94

Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 1,Januari -April 2018

Pemilihan Algoritma Kompresi Optimal Untuk Citra Digital Bitmap

Santi Ika Murpratiwi1, I Made Oka Widyantara2

Abstract— Citra bitmap biasanya memiliki ukuran citra yang relative besar. Hal ini mempengaruhi proses transmisi data dan membutuhkan tempat penyimpanan yang besar. Untuk memecahkan masalah tersebut dibutuhkan sebuah teknik reduksi citra untuk memampatkan ukuran citra dengan tetap menjaga kualitasnya. Dalam penelitian ini akan membandingkan beberapa algoritma kompresi lossy untuk menemukan satu metode optimal yang cocok untuk citra digital bitmap. Algoritma kompresi yang akan dibandingkan adalah Absolute Moment Block Truncation Coding (AMBTC), Joint Photograpic Experts (JPEG), dan Non-Negative Matrix Factorization (NMF). Proses perbandingan dilakukan dengan menghitung rasio kompresi, Mean Square Error (MSE), and Peak Signal to Noise Ratio (PSNR) untuk mengetahui ukuran hasil kompresi dan kualitas citra hasil kompresi. Hasilnya adalah rasio kompresi rata-rata untuk AMBTC adalah 7.32%, JPEG 1698.3%, dan NMF 8.32%. Nilai rata-rata MSE untuk kompresi AMBTC adalah 36.92, kompresi JPEG adalah 54.50 dan untuk NMF adalah 194.54. Sedangkan untuk nilai PSNR

Intisari— Citra bitmap biasanya memiliki ukuran citra yang relative besar. Hal ini mempengaruhi proses transmisi data dan membutuhkan tempat penyimpanan yang besar. Untuk memecahkan masalah tersebut dibutuhkan sebuah teknik reduksi citra untuk memampatkan ukuran citra dengan tetap menjaga kualitasnya. Dalam penelitian ini akan membandingkan beberapa algoritma kompresi lossy untuk menemukan satu metode optimal yang cocok untuk citra digital bitmap. Algoritma kompresi yang akan dibandingkan adalah Absolute Moment Block Truncation Coding (AMBTC), Joint Photograpic Experts (JPEG), dan Non-Negative Matrix Factorization (NMF). Proses perbandingan dilakukan dengan menghitung rasio kompresi, Mean Square Error (MSE), and Peak Signal to Noise Ratio (PSNR) untuk mengetahui ukuran hasil kompresi dan kualitas citra hasil kompresi. Hasilnya adalah rasio kompresi rata-rata untuk AMBTC adalah 7.32%, JPEG 1698.3%, dan NMF 8.32%. Nilai rata-rata MSE untuk kompresi AMBTC adalah 36.92, kompresi JPEG adalah 54.50 dan untuk NMF adalah 194.54. Sedangkan untuk nilai PSNR yaitu 30.15 db untuk AMBTC, 31.79 db untuk JPEG, dan 25.99 db untuk NMF. Dari hasil tersebut algoritma optimal yang dapat digunakan untuk kompresi citra bitmap adalah AMBTC karena AMBTC memiliki rasio kompresi dan kualitas citra hasil kompresi terbaik.

Kata Kunci— citra bitmap, AMBTC, JPEG, NMF, rasio kompresi, PSNR, MSE

  • 1,2Magister Teknik Elektro Universitas Udayana, Kampus Sudirman, Denpasar, telp: 0361-239559; fax: 0361-239559;

e-mail:1[email protected],

,2[email protected]

  • I.    Pendahuluan

Dalam dunia desain digital, citra direpresentasikan dalam dua jenis yaitu citra vektor dan citra bitmap. Citra vector merupakan citra yang ditampilkan menggunakan definisi matematis komputer. Grafis vector banyak digunakan oeh aplikasi editing gambar seperti Adobe Illustrator, CorelDRAW, Corel Exchange, dan Flash. Grafis vector bnyak digunakan untuk membuat logo dan gambar yang memiliki detail tinggi karena citra vector tidak bergantung pada ukuran dan scalable. Sedangkan citra bitmap merupakan citra yang di dalamnya terdapat kotak/grid yang menyimpan piksel. Citra bitmap memiliki resolusi tetap dan apabila resolusi diubah akan mempengaruhi kualitas citra. Citra yang menggunakan data bitmap memiliki bobot file yang besar karena terdiri dari ragam warna yang tersimpan dimasing-masing pikselnya. Contoh format file citra bitmap adalah BMP, GIF, JPEG, JPG, PNG, TIFF, dan PSD.

