Pemampatan citra dengan menggunakan metode pemampatan kuantisasi
SKRIPSI
Oleh : Sumitomo Fajar Nugroho M 0104062
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2010
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah Akhir-akhir ini telah terjadi perubahan besar dalam kehidupan yaitu dalam perkembangan komputer dan teknologi komunikasi. Industri telekomunikasi telah berpindah dari analog ke digital yang disebabkan pesatnya perkembangan internet. Internet dapat membuat komunikasi ke seluruh penjuru dunia hanya dalam waktu sekejap. Dengan internet memungkinkan untuk mendapatkan data apapun dari seluruh dunia. Internet dapat digunakan untuk melakukan transaksi jual beli barang dari seluruh dunia. Kecepatan perpindahan data dalam internet sangat ditentukan oleh besarnya bandwith dan data yang dipindahkan. Data yang dipindahkan di dalam internet biasanya berupa suatu halaman web. Dalam membuka sebuah halaman web, akan terbuka dengan sangat cepat jika ukuran halaman web tersebut sangat kecil. Ukuran besar kecilnya halaman web sangat ditentukan dengan isinya. Jika isinya hanya berupa teks saja tentu ukurannya sangat kecil. Jika isinya banyak terdapat gambar atau foto atau citra beresolusi tinggi, tentu ukuran halaman web menjadi besar. Oleh karena itu citra beresolusi tinggi tersebut perlu diperkecil ukurannya agar halaman web menjadi kecil sehingga cepat dalam proses membukanya. Ukurannya tersebut dapat diperkecil dengan menggunakan salah satu bagian dari pengolahan citra yaitu pemampatan citra. Dengan pemampatan citra maka citra beresolusi tinggi dapat diperkecil ukurannya tanpa mengurangi kualitasnya. Menurut Sianipar dan Muliani (2003) karakteristik dari kebanyakan citra adalah korelasi yang erat antara satu piksel dengan piksel tetangganya. Metode pemampatan yang digunakan adalah metode pemampatan kuantisasi. Menurut Munir (2004), setiap citra memiliki derajat keabuan. Metode pemampatan kuantisasi menggunakan derajat keabuan untuk memampatkan citra. Citra dimampatkan dengan cara mengurangi derajat keabuan citra.
Pemampatan suatu citra tidak selalu menghasilkan rasio pemampatan yang maksimal. Kadang kala menghasilkan citra yang sangat mampat dengan hasil yang minimal, tetapi kadang menghasilkan citra yang kurang mampat dengan hasil yang maksimal. Oleh karena itu akan dicari level pemampatan yang menghasilkan ukuran dan hasil yang memuaskan. Setiap metode pemampatan pasti mempunyai kelebihan dan kekurangan. Metode pemampatan kuantisasi akan dibandingkan dengan metode pemampatan Jpeg untuk mengetahui kelebihan dan kekurangannya. Pada metode jpeg menurut Acharya dan Tsai (2005) piksel yang berdekatan pada sebuah image berhubungan erat sehingga memungkinkan mengambil informasi tentang sebuah piksel dari nilai piksel tetangganya.
1.2 Perumusan Masalah Berdasarkan latar belakang masalah, dapat dirumuskan permasalahan sebagai berikut: 1. bagaimana memampatkan citra dengan ukuran yang minimal dan dengan derajat keabuan yang maksimal menggunakan metode pemampatan kuantisasi? 2. bagaimana hasil metode pemampatan kuantisasi dibandingkan metode pemampatan jpeg?
1.3 Batasan Masalah Pada penulisan skripsi ini, masalah hanya terbatas pada obyek masukan berupa citra yang bertipe bmp dan berformat 24 bit.
1.4 Tujuan Penulisan Tujuan yang ingin diperoleh dari penulisan skripsi ini adalah: 1. dapat memampatkan citra dengan ukuran yang minimal dan dengan derajat keabuan yang maksimal menggunakan metode pemampatan kuantisasi, 2. dapat membandingkan metode pemampatan kuantisasi dengan metode pemampatan jpeg.
1.5 Manfaat Penulisan Manfaat yang diharapkan dari penulisan skripsi ini adalah: 1. mengaplikasikan pengolahan citra khususnya tentang pemampatan citra dalam kehidupan nyata, 2. menambah wawasan mengenai pemampatan citra khususnya tentang metode pemampatan kuantisasi. BAB II LANDASAN TEORI
2.1. Tinjauan Pustaka Pada bagian ini akan dijelaskan mengenai citra, pengolahan citra, pemampatan citra, dan metode pemampatan kuantisasi.
2.1.1
Citra
Menurut Munir (2004), citra (image) adalah gambar pada bidang dwimarta (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dwimarta. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. Citra yang dimaksudkan dalam skripsi ini adalah “citra diam” (still images). Menurut Munir (2004), citra diam adalah citra tunggal yang tidak bergerak. Untuk selanjutnya, citra diam kita sebut citra saja. Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakikatnya terdiri atas ratusan sampai ribuan frame.
Citra ada dua macam yaitu citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit dihasilkan melalui proses digitalisasi terhadap citra kontinu. Beberapa sistem optik dilengkapi dengan fungsi digitalisasi sehingga ia mampu menghasilkan citra diskrit, misalnya kamera digital dan scanner. Citra diskrit disebut juga citra digital. Komputer digital yang umum dipakai saat ini hanya dapat mengolah citra digital.
2.1.2
Citra Digital
Menurut Balza dan Firdausy (2005), setiap citra digital memiliki beberapa karakteristik, antara lain ukuran citra, resolusi, dan format nilainya. Umumnya citra digital berbentuk persegi panjang yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel, sehingga ukuran citra selalu bernilai bulat. Ukuran citra dapat juga dinyatakan secara fisik dalam satuan panjang (misalnya mm atau inchi). Dalam hal ini tentu saja harus ada hubungan antara ukuran titik penyusun citra dengan satuan panjang. Hal tersebut dinyatakan dengan resolusi yang merupakan ukuran banyaknya piksel untuk setiap satuan panjang. Biasanya satuan yang digunakan adalah dpi (dot per inchi). Makin besar resolusi makin banyak titik yang terkandung dalam citra dengan ukuran fisik yang sama. Hal ini memberikan efek penampakan citra menjadi semakin halus. Pada citra digital semua informasi tadi disimpan dalam bentuk angka, sedangkan penampilan angka tersebut biasanya dikaitkan dengan warna. Citra digital tersusun atas titik-titik yang biasanya berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan, piksel-piksel penyusun citra ada pula yang berbentuk segienam) yang secara beraturan membentuk baris-baris dan kolom-kolom. Setiap titik memiliki koordinat sesuai dengan posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 dan 1 bergantung pada sistem yang digunakan (dalam delphi koordinat titik dalam citra dimulai dari 0). Setiap titik juga memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili titik tersebut. Pada
kebanyakan sistem pencitraan, nilai ini biasanya berupa bilangan bulat positif juga. Format nilai piksel sama dengan format citra keseluruhan. Format citra digital yang banyak dipakai adalah citra biner, skala keabuan, warna dan warna berindeks.
