSNR (makin tinggi makin dekat) dan SSIM (kemiripan struktur, maksimum 1). Sebagai pembanding, citra asli yang hanya di-blur tanpa noise apa pun memiliki PSNR 30.33 dB dan SSIM 0.881. Citra rusak sendiri hanya 19.33 dB dan 0.203.</p><p><strong>a. Ukuran median.</strong> Kriteria: ukuran terkecil yang menyisakan paling banyak 1% piksel impulse yang masih salah lebih dari 40 level. Median 3×3 menyisakan 0.09% dan median 5×5 menyisakan 0.03%. Pilihan: <strong>3×3</strong>, karena sudah memenuhi kriteria dan merusak detail paling sedikit.</p><p><strong>b. Lebar notch.</strong> Kriteria: σ notch (dalam bin frekuensi) dengan PSNR tertinggi setelah notch. PSNR untuk σ=1, 2, 3, 5, dan 8 berturut-turut 28.737, 28.761, 28.773, 28.773, dan 28.745 dB. Selisih antar-pilihan sangat kecil (di bawah 0.04 dB), jadi tahap ini tidak sensitif terhadap lebar notch. Pilihan: <strong>σ=3</strong>.</p><p><strong>c. Wiener filter.</strong> Percobaan pertama saya memakai K konstan, yaitu bentuk Wiener yang paling sederhana. Pembanding adalah hasil notch tanpa dekonvolusi (PSNR 28.77 dB, SSIM 0.7089).</p><ul><li>K=0.003: PSNR 22.25 dB, SSIM 0.2923</li><li>K=0.01: PSNR 25.88 dB, SSIM 0.4749</li><li>K=0.03: PSNR 27.88 dB, SSIM 0.6418</li><li>K=0.1: PSNR 25.37 dB, SSIM 0.7583</li><li>K=0.3: PSNR 18.95 dB, SSIM 0.7670</li></ul><p>Hasilnya mengecewakan. K konstan terbaik (0.03) mencapai 27.88 dB, lebih rendah daripada tidak melakukan dekonvolusi sama sekali (28.77 dB). Penjelasan yang paling masuk akal terbaca dari rumus, meski saya belum mengisolasinya lewat eksperimen terpisah. Di frekuensi rendah, tempat |H| mendekati 1, filter K konstan memberi gain sekitar 1/(1+K). Untuk K=0.3 gainnya 0.77, sehingga struktur besar dan kecerahan rata-rata ikut melemah. Hal ini sejalan dengan PSNR yang jatuh ke 18.95 dB.</p><p>Perbaikannya memakai K yang bergantung frekuensi, K(u,v) = β·|L(u,v)|², dengan L adalah respons frekuensi kernel Laplacian. Dasarnya adalah asumsi bahwa spektrum daya citra meluruh di frekuensi tinggi, sehingga rasio noise terhadap sinyal justru naik di sana. L bernilai nol di frekuensi nol, sehingga kecerahan rata-rata terjaga, dan membesar di frekuensi tinggi, tempat noise paling dominan. Kriteria: β dengan PSNR tertinggi.</p><ul><li>β=0.03: PSNR 28.19 dB, SSIM 0.6278</li><li>β=0.1: PSNR 29.28 dB, SSIM 0.7222</li><li>β=0.3: PSNR 29.65 dB, SSIM 0.7734</li><li>β=0.6: PSNR 29.67 dB, SSIM 0.7906</li><li>β=1: PSNR 29.61 dB, SSIM 0.7971</li><li>β=3: PSNR 29.29 dB, SSIM 0.7972</li><li>β=10: PSNR 28.75 dB, SSIM 0.7819</li></ul><p>Kali ini dekonvolusi benar-benar membantu: PSNR dan SSIM keduanya melampaui hasil tanpa dekonvolusi. Pilihan: <strong>β=0.6</strong>. Perlu dicatat bahwa PSNR hampir datar di sekitar β=0.3 sampai 1, sedangkan SSIM terbaik ada di β=3 (0.7972). Saya tetap memakai kriteria PSNR karena PSNR tertinggi sesuai dengan arti “optimal” pada Wiener filter, yaitu kesalahan kuadrat rata-rata terkecil.</p><p><strong>d. Kekuatan sharpening.</strong> Kernel dibentuk dari identitas dikurangi α kali Laplacian. Kriteria: α terbesar yang menurunkan PSNR tidak lebih dari 0.5 dB dari hasil Wiener (29.67 dB). Ukuran tepi yang saya pakai adalah retensi tepi, yaitu rasio rata-rata gradien (Sobel) citra terhadap citra asli di 5% piksel dengan tepi terkuat pada citra asli. Nilai 1 berarti setajam citra asli. Tanpa sharpening, retensi tepi 0.366.</p><ul><li>α=0.1: PSNR turun 0.07 dB, retensi tepi 0.372</li><li>α=0.25: PSNR turun 0.26 dB, retensi tepi 0.385</li><li>α=0.5: PSNR turun 0.59 dB, retensi tepi 0.405</li><li>α=0.75: PSNR turun 0.98 dB, retensi tepi 0.424</li><li>α=1: PSNR turun 1.41 dB, retensi tepi 0.444</li></ul><p>Pilihan: <strong>α=0.25</strong>, nilai terbesar yang masih lolos batas 0.5 dB. Tepi memang lebih tegas, tetapi setiap kenaikan retensi tepi dibayar dengan PSNR dan SSIM yang menurun. Trade-off ini dibahas lagi di bagian hasil.</p><h3>Analisis Kode</h3><h3>Source code lengkap</h3><pre>import cv2<br>import numpy as np<br>import matplotlib.pyplot as plt<br>from scipy.ndimage import label, maximum_position, median_filter<br>from skimage.metrics import peak_signal_noise_ratio, structural_similarity</pre><pre>NAMA_FILE = &quot;Rontgen_degraded_complex.jpeg&quot;</pre><pre># Parameter simulasi degradasi (model: g = h * f + derau periodik + derau acak)<br>SEED = 7<br>SIGMA_BLUR = 2.0<br>SIGMA_NOISE = 10.0<br>KEPADATAN_IMPULSE = 0.02<br>AMPLITUDO_PERIODIK = 20.0<br>FREKUENSI_PERIODIK = (30, 45)  # (siklus per lebar citra, siklus per tinggi citra)</pre><pre># Parameter restorasi<br>UKURAN_MEDIAN = 3<br>AMBANG_PUNCAK = 8.0<br>SIGMA_NOTCH = 3.0<br>BETA_WIENER = 0.6<br>ALPHA = 0.25<br></pre><pre>def muat_citra_asli(nama_file):<br>    bgr = cv2.imread(nama_file)<br>    if bgr is None:<br>        raise FileNotFoundError(f&quot;File &#39;{nama_file}&#39; tidak ditemukan atau bukan gambar.&quot;)<br>    gray = cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY)<br>    kolom = np.where(gray.mean(axis=0) &gt; 5)[0]  # buang pita hitam kiri-kanan<br>    return gray[:, kolom[0]:kolom[-1] + 1]<br></pre><pre>def grid_frekuensi(bentuk):<br>    tinggi, lebar = bentuk<br>    return np.fft.fftfreq(lebar)[None, :], np.fft.fftfreq(tinggi)[:, None]  # u, v (siklus per piksel)<br></pre><pre>def fungsi_degradasi(bentuk):<br>    # H(u,v) dari PSF Gaussian: transformasi Fourier Gaussian adalah Gaussian<br>    u, v = grid_frekuensi(bentuk)<br>    return np.exp(-2 * np.pi ** 2 * SIGMA_BLUR ** 2 * (u ** 2 + v ** 2))<br></pre><pre>def degradasi(asli):<br>    rng = np.random.default_rng(SEED)<br>    tinggi, lebar = asli.shape<br>    kabur = np.real(np.fft.ifft2(np.fft.fft2(asli) * fungsi_degradasi(asli.shape)))<br>    y, x = np.mgrid[0:tinggi, 0:lebar]<br>    kx, ky = FREKUENSI_PERIODIK<br>    periodik = AMPLITUDO_PERIODIK * np.sin(2 * np.pi * (kx * x / lebar + ky * y / tinggi))<br>    gaussian = rng.normal(0, SIGMA_NOISE, asli.shape)<br>    tanpa_impulse = np.clip(np.round(kabur + periodik + gaussian), 0, 255).astype(np.uint8)</pre><pre>    rusak = tanpa_impulse.copy()<br>    acak = rng.random(asli.shape)<br>    rusak[acak &lt; KEPADATAN_IMPULSE / 2] = 0<br>    rusak[acak &gt; 1 - KEPADATAN_IMPULSE / 2] = 255<br>    return rusak, tanpa_impulse<br></pre><pre>def hapus_impulse(citra, ukuran=UKURAN_MEDIAN):<br>    return cv2.medianBlur(citra, ukuran)<br></pre><pre>def spektrum_log(citra):<br>    tinggi, lebar = citra.shape<br>    jendela = np.outer(np.hanning(tinggi), np.hanning(lebar))<br>    return np.log1p(np.abs(np.fft.fftshift(np.fft.fft2((citra - citra.mean()) * jendela))))<br></pre><pre>def deteksi_puncak(citra, ambang=AMBANG_PUNCAK):<br>    tinggi, lebar = citra.shape<br>    spektrum = spektrum_log(citra)<br>    selisih = spektrum - median_filter(spektrum, size=15)<br>    tengah = np.median(selisih)<br>    z = (selisih - tengah) / (1.4826 * np.median(np.abs(selisih - tengah)))</pre><pre>    y, x = np.indices(z.shape)<br>    bukan_pusat = np.hypot(y - tinggi // 2, x - lebar // 2) &gt;= 20<br>    wilayah, jumlah = label((z &gt; ambang) &amp; bukan_pusat)<br>    if jumlah == 0:<br>        raise ValueError(&quot;Tidak ada puncak periodik terdeteksi pada spektrum.&quot;)<br>    return maximum_position(z, wilayah, range(1, jumlah + 1)), spektrum<br></pre><pre>def filter_notch(bentuk, puncak, sigma=SIGMA_NOTCH):<br>    y, x = np.indices(bentuk)<br>    notch = np.ones(bentuk)<br>    for py, px in puncak:<br>        notch *= 1 - np.exp(-((y - py) ** 2 + (x - px) ** 2) / (2 * sigma ** 2))<br>    return np.fft.ifftshift(notch)<br></pre><pre>def kuadrat_laplacian(bentuk):<br>    u, v = grid_frekuensi(bentuk)<br>    return (2 * np.cos(2 * np.pi * u) + 2 * np.cos(2 * np.pi * v) - 4) ** 2<br></pre><pre>def wiener(spektrum_g, H, beta=BETA_WIENER):<br>    # K(u,v) = beta * |Laplacian(u,v)|^2: rasio derau/sinyal naik di frekuensi tinggi, nol di frekuensi rendah<br>    K = beta * kuadrat_laplacian(spektrum_g.shape)<br>    return np.conj(H) / (np.abs(H) ** 2 + K) * spektrum_g<br></pre><pre>def pertajam(citra, alpha=ALPHA):<br>    kernel = np.array([[0, -alpha, 0],<br>                       [-alpha, 1 + 4 * alpha, -alpha],<br>                       [0, -alpha, 0]], dtype=np.float32)<br>    return cv2.filter2D(citra, -1, kernel)<br></pre><pre>def ke_uint8(citra):<br>    return np.clip(np.round(citra), 0, 255).astype(np.uint8)<br></pre><pre>def pulihkan(rusak, ukuran_median=UKURAN_MEDIAN, sigma_notch=SIGMA_NOTCH, beta=BETA_WIENER, alpha=ALPHA):<br>    tahap_median = hapus_impulse(rusak, ukuran_median)<br>    puncak, spektrum = deteksi_puncak(tahap_median)<br>    spektrum_notch = np.fft.fft2(tahap_median.astype(np.float64)) * filter_notch(rusak.shape, puncak, sigma_notch)<br>    tahap_notch = ke_uint8(np.real(np.fft.ifft2(spektrum_notch)))<br>    