Ukuran citra bitmap yang besar akan mempengaruhi proses transmisi atau pengiriman citra tersebut melalui jaringan komputer. Seperti contoh citra bitmap 24-bit berdimensi 1024 x 768 piksel membutuhkan memori penyimpanan sekitar 2 Mb. Sehingga semakin besar ukuran suatu citra maka kecepatan transmisinya juga semakin lambat dan membutuhkan memori penyimpanan yang besar. Oleh karena itu, saat ini telah dikembangkan banyak teknik untuk mereduksi ukuran citra digital tersebut dengan mengurangi tingkat redudansi datanya yang disebut kompresi. Melalui kompresi dengan algoritma yang tepat dapat mengubah ukuran citra dengan sedikit perubahan kualitas citra tanpa menghilangkan informasi di dalamnya.

Terdapat dua jenis kompresi citra yaitu lossless dan lossy compression. Kompresi lossless adalah kompresi yang citra hasil kompresinya identik dengan citra aslinya sedangkan lossy kompresi adalah citra digital hasil kompresi tidak identik dengan citra asli karena terdapat informasi yang hilang saat proses kompres-dekompresi.

Banyak penelitian yang telah membahas tentang kompresi lossless dan lossy. Banyak algortima yang telah diciptakan untuk membantu proses kompresi seperti DCT, Huffman, Wavelete, RLE, JPEG, AMBTC, NMF, dan lain-lain. Masing-masing algoritma memiliki kelebihan dan kekurangan sendiri tergantung citra sample yang digunakan untuk kompresi. Selain itu dimensional citra juga berpengaruh terhadap kualitas hasil kompresi.

Dalam penelitian ini akan membahas tentang pemilihan algoritma optimal untuk kompresi pada citra bitmap. Citra yang digunakan sebagai inputan/bahan untuk kompresi adalah citra berformat BMP. Sedangkan algoritma yang dipilih dalam penelitian ini adalah Absolute Moment Block Truncation Coding (AMBTC), JPEG, dan Non-Negative Matrix Factorization.

DOI: https://doi.org/10.24843/MITE.2018.v17i01.P13

Citra BMP dengan ukuran dimensional yang berbeda akan dilakukan kompresi dengan ketiga algoritma tersebut dan dilakukan analisa hasil kompresi dengan menghitung rasio kompresi, Signal to Noise Ratio (SNR), Mean Squared Error (MSE), dan PSNR (Peak Signal to Noise Ratio). Dari perbandingan beberapa algoritma tersebut diharapkan dapat diambil kesimpulan untuk menentukan format citra mana yang mempunyai algoritma paling optimal untuk kompresi citra bitmap.

  • II.    Studi Literature

  • A.    Literature Review

Kompresi citra diperlukan untuk membantu dalam proses transmisi citra-citra dengan ukuran yang relative besar. Salah satu citra yang memiliki ukuran yang besar adalah citra bitmap. Algoritma kompresi citra berlomba-omba untuk menciptakan sebuah cara menjaga kualitas citra setelah dilakukan redudansi melalui kompresi. Salah satu adalah tentang kompresi citra yang dilakukan untuk citra Bitmap. Dalam penelitian yang dilakukan oleh Dimas Aryo (2012) membahas tentang perbandingan rasio kompresi pada kompresi citra digital bitmap menggunakan kombinasi metode Discrete Cosine Transform (DCT) dan arithmetic coding dengan berbagai dimensi citra sumber [1]. Penelitian tersebut menjadi acuan untuk mengembangkan pemilihan algoritma kompresi lainnya yang dapat digunakan pada citra digital bitmap dalam penelitian ini.

Penelitian yang membahas algoritma NMF untuk kompresi citra dilakukan oleh Srilakmi (2013). Penelitian tersebut membahas tentang penggunaan metode NonNegative Matrix Factorization untuk image kompresi [2]. Non-Negative Matrix Factorization atau biasa disingkat NMF memiliki tingkat akurasi yang tinggi yaitu 94% [3]. Tingkat akurasi tersebut didapatkan dari penelitian tentang implementasi algoritma NMF pada kompresi dan pengenalan citra wajah. NMF juga pernah dibahas dalam penelitian yang dilakukan oleh Daniel, dkk yang berjudu Algorithm for NMF [4]. Dalam penelitian tersebut dijelaskan tentang alur dan sistem kerja dari algoritma NMF.