2.1.3
Pengolahan Citra
Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image processing). Menurut Munir (2004), pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Menurut Munir (2004), pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (image compression). Beberapa jenis operasi pengolahan citra menurut Munir (2004). 1. Perbaikan kualitas citra (image enhancement). Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. 2. Pemugaran citra (image restoration).
Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. 3. Pemampatan citra (image compression). Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang dimampatkan harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi citra (image segmentation). Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. 5. Pengorakan citra (image analysis). Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. 6. Rekonstruksi citra (image reconstruction). Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Beberapa jenis operasi pengolahan citra menurut Wijaya dan Prijono (2007). 1. Perbaikan citra (image restoration) 2. Peningkatan kualitas citra (image enhancement) 3. Registrasi citra (image registration) 4. Pemampatan data citra (image data compaction) 5. Pemilahan citra (image segmentation)
2.1.4
Pemampatan Citra
Menurut Munir (2004), pemampatan citra atau kompresi citra (image compression)
bertujuan
meminimalkan
kebutuhan
memori
untuk
merepresentasikan citra digital. Prinsip umum yang digunakan pada proses pemampatan citra adalah mengurangi duplikasi data di dalam citra sehingga memori yang dibutuhkan untuk merepresentasikan citra menjadi lebih sedikit daripada representasi citra semula. Ada dua proses utama dalam persoalan pemampatan citra. 1. Pemampatan citra (image compression). Pada proses ini, citra dalam representasi tidak mampat dikodekan dengan representasi yang meminimumkan kebutuhan memori. Citra yang sudah dimampatkan disimpan ke dalam arsip dengan format tertentu.
2. Penirmampatan citra (image decompression). Pada proses ini, citra yang sudah dimampatkan harus dapat dikembalikan lagi (decoding) menjadi representasi yang tidak mampat. Proses ini diperlukan jika citra tersebut ditampilkan ke layar atau disimpan ke dalam arsip dengan format tidak mampat. Metode pemampatan citra dapat diklasifikasikan ke dalam dua kelompok besar. 1. Metode lossless. Metode lossless selalu menghasilkan citra hasil penirmampatan yang tepat sama dengan citra semula, pixel per pixel. Tidak ada informasi yang hilang akibat pemampatan. Sayangnya nisbah (ratio) pemampatan citra metode lossless sangat rendah. Metode lossless cocok untuk memampatkan citra yang mengandung informasi penting yang tidak boleh rusak akibat pemampatan. Misalnya memampatkan gambar hasil diagnosa medis. 2. Metode lossy. Metode lossy menghasilkan citra hasil pemampatan yang hampir sama dengan citra semula. Ada informasi yang hilang akibat pemampatan, tetapi dapat ditolelir oleh persepsi mata. Mata tidak dapat membedakan perubahan kecil pada gambar. Metode pemampatan lossy menghasilkan nisbah pemampatan yang tinggi daripada metode lossless.
2.1.5
Kuantisasi
Menurut Gray dan Neuhoff (1998) kuantisasi mengubah analog ke digital. Kuantisasi dapat dikembangkan dan dicoba pada audio, citra dan video. Kuantisasi dalam pengolahan citra adalah salah satu teknik pemampatan lossy. Dalam skema pemampatan, pemampatan diperoleh dari membuang beberapa data dengan pemilahan. Kuantisasi adalah proses memetakan nilai kontinu ke dalam himpunan nilai diskrit atau bulat yang relatif kecil atau terbatas. Sebagai contoh membulatkan bilangan real dalam interval [0,100] ke bilangan bulat 0, 1, 2, …., 100. Dengan kata lain, kuantisasi dapat didefinisikan sebagai pemetaan sebuah interval kontinu terbatas I = [a,b], dengan sebuah nilai c, yang berada dalam interval
tersebut.
Sebagai
contoh,
membulatkan
nilai
terdekat
dengan
menggantikan interval [c-0.5, c+0.5) dengan nilai bilangan bulat c.
2.1.6
Metode Pemampatan Kuantisasi
Menurut Munir (2004), metode ini mengurangi jumlah derajat keabuan, yang tentu saja mengurangi jumlah bit yang dibutuhkan untuk merepresentasikan citra. Misalkan P adalah jumlah piksel dalam citra semula, akan dimampatkan menjadi n derajat keabuan. Algoritmanya adalah sebagai berikut. 1. Buat histogram citra semula (citra yang akan dimampatkan). 2. Identifikasi n buah kelompok di dalam histogram sedemikian sehingga setiap kelompok mempunyai kira-kira P/n buah piksel. 3. Nyatakan setiap kelompok dengan derajat keabuan 0 sampai n-1. Setiap piksel di dalam kelompok dikodekan kembali dengan nilai derajat keabuan yang baru.
2.1.7
Pemampatan Kuantisasi dengan Menggunakan Delphi 7
Menurut Fadlisyah dkk. (2008), di dalam Delphi 7, memampatan citra dengan menggunakan metode pemampatan kuantisasi telah terdapat sintaks yang mendukungnya. Pemampatan tersebut telah include di dalam Delphi 7 sehingga hanya dengan menuliskannya bisa langsung didapatkan hasilnya. Sintaks tersebut adalah dengan menuliskan pf…bit. Pada titik-titik bisa diisi dengan angka yang dikehendaki yang didukung oleh Delphi 7. Misalnya pada skripsi ini saya
menggunakan pf4bit pada level 1, pf8bit pada level 2, pf15bit pada level 3. Setelah pemampatan langsung diperoleh hasil pemampatan berupa citra dengan ukuran berbeda.