tahap_wiener = ke_uint8(np.real(np.fft.ifft2(wiener(spektrum_notch, fungsi_degradasi(rusak.shape), beta))))<br>    tahap_tajam = pertajam(tahap_wiener, alpha)<br>    return {&quot;median&quot;: tahap_median, &quot;notch&quot;: tahap_notch, &quot;wiener&quot;: tahap_wiener,<br>            &quot;tajam&quot;: tahap_tajam, &quot;puncak&quot;: puncak, &quot;spektrum&quot;: spektrum}<br></pre><pre>def magnitudo_gradien(citra):<br>    f = citra.astype(np.float64)<br>    return np.hypot(cv2.Sobel(f, cv2.CV_64F, 1, 0, ksize=3), cv2.Sobel(f, cv2.CV_64F, 0, 1, ksize=3))<br></pre><pre>def retensi_tepi(asli, citra):<br>    # rasio rata-rata gradien citra terhadap citra asli, di 5% piksel dengan tepi terkuat pada citra asli<br>    gradien_asli = magnitudo_gradien(asli)<br>    area_tepi = gradien_asli &gt;= np.percentile(gradien_asli, 95)<br>    return magnitudo_gradien(citra)[area_tepi].mean() / gradien_asli[area_tepi].mean()<br></pre><pre>def ukur(asli, citra):<br>    return (peak_signal_noise_ratio(asli, citra, data_range=255),<br>            structural_similarity(asli, citra, data_range=255))<br></pre><pre>def grafik_histogram(sumbu, citra, judul):<br>    sumbu.plot(np.bincount(citra.ravel(), minlength=256), color=&quot;black&quot;)<br>    sumbu.set_xlim(0, 255)<br>    sumbu.set_title(judul)<br>    sumbu.set_xlabel(&quot;Nilai Intensitas&quot;)<br>    sumbu.set_ylabel(&quot;Frekuensi&quot;)<br>    sumbu.grid(True, linestyle=&quot;--&quot;, alpha=0.4)<br></pre><pre>def tampilkan(sumbu, citra, judul):<br>    sumbu.imshow(citra, cmap=&quot;gray&quot;, vmin=0, vmax=255)<br>    sumbu.set_title(judul)<br>    sumbu.axis(&quot;off&quot;)<br></pre><pre>if __name__ == &quot;__main__&quot;:<br>    asli = muat_citra_asli(NAMA_FILE)<br>    rusak, _ = degradasi(asli)<br>    hasil = pulihkan(rusak)<br>    akhir = hasil[&quot;tajam&quot;]</pre><pre>    cv2.imwrite(&quot;rontgen_degraded_simulasi.png&quot;, rusak)<br>    cv2.imwrite(&quot;hasil_restorasi.png&quot;, akhir)</pre><pre>    tahap = [(&quot;Citra rusak&quot;, rusak), (&quot;Median 3x3&quot;, hasil[&quot;median&quot;]), (&quot;Notch filter&quot;, hasil[&quot;notch&quot;]),<br>             (&quot;Wiener&quot;, hasil[&quot;wiener&quot;]), (&quot;Sharpening&quot;, akhir)]<br>    print(f&quot;{&#39;Tahap&#39;:&lt;14}{&#39;PSNR (dB)&#39;:&gt;10}{&#39;Selisih&#39;:&gt;9}{&#39;SSIM&#39;:&gt;8}{&#39;Retensi tepi&#39;:&gt;14}&quot;)<br>    psnr_sebelumnya = None<br>    for nama, citra in tahap:<br>        psnr, ssim = ukur(asli, citra)<br>        selisih = &quot;&quot; if psnr_sebelumnya is None else f&quot;{psnr - psnr_sebelumnya:+.2f}&quot;<br>        print(f&quot;{nama:&lt;14}{psnr:&gt;10.2f}{selisih:&gt;9}{ssim:&gt;8.3f}{retensi_tepi(asli, citra):&gt;14.3f}&quot;)<br>        psnr_sebelumnya = psnr<br>    print(&quot;Puncak periodik terdeteksi (baris, kolom relatif terhadap pusat spektrum):&quot;,<br>          [(int(y - asli.shape[0] // 2), int(x - asli.shape[1] // 2)) for y, x in hasil[&quot;puncak&quot;]])</pre><pre>    # Gambar 1: citra asli vs citra rusak<br>    fig, sb = plt.subplots(2, 2, figsize=(13, 8))<br>    tampilkan(sb[0, 0], asli, &quot;Citra Asli (referensi)&quot;)<br>    tampilkan(sb[0, 1], rusak, &quot;Citra Rusak (hasil simulasi)&quot;)<br>    grafik_histogram(sb[1, 0], asli, &quot;Histogram Citra Asli&quot;)<br>    grafik_histogram(sb[1, 1], rusak, &quot;Histogram Citra Rusak&quot;)<br>    fig.tight_layout()<br>    fig.savefig(&quot;degradasi.png&quot;, dpi=150)</pre><pre>    # Gambar 2: spektrum sebelum dan sesudah notch<br>    fig, sb = plt.subplots(1, 3, figsize=(18, 5))<br>    sb[0].imshow(hasil[&quot;spektrum&quot;], cmap=&quot;gray&quot;)<br>    for y, x in hasil[&quot;puncak&quot;]:<br>        sb[0].add_patch(plt.Circle((x, y), 22, fill=False, color=&quot;red&quot;, linewidth=1.5))<br>    sb[0].set_title(&quot;Spektrum setelah median (lingkaran merah = puncak terdeteksi)&quot;)<br>    sb[1].imshow(np.fft.fftshift(filter_notch(asli.shape, hasil[&quot;puncak&quot;])), cmap=&quot;gray&quot;)<br>    sb[1].set_title(&quot;Filter notch&quot;)<br>    sb[2].imshow(spektrum_log(hasil[&quot;notch&quot;]), cmap=&quot;gray&quot;)<br>    sb[2].set_title(&quot;Spektrum setelah notch&quot;)<br>    for s_ in sb:<br>        s_.axis(&quot;off&quot;)<br>    fig.tight_layout()<br>    fig.savefig(&quot;spektrum.png&quot;, dpi=150)</pre><pre>    # Gambar 3: tiap tahap beserta histogram (gaya contoh di materi)<br>    fig, sb = plt.subplots(2, 5, figsize=(26, 9))<br>    for i, (nama, citra) in enumerate(tahap):<br>        tampilkan(sb[0, i], citra, nama)<br>        grafik_histogram(sb[1, i], citra, f&quot;Histogram {nama}&quot;)<br>    fig.tight_layout()<br>    fig.savefig(&quot;tahapan_restorasi.png&quot;, dpi=110)</pre><pre>    # Gambar 4: before vs after dengan citra asli sebagai pembanding<br>    fig, sb = plt.subplots(1, 3, figsize=(20, 6.5))<br>    for s_, (judul, citra) in zip(sb, [(&quot;Before (citra rusak)&quot;, rusak), (&quot;After (hasil restorasi)&quot;, akhir),<br>                                        (&quot;Citra asli (referensi)&quot;, asli)]):<br>        tampilkan(s_, citra, judul)<br>    sb[0].set_title(&quot;Before (citra rusak)\nPSNR %.2f dB | SSIM %.3f&quot; % ukur(asli, rusak))<br>    sb[1].set_title(&quot;After (hasil restorasi)\nPSNR %.2f dB | SSIM %.3f&quot; % ukur(asli, akhir))<br>    fig.tight_layout(pad=2.5)<br>    fig.savefig(&quot;before_after.png&quot;, dpi=130)</pre><pre>    # Gambar 5: perbesaran area bahu kanan dan tulang rusuk bagian atas<br>    ys, xs = slice(20, 180), slice(500, 710)<br>    fig, sb = plt.subplots(1, 3, figsize=(18, 6))<br>    for s_, (judul, citra) in zip(sb, [(&quot;Asli&quot;, asli), (&quot;Rusak&quot;, rusak), (&quot;Hasil restorasi&quot;, akhir)]):<br>        tampilkan(s_, citra[ys, xs], judul)<br>    fig.tight_layout()<br>    fig.savefig(&quot;perbesaran_detail.png&quot;, dpi=130)</pre><pre>    plt.show()</pre><h3>Penjelasan per bagian</h3><p><strong>1. Membaca citra.</strong> cv2.imread() mengembalikan None bila file tidak ditemukan, jadi saya cek di awal agar program berhenti dengan pesan yang jelas. Citra diubah ke grayscale, lalu kolom dengan rata-rata intensitas di bawah 5 (pita hitam di tepi) dibuang. Hasilnya citra 737×541 piksel.</p><p><strong>2. Fungsi degradasi H.</strong> Transformasi Fourier dari Gaussian adalah Gaussian, sehingga H(u,v) bisa ditulis langsung tanpa membuat kernel spasial. np.fft.fftfreq menghasilkan frekuensi dalam siklus per piksel. Simulasi blur dan pemulihan memakai H yang sama persis. Konvolusi di domain frekuensi memperlakukan tepi citra secara melingkar, tetapi karena dua sisi memakai model yang sama, tidak ada ketidakcocokan batas.</p><p><strong>3. Simulasi degradasi.</strong> Blur dihitung dengan mengalikan spektrum citra dengan H. Gelombang periodik ditulis sebagai A·sin(2π(kx·x/lebar + ky·y/tinggi)), dengan jumlah siklus bulat sehingga puncaknya jatuh tepat di satu bin frekuensi. Hasil dijumlahkan, dibulatkan, dan dipotong ke 0 sampai 255 sebelum impulse ditambahkan. Seed acak tetap membuat hasilnya bisa diulang.</p><p><strong>4. Median filter.</strong> cv2.medianBlur(citra, 3) mengurutkan sembilan nilai dalam jendela 3×3 dan mengambil nilai tengahnya. Impulse bernilai 0 atau 255 selalu berada di ujung urutan, sehingga tidak terpilih selama kurang dari lima dari sembilan piksel tetangga adalah impulse.</p><p><strong>5. Deteksi puncak periodik.</strong> Spektrum dihitung dari citra yang dikalikan jendela Hann, supaya tepi citra tidak membocorkan garis palsu di spektrum. Skala logaritmik dipakai karena rentang magnitudonya sangat lebar. Tonjolan lokal dihitung sebagai selisih spektrum terhadap median 15×15 di sekitarnya. Selisih itu diubah menjadi skor robust (median dan MAD) dan puncak adalah titik dengan skor di atas 8. Titik dalam radius 20 bin dari pusat diabaikan karena itu frekuensi rendah milik struktur anatomi. Kalau tidak ada puncak, fungsi melempar error, bukan diam-diam melanjutkan. Fungsi ini tidak membaca FREKUENSI_PERIODIK, jadi deteksinya independen dari nilai yang saya suntikkan.</p><p><strong>6. Notch filter.</strong> Tiap puncak diberi lubang Gaussian, yaitu 1 − exp(−d²/(2σ²)) dengan d jarak ke puncak. Lubang-lubang itu dikalikan, lalu ifftshift mengembalikan susunan frekuensinya ke susunan yang dipakai fft2. Kedua puncak simetris terdeteksi dan di-notch.</p><p><strong>7. Wiener filter.</strong> Rumusnya conj(H) / (|H|² + K) · G. Bila K nol rumus ini menjadi inverse filter yang memperkuat noise tanpa batas di frekuensi tempat H mendekati nol. K yang positif menahan penguatan itu. Di sini K(u,v) = β·|L(u,v)|², dengan 2cos(2πu) + 2cos(2πv) − 4 sebagai respons frekuensi kernel Laplacian diskret.</p><p><strong>8. Sharpening.