Kompresi citra JPEG merupakan kompresi yang standard yang banyak digunakan untuk transmisi file citra dalam sebuah jaringan [5]. Kompresi JPEG saat ini sudah memiliki beberapa versi dengan kelebihan masing-masing. Kompresi JPEG banyak digunakan untuk kompresi citra yang tidak membutuhkan detail terlalu bagus. Algoritma JPEG banyak digabungkan dengan algoritma lainnya seperti Adaptive Human Coding (AHC) [5] dan Fuzzy C-Means pada kompresi citra berbasis entropi [6]. Hasilnya menunjukkan bahwa kompresi JPEG standard harus digabungkan dengan metode lainnya untuk mendapatkan citra hasil kompresi yang mendekati citra asli.

Selanjutnya adalah kompresi citra dengan algoritma Absolute Moment Block Truncating Coding (AMBTC) yang banyak diterapkan untuk kompresi citra medis [7]. Aplikasi kompresi untuk image true color dengan metode AMBTC

95 sudah dilakukan sejak 1984 [8]. Kompresi ini dinilai memiliki tingkat akurasi yang lebih baik jika dibandingkan dengan BTC dan AMBTC juga cepat dalam melakukan kompresi [9]. AMBTC banyak dibandingkan dengan algoritma kompresi lain seperti Fast Wavelet Transform (FWT) [7] dan Discrete Wavelet Transform (DWT) [10], hasilnya AMBTC memiliki tingkat akurasi yang tinggi dilihat dari nilai MSE dan PSNR yang didapatkan.

Dengan melihat penelitian-penelitian sebelumnya maka dalam penelitian ini memilih untuk menggunakan algoritma kompresi Absolute Moment Block Truncation Coding (AMBTC), JPEG, dan Non-Negative Matrix Factorization (NMF).

  • B.    Citra Digital

Citra didefinisikan sebagai fungsi kontinyu dua dimensi f(x,y), x dan y merupakan koordinat spasial dan setiap nilai f(x,y) merupakan intensitas atau derajat keabuan (gray level) citra pada koordinat (x,y). Jika f(x,y) diskrit, maka dinamakan citra digital. Citra digital tersusun atas sejumah elemen yang disebut pixel (Picture Element). Satu piksel berarti satu titik dalam citra. Nilai setiap piksel merupakan kuantisasi nilai intensitas cahaya atau derajat keabuan pada setiap titik. Dengan demikian, suatu citra digital dapat dipandang sebagai sebuah matriks 2 dimensi yang elemen-elemennya menunjukkan cahaya terkuantisasi.

Ada dua jenis citra digital yang sering digunakan yaitu citra digital bitmap dan citra digital vector. Citra digital bitmap disimpan sebagai array yang berisi nilai piksel, sedangkan citra digital vector disimpan sebagai deskripsi matematis komponen penyusunnya seperti titik, garis, kurva, dan bidang.

  • C.    Teknik Kompresi Citra

Teknik kompresi citra dibagi menjadi dua jenis antara lain berugi (lossy) dan tak berugi (lossless). Teknik kompresi berugi merubah detail dan warna sebuah berkas citra menjadi lebih sederhana dan kapaistas berkas menjadi lebih kecil tanpa terlihat perbedaan yang mencolok dari pandangan manusia. Teknik kompresi tak berugi, dari sisi yang lain adalah teknik kompresi yang tidak pernah menghilangkan semua informasi dari sebuah berkas citra yang asli, tetapi hanya mewakilkan beberapa informasi yang sama.

  • D.    Absolute Moment Block Truncation (AMBTC)

Absolute Moment Block Trunction (AMBTC) merupakan sebuah metode kompresi citra yang bersifat lossy. Artinya, ketika sebuah citra dikompres menggunakan AMBTC, maka aka nada data yang hilang. AMBTC menggunakan teknik block-based image coding dan hanya memerukan memory yang sedikit dan perhitungan yang sederhana.

Proses AMBTC adalah sebagai berikut :

  • a.    Langkah pertama dari proses AMBTC adalah dengan membagi citra inputan ke dalam blok-blok kecil berbentuk persegi dengan ukuran n x n piksel yang tidak saling overlap.