2.2. Kerangka Pemikiran Berdasarkan latar belakang masalah dan mengacu pada tinjauan pustaka di atas, maka dapat dibuat kerangka pemikiran yang memungkinkan sebagai tuntunan untuk memecahkan masalah penulisan skripsi. Citra dimampatkan dengan menggunakan aplikasi pemampatan citra yang telah
dibuat
sesuai
algoritma
metode
pemampatan
kuantisasi
dengan
menggunakan bahasa pemrograman Delphi 7. Mencari nilai level pemampatan yang menghasilkan citra yang memiliki ukuran yang minimal dan dengan derajat keabuan yang maksimal. Selanjutnya membandingkan citra hasil pemampatan yang memiliki ukuran yang minimal dan dengan derajat keabuan yang maksimal dari metode pemampatan kuantisasi dengan metode pemampatan jpeg. BAB II LANDASAN TEORI
2.3. Tinjauan Pustaka Pada bagian ini akan dijelaskan mengenai citra, pengolahan citra, pemampatan citra, dan metode pemampatan kuantisasi.
2.1.8
Citra
Menurut Munir (2004), citra (image) adalah gambar pada bidang dwimarta (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dwimarta. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam.
Citra yang dimaksudkan dalam skripsi ini adalah “citra diam” (still images). Menurut Munir (2004), citra diam adalah citra tunggal yang tidak bergerak. Untuk selanjutnya, citra diam kita sebut citra saja. Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakikatnya terdiri atas ratusan sampai ribuan frame. Citra ada dua macam yaitu citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit dihasilkan melalui proses digitalisasi terhadap citra kontinu. Beberapa sistem optik dilengkapi dengan fungsi digitalisasi sehingga ia mampu menghasilkan citra diskrit, misalnya kamera digital dan scanner. Citra diskrit disebut juga citra digital. Komputer digital yang umum dipakai saat ini hanya dapat mengolah citra digital.
2.1.9
Citra Digital
Menurut Balza dan Firdausy (2005), setiap citra digital memiliki beberapa karakteristik, antara lain ukuran citra, resolusi, dan format nilainya. Umumnya citra digital berbentuk persegi panjang yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel, sehingga ukuran citra selalu bernilai bulat. Ukuran citra dapat juga dinyatakan secara fisik dalam satuan panjang (misalnya mm atau inchi). Dalam hal ini tentu saja harus ada hubungan antara ukuran titik penyusun citra dengan satuan panjang. Hal tersebut dinyatakan dengan resolusi yang merupakan ukuran banyaknya piksel untuk setiap satuan panjang. Biasanya satuan yang digunakan adalah dpi (dot per inchi). Makin besar resolusi makin banyak titik yang terkandung dalam citra dengan ukuran fisik yang sama. Hal ini memberikan efek penampakan citra menjadi semakin halus. Pada citra digital semua informasi tadi disimpan dalam bentuk angka, sedangkan penampilan angka tersebut biasanya dikaitkan dengan warna. Citra
digital tersusun atas titik-titik yang biasanya berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan, piksel-piksel penyusun citra ada pula yang berbentuk segienam) yang secara beraturan membentuk baris-baris dan kolom-kolom. Setiap titik memiliki koordinat sesuai dengan posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 dan 1 bergantung pada sistem yang digunakan (dalam delphi koordinat titik dalam citra dimulai dari 0). Setiap titik juga memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili titik tersebut. Pada kebanyakan sistem pencitraan, nilai ini biasanya berupa bilangan bulat positif juga. Format nilai piksel sama dengan format citra keseluruhan. Format citra digital yang banyak dipakai adalah citra biner, skala keabuan, warna dan warna berindeks.
2.1.10 Pengolahan Citra Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image processing). Menurut Munir (2004), pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Menurut Munir (2004), pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (image compression).
Beberapa jenis operasi pengolahan citra menurut Munir (2004). 1. Perbaikan kualitas citra (image enhancement). Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. 2. Pemugaran citra (image restoration). Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. 3. Pemampatan citra (image compression). Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang dimampatkan harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi citra (image segmentation). Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. 5. Pengorakan citra (image analysis). Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. 6. Rekonstruksi citra (image reconstruction). Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Beberapa jenis operasi pengolahan citra menurut Wijaya dan Prijono (2007). 6. Perbaikan citra (image restoration) 7. Peningkatan kualitas citra (image enhancement) 8. Registrasi citra (image registration)
9. Pemampatan data citra (image data compaction) 10.
Pemilahan citra (image segmentation)
2.1.11 Pemampatan Citra Menurut Munir (2004), pemampatan citra atau kompresi citra (image compression)
bertujuan
meminimalkan
kebutuhan
memori
untuk
merepresentasikan citra digital. Prinsip umum yang digunakan pada proses pemampatan citra adalah mengurangi duplikasi data di dalam citra sehingga memori yang dibutuhkan untuk merepresentasikan citra menjadi lebih sedikit daripada representasi citra semula. Ada dua proses utama dalam persoalan pemampatan citra. 1. Pemampatan citra (image compression). Pada proses ini, citra dalam representasi tidak mampat dikodekan dengan representasi yang meminimumkan kebutuhan memori. Citra yang sudah dimampatkan disimpan ke dalam arsip dengan format tertentu.
2. Penirmampatan citra (image decompression). Pada proses ini, citra yang sudah dimampatkan harus dapat dikembalikan lagi (decoding) menjadi representasi yang tidak mampat. Proses ini diperlukan jika citra tersebut ditampilkan ke layar atau disimpan ke dalam arsip dengan format tidak mampat. Metode pemampatan citra dapat diklasifikasikan ke dalam dua kelompok besar. 1. Metode lossless. Metode lossless selalu menghasilkan citra hasil penirmampatan yang tepat sama dengan citra semula, pixel per pixel. Tidak ada informasi yang hilang akibat pemampatan. Sayangnya nisbah (ratio) pemampatan citra metode lossless sangat rendah. Metode lossless cocok untuk memampatkan citra yang mengandung informasi penting yang tidak boleh rusak akibat pemampatan. Misalnya memampatkan gambar hasil diagnosa medis. 2. Metode lossy.
Metode lossy menghasilkan citra hasil pemampatan yang hampir sama dengan citra semula. Ada informasi yang hilang akibat pemampatan, tetapi dapat ditolelir oleh persepsi mata. Mata tidak dapat membedakan perubahan kecil pada gambar. Metode pemampatan lossy menghasilkan nisbah pemampatan yang tinggi daripada metode lossless.