</strong> Kernel 3×3 dengan pusat 1+4α dan empat tetangga −α. Jumlah elemennya 1, sehingga kecerahan area datar tidak berubah. Di area yang intensitasnya berubah tajam, selisih piksel pusat dan tetangganya diperbesar.</p><p><strong>9. Metrik dan gambar.</strong> ukur() menghitung PSNR dan SSIM terhadap citra asli. retensi_tepi() menghitung rasio gradien di area tepi terkuat. Blok __main__ membuat lima gambar, menyimpannya sebagai PNG, lalu plt.show() menampilkannya sebagai jendela Figure seperti pada contoh program di materi.</p><h3>Skrip evaluasi parameter</h3><p>Skrip ini yang menghasilkan semua angka pada bagian pemilihan parameter. Ia mengimpor fungsi dari skrip utama, sehingga evaluasi dan pipeline memakai kode yang sama. Di akhir ia mencetak parameter pilihannya dan konstanta di skrip utama, supaya ketidakcocokan langsung terlihat.</p><pre>import numpy as np<br>import restorasi_degradasi as m</pre><pre>asli = m.muat_citra_asli(m.NAMA_FILE)<br>rusak, tanpa_impulse = m.degradasi(asli)<br>H = m.fungsi_degradasi(asli.shape)<br>posisi_impulse = rusak != tanpa_impulse<br></pre><pre>def spektrum_setelah_notch(citra, sigma):<br>    puncak, _ = m.deteksi_puncak(citra)<br>    return np.fft.fft2(citra.astype(np.float64)) * m.filter_notch(citra.shape, puncak, sigma)<br></pre><pre>def ke_citra(spektrum):<br>    return m.ke_uint8(np.real(np.fft.ifft2(spektrum)))<br></pre><pre>def wiener_k_konstan(spektrum_g, K):<br>    return np.conj(H) / (np.abs(H) ** 2 + K) * spektrum_g<br></pre><pre>psnr_rusak, ssim_rusak = m.ukur(asli, rusak)<br>print(f&quot;Citra rusak: PSNR={psnr_rusak:.2f} dB  SSIM={ssim_rusak:.3f}&quot;)<br>psnr_blur, ssim_blur = m.ukur(asli, ke_citra(np.fft.fft2(asli.astype(np.float64)) * H))<br>print(f&quot;Pembanding: citra asli yang hanya di-blur: PSNR={psnr_blur:.2f} dB  SSIM={ssim_blur:.3f}&quot;)</pre><pre>print(&quot;\n[A] Ukuran median: sisa impulse = piksel impulse yang masih salah &gt; 40 level&quot;)<br>pilihan_median = None<br>for ukuran in (3, 5):<br>    sisa = 100 * (np.abs(m.hapus_impulse(rusak, ukuran).astype(int) - tanpa_impulse)[posisi_impulse] &gt; 40).mean()<br>    print(f&quot;median {ukuran}x{ukuran}: sisa impulse={sisa:.2f}%&quot;)<br>    if pilihan_median is None and sisa &lt;= 1.0:<br>        pilihan_median = ukuran<br>tahap_median = m.hapus_impulse(rusak, pilihan_median)</pre><pre>print(&quot;\n[B] Lebar notch (sigma, dalam bin frekuensi): PSNR/SSIM setelah notch&quot;)<br>hasil_notch = {}<br>for sigma in (1, 2, 3, 5, 8):<br>    psnr, ssim = m.ukur(asli, ke_citra(spektrum_setelah_notch(tahap_median, sigma)))<br>    hasil_notch[sigma] = psnr<br>    print(f&quot;sigma={sigma}: PSNR={psnr:.3f} dB  SSIM={ssim:.4f}&quot;)<br>pilihan_sigma = max(hasil_notch, key=hasil_notch.get)<br>spektrum_notch = spektrum_setelah_notch(tahap_median, pilihan_sigma)<br>psnr_notch, ssim_notch = m.ukur(asli, ke_citra(spektrum_notch))</pre><pre>print(f&quot;\n[C1] Wiener dengan K konstan (tanpa deconvolution: PSNR={psnr_notch:.2f} dB  SSIM={ssim_notch:.4f})&quot;)<br>for K in (0.003, 0.01, 0.03, 0.1, 0.3):<br>    psnr, ssim = m.ukur(asli, ke_citra(wiener_k_konstan(spektrum_notch, K)))<br>    print(f&quot;K={K}: PSNR={psnr:.2f} dB  SSIM={ssim:.4f}&quot;)</pre><pre>print(&quot;\n[C2] Wiener dengan K(u,v) = beta * |Laplacian|^2&quot;)<br>hasil_beta = {}<br>for beta in (0.03, 0.1, 0.3, 0.6, 1, 3, 10):<br>    psnr, ssim = m.ukur(asli, ke_citra(m.wiener(spektrum_notch, H, beta)))<br>    hasil_beta[beta] = psnr<br>    print(f&quot;beta={beta}: PSNR={psnr:.2f} dB  SSIM={ssim:.4f}&quot;)<br>pilihan_beta = max(hasil_beta, key=hasil_beta.get)<br>tahap_wiener = ke_citra(m.wiener(spektrum_notch, H, pilihan_beta))<br>psnr_dasar, ssim_dasar = m.ukur(asli, tahap_wiener)</pre><pre>print(f&quot;\n[D] Kekuatan sharpening alpha (batas penurunan PSNR 0.5 dB dari {psnr_dasar:.2f} dB); retensi tepi tanpa sharpening={m.retensi_tepi(asli, tahap_wiener):.3f}&quot;)<br>pilihan_alpha = 0.0<br>for alpha in (0.1, 0.25, 0.5, 0.75, 1.0):<br>    citra = m.pertajam(tahap_wiener, alpha)<br>    psnr, ssim = m.ukur(asli, citra)<br>    print(f&quot;alpha={alpha}: PSNR={psnr:.2f} dB  turun={psnr_dasar - psnr:.2f} dB  SSIM={ssim:.4f}  retensi tepi={m.retensi_tepi(asli, citra):.3f}&quot;)<br>    if psnr_dasar - psnr &lt;= 0.5:<br>        pilihan_alpha = alpha</pre><pre>print(&quot;\n[E] Urutan tahap (sigma dan beta terpilih), PSNR setelah Wiener&quot;)<br>tanpa_median = ke_citra(m.wiener(spektrum_setelah_notch(rusak, pilihan_sigma), H, pilihan_beta))<br>tanpa_notch = ke_citra(m.wiener(np.fft.fft2(tahap_median.astype(np.float64)), H, pilihan_beta))<br>print(f&quot;lengkap (median, notch, Wiener): {psnr_dasar:.2f} dB&quot;)<br>print(f&quot;tanpa median sebelum Wiener    : {m.ukur(asli, tanpa_median)[0]:.2f} dB&quot;)<br>print(f&quot;tanpa notch sebelum Wiener     : {m.ukur(asli, tanpa_notch)[0]:.2f} dB&quot;)</pre><pre>print(&quot;\nPilihan:&quot;, dict(median=pilihan_median, sigma_notch=pilihan_sigma, beta=pilihan_beta, alpha=pilihan_alpha))<br>print(&quot;Konstanta di restorasi_degradasi.py:&quot;, dict(median=m.UKURAN_MEDIAN, sigma_notch=m.SIGMA_NOTCH, beta=m.BETA_WIENER, alpha=m.ALPHA))</pre><p>Keluaran program:</p><pre>Citra rusak: PSNR=19.33 dB  SSIM=0.203<br>Pembanding: citra asli yang hanya di-blur: PSNR=30.33 dB  SSIM=0.881</pre><pre>[A] Ukuran median: sisa impulse = piksel impulse yang masih salah &gt; 40 level<br>median 3x3: sisa impulse=0.09%<br>median 5x5: sisa impulse=0.03%</pre><pre>[B] Lebar notch (sigma, dalam bin frekuensi): PSNR/SSIM setelah notch<br>sigma=1: PSNR=28.737 dB  SSIM=0.7088<br>sigma=2: PSNR=28.761 dB  SSIM=0.7089<br>sigma=3: PSNR=28.773 dB  SSIM=0.7089<br>sigma=5: PSNR=28.773 dB  SSIM=0.7087<br>sigma=8: PSNR=28.745 dB  SSIM=0.7078</pre><pre>[C1] Wiener dengan K konstan (tanpa deconvolution: PSNR=28.77 dB  SSIM=0.7089)<br>K=0.003: PSNR=22.25 dB  SSIM=0.2923<br>K=0.01: PSNR=25.88 dB  SSIM=0.4749<br>K=0.03: PSNR=27.88 dB  SSIM=0.6418<br>K=0.1: PSNR=25.37 dB  SSIM=0.7583<br>K=0.3: PSNR=18.95 dB  SSIM=0.7670</pre><pre>[C2] Wiener dengan K(u,v) = beta * |Laplacian|^2<br>beta=0.03: PSNR=28.19 dB  SSIM=0.6278<br>beta=0.1: PSNR=29.28 dB  SSIM=0.7222<br>beta=0.3: PSNR=29.65 dB  SSIM=0.7734<br>beta=0.6: PSNR=29.67 dB  SSIM=0.7906<br>beta=1: PSNR=29.61 dB  SSIM=0.7971<br>beta=3: PSNR=29.29 dB  SSIM=0.7972<br>beta=10: PSNR=28.75 dB  SSIM=0.7819</pre><pre>[D] Kekuatan sharpening alpha (batas penurunan PSNR 0.5 dB dari 29.67 dB); retensi tepi tanpa sharpening=0.366<br>alpha=0.1: PSNR=29.60 dB  turun=0.07 dB  SSIM=0.7903  retensi tepi=0.372<br>alpha=0.25: PSNR=29.42 dB  turun=0.26 dB  SSIM=0.7821  retensi tepi=0.385<br>alpha=0.5: PSNR=29.08 dB  turun=0.59 dB  SSIM=0.7715  retensi tepi=0.405<br>alpha=0.75: PSNR=28.69 dB  turun=0.98 dB  SSIM=0.7591  retensi tepi=0.424<br>alpha=1.0: PSNR=28.27 dB  turun=1.41 dB  SSIM=0.7456  retensi tepi=0.444</pre><pre>[E] Urutan tahap (sigma dan beta terpilih), PSNR setelah Wiener<br>lengkap (median, notch, Wiener): 29.67 dB<br>tanpa median sebelum Wiener    : 27.53 dB<br>tanpa notch sebelum Wiener     : 21.63 dB</pre><pre>Pilihan: {&#39;median&#39;: 3, &#39;sigma_notch&#39;: 3, &#39;beta&#39;: 0.6, &#39;alpha&#39;: 0.25}<br>Konstanta di restorasi_degradasi.py: {&#39;median&#39;: 3, &#39;sigma_notch&#39;: 3.0, &#39;beta&#39;: 0.6, &#39;alpha&#39;: 0.25}</pre><h3>Analisis Hasil</h3><h3>Spektrum: sebelum dan sesudah notch</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WKPTlEesWLOQdKGNd_4tiw.png" /></figure><p>Pada spektrum citra setelah median, dua titik terang muncul menonjol dari latar. Detektor menemukan keduanya di posisi [(-45, -30), (45, 30)] relatif terhadap pusat spektrum, dan ini tepat sama dengan frekuensi yang saya suntikkan (±(45, 30)), padahal detektornya tidak diberi tahu nilai itu. Setelah notch, kedua titik hilang dan tidak ada celah atau garis baru di spektrum. Secara numerik, amplitudo sinusoid periodik di bin tersebut turun dari 17.63 (setelah median) menjadi 0.01 (setelah notch), dibanding 0.08 pada citra asli yang memang tidak mengandungnya.</p><h3>Tiap tahap beserta histogramnya</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uynXA-jmPoS-HTvMW35ZdQ.png" /></figure><h3>Before vs After</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8cuLLn3YH5i1Y3GQ8LT56A.png" /></figure><h3>Perbesaran detail</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TQURkhEk4f00xF9NPjGBlA.png" /></figure><h3>Angka tiap tahap</h3><pre>Tahap          PSNR (dB)  Selisih    SSIM  Retensi tepi<br>Citra rusak        19.33            0.203         0.613<br>Median 3x3         24.30    +4.97   0.381         0.425<br>Notch filter       28.77    +4.48   0.709         0.337<br>Wiener             29.67    +0.90   0.791         0.366<br>Sharpening         29.42    -0.26   0.782         0.385<br>Puncak periodik terdeteksi (baris, kolom relatif terhadap pusat spektrum): [(-45, -30), (45, 30)]</pre><ul><li><strong>Citra rusak:</strong> PSNR 19.33 dB, SSIM 0.203.