    Santi Ika Murpratiwi: Pemilihan Algoritma Kompresi Optimal .......


    p-ISSN:1693 – 2951; e-ISSN: 2503-2372



  • b.    Langkah kedua adalah mencari nilai rata-rata dan standard deviasi dari masing masing yang berukurann n x n piksel.

  • c.    Langkah ketiga adalag melakukan perubahan pada nilai pixel dalam tiap blok.jika nilai piksel lebih kecil dari rata-rata, maka nilai 0. Dan jika nilai piksel lebih besar dari rata-rata blok tersebut maka nilai piksel direpresentasikan dengan nilai 1.

  • d.    Langkah keempat adalah menentukan nilai pengganti untuk proses dekompresi. Untuk menentukan nilai pengganti dapat menggunakan persamaan (1) dan (2) berikut ini.

a= X-^(1)

b = X-σ ∕

AMBTC merupakan teknik pengembangan dari BTC yang menggunakan absolute moment. Setiap blok dihitung dengan menggunakan persamaan (3) dan (4) sebagai berikut.

g1= J ∑Xi ,Xi < Xth(3)

g2= J ∑Xi ,Xi < Xth(4)

Persamaan g1 digunakan untuk merekonstruksi bit yang bernilai 0, yaitu nilai yang menggantikan nilai reconstruction level a. Sedangkan g2 digunakan untuk merekonstruksi bit yang bernilai 1, yaitu nilai yang menggantikan nilai reconstruction level b.

  • E.    JPEG

Joint-Photograpic Experts Group (JPEG) adalah sebuah kelompok yang merancang sebuah Algoritma kompresi citra lossy. JPEG lebih dikenal secara umum sebagai salah satu format ekstensi penyimpanan citra (“.jpg”). Tujuan utama dari kompresi JPEG sederhana, yaitu untuk menyimpan data yang digunakan dalam representasi digital dengan ukuran sekecil mungkin dengan tetap mempertahankan detil visualnya [6]. JPEG bekerja dengan cara merubah citra spasial dan merepresentasikannya ke dalam pemetaan frekuensi dengan bantuan Discrete Cosine Transform (DCT).

  • F.    Non-Negative Matrix Factorization (NMF)

Non-Negative Matrix Factorization (NMF) memberikan non-negative matrix V untuk menghasilkan non-matrix factor W dan H seperti persamaan (5) berikut ini.

  • V ≈ W H                              (5)

NMF dapat diimplementasikan untuk analisa stastistik dengan multivariasi data dengan aturan. Membuat satu set multivariatisi data dalam n-dimensional data vector, data vector ditempatkan di dalam matriks V dengan ukuran n x m, dimana m adalah angka dari contoh data set. Matriks V akan

difaktorisasi menjadi matriks W dengan ukuran n x r dan matriks H dengan ukuran r x m. Kadang-kadang nilai r lebih kecil dari n atau m, dengan demikian matriks W dan H lebih kecil dari matriks aslinya yaitu matriks V.

Algoritma NMF ini sangat mudah diimplementasikan dan hasilnya hampir mendekati sempurna untuk jenis kompresi lossy.

  • G.    Pengukuran Kinerja Kompresi Citra

Pengukuran kinerja kompresi citra dilakukan dengan menghitung rasio kompresi, SNR, MSE, dan PNSR. Berikut ini merupakan penjelasan dari pengukuran kinerja kompresi tersebut.

  • 1.    Rasio Kompresi

Pada penelitian ini digunakan rasio kompresi sebagai salah satu parameter pengukuran kinerja dari pemampatan yang telah dibuat. Rasio kompresi ini bertujuan untuk membandingkan ukuran citra asli sebelum kompresi terhadap citra hasil dari proses kompresi. Adapun rumus rasio kompresi ditujukkan pada persamaan (6).

X’

RasiO Kompresi = —                     (6)

Dengan

x’ = ukuran citra hasil kompresi

x = ukuran citra asli (sebelum dikompresi)

Dari persamaan (6) dapat diambil kesimpulan bahwa semakin kecil ukuran citra hasil kompresi maka semakin kecil rasio kompresi yang diperoleh.

  • 2.    Pengukuran Kualitas Citra Hasil Kompresi

Pengukuran kualitas citra dapat dilakukan dengan menghitung Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR).