2.1.12 Kuantisasi Menurut Gray dan Neuhoff (1998) kuantisasi mengubah analog ke digital. Kuantisasi dapat dikembangkan dan dicoba pada audio, citra dan video. Kuantisasi dalam pengolahan citra adalah salah satu teknik pemampatan lossy. Dalam skema pemampatan, pemampatan diperoleh dari membuang beberapa data dengan pemilahan. Kuantisasi adalah proses memetakan nilai kontinu ke dalam himpunan nilai diskrit atau bulat yang relatif kecil atau terbatas. Sebagai contoh membulatkan bilangan real dalam interval [0,100] ke bilangan bulat 0, 1, 2, …., 100. Dengan kata lain, kuantisasi dapat didefinisikan sebagai pemetaan sebuah interval kontinu terbatas I = [a,b], dengan sebuah nilai c, yang berada dalam interval
tersebut.
Sebagai
contoh,
membulatkan
nilai
terdekat
dengan
menggantikan interval [c-0.5, c+0.5) dengan nilai bilangan bulat c.
2.1.13 Metode Pemampatan Kuantisasi Menurut Munir (2004), metode ini mengurangi jumlah derajat keabuan, yang tentu saja mengurangi jumlah bit yang dibutuhkan untuk merepresentasikan citra. Misalkan P adalah jumlah piksel dalam citra semula, akan dimampatkan menjadi n derajat keabuan. Algoritmanya adalah sebagai berikut. 1. Buat histogram citra semula (citra yang akan dimampatkan). 2. Identifikasi n buah kelompok di dalam histogram sedemikian sehingga setiap kelompok mempunyai kira-kira P/n buah piksel. 3. Nyatakan setiap kelompok dengan derajat keabuan 0 sampai n-1. Setiap piksel di dalam kelompok dikodekan kembali dengan nilai derajat keabuan yang baru.
2.1.14 Pemampatan Kuantisasi dengan Menggunakan Delphi 7
Menurut Fadlisyah dkk. (2008), di dalam Delphi 7, memampatan citra dengan menggunakan metode pemampatan kuantisasi telah terdapat sintaks yang mendukungnya. Pemampatan tersebut telah include di dalam Delphi 7 sehingga hanya dengan menuliskannya bisa langsung didapatkan hasilnya. Sintaks tersebut adalah dengan menuliskan pf…bit. Pada titik-titik bisa diisi dengan angka yang dikehendaki yang didukung oleh Delphi 7. Misalnya pada skripsi ini saya menggunakan pf4bit pada level 1, pf8bit pada level 2, pf15bit pada level 3. Setelah pemampatan langsung diperoleh hasil pemampatan berupa citra dengan ukuran berbeda.
2.4. Kerangka Pemikiran Berdasarkan latar belakang masalah dan mengacu pada tinjauan pustaka di atas, maka dapat dibuat kerangka pemikiran yang memungkinkan sebagai tuntunan untuk memecahkan masalah penulisan skripsi. Citra dimampatkan dengan menggunakan aplikasi pemampatan citra yang telah
dibuat
sesuai
algoritma
metode
pemampatan
kuantisasi
dengan
menggunakan bahasa pemrograman Delphi 7. Mencari nilai level pemampatan yang menghasilkan citra yang memiliki ukuran yang minimal dan dengan derajat keabuan yang maksimal. Selanjutnya membandingkan citra hasil pemampatan yang memiliki ukuran yang minimal dan dengan derajat keabuan yang maksimal dari metode pemampatan kuantisasi dengan metode pemampatan jpeg. BAB IV PEMBAHASAN
4.1. Nisbah Pemampatan Nisbah pemampatan adalah besarnya rasio pemampatan terhadap citra yang ditunjukkan dalam bentuk persentase. Semakin besar persentase berarti menunjukkan
semakin
besarnya
rasio
pemampatan.
Rasio
pemampatan
berbanding terbalik dengan kualitas citra. Semakin tinggi rasio pemampatan
berarti semakin buruk kualitas citra. Besarnya nisbah pemampatan citra dihitung dengan rumus.
Nisbah Pemampatan = 100 % - (
Ukuran citra hasil pemampatan
x 100 % )
Ukuran citra semula
4.2. Derajat Keabuan Citra pada setiap pikselnya terdapat nilai tingkat hitam putihnya antara 0 sampai 255. Terdapat sejumlah piksel yang memiliki nilai tingkat hitam putih yang sama. Nilai-nilai yang ada antara 0 sampai 255 disebut derajat keabuan. Jika semua nilai antara 0 sampai 255 ada pada piksel-piksel citra berarti citra tersebut memiliki derajat keabuan 256.
4.3. Citra Uji Citra uji adalah citra yang akan dimampatkan menggunakan aplikasi yang dibuat dengan menggunakan bahasa pemrograman Delphi 7. Semua citra uji bertipe bmp dan berformat 24 bit. Citra uji dipilih berdasarkan besarnya ukuran piksel dan ukuran file. Ukuran file dan piksel dipilih dari ukuran kecil hingga ukuran besar agar setiap tingkat ukuran file dan piksel terwakili oleh satu file citra. Dipilih lima citra uji dengan berbagai ukuran file dan piksel yang berbedabeda. Diharapkan dari diambilnya citra dengan berbagai ukuran dari kecil ke besar dapat memberikan hasil yang beragam. Diharapkan setiap citra yang dipilih dapat mewakili ukuran file dan piksel dari citra yang memiliki ukuran file dan piksel yang hampir sama. Citra uji yang dipilih adalah sebagai berikut. 1. Citra Bliss
Gambar 4.1. Citra Bliss Citra Bliss merupakan citra terkecil dengan ukuran file 202.554 bytes dan ukuran piksel 300 x 225. Citra ini mewakili citra ukuran kecil yaitu citra yang berada pada ukuran di sekitar 200 kb. 2. Citra Kabut
Gambar 4.2. Citra Kabut Citra Kabut merupakan citra terkecil kedua setelah citra Bliss. Citra ini memiliki ukuran file 921.654 bytes dan ukuran piksel 640 x 480. Citra ini mewakili citra ukuran file di sekitar 900 kb. 3. Citra Milan Citra Milan merupakan citra pertengahan diantara lima citra yang dipilih. Citra ini memiliki ukuran file 2.239.542 bytes dan ukuran piksel 1024 x 729. Citra ini mewakili citra ukuran file di sekitar 2 mb.