</li><li><strong>Median 3×3:</strong> PSNR naik 4.97 dB ke 24.30 dB. Bintik putih dan hitam hilang, tetapi garis periodik masih terlihat jelas (SSIM masih 0.381).</li><li><strong>Notch:</strong> lompatan terbesar kedua, PSNR naik 4.48 dB ke 28.77 dB dan SSIM melonjak ke 0.709. Garis periodik adalah kerusakan struktural yang luas, jadi membuangnya memulihkan banyak kemiripan struktur.</li><li><strong>Wiener:</strong> PSNR naik 0.90 dB ke 29.67 dB dan SSIM ke 0.791. Kenaikannya jauh lebih kecil daripada dua tahap sebelumnya.</li><li><strong>Sharpening:</strong> PSNR berubah -0.26 dB menjadi 29.42 dB dan SSIM menjadi 0.782, sedangkan retensi tepi naik dari 0.366 ke 0.385.</li></ul><p>Keseluruhan, PSNR naik dari 19.33 dB menjadi 29.42 dB dan SSIM dari 0.203 menjadi 0.782. Sebagai pembanding, citra asli yang hanya di-blur memiliki PSNR 30.33 dB, jadi hasil akhir sudah sangat dekat dengan citra yang hanya kehilangan detail halus akibat blur.</p><h3>Analisis histogram</h3><ul><li><strong>Citra rusak.</strong> Terdapat lonjakan di intensitas 0 (20033 piksel) dan 255 (4021 piksel). Citra asli tidak punya satu pun piksel bernilai 255 dan hanya 15282 piksel bernilai 0. Lonjakan tambahan itu berasal dari impulse.</li><li><strong>Setelah median.</strong> Piksel bernilai 255 hilang (0), dan piksel bernilai 0 turun ke 13759.</li><li><strong>Setelah Wiener.</strong> Histogram menjadi halus dan bentuknya mengikuti citra asli. Rata-rata intensitas terjaga: 101.4 pada citra asli, 102.4 pada citra rusak, dan 101.8 pada hasil Wiener. Ini sesuai desain K(u,v) yang bernilai nol di frekuensi nol.</li><li><strong>Setelah sharpening.</strong> Histogram berpola sisir: rata-rata jumlah piksel bin genap 2411.1 dibanding bin ganjil 1446.8 (rentang intensitas 20 sampai 199), padahal pada hasil Wiener keduanya seimbang (1934.8 dan 1929.2). Penyebab yang paling masuk akal adalah pembulatan ke bilangan bulat 8-bit pada kernel berkoefisien kelipatan 0.25. Ini artefak kuantisasi, bukan informasi baru.</li></ul><h3>Keterbatasan</h3><ol><li><strong>Degradasinya simulasi, bukan kerusakan nyata.</strong> Metode terbukti cocok dengan model yang saya pakai untuk merusak citra, tetapi itu belum membuktikan kinerja klinis pada rontgen yang rusak sungguhan.</li><li><strong>Parameter dipilih dengan citra referensi.</strong> σ notch, β, dan α dipilih dengan membandingkan ke citra asli. Pada kasus nyata referensi itu tidak ada, dan nilai-nilai itu harus diperkirakan dari noise yang terukur. PSF blur juga diketahui persis di simulasi ini, padahal pada kasus nyata ia harus diestimasi.</li><li><strong>Tepi halus tidak kembali.</strong> Retensi tepi akhir hanya 0.385, artinya tepi masih jauh lebih lunak daripada citra asli. Pada perbesaran, garis tipis tulang rusuk yang tajam di citra asli terlihat melebar dan lembut. Sharpening menaikkan retensi tepi tetapi harganya PSNR dan SSIM turun, jadi saya menyimpan α di nilai kecil.</li><li><strong>Notch mengandalkan puncak yang bersih.</strong> Gelombang yang saya suntikkan punya frekuensi bulat dan tidak punya harmonik. Interferensi nyata biasanya punya frekuensi tidak bulat dan harmonik, yang membutuhkan notch lebih lebar atau lebih banyak.</li><li><strong>Pemotongan 0 sampai 255 di area gelap.</strong> Karena derau dan gelombang periodik dipotong di batas 8 bit, model aditif tidak sepenuhnya berlaku di area paling gelap.</li><li><strong>Watermark tetap ada.</strong> Watermark stok foto adalah bagian dari berkas asli, bukan degradasi yang saya buat, dan tidak diproses.</li></ol><h3>Kesimpulan</h3><p>Ketiga target soal tercapai pada citra simulasi, dengan angka terhadap citra asli sebagai bukti:</p><ol><li><strong>Derau dan degradasi.</strong> Median 3×3 membuang impulse (PSNR naik 4.97 dB), dan Wiener filter dengan K bergantung frekuensi memulihkan blur serta meredam noise Gaussian (naik 0.90 dB, SSIM naik ke 0.791).</li><li><strong>Gangguan periodik.</strong> Detektor otomatis menemukan kedua puncak di posisi yang tepat, dan notch menurunkan amplitudo gelombang dari 17.63 ke 0.01, dengan PSNR naik 4.48 dB, jadi anatomi tidak ikut rusak.</li><li><strong>Tepi.</strong> Retensi tepi naik dari 0.337 setelah notch menjadi 0.385 di hasil akhir. Kenaikan ini nyata tetapi kecil, dan harganya PSNR yang turun 0.26 dB dibanding hasil Wiener.</li></ol><p>Total PSNR naik dari 19.33 dB menjadi 29.42 dB dan SSIM dari 0.203 menjadi 0.782.</p><p>Ada tiga pelajaran. Pertama, ukur dulu apa yang rusak sebelum memilih metode: berkas input ternyata hampir bersih, dan itu mengubah seluruh rancangan tugas. Kedua, urutan tahap menentukan: tanpa median PSNR turun ke 27.53 dB dan tanpa notch turun ke 21.63 dB. Ketiga, Wiener dengan K konstan, bentuk paling sederhana, justru gagal (27.88 dB pada K terbaik, di bawah 28.77 dB tanpa dekonvolusi). K yang bergantung frekuensi menyelesaikan masalah itu. Keterbatasan utama tetap ada: tepi halus belum kembali sepenuhnya, dan parameter masih dipilih dengan bantuan citra referensi yang pada kasus nyata tidak tersedia.</p><p><strong>Tech stack:</strong> Python · OpenCV · NumPy · SciPy · scikit-image · Matplotlib</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8a8b66758cec" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Restorasi Citra Rontgen Thorax Ber-noise dengan Median Filter, Kernel Sharpening, dan Transformasi…]]></title>
            <link>https://medium.com/@sikteubunsaver/restorasi-citra-rontgen-thorax-ber-noise-dengan-median-filter-kernel-sharpening-dan-transformasi-fe2763ab9e9c?source=rss-c648e49f13bb------2</link>
            <guid isPermaLink="false">https://medium.com/p/fe2763ab9e9c</guid>
            <category><![CDATA[digital-image-processing]]></category>
            <dc:creator><![CDATA[Saverio SIkteubun]]></dc:creator>
            <pubDate>Tue, 06 Oct 2026 02:00:55 GMT</pubDate>
            <atom:updated>2026-10-06T02:00:55.693Z</atom:updated>
            <content:encoded><![CDATA[<h3>Restorasi Citra Rontgen Thorax Ber-noise dengan Median Filter, Kernel Sharpening, dan Transformasi Gamma</h3><p><em>Tugas 1 Pengolahan Citra Digital: mendiagnosis jenis noise, memilih parameter berdasarkan pengukuran, dan menyusun laporan Before vs After</em></p><h3>Pendahuluan</h3><p>Citra rontgen thorax (chest X-ray) dipakai dokter radiologi untuk menilai paru-paru, jantung, dan tulang rusuk. Kalau citranya dipenuhi bintik noise, tepi tulang dan corak paru menjadi sulit dibedakan dari gangguan tersebut. Pada Tugas 1 mata kuliah Pengolahan Citra Digital (PCD) dengan materi Filtering pada Domain Spasial, saya diminta memperbaiki sebuah citra rontgen ber-noise, yaitu Rontgen_noise_1.png (769×639 piksel, 3 kanal warna), agar lebih layak dibaca.</p><p>Ada tiga target: membersihkan noise, menegaskan detail tulang, dan memperjelas area gelap. Semuanya saya kerjakan dengan Python, OpenCV, NumPy, dan Matplotlib. Artikel ini membahas analisis masalah, analisis kode, analisis hasil, dan kesimpulan. Pegangan saya sepanjang pengerjaan: parameter tidak dipilih dari kebiasaan, tetapi dari pengukuran pada citra ini sendiri.</p><h3>Analisis Masalah</h3><p>Berdasarkan permintaan tim medis, citra harus memenuhi tiga target:</p><ol><li><strong>Noise reduction</strong>: membersihkan bintik gangguan pencitraan.</li><li><strong>Bone detail enhancement</strong>: mempertegas detail anatomi tulang.</li><li><strong>Contrast and dynamic range optimization</strong>: memperjelas area gelap atau redup.</li></ol><p>Luarannya ada dua: tahapan algoritma di domain spasial (pemilihan filter pembersih derau, konvolusi kernel penajaman, dan transformasi intensitas), serta laporan komparasi visual Before vs After.</p><p>Ketiga target ini tidak bisa dikerjakan sembarang urutan. Penghalusan membuang noise tetapi ikut melunakkan tepi tulang. Penajaman mengembalikan ketegasan tepi tetapi juga menguatkan noise yang tersisa. Transformasi gamma mencerahkan area gelap, termasuk noise yang ada di area itu. Karena itu setiap parameter di artikel ini punya kriteria tertulis yang bisa diuji ulang.</p><h3>Diagnosis noise sebelum memilih filter</h3><p>Contoh program smoothing di materi kuliah memakai citra dengan noise salt-and-pepper. Sebelum menganggap citra tugas ini sama, saya mengukurnya dulu dengan kode berikut.</p><pre>import cv2<br>import numpy as np</pre><pre>NAMA_FILE = &quot;Rontgen_noise_1.png&quot;</pre><pre>img = cv2.imread(NAMA_FILE)<br>if img is None:<br>    raise FileNotFoundError(f&quot;File &#39;{NAMA_FILE}&#39; tidak ditemukan atau bukan gambar.