Gambar 4.3. Citra Milan 4. Citra Img1
Gambar 4.4. Citra Img1 Citra Img1 memiliki ukuran file 8.294.454 bytes dan ukuran piksel 1920 x 1440. Citra ini mewakili citra yang memiliki ukuran di sekitar 8 mb. 5. Citra Candi
Gambar 4.5. Citra Candi Citra Candi merupakan citra yang terbesar diantara citra uji yang dipilih. Citra ini memiliki ukuran file dan ukuran piksel yang terbesar. Citra ini memiliki
ukuran
file 15.116.598 bytes dan ukuran piksel 2592 x 1944. Citra ini
mewakili citra yang ukuran filenya di sekitar 15 mb. Perbandingan citra uji bisa dilihat pada Tabel 4.1. Tabel 4.1. Citra uji Citra
Ukuran file (bytes)
Ukuran piksel
Bliss
202.554
300 x 225
Kabut
921.654
640 x 480
Milan
2.239.542
1024 x 729
Img1
8.294.454
1920 x 1440
Candi
15.116.598
2592 x 1944
4.4. Algoritma Metode Pemampatan Kuantisasi Kuantisasi secara garis besar adalah mengubah nilai kontinu ke nilai diskrit. Di dalam pemampatan citra, kuantisasi mengubah nilai intensitas citra awal yang telah dibuat dalam suatu interval ke satu nilai pada setiap interval. Algoritma yang digunakan untuk memampatkan citra adalah sebagai berikut. 1. Mengambil citra yang akan dimampatkan. 2. Membaca setiap piksel dalam citra tersebut. 3. Membuat histogram intensitas red green blue. 4. Mengelompokkan intensitas piksel-piksel. a. Level 1 dibagi 4 kelompok, setiap kelompok terdiri dari 64 nilai. b. Level 2 dibagi 16 kelompok, setiap kelompok terdiri dari 16 nilai. c. Level 3 dibagi 32 kelompok, setiap kelompok terdiri dari 8 nilai. 5. Menentukan nilai intensitas baru pada setiap kelompok a. Level 1 dimulai dari 0 kemudian pada setiap kelompok berikutnya naik 85 nilai sampai nilai terakhir 255. b. Level 2 dimulai dari 0 kemudian pada setiap kelompok berikutnya naik 17 nilai sampai nilai terakhir 255. c. Level 3 dimulai dari 0 kemudian naik dengan urutan 8, 8, 8, 9. Kenaikan 8, 8, 8, 9 diulang terus sampai nilai terakhir 255.
6. Nilai intensitas baru tersebut dituliskan kembali ke dalam citra sehingga diperoleh citra baru yang lebih mampat.
4.5. Aplikasi Pemampatan Citra
Gambar 4.6. Tampilan awal aplikasi pemampatan citra. Aplikasi pemampatan citra ini dibuat dengan menggunakan bahasa pemrograman Delphi 7. Kode program dapat dilihat pada Lampiran 3. Pada tampilan awal seperti terlihat pada Gambar 4.6, hanya satu tombol saja yang dapat diakses yaitu tombol ambil citra, karena pada awalnya memang kita harus mengambil suatu citra yang berformat bmp yang akan kita mampatkan dengan menggunakan aplikasi pemampatan citra ini. Setelah mengambil citra yang akan dimampatkan maka tombol pemampatan menjadi dapat diakses untuk melakukan pemampatan. Citra akan muncul pada kotak Citra Sebelum Pemampatan seperti tampak pada Gambar 4.7. Dan juga akan muncul ukuran file dalam bytes dan derajat keabuan citra. Terdapat dua pilihan mode ketika memampatkan citra yaitu mode manual dan mode otomatis. Mode manual memampatkan citra secara manual, yaitu mengubah nilai intensitas citra dengan cara menentukan sendiri nilai intensitas barunya. Sedangkan untuk mode otomatis, citra akan termampatkan secara otomatis tanpa menentukan nilai intensitas baru citra. Mode otomatis ini
menggunakan metode pemampatan kuantisasi yang telah include di dalam Delphi 7. Setelah mengambil citra, mode secara otomatis akan terpilih ke mode otomatis.
Gambar 4.7. Tampilan aplikasi pemampatan citra setelah mengambil citra. Tombol pemampatan terbagi menjadi tiga level. Ini dikarenakan citra ketika dimampatkan bisa dihasilkan citra hasil pemampatan yang berbeda-beda tergantung level pemampatan yang digunakan. Level pemampatan citra bisa sangat mampat bisa juga kurang mampat dan tentu juga menghasilkan citra hasil pemampatan yang berbeda-beda. Jika suatu citra dimampatkan sangat mampat sekali tentu hasil citra yang diperoleh juga jelek. Tapi sebaliknya jika diperoleh citra hasil yang sangat baik maka rasio atau nisbah pemampatannya sangat rendah. Maka akan dibahas dalam skripsi ini mendapatkan citra yang baik tapi juga mampat.
4.6. Derajat Keabuan Citra Uji Sebelum Pemampatan Citra uji sebelum pemampatan atau citra asli memiliki kualitas yang sangat bagus karena citra masih asli atau belum mengalami perubahan apapun. Terlihat pada Tabel 4.2. derajat keabuan citra asli dari citra uji memiliki derajat keabuan yang tinggi yaitu mendekati atau berada pada nilai 256. Hanya citra Bliss dan Img1 yang memiliki derajat keabuan agak jauh dari 256. Tetapi nilai 248 dan 249 dalam skala 256 termasuk tinggi. Jadi derajat keabuan dapat digunakan untuk menentukan kualitas suatu citra.
Tabel 4.2. Derajat keabuan citra uji sebelum pemampatan. Citra
Derajat Keabuan
Bliss
248
Kabut
256
Milan
256
Img1
249
Candi
255
4.7. Cara Kerja Program Untuk mengetahui cara kerja program akan diambil citra uji Bliss. Agar dapat dimampatkan secara manual maka citra uji Bliss diperkecil ukurannya menjadi 10 x 13 dengan menggunakan software ACD See Pro. Diperoleh nilai red, green dan blue pada setiap piksel sebagai berikut. Red 78
93
98
72
58
69
111
159
89
36
54
163
160
92
83
70
88
80
55
52
90
80
32
26
46
68
113
119
135
113
95
79
87
80
52
91
129
49
95
139
136
163
137
110
104
154
157
120
160
218
172
103
162
155
138
131
135
126
117
127
170
160
168
184
178
140
136
128
116
109
100
93
85
91
101
118
127
123
86
92
98
103
104
107
109
105
98
91
80
70
66
38
43
46
52
56
60
64
73
81
84
88
86
81
46
50
52
53
54
56
55
54
51
48
46
44
43
51
51
52
52
52
52
53
53
53
51
50
49
51
Green 137
144
145
125
115
120
147
181
129
92
104
185
185
148
140
130
139
133
115
111
134
127
96
92
105
120
164
166
174
158
145
132
137
131
112
138
165
112
143
184
181
195
176
158
152
183
184
157
184
225
196
148
199
192
176
167
166
157
151
159
190
185
193
205
200
179
175
165
151
142
131
122
112
112
119
134
142
138
117
126
133
139
142
145
146
144
137
128
115
103
97
52
55
58
68
77
84
89
99
108
110
114
111
105
62
66
70
72
74
76
76
74
71
68
65
63
61
73
73
74
74
74
75
76
76
75
73
72
70
72
241
241
240
238
237
238
239
242
235
227
229
240
240
243
242
241
240
239
239
238
238
237
234
233
234
235
242
241
241
239
239
238
238
238
237
239
240
238
240
245
248
252
252
251
248
246
243
238
238
240
239
237
234
219
201
194
194
205
218
233
244
251
255
255
253
49
35
25
26
26
30
40
57
74
97
129
155
170
16
17
20
23
23
26
28
25
21
17
14
15
20
21
25
25
24
21
21
22
25
28
30
31
32
32
21
21
20
19
19
19
18
18
18
18
18
17
17
10
9
9
8
10
11
12
11
12
13
12
13
14
Blue
Histogram citra sebelum pemampatan bisa dilihat pada Lampiran 1. Citra yang telah diperkecil ukurannya ini kemudian dimampatkan. Pemampatan dilakukan dengan membagi histogram menjadi 32 bagian yang sama, sehingga tiap kelompok mempunyai 8 piksel. Kemudian tiap kelompok dikodekan dengan nilai intensitas baru. Intensitas baru dimulai dari 0 kemudian naik 8, 8, 8 dan 9. Kenaikan 8, 8, 8 dan 9 diulang terus sampai mencapai pada intensitas 255. Pengkodean intensitas baru untuk lebih jelasnya bisa dilihat pada Lampiran 2.
Citra setelah dimampatkan memiliki intensitas baru. Intensitas baru pada setiap pikselnya setelah dimampatkan menjadi sebagai berikut. Red 74
90
99
74
57
66
107
156
90
33
49
165
165
90
82
66
90
82
49
49
90
82
33
24
41
66
115
115
132
115
90
74
82
82
49
90
132
49
90
140
140
165
140
107
107
156
156
123
165
222
173
99
165
156
140
132
132
123
115
123
173
165
173
189
181
140
140
132
115
107
99
90
82
90
99
115
123
123
82
90
99
99
107
107
107
107
99
90
82
66
66
33
41
41
49
57
57
66
74
82
82
90
82
82
41
49
49
49
49
57
49
49
49
49
41
41
41
49
49
49
49
49
49
49
49
49
49
49
49
49
140
148
148
123
115
123
148
181
132
90
107
189
189
148
140
132
140
132
115
107
132
123
99
90
107
123
165
165
173
156
148
132
140
132
115
140
165
115
140
189
181
198
181
156
156
181
189
156
189
231
198
148
198
198
181
165
165
156
148
156
189
189
198
206
206
181
173
165
148
140
132
123
115
115
115
132
140
140
115
123
132
140
140
148
148
148
140
132
115
99
99
49
49
57
66
74
82
90
99
107
107
115
107
107
57
66
66
74
74
74
74
74
66
66
66
57
57
74
74
74
74
74
74
74
74
74
74
74
66
74
Green
Blue 247
247
247
239
239
239
239
247
239
231
231
247
247
247
247
247
247
239
239
239
239
239
239
239
239
239
247
247
247
239
239
239
239
239
239
239
247
239
247
247
255
255
255
255
255
247
247
239
239
247
239
239
239
222
206
198
198
206
222
239
247
255
255
255
255
49
33
24
24
24
24
41
57
74
99
132
156
173
16
16
16
16
16
24
24
24
16
16
8
8
16
16
24
24
24
16
16
16
24
24
24
24
33
33
16
16
16
16
16
16
16
16
16
16
16
16
16
8
8
8
8
8
8
8
8
8
8
8
8
8
4.8. Pemampatan Terhadap Citra Uji 4.8.1. Citra Uji Bliss Pemampatan dilakukan terhadap citra Bliss yang merupakan citra terkecil. Pemampatan dilakukan secara urut dari citra berukuran kecil lebih dahulu ke citra berukuran besar. Citra hasil pemampatan pada level 1 seperti terlihat pada Gambar 4.8. terlihat cukup jelek dan terdapat banyak noise atau gangguan dalam citra. Sedangkan pada level 2 Gambar 4.9. hasil pemampatan terlihat lebih bagus daripada level 1, noisenya telah berkurang hanya terlihat sedikit yang berarti masih terlihat ada noisenya. Citra hasil pemampatan pada level 3 Gambar 4.10. terlihat sangat bagus mendekati gambar aslinya.
Gambar 4.8. Citra hasil pemampatan Bliss pada level 1.
Gambar 4.9. Citra hasil pemampatan Bliss pada level 2.
Gambar 4.10. Citra hasil pemampatan Bliss pada level 3.
Tabel 4.3. Hasil pemampatan pada citra Bliss. Level
Derajat
Persentase Derajat Nisbah Pemampatan
Pemampatan Keabuan
Keabuan ( % )
(%)
1
44
17,18
83,057
2
72
28,12
66,143
3
196
76,56
33,318
Citra Bliss memiliki derajat keabuan sebelum pemampatan terendah dibandingkan citra lainnya yaitu sebesar 248. Mungkin karena citra Bliss merupakan citra dengan ukuran terkecil sehingga kemungkinan untuk mendapatkan derajat keabuan yang maksimal seperti citra lainnya juga kecil. Dilihat dari Tabel 4.3, derajat keabuan pada level 3 memiliki derajat keabuan tertinggi sedangkan nisbah pemampatannya terendah. Perbandingan penurunan
derajat keabuan dan nisbah pemampatan pada ketiga level tersebut menunjukkan bahwa pemampatan terbaik berada pada level 3.
4.8.2. Citra Uji Kabut
Gambar 4.11. Citra hasil pemampatan Kabut pada level 1.
Gambar 4.12. Citra hasil pemampatan Kabut pada level 2.
Gambar 4.13. Citra hasil pemampatan Kabut pada level 3.