&quot;)</pre><pre>gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)</pre><pre># Area datar untuk mengukur noise: dada bagian bawah (terang) dan lapang paru (gelap)<br>AREA_TERANG = (slice(540, 570), slice(330, 360))<br>AREA_PARU = (slice(290, 315), slice(225, 250))</pre><pre>def kurtosis_lebih(x):<br>    z = (x - x.mean()) / x.std()<br>    return (z ** 4).mean() - 3  # 0 = distribusi normal</pre><pre># 1. Bentuk distribusi noise per kanal (BGR) di area paru<br>for i, nama in enumerate(&quot;BGR&quot;):<br>    x = img[AREA_PARU][:, :, i].astype(np.float64).ravel()<br>    print(f&quot;Kanal {nama}: std={x.std():.1f}  kurtosis berlebih={kurtosis_lebih(x):.2f}&quot;)</pre><pre># 2. Apakah noise antar kanal saling bebas? (korelasi residual terhadap versi buram)<br>resid = [c.astype(np.float32) - cv2.GaussianBlur(c.astype(np.float32), (0, 0), 2)<br>         for c in cv2.split(img)]<br>print(f&quot;Korelasi residual B-G={np.corrcoef(resid[0].ravel(), resid[1].ravel())[0, 1]:.3f}  &quot;<br>      f&quot;G-R={np.corrcoef(resid[1].ravel(), resid[2].ravel())[0, 1]:.3f}&quot;)</pre><pre># 3. Std noise di area datar: rata-rata 3 kanal vs grayscale<br>for nama, area in [(&quot;terang&quot;, AREA_TERANG), (&quot;paru&quot;, AREA_PARU)]:<br>    std_kanal = np.mean([img[area][:, :, i].astype(np.float64).std() for i in range(3)])<br>    std_gray = gray[area].astype(np.float64).std()<br>    print(f&quot;Area {nama}: std kanal warna={std_kanal:.2f}  std grayscale={std_gray:.2f}&quot;)</pre><p>Keluaran program:</p><pre>Kanal B: std=28.2  kurtosis berlebih=0.09<br>Kanal G: std=27.0  kurtosis berlebih=-0.21<br>Kanal R: std=24.8  kurtosis berlebih=-0.37<br>Korelasi residual B-G=0.067  G-R=0.072<br>Area terang: std kanal warna=24.35  std grayscale=16.88<br>Area paru: std kanal warna=26.67  std grayscale=19.10</pre><p>Tiga hal yang bisa dibaca dari angka tersebut:</p><ul><li><strong>Bentuk distribusi mendekati normal.</strong> Di area paru, kurtosis berlebih tiap kanal berada antara -0.37 dan 0.09, dekat dengan nol. Noise salt-and-pepper akan menaruh sebagian piksel tepat di 0 atau 255 sehingga kurtosisnya jauh dari nol. Jadi noise di sini lebih mirip noise Gaussian.</li><li><strong>Noise tiap kanal saling bebas.</strong> Korelasi residual antar kanal hanya sekitar 0.07. Inilah sebabnya bintik pada citra input tampak berwarna-warni.</li><li><strong>Grayscale menurunkan noise.</strong> Simpangan baku di area datar turun dari 24.35 menjadi 16.88 (area terang) dan dari 26.67 menjadi 19.10 (area paru), sekitar 28 sampai 31 persen. Ini wajar: grayscale adalah rata-rata berbobot (0.299 R + 0.587 G + 0.114 B) dari tiga noise yang saling bebas, dan secara teori simpangan baku turun sekitar 33 persen. Angka area datar masih memuat sedikit tekstur asli, jadi anggap sebagai batas atas noise.</li></ul><p>Kesimpulan diagnosis: noise pada citra ini adalah noise aditif Gaussian yang bebas antar kanal, bukan salt-and-pepper, dan cukup kuat (simpangan baku masih sekitar 17 sampai 19 setelah grayscale).</p><h3>Rancangan solusi</h3><p>Alur yang saya pilih ada empat tahap:</p><ol><li><strong>Grayscale</strong>. Saya menganggap tint biru pada input hanya pewarnaan, sebab rontgen merekam satu besaran, yaitu intensitas. Konversi di awal sekaligus menurunkan noise (lihat diagnosis) dan membuat tahap berikutnya cukup memproses satu kanal.</li><li><strong>Median filter</strong> untuk mengurangi noise.</li><li><strong>Konvolusi kernel sharpening 3×3</strong> untuk mempertegas tepi tulang.</li><li><strong>Transformasi gamma (γ &lt; 1)</strong> untuk mencerahkan area gelap.</li></ol><p>Denoise harus mendahului sharpening karena penajaman bersifat high-pass dan memperkuat noise apa pun yang masih ada. Gamma diletakkan terakhir karena ia mengubah skala intensitas, sehingga kriteria noise dan tepi di dua tahap sebelumnya lebih mudah diukur pada skala intensitas asli.</p><h3>Memilih parameter dengan kriteria tertulis</h3><p>Ada dua ukuran yang saya pakai. <strong>Noise</strong> adalah simpangan baku intensitas di area datar (30×30 piksel di dada bagian bawah). <strong>Ketegasan tepi</strong> adalah perubahan intensitas terbesar pada profil yang melintang tepi implan logam di sisi kiri citra (rata-rata 12 baris), dibandingkan dengan nilai pada input. Implan dipilih karena itulah struktur paling tajam di citra ini. Semua kriteria di bawah adalah pilihan saya sendiri; yang penting tertulis dan bisa dihitung ulang.</p><p><strong>a. Jenis filter.</strong> Empat kandidat diuji pada citra grayscale (noise input 16.88):</p><ul><li>Median 3×3: noise 7.88, tepi dipertahankan 94%</li><li>Median 5×5: noise 5.74, tepi dipertahankan 83%</li><li>Mean 5×5: noise 5.27, tepi dipertahankan 52%</li><li>Gaussian 5×5 (σ=1): noise 6.20, tepi dipertahankan 65%</li></ul><p>Mean 5×5 dan median 5×5 menurunkan noise hampir sama, tetapi mean menghilangkan hampir separuh ketegasan tepi sedangkan median hanya sekitar seperenam. Filter linear (mean, Gaussian) menghaluskan tepi dan noise dengan cara yang sama, sedangkan median tidak. Jadi median dipilih, walaupun noisenya Gaussian dan bukan salt-and-pepper.</p><p><strong>b. Ukuran jendela median.</strong> Kriteria: ukuran terkecil yang membuat noise akhir (setelah median dan sharpening) berada di bawah separuh noise input (16.88 / 2 ≈ 8.4), dengan tepi tetap lebih tajam daripada input.</p><ul><li>3×3: noise akhir 14.60 (tidak lolos, hampir kembali ke tingkat noise input)</li><li>5×5: noise akhir 8.11, tepi 119% dari input (lolos)</li><li>7×7: noise akhir 6.04, tepi 104% (lolos, tetapi hampir seluruh penajaman habis untuk mengganti ketajaman yang hilang)</li></ul><p>Ukuran terkecil yang lolos adalah <strong>5×5</strong>.</p><p><strong>c. Kekuatan sharpening.</strong> Kernel dibentuk dari identitas dikurangi α kali Laplacian. Semakin besar α, semakin kuat penajamannya. Gain adalah rasio nilai sesudah dibanding sebelum sharpening pada median 5×5:</p><ul><li>α=0.25 (pusat 2): gain noise 1.18, gain tepi 1.26</li><li>α=0.50 (pusat 3): gain noise 1.41, gain tepi 1.44</li><li>α=0.75 (pusat 4): gain noise 1.67, gain tepi 1.57</li><li>α=1.00 (pusat 5, kernel standar): gain noise 1.95, gain tepi 1.67</li></ul><p>Kriteria: α terbesar yang penguatan tepinya masih setidaknya sama dengan penguatan noise. Itu jatuh pada <strong>α=0.5</strong>. Di atasnya, noise membesar lebih cepat daripada tepi.</p><p><strong>d. Nilai gamma.</strong> Pengukuran pada hasil sharpening:</p><ul><li>γ=1.0: piksel gelap (intensitas &lt; 64) 22.6%, rentang p5-p95 214</li><li>γ=0.9: 19.5%, rentang 214</li><li>γ=0.8: 16.0%, rentang 213</li><li>γ=0.7: 12.5%, rentang 209</li><li>γ=0.6: 10.1%, rentang 203</li><li>γ=0.5: 8.6%, rentang 192</li></ul><p>Kriteria: γ terbesar (perubahan paling kecil) yang menurunkan proporsi piksel gelap sampai setengahnya atau kurang (22.6% / 2 = 11.3%). γ=0.7 belum cukup (12.5%), sedangkan <strong>γ=0.6</strong> sudah (10.1%) dengan rentang p5-p95 yang hanya menyempit sekitar 5 persen. γ=0.5 menyempitkan rentang hampir 10 persen tanpa keharusan.</p><p>Seluruh angka di bagian ini bisa direproduksi dengan skrip evaluasi terpisah.</p><h3>Analisis Kode</h3><h3>Source Code Lengkap</h3><pre>import cv2<br>import numpy as np<br>import matplotlib.pyplot as plt</pre><pre>NAMA_FILE = &quot;Rontgen_noise_1.png&quot;<br>UKURAN_MEDIAN = 5<br>GAMMA = 0.6</pre><pre>img = cv2.imread(NAMA_FILE)<br>if img is None:<br>    raise FileNotFoundError(f&quot;File &#39;{NAMA_FILE}&#39; tidak ditemukan atau bukan gambar.&quot;)</pre><pre># Tahap 1 - Grayscale: noise tiap kanal warna saling bebas, jadi rata-rata<br># berbobot ketiga kanal sudah menurunkan noise sebelum filter dipakai.