Pada citra Kabut dilihat sekilas ketiga foto pada Gambar 4.11., Gambar 4.12. dan Gambar 4.13. memberikan hasil yang sama seperti pada citra Bliss yaitu pada level 1 terlihat jelek, level 2 terdapat sedikit noise dan level 3 tidak terlihat adanya noise. Tabel 4.4. Hasil pemampatan pada citra Kabut. Level
Derajat
Persentase Derajat Nisbah Pemampatan
Pemampatan
Keabuan
Keabuan ( % )
(%)
1
54
21,09
83,321
2
61
23,82
66,551
3
254
99,22
33,330
Dilihat dari hasil pemampatan pada citra Kabut Tabel 4.4. derajat keabuan pada level 3 sangat tinggi hampir mendekati sempurna yaitu hanya terpaut 2 nilai dari derajat keabuan tertinggi yaitu 256. Berarti derajat keabuannya hanya berkurang 0,78 % tetapi nisbah pemampatannya berkurang 33 %. Dibandingkan dengan citra Bliss pada level 3 mempunyai nilai nisbah pemampatan yang sama yaitu 33 % tetapi derajat keabuannya jauh lebih tinggi citra Kabut yaitu 196 pada citra Bliss dan 254 pada citra Kabut.
4.8.3. Citra Uji Milan
Gambar 4.14. Citra hasil pemampatan Milan pada level 1.
Gambar 4.15. Citra hasil pemampatan Milan pada level 2.
Gambar 4.16. Citra hasil pemampatan Milan pada level 3.
Tabel 4.5. Hasil pemampatan pada citra Milan. Level
Derajat
Persentase Derajat Nisbah Pemampatan
Pemampatan
Keabuan
Keabuan ( % )
(%)
1
83
32,42
83,328
2
124
48,43
66,619
3
254
99,22
33,331
Dari Tabel 4.5 citra uji Milan memiliki nilai derajat keabuan yang tertinggi pada masing-masing level yaitu pada level 1 sebesar 83 tertinggi diantara citra uji lainnya dengan nisbah pemampatan yang sama sebesar 83 %, citra hasil pemampatan bisa dilihat pada Gambar 4.14. Pada level 2 sebesar 124 hampir mendekati 128 separuh nilai derajat keabuan tertinggi dengan nisbah pemampatan yang sama sebesar 66 %, citranya pada Gambar 4.15. Sedangkan pada level 3
sama nilainya dengan citra Kabut dan Candi yang merupakan nilai tertinggi pada level 3 yaitu 254, citra hasil bisa dilihat pada Gambar 4.16.
4.8.4. Citra Uji Img1
Gambar 4.17. Citra hasil pemampatan Img1 pada level 1.
Gambar 4.18. Citra hasil pemampatan Img1 pada level 2.
Gambar 4.19. Citra hasil pemampatan Img1 pada level 3.
Tabel 4.6. Hasil pemampatan pada citra Img1. Level
Derajat
Persentase Derajat Nisbah Pemampatan
Pemampatan Keabuan
Keabuan ( % )
(%)
1
10
3,91
83,332
2
27
10,54
66,653
3
48
18,75
33,332
Citra Img1 memiliki derajat keabuan yang paling rendah diantara citra uji lainnya pada masing-masing level seperti terlihat pada Tabel 4.6. Tetapi nisbah pemampatannya sama pada masing-masing level. Citra Img1 memiliki derajat keabuan yang sangat rendah karena merupakan citra hitam putih. Gambar hasil pemampatan bisa dilihat pada Gambar 4.17, Gambar 4.18 dan Gambar 4.19.
4.8.5. Citra Uji Candi
Gambar 4.20. Citra hasil pemampatan Candi pada level 1.
Gambar 4.21. Citra hasil pemampatan Candi pada level 2.
Gambar 4.22. Citra hasil pemampatan Candi pada level 3.
Pada citra Candi level 2, Gambar 4.21, terlihat paling bagus dibandingkan citra level 2 pada citra uji lainnya. Noisenya terlihat paling sedikit diantara citra uji level 2 lainnya. Tetapi citra terbaiknya tetap citra level 3, Gambar 4.22, hanya terlihat sedikit perbedaan. Sedangkan pada level 1, Gambar 4.20 sama seperti citra lainnya. Derajat keabuan citra Candi level 3 pada Tabel 4.7 sebesar 254 atau hanya turun satu nilai dari derajat keabuan citra sebelum pemampatan yaitu 255.
Tabel 4.7. Hasil pemampatan pada citra Candi. Level
Derajat
Persentase Derajat Nisbah Pemampatan
Pemampatan
Keabuan Keabuan ( % )
(%)
1
62
24,21
83,332
2
98
38,28
66,659
3
254
99,22
33,333
Semua hasil pemampatan pada semua citra uji menghasilkan nisbah pemampatan yang sama pada masing-masing level yaitu sebesar 83 % pada level 1, 66 % pada level 2 dan 33 % pada level 3. Ini berarti besarnya rasio pemampatan sama pada semua citra uji pada masing-masing level, karena alokasi bit pada masing-masing level juga sama . Tetapi menghasilkan derajat keabuan yang berbeda-beda pada semua citra uji.
4.9. Metode Pemampatan Jpeg Metode pemampatan kuantisasi yang menghasilkan pemampatan yang terbaik
akan
dibandingkan
dengan
metode
pemampatan
jpeg.
Metode
pemampatan jpeg merupakan standar pemampatan citra saat ini. Metode pemampatan jpeg merupakan metode pemampatan lossy. Menurut Smith (2003), Metode pemampatan jpeg menggunakan Discrete Cosine Transform dalam memampatkan citra. Sedangkan metode pemampatan kuantisasi menggunakan Red Green Blue atau derajat keabuan dalam memampatkan citra. Citra uji yang akan digunakan untuk dibandingkan dengan metode pemampatan jpeg adalah citra hasil pemampatan metode pemampatan kuantisasi yang terbaik yaitu citra Milan.
Tabel 4.8. Perbandingan metode kuantisasi dengan metode jpeg berdasarkan ukuran file. Metode pemampatan
Ukuran (bytes)
Nisbah pemampatan ( % )
Kuantisasi
1.493.058
33,33
Jpeg
336.272
84,98
Pengamatan dilakukan terhadap ukuran file dan nisbah pemampatan yang dihasilkan dari masing-masing metode pemampatan. Dari Tabel 4.8. menunjukkan bahwa metode pemampatan jpeg lebih unggul dari pada metode pemampatan kuantisasi. Pengujian terhadap citra Milan menunjukkan bahwa pemampatan citra menggunakan metode pemampatan kuantisasi belum bisa menggantikan metode pemampatan jpeg sebagai standar pemampatan saat ini. Dilihat dari nisbah pemampatan
yang
dihasilkan,
pemampatan
citra
menggunakan
metode
pemampatan kuantisasi masih berada di bawah metode pemampatan jpeg. Metode pemampatan kuantisasi memang kalah dibandingkan metode jpeg dalam hal besarnya ukuran file, tetapi dalam hal kecepatan proses pemampatan metode kuantisasi lebih unggul dibandingkan metode jpeg seperti terlihat dalam Tabel 4.9.
Tabel 4.9. Perbandingan metode kuantisasi dengan metode jpeg berdasarkan kecepatan proses pemampatan. Citra Uji
Metode Jpeg (seconds)
Metode Kuantisasi (seconds) Level 1
Level 2
Level 3
Bliss
0,032
0,015
0,010
0,005
Kabut
0,141
0,057
0,021
0,015
Milan
0,375
0,172
0,046
0,031
Img1
1,265
0,609
0,140
0,125
Candi
2,453
1,187
0,344
0,265
Pada Tabel 4.9. terlihat bahwa metode pemampatan kuantisasi lebih unggul dibandingkan metode jpeg dalam hal kecepatan proses pemampatan. Pada citra Bliss yaitu citra yang memiliki ukuran yang paling kecil telah terlihat perbedaannya, seiring dengan bertambahnya ukuran citra maka semakin lama proses pemampatannya. Metode kuantisasi pada level 1 yaitu level yang memiliki kecepatan paling lambat lebih cepat setengahnya dibandingkan dengan metode jpeg. Sedangkan pada level pemampatan terbaik pada metode pemampatan kuantisasi yaitu level 3 memiliki kecepatan yang lebih baik dari metode jpeg. Jika dilihat pada citra Candi metode jpeg jauh tertinggal dibandingkan pemampatan terbaik pada metode kuantisasi yaitu level 3. Dapat dilihat dari Tabel 4.9. bahwa semakin besar ukuran file, metode jpeg dibandingkan dengan metode kuantisasi level 3 maka metode jpeg akan semakin jauh tertinggal. Selain unggul dalam hal kecepatan proses pemampatan, metode pemampatan kuantisasi juga unggul dalam hal selisih piksel (rgb) antara citra asli dengan citra hasil pemampatan. Selisih piksel disini menunjukkan perubahan yang terjadi dari citra asli menjadi citra hasil pemampatan dilihat dari intensitas setiap piksel yang ada. Semakin kecil selisih pikselnya maka citra hasil pemampatan
tersebut semakin mendekati aslinya. Sebagaimana terlihat dalam Tabel 4.10. berikut ini. Tabel 4.10. Perbandingan metode kuantisasi dengan metode jpeg berdasarkan selisih piksel antara citra asli dengan citra hasil pemampatan. Citra
Metode Kuantisasi
Metode Jpeg
Level 1
Level 2
Level 3
Bliss
3,175
40,804
13,053
2,715
Kabut
1,136
3,484
0,784
0,607
Milan
1,222
3,775
0,547
0,282
Img1
1,138
0,587
0,059
0,090
Candi
2,197
0,297
0,073
0,050
Dari Tabel 4.10. di atas terlihat metode pemampatan kuantisasi lebih unggul dibandingkan dengan metode jpeg. Pada level 3 semua citra hasil pemampatan metode pemampatan kuantisasi lebih unggul dibandingkan metode jpeg. Semakin besar ukuran gambar metode pemampatan kuantisasi semakin terlihat unggul dibandingkan metode jpeg. Dimulai dari citra terkecil ukurannya yaitu citra Bliss metode pemampatan kuantisasi hanya unggul pada level 3 saja, tetapi semakin besar ukurannya metode pemampatan kuantisasi semakin mendominasi, yaitu dimulai dari citra Kabut yang mulai unggul pada 2 level yaitu level 2 dan 3, hal yang sama terjadi pada citra Milan yang juga unggul pada level 2 dan 3, sedangkan pada citra Img1 dan citra Candi metode pemampatan kuantisasi unggul pada semua level. Jadi meskipun metode pemampatan kuantisasi kalah dalam hal ukuran file tetapi metode pemampatan kuantisasi unggul dalam hal kecepatan proses pemampatan dan juga citra hasil pemampatan. BAB V PENUTUP
5.1. Kesimpulan Berdasarkan pembahasan diperoleh kesimpulan sebagai berikut.
1. Diperoleh hasil pemampatan citra dengan ukuran yang minimal dan derajat keabuan yang maksimal dengan metode pemampatan kuantisasi pada level 3. 2. Metode pemampatan jpeg lebih baik dibandingkan metode pemampatan kuantisasi berdasarkan pada ukuran file, metode pemampatan kuantisasi lebih baik dibandingkan metode jpeg berdasarkan pada kecepatan proses pemampatan dan kualitas citra hasil pemampatan yang diketahui dengan cara dihitung selisih piksel antara citra asli dan citra hasil pemampatan.
5.2. Saran Dalam skripsi ini penulis membahas pemampatan citra yang menghasilkan citra yang mampat dan juga berderajat keabuan tinggi dengan metode pemampatan kuantisasi. Untuk pembahasan selanjutnya dapat digunakan metode pemampatan lainnya.
DAFTAR PUSTAKA
Acharya, Tinku dan Tsai, Ping-Sing. (2005). JPEG2000 Standard for Image Compression concepts, Algorithms and VLSI Architectures. WileyInterscience, Hoboken. Achmad, Balza dan Firdausy, Kartika. (2005). Teknik Pengolahan Citra Digital Menggunakan Delphi. Ardhi Publishing, Yogyakarta. Fadlisyah., Taufiq., Zulfikar., dan Fauzan. (2008). Pengolahan Citra Menggunakan Delphi. Graha Ilmu, Yogyakarta. Gray, Robert dan Neuhoff, David. (1998). Quantization. IEEE Transactions On Information Theory, Vol. 44, No. 6, October 1998. Munir, Rinaldi. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika, Bandung. Sianipar, Rismon Hasiholan, dan Muliani, Sri. (2003). Kompresi Citra Digital Berbasis Wavelet : Tinjauan PSNR dan Laju Bit. www.petra.ac.id/~puslit/journals/request.php?PublishedID=INF03040205
Smith, Steven W. (2003). Digital Signal Processing - A Practical Guide for Engineers and Scientists. Newnes, New York. Wijaya, Marvin Ch., dan Prijono, Agus. (2007). Pengolahan Citra Digital Menggunakan Matlab. Informatika, Bandung.