<br>gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)</pre><pre># Tahap 2 - Noise reduction: median filter 5x5<br>denoise = cv2.medianBlur(gray, UKURAN_MEDIAN)</pre><pre># Tahap 3 - Bone detail enhancement: konvolusi kernel sharpening 3x3<br># (identitas dikurangi 0.5 x Laplacian; jumlah elemen = 1)<br>kernel = np.array([<br>    [ 0.0, -0.5,  0.0],<br>    [-0.5,  3.0, -0.5],<br>    [ 0.0, -0.5,  0.0],<br>], dtype=np.float32)<br>sharp = cv2.filter2D(denoise, -1, kernel)</pre><pre># Tahap 4 - Optimalisasi area gelap: transformasi gamma (gamma &lt; 1) via LUT<br>lut = np.array([((i / 255.0) ** GAMMA) * 255 for i in range(256)], dtype=np.uint8)<br>final = cv2.LUT(sharp, lut)</pre><pre>cv2.imwrite(&quot;hasil_restorasi.png&quot;, final)</pre><pre># --- Laporan visual 1: tiap tahap + histogram ---<br>tahap = [<br>    (gray,    &quot;1. Grayscale&quot;),<br>    (denoise, f&quot;2. Median {UKURAN_MEDIAN}x{UKURAN_MEDIAN}&quot;),<br>    (sharp,   &quot;3. Sharpening 3x3&quot;),<br>    (final,   f&quot;4. Gamma (γ={GAMMA})&quot;),<br>]<br>plt.figure(figsize=(18, 8))<br>for i, (im, judul) in enumerate(tahap):<br>    plt.subplot(2, 4, i + 1)<br>    plt.imshow(im, cmap=&quot;gray&quot;, vmin=0, vmax=255)<br>    plt.title(judul)<br>    plt.axis(&quot;off&quot;)</pre><pre>    plt.subplot(2, 4, i + 5)<br>    plt.hist(im.ravel(), bins=256, range=(0, 255), color=&quot;gray&quot;)<br>    plt.title(&quot;Histogram&quot;)<br>    plt.xlabel(&quot;Intensitas&quot;)<br>    plt.ylabel(&quot;Jumlah piksel&quot;)<br>plt.tight_layout()<br>plt.savefig(&quot;laporan_tahapan.png&quot;, dpi=150)</pre><pre># --- Laporan visual 2: Before vs After ---<br>plt.figure(figsize=(13, 6))<br>plt.subplot(1, 2, 1)<br>plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))<br>plt.title(&quot;Before (Rontgen_noise_1.png)&quot;)<br>plt.axis(&quot;off&quot;)<br>plt.subplot(1, 2, 2)<br>plt.imshow(final, cmap=&quot;gray&quot;, vmin=0, vmax=255)<br>plt.title(&quot;After (hasil restorasi)&quot;)<br>plt.axis(&quot;off&quot;)<br>plt.tight_layout()<br>plt.savefig(&quot;before_after.png&quot;, dpi=150)</pre><pre># --- Laporan visual 3: perbesaran area implan dan paru kiri ---<br>area = [<br>    (&quot;Implan logam&quot;, slice(350, 540), slice(20, 160)),<br>    (&quot;Paru kiri + tulang rusuk&quot;, slice(180, 330), slice(450, 650)),<br>]<br>plt.figure(figsize=(12, 9))<br>for r, (nama, ys, xs) in enumerate(area):<br>    plt.subplot(2, 2, r * 2 + 1)<br>    plt.imshow(cv2.cvtColor(img[ys, xs], cv2.COLOR_BGR2RGB))<br>    plt.title(f&quot;{nama} - Before&quot;)<br>    plt.axis(&quot;off&quot;)<br>    plt.subplot(2, 2, r * 2 + 2)<br>    plt.imshow(final[ys, xs], cmap=&quot;gray&quot;, vmin=0, vmax=255)<br>    plt.title(f&quot;{nama} - After&quot;)<br>    plt.axis(&quot;off&quot;)<br>plt.tight_layout()<br>plt.savefig(&quot;perbesaran_detail.png&quot;, dpi=150)</pre><pre>plt.show()</pre><h3>Penjelasan Per Tahap</h3><p><strong>1. Membaca citra.</strong> cv2.imread() tidak melempar error ketika file tidak ada, ia hanya mengembalikan None. Pengecekan di awal membuat program berhenti dengan pesan yang jelas, bukan gagal di baris yang tidak berhubungan. Citra dibaca dalam urutan kanal <strong>BGR</strong>, jadi sebelum ditampilkan lewat Matplotlib ia harus dikonversi ke RGB dengan cv2.cvtColor(..., cv2.COLOR_BGR2RGB).</p><p><strong>2. Grayscale.</strong> cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) menghitung rata-rata berbobot ketiga kanal. Karena noise tiap kanal bebas, rata-rata ini menurunkan noise sebelum filter apa pun dijalankan.</p><p><strong>3. Noise reduction dengan median filter.</strong> cv2.medianBlur(gray, 5) menggeser jendela 5×5 ke seluruh citra. Di tiap posisi, 25 nilai piksel diurutkan dan nilai tengahnya menggantikan piksel pusat. Median bersifat non-linear: nilai ekstrem tidak ikut menentukan hasil, sehingga tepi lebih terjaga daripada filter rata-rata.</p><p><strong>4. Bone detail enhancement dengan konvolusi kernel.</strong> Kernel yang dipakai:</p><pre>[ 0.0, -0.5,  0.0]<br>[-0.5,  3.0, -0.5]<br>[ 0.0, -0.5,  0.0]</pre><p>Kernel ini adalah identitas dikurangi 0.5 kali Laplacian. Jumlah semua elemennya 1, sehingga kecerahan area datar tidak berubah. Di area yang intensitasnya berubah tajam (tepi tulang), selisih antara piksel pusat dan tetangganya diperbesar sehingga tepi tampak lebih tegas. cv2.filter2D(denoise, -1, kernel) menerapkannya, dan -1 berarti tipe data output sama dengan input. Secara teknis OpenCV menghitung korelasi, tetapi untuk kernel simetris seperti ini hasilnya identik dengan konvolusi.</p><p><strong>5. Optimalisasi area gelap dengan transformasi gamma.</strong> Rumusnya:</p><pre>s = 255 × (r / 255)^γ</pre><p>dengan r intensitas input dan s intensitas output. Dengan γ=0.6 (kurang dari 1), nilai rendah diangkat lebih banyak daripada nilai tinggi. Hasil perhitungan untuk 256 kemungkinan intensitas disimpan sekali sebagai look-up table, lalu cv2.LUT() menerapkannya ke semua piksel.</p><p><strong>6. Laporan visual.</strong> Kode membuat tiga gambar: tahapan beserta histogramnya, Before vs After berdampingan, dan perbesaran dua area (implan logam serta paru kiri dengan tulang rusuk). Semuanya disimpan sebagai PNG agar tidak ada artefak kompresi tambahan, lalu plt.show() menampilkannya sebagai jendela Figure, seperti pada contoh program di materi.</p><h3>Analisis Hasil</h3><h3>Perbandingan Tiap Tahap dan Histogramnya</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*j-MVnKDOB_NJrRRw8Ni-Dg.png" /></figure><h3>Before vs After</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8bo-BZzEAtQUEW6VywSbZw.png" /></figure><h3>Perbesaran Detail</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZT2TtMt1fQnblFyAkgqqwg.png" /></figure><h3>Angka Tiap Tahap</h3><ul><li><strong>Grayscale:</strong> noise di area datar 16.88.</li><li><strong>Median 5×5:</strong> noise turun ke 5.74. Jumlah piksel bernilai tepat 0 turun dari 5959 menjadi 5.</li><li><strong>Sharpening:</strong> noise naik ke 8.11 (×1.41), tetapi ketegasan tepi implan menjadi 119% dari input. Sebanyak 2069 piksel terpotong di 0 dan 564 piksel di 255 akibat penajaman.</li><li><strong>Gamma 0.6:</strong> intensitas rata-rata naik dari 123.9 menjadi 156.7, rata-rata area paru dari 69.7 menjadi 116.4, dan proporsi piksel gelap (&lt; 64) turun dari 22.7% menjadi 10.1%.</li></ul><h3>Pengamatan Visual</h3><ul><li><strong>Bintik berwarna hilang.</strong> Permukaan jaringan lunak tampak jauh lebih bersih dibanding input.</li><li><strong>Tulang rusuk lebih mudah diikuti.</strong> Pada kedua lapang paru, garis rusuk dan corak paru lebih terbaca daripada di input yang gelap dan bergranul.</li><li><strong>Implan logam tetap tegas.</strong> Pada perbesaran, kontur batang beserta tonjolan kecil di kedua ujungnya masih jelas.</li><li><strong>Citra lebih netral.</strong> Tint biru hilang sehingga hasil akhir menyerupai radiograf pada umumnya.</li></ul><h3>Analisis Histogram</h3><ul><li><strong>Grayscale ke median.</strong> Puncak tajam di intensitas 0 (5959 piksel, berasal dari latar hitam yang noise-nya terpotong di batas bawah) berubah menjadi puncak yang lebih lebar di sekitar 5 sampai 10. Median menggantikan nilai terpotong itu dengan nilai tengah lingkungannya.</li><li><strong>Sharpening.</strong> Histogram berpola sisir. Rata-rata jumlah piksel pada bin genap (rentang 20 sampai 230) sekitar 3092 sedangkan bin ganjil sekitar 1069, padahal setelah median keduanya seimbang (2107 dan 2101). Penyebab yang paling masuk akal adalah pembulatan hasil kernel berkoefisien 0.5 ke bilangan bulat 8-bit. Ini artefak kuantisasi, bukan perubahan informasi pada citra.</li><li><strong>Gamma.</strong> Histogram bergeser ke kanan: persentil ke-5 naik dari 9 menjadi 31 dan persentil ke-95 dari 224 menjadi 234. Muncul 31 bin kosong pada rentang 20 sampai 240, seluruhnya di sisi gelap (intensitas 20 sampai 106). Itu wajar karena untuk intensitas masukan di bawah sekitar 70, kurva gamma 0.6 meregangkan nilai sehingga selisih antar-level keluaran lebih dari satu dan sebagian level tidak terisi.</li></ul><h3>Keterbatasan</h3><ol><li><strong>Latar hitam menjadi abu-abu bertekstur.</strong> Pada patch latar di kiri citra, simpangan baku naik dari 5.12 (setelah sharpening) menjadi 12.85 setelah gamma, dan rata-rata intensitas naik dari 11.0 menjadi 30.4. Gamma memperbesar selisih di intensitas rendah, sehingga noise sisa di sana ikut dibesarkan.</li><li><strong>Garis horizontal tipis tidak hilang.</strong> Di sekitar baris dengan indeks 199 (dihitung dari 0), rata-rata intensitas baris menyimpang 6.9 dari rata-rata sembilan baris di sekitarnya, sedangkan simpangan baku penyimpangan di baris lain hanya 0.84. Ini artefak berpola; median menyasar bintik acak, bukan garis.</li><li><strong>Tekstur paru tampak menggumpal.</strong> Jendela median 5×5 meninggalkan bercak-bercak pada perbesaran paru. Itu harga yang dibayar untuk noise yang cukup kuat.</li><li><strong>Area terang menjadi lebih pucat.</strong> Rentang p5-p95 menyempit dari 215 menjadi 203, sehingga perbedaan di area yang sudah terang berkurang.</li><li><strong>Evaluasi masih sederhana.</strong> Tidak ada citra referensi bebas noise, jadi tidak ada PSNR atau SSIM. Angka noise berasal dari satu area dan angka tepi dari satu implan. Tidak ada validasi oleh radiolog, sehingga hasil ini belum bisa dianggap siap untuk diagnosis klinis.</li></ol><p>Untuk pengembangan, bilateral filter atau non-local means bisa dicoba untuk meredam noise tanpa menggumpalkan tekstur, dan CLAHE untuk meningkatkan kontras secara lokal tanpa memucatkan area terang.</p><h3>Kesimpulan</h3><p>Tiga target restorasi dapat dicapai dengan teknik dasar filtering di domain spasial, dengan parameter yang ditentukan dari pengukuran:</p><ol><li><strong>Grayscale + median filter 5×5.</strong> Noise area datar turun dari 24.35 (rata-rata kanal warna) menjadi 5.74, dengan 83% ketegasan tepi tetap terjaga.</li><li><strong>Kernel sharpening 3×3 (pusat 3, tetangga -0.5).</strong> Ketegasan tepi implan menjadi 119% dari input, dengan noise akhir 8.11, di bawah separuh noise input.</li><li><strong>Transformasi gamma γ=0.6.</strong> Proporsi piksel gelap turun dari 22.7% menjadi 10.1%.</li></ol><p>Pelajaran terpenting dari tugas ini adalah mengukur jenis noise sebelum memilih filter. Citra tugas ini ternyata bukan salt-and-pepper seperti pada contoh di materi, dan median tetap dipilih bukan karena kebiasaan, melainkan karena ia paling menjaga tepi pada tingkat penurunan noise yang sama. Hasilnya meningkatkan keterbacaan citra, tetapi masih punya keterbatasan: latar hitam yang noise-nya ikut terangkat, garis horizontal yang tersisa, dan evaluasi yang belum memakai metrik objektif maupun penilaian tenaga medis.</p><p><strong>Tech stack:</strong> Python · OpenCV · NumPy · Matplotlib</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fe2763ab9e9c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kenapa Inheritance Sangat Dibutuhkan dalam Object-Oriented Programming?]]></title>
            <link>https://medium.com/@sikteubunsaver/kenapa-inheritance-sangat-dibutuhkan-dalam-object-oriented-programming-2f54a387a3a3?source=rss-c648e49f13bb------2</link>
            <guid isPermaLink="false">https://medium.com/p/2f54a387a3a3</guid>
            <category><![CDATA[inheritance]]></category>
            <category><![CDATA[oop]]></category>
            <dc:creator><![CDATA[Saverio SIkteubun]]></dc:creator>
            <pubDate>Wed, 22 Apr 2026 13:02:41 GMT</pubDate>
            <atom:updated>2026-04-22T13:02:41.322Z</atom:updated>
            <content:encoded><![CDATA[<h3>Pertanyaan</h3><p>Kenapa konsep <em>inheritance</em> (pewarisan) diperlukan dalam pemrograman berorientasi objek, dan apa yang terjadi pada sebuah sistem apabila inheritance tidak digunakan?</p><h3>Jawaban</h3><p><strong>Inheritance</strong> atau pewarisan adalah mekanisme OOP yang memungkinkan sebuah class (subclass/child class) mewarisi atribut dan method dari class lain (superclass/parent class). Inheritance dibutuhkan karena ia menjadi solusi langsung atas tiga masalah fundamental dalam pengembangan perangkat lunak.</p><blockquote><em>Tanpa inheritance, programmer terpaksa menulis kode yang sama berulang kali — ini bukan hanya pemborosan waktu, tetapi sumber utama bug yang sulit dilacak.</em></blockquote><h3>Mengapa Inheritance Dibutuhkan?</h3><h4>Menghindari Duplikasi Kode</h4><p>Kode yang sama cukup ditulis sekali di parent class, lalu diwarisi semua child class tanpa perlu ditulis ulang.</p><h4>Kemudahan Maintenance</h4><p>Perubahan pada logika bersama cukup dilakukan di satu tempat (parent class), otomatis berlaku ke semua child class.</p><h4>Struktur Hierarki Nyata</h4><p>Memodelkan hubungan “is-a” di dunia nyata: Dokter <em>adalah</em> Karyawan, Manager <em>adalah</em> Karyawan.</p><h4>Extensibility</h4><p>Menambah jenis baru sangat mudah — cukup buat subclass baru tanpa mengubah kode yang sudah berjalan.</p><h3>Studi Kasus: Sistem Manajemen Karyawan</h3><p>📌 Skenario Kasus</p><p>Sebuah perusahaan memiliki berbagai jenis karyawan: <strong>Karyawan Tetap</strong>, <strong>Karyawan Kontrak</strong>, dan <strong>Manager</strong>. Semua karyawan memiliki data yang sama: nama, ID, dan gaji pokok. Namun cara menghitung tunjangan dan slip gaji berbeda untuk masing-masing jenis.</p><h3>Tanpa Inheritance — Masalah Code Duplication</h3><p>❌ Tanpa Inheritance</p><p>3 class terpisah dengan atribut nama, id, gajiPokok yang ditulis berulang. Jika ada perubahan format gaji, harus ubah di 3 tempat berbeda. Rawan inkonsistensi dan bug.</p><p>✅ Dengan Inheritance</p><p>1 parent class Karyawan dengan atribut dan method bersama. 3 child class hanya mendefinisikan yang berbeda. Perubahan dilakukan di 1 tempat, berlaku ke semua.</p><h3>Implementasi: Parent Class</h3><p>Karyawan.java — Parent Class</p><pre>// PARENT CLASS — berisi semua yang bersifat umum<br>public class Karyawan {</pre><pre>    // Atribut bersama untuk semua jenis karyawan<br>    protected String id;<br>    protected String nama;<br>    protected double gajiPokok;</pre><pre>    // Constructor<br>    public Karyawan(String id, String nama, double gajiPokok) {<br>        this.id = id;<br>        this.nama = nama;<br>        this.gajiPokok = gajiPokok;<br>    }</pre><pre>    // Method bersama — bisa diwarisi semua child<br>    public void tampilkanInfo() {<br>        System.out.println(&quot;ID   : &quot; + id);<br>        System.out.println(&quot;Nama : &quot; + nama);<br>        System.out.println(&quot;Gaji : Rp&quot; + gajiPokok);<br>    }</pre><pre>    // Method yang bisa di-override oleh child class<br>    public double hitungTunjangan() {<br>        return 0; // default: tidak ada tunjangan<br>    }</pre><pre>    public double totalGaji() {<br>        return gajiPokok + hitungTunjangan();<br>    }<br>}</pre><h3>Implementasi: Child Classes</h3><p>Child Classes — KaryawanTetap, KaryawanKontrak, Manager</p><pre>// CHILD CLASS 1: Karyawan Tetap<br>public class KaryawanTetap extends Karyawan {<br>    <br>    private int tahunMasuk;</pre><pre>    public KaryawanTetap(String id, String nama, double gaji, int tahunMasuk) {<br>        super(id, nama, gaji); // memanggil constructor parent<br>        this.tahunMasuk = tahunMasuk;<br>    }</pre><pre>    // Override: tunjangan 20% dari gaji pokok<br>    @Override<br>    public double hitungTunjangan() {<br>        return gajiPokok * 0.20;<br>    }<br>}</pre><pre>// CHILD CLASS 2: Karyawan Kontrak<br>public class KaryawanKontrak extends Karyawan {<br>    <br>    private int durasiKontrakBulan;</pre><pre>    public KaryawanKontrak(String id, String nama, double gaji, int durasi) {<br>        super(id, nama, gaji);<br>        this.durasiKontrakBulan = durasi;<br>    }</pre><pre>    // Override: tunjangan 10% + bonus jika kontrak &gt; 12 bulan<br>    @Override<br>    public double hitungTunjangan() {<br>        double tunjangan = gajiPokok * 0.10;<br>        if (durasiKontrakBulan &gt; 12) tunjangan += 500000;<br>        return tunjangan;<br>    }<br>}</pre><pre>// CHILD CLASS 3: Manager<br>public class Manager extends Karyawan {<br>    <br>    private String departemen;<br>    private double bonusTahunan;</pre><pre>    public Manager(String id, String nama, double gaji, String dept, double bonus) {<br>        super(id, nama, gaji);<br>        this.departemen = dept;<br>        this.bonusTahunan = bonus;<br>    }</pre><pre>    // Override: tunjangan 30% + bonus tahunan / 12<br>    @Override<br>    public double hitungTunjangan() {<br>        return (gajiPokok * 0.30) + (bonusTahunan / 12);<br>    }</pre><pre>    // Method tambahan khusus Manager<br>    public String getDepartemen() { return departemen; }<br>}</pre><p>Main.java — Penggunaan</p><pre>public class Main {<br>    public static void main(String[] args) {</pre><pre>        KaryawanTetap  k1 = new KaryawanTetap(&quot;KT-01&quot;, &quot;Budi&quot;, 5000000, 2019);<br>        KaryawanKontrak k2 = new KaryawanKontrak(&quot;KK-01&quot;, &quot;Sari&quot;, 4000000, 18);<br>        Manager         k3 = new Manager(&quot;MG-01&quot;, &quot;Eko&quot;, 10000000, &quot;IT&quot;, 24000000);</pre><pre>        // Semua bisa memanggil tampilkanInfo() — warisan dari Karyawan<br>        k1.tampilkanInfo(); // output: ID, Nama, Gaji<br>        k2.tampilkanInfo();<br>        k3.tampilkanInfo();</pre><pre>        // Tunjangan dihitung berbeda masing-masing<br>        System.out.println(&quot;Total Gaji Budi : Rp&quot; + k1.totalGaji()); // 6.000.000<br>        System.out.println(&quot;Total Gaji Sari : Rp&quot; + k2.totalGaji()); // 4.900.000<br>        System.out.println(&quot;Total Gaji Eko  : Rp&quot; + k3.totalGaji()); // 15.000.000<br>        <br>        // Manager punya method tambahan<br>        System.out.println(&quot;Dept  : &quot; + k3.getDepartemen()); // IT<br>    }<br>}</pre><h3>Dampak Jika Tidak Menggunakan Inheritance</h3><p>Tanpa inheritance, ketiga class tersebut harus menuliskan sendiri atribut id, nama, gajiPokok, method tampilkanInfo(), dan totalGaji(). Artinya kode yang sama ditulis minimal 3 kali. Jika perusahaan memiliki 10 jenis karyawan, kode yang sama harus ada di 10 tempat — setiap perubahan kecil (misalnya format tampilan info) memerlukan 10 pembaruan berbeda. Inilah yang disebut <em>code smell</em> dan menjadi sumber utama bug.</p><h3>Kesimpulan</h3><p>Inheritance dibutuhkan dalam OOP karena ia memungkinkan penggunaan ulang kode (code reuse) melalui mekanisme pewarisan, menjaga konsistensi sistem melalui satu sumber kebenaran (parent class), dan mempermudah perluasan sistem (extensibility) tanpa mengubah kode yang sudah ada. Dalam studi kasus karyawan di atas, inheritance memungkinkan kita memodelkan berbagai jenis karyawan yang berbeda namun tetap terhubung melalui satu fondasi class yang sama.</p><p>✦ ✦ ✦</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2f54a387a3a3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bagaimana Encapsulation Melindungi Data dalam Pemrograman Berorientasi Objek?Artikel OOP · Studi K]]></title>
            <link>https://medium.com/@sikteubunsaver/bagaimana-encapsulation-melindungi-data-dalam-pemrograman-berorientasi-objek-artikel-oop-studi-k-55fd1a38651e?source=rss-c648e49f13bb------2</link>
            <guid isPermaLink="false">https://medium.com/p/55fd1a38651e</guid>
            <category><![CDATA[oop]]></category>
            <category><![CDATA[encapsulation]]></category>
            <dc:creator><![CDATA[Saverio SIkteubun]]></dc:creator>
            <pubDate>Wed, 22 Apr 2026 12:58:33 GMT</pubDate>
            <atom:updated>2026-04-22T12:58:33.394Z</atom:updated>
            <content:encoded><![CDATA[<h3>Bagaimana Encapsulation Melindungi Data dalam Pemrograman Berorientasi Objek?</h3><h3>Pertanyaan</h3><p>Bagaimana encapsulation bekerja dalam Object-Oriented Programming (OOP) untuk melindungi data dari akses dan modifikasi yang tidak sah, serta bagaimana penerapannya dalam kasus nyata sistem perbankan?</p><p>✦ ✦ ✦</p><h3>Jawaban</h3><p><strong>Encapsulation</strong> adalah salah satu dari empat pilar utama OOP yang berarti “pembungkusan” — proses menyembunyikan data (atribut) dan perilaku (method) suatu objek dari akses luar secara langsung. Dengan encapsulation, detail implementasi internal sebuah class disembunyikan, dan hanya interface yang telah didefinisikan secara eksplisit yang boleh diakses dari luar.</p><blockquote><em>“Encapsulation bukan sekadar menyembunyikan data — ia adalah cara kita mendefinisikan batas tanggung jawab sebuah objek terhadap dunia luar.”</em></blockquote><h3>Cara Kerja Encapsulation</h3><p>Encapsulation bekerja melalui dua mekanisme utama: <strong>access modifier</strong> dan <strong>getter/setter method</strong>.</p><h3>1. Access Modifier</h3><p>Java menyediakan tiga tingkatan akses yang menentukan siapa yang boleh mengakses suatu anggota class:</p><ul><li><strong>private</strong> — hanya dapat diakses dari dalam class itu sendiri.</li><li><strong>protected</strong> — dapat diakses dari class itu sendiri dan subclass-nya.</li><li><strong>public</strong> — dapat diakses dari mana saja.</li></ul><h3>2. Getter &amp; Setter</h3><p>Karena atribut dideklarasikan private, class menyediakan method publik khusus untuk membaca (getter) dan mengubah (setter) nilainya. Di dalam setter itulah kita bisa menambahkan validasi, sehingga data tidak bisa diisi sembarangan.</p><p>✦ ✦ ✦</p><h3>Studi Kasus: Sistem Rekening Bank</h3><p>📌 Skenario Kasus</p><p>Sebuah bank memiliki sistem digital yang mengelola rekening nasabah. Saldo rekening adalah data yang sangat sensitif — tidak boleh diakses atau diubah secara langsung dari luar sistem keamanan bank. Setiap transaksi (setor, tarik) harus melalui mekanisme resmi yang memvalidasi jumlah dan kondisi akun.</p><h3>Implementasi Tanpa Encapsulation (Berbahaya)</h3><p>BurukTanpaEncapsulation.java</p><pre>// ❌ TANPA Encapsulation — data bisa diubah sembarangan<br>class RekeningTanpaEncapsulation {<br>    public double saldo;  // publik! siapa pun bisa ubah<br>    public String nomorRekening;<br>}</pre><pre>public class Main {<br>    public static void main(String[] args) {<br>        RekeningTanpaEncapsulation akun = new RekeningTanpaEncapsulation();<br>        akun.saldo = 1000000;<br>        <br>        // ⚠️ BAHAYA: saldo bisa dimanipulasi langsung!<br>        akun.saldo = -999999999;  // tidak ada validasi sama sekali<br>        akun.nomorRekening = &quot;&quot;;       // bisa dikosongkan<br>        <br>        System.out.println(&quot;Saldo: &quot; + akun.saldo); // -999999999<br>    }<br>}</pre><h3>Implementasi Dengan Encapsulation (Aman)</h3><p>RekeningBank.java</p><pre>// ✅ DENGAN Encapsulation — data terlindungi<br>public class RekeningBank {<br>    <br>    // Atribut private — tidak bisa diakses langsung dari luar<br>    private String nomorRekening;<br>    private String namaNasabah;<br>    private double saldo;<br>    private boolean statusAktif;</pre><pre>    // Constructor<br>    public RekeningBank(String nomor, String nama, double saldoAwal) {<br>        this.nomorRekening = nomor;<br>        this.namaNasabah = nama;<br>        this.statusAktif = true;<br>        // Validasi saldo awal<br>        if (saldoAwal &gt;= 0) {<br>            this.saldo = saldoAwal;<br>        } else {<br>            this.saldo = 0;<br>            System.out.println(&quot;Saldo awal tidak valid, diset ke 0.&quot;);<br>        }<br>    }</pre><pre>    // GETTER — hanya membaca, tidak mengubah<br>    public String getNomorRekening() { return nomorRekening; }<br>    public String getNamaNasabah()  { return namaNasabah; }<br>    public double getSaldo()          { return saldo; }<br>    public boolean isAktif()         { return statusAktif; }</pre><pre>    // METHOD BISNIS — dengan validasi penuh<br>    public void setor(double jumlah) {<br>        if (!statusAktif) {<br>            System.out.println(&quot;Rekening tidak aktif!&quot;);<br>            return;<br>        }<br>        if (jumlah &lt;= 0) {<br>            System.out.println(&quot;Jumlah setor harus positif!&quot;);<br>            return;<br>        }<br>        saldo += jumlah;<br>        System.out.printf(&quot;Setor Rp%.0f berhasil. Saldo: Rp%.0f%n&quot;, jumlah, saldo);<br>    }</pre><pre>    public void tarik(double jumlah) {<br>        if (!statusAktif) {<br>            System.out.println(&quot;Rekening tidak aktif!&quot;);<br>            return;<br>        }<br>        if (jumlah &lt;= 0) {<br>            System.out.println(&quot;Jumlah tarik harus positif!&quot;);<br>            return;<br>        }<br>        if (jumlah &gt; saldo) {<br>            System.out.println(&quot;Saldo tidak mencukupi!&quot;);<br>            return;<br>        }<br>        saldo -= jumlah;<br>        System.out.printf(&quot;Tarik Rp%.0f berhasil. Saldo: Rp%.0f%n&quot;, jumlah, saldo);<br>    }</pre><pre>    public void tutupRekening() {<br>        statusAktif = false;<br>        System.out.println(&quot;Rekening &quot; + nomorRekening + &quot; telah ditutup.&quot;);<br>    }<br>}</pre><p>Main.java — Penggunaan</p><pre>public class Main {<br>    public static void main(String[] args) {</pre><pre>        RekeningBank akun = new RekeningBank(&quot;BNI-001&quot;, &quot;Andi&quot;, 500000);</pre><pre>        // akun.saldo = -99999; ← ❌ ERROR! private, tidak bisa diakses</pre><pre>        akun.setor(200000);   // ✅ Setor Rp200000 berhasil. Saldo: Rp700000<br>        akun.tarik(900000);   // ✅ Saldo tidak mencukupi!<br>        akun.tarik(100000);   // ✅ Tarik Rp100000 berhasil. Saldo: Rp600000<br>        akun.setor(-50000);  // ✅ Jumlah setor harus positif!</pre><pre>        System.out.println(&quot;Nasabah: &quot; + akun.getNamaNasabah());<br>        System.out.println(&quot;Saldo akhir: Rp&quot; + akun.getSaldo());<br>    }<br>}</pre><h3>Analisis: Manfaat Encapsulation pada Kasus Ini</h3><ul><li><strong>Proteksi data:</strong> Atribut saldo tidak bisa diubah sembarangan dari luar class.</li><li><strong>Validasi terpusat:</strong> Semua aturan bisnis (saldo tidak boleh negatif, rekening harus aktif) ada di satu tempat.</li><li><strong>Kemudahan maintenance:</strong> Jika aturan bisnis berubah, cukup ubah di dalam class RekeningBank.</li><li><strong>Keamanan sistem:</strong> Tidak ada “jalan belakang” untuk memanipulasi data sensitif.</li></ul><blockquote><em>Dengan encapsulation, class </em>RekeningBank<em> bertindak seperti brankas: Anda bisa melihat saldonya lewat layar (getter), menyetorkan uang lewat teller (method </em><em>setor), namun Anda tidak bisa membuka brankas dan mengubah angkanya sendiri.</em></blockquote><h3>Kesimpulan</h3><p>Encapsulation bekerja dengan cara: pertama, mendeklarasikan semua atribut sebagai private sehingga tidak dapat diakses langsung dari luar. Kedua, menyediakan method public (getter/setter atau method bisnis) sebagai satu-satunya pintu masuk yang sah. Ketiga, di dalam method itulah validasi dan logika bisnis diterapkan untuk menjaga integritas data.</p><p>Dalam studi kasus sistem perbankan di atas, encapsulation memastikan bahwa saldo nasabah hanya bisa berubah melalui proses setor atau tarik yang tervalidasi — persis seperti cara kerja sistem perbankan nyata yang mengutamakan keamanan dan integritas data.</p><p>✦ ✦ ✦</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=55fd1a38651e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>