  • a.    Mean Square Error (MSE)

Mean Square Error (MSE) adalah nilai error kuadrat rata-rata antara citra asli dengan citra hasil kompresi. MSE menunjukkan kuadrat rata-rata selisih nilai piksel citra rekonstuksi dengan citra sumber. Semakin kecil nilai MSE maka kualitasi citra hasil kompresi juga baik. Pada persamaan (7) berikut ini merupakan rumus untuk menghitung MSE.

σ2=J ∑V-ι(Pi - Qd2                (7)

dimana,

P1       = Citra digital hasil rekonstruksi

Qi      = Citra digital sumber

i        = 1,2,3,4,  N

  • b.    Peak Signal to Noise Ratio (PSNR)

Peak Signal to Noise Ratio (PSNR) merupakan perbandingan antara nilai maksimum dari sinyal yang diukur dengan besarnya derau yang berpengaruh pada sinyal tersebut. PSNR memiliki satuan decibel (db). PSNR digunakan untuk mengetahui kualitas citra sebelum dan sesudah kompresi. Nilai PSNR bergantung dengan nilai MSE.

Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 1,Januari -April 2018 DOI: https://doi.org/10.24843/MITE.2018.v17i01.P13

Semakin besar nilai PSNR, maka kualitas citra hasil kompresi juga semakin baik. Jika MSE = 0, maka PSNR = ∞.

Pada persamaan (8) berikut ini adalah rumus untuk menghitung PSNR.


PSNR = 20log10 ^≡≡^


(8)


III. Metodologi Penelitian

Tahapan yang dilakukan dalam penelitian ini dibagi menjadi dua yaitu tahapan kompresi dan tahapan pengukuran kinerja. Pada Gambar 1 berikut ini merupakan tahapan kompresi.


Selesai



Gambar 2. Tahapan Pengukuran Kinerja Kompresi Citra


Dari hasil pengukuran kinerja kompresi citra selanjutnya hasil tersebut dianalisa dan diambil kesimpulan untuk mendapatkan algoritma yang terbaik untuk kompresi citra bitmap dari ketiga algoritma yang diuji coba.


  • IV.    Hasil dan Pembahasan

Gambar 1. Tahapan Kompresi Citra

Kompresi citra dimulai dengan membaca citra asli yang berformat BMP yang akan dijadikan bahan untuk proses kompresi. Setelah citra diinputkan akan dilakukan kompresi menggunakan metode AMBTC, JPEG, dan NMF. Proses terakhir adalah mengukur kinerja kompresi citra dengan menghitung nilai Signal to Noise Ratio (SNR), Mean Squared Error (MSE), dan PSNR (Peak Signal to Noise Ratio). Pada Gambar 2 berikut ini merupakan flowchart dari tahapan pengukuran kinerja kompresi citra.

  • A.    Citra Sumber

Citra sumber yang digunakan dalam penelitian ini adalah citra digital bitmap berformat Windows BMP 24-bit. Jumlah citra sample yang digunakan adalah 9 citra dengan dimensional yang sama yaitu 512x512. Citra digital ini memuat array yang berisi data piksel RGB. Setiap piksel berukuran 3 bytes (24 bit) dan merupakan perpaduan dari komponen warna dasar re, green, dan blue yang masing-masing berukuran 1 byte.

  • B.    Hasil Pengujian

Pengujian dilakukan dengan cara membandingkan citra hasil rekonstuksi dengan citra sumber. Alat ukur yang digunakan adalah rasio kompresi citra digital, Mean Square Error (MSE), Signal to Noise Ratio (SNR), dan Peak Signal to Noise Ratio (PSNR). Pada Tabel 1 berikut ini merupakan tampilan visual dari 9 citra sumber yang akan dikompresi dengan dimensi 512 x 512.

Santi Ika Murpratiwi: Pemilihan Algoritma Kompresi Optimal .......


p-ISSN:1693 – 2951; e-ISSN: 2503-2372

TABEL I

Tampilan Visual Citra Sumber



Berikut ini merupakan pengukuran kualitas kompresi citra.

Pada Gambar 3,4,5,6,7,8,9,10, dan Gambar 11 menampilkan citra asli dan citra hasil kompresi dengan AMBTC, JPEG, dan NMF.


(a)



(c)


(d)


Gambar 4. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF

(a)              (b)              (c)               (d)


Gambar 5. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF


Citra sumber tersebut akan menjadi citra inputan pada kompresi dengan algoritma AMBTC, JPEG, dan NMF dengan menggunakan matlab. Pada Gambar 3 berikut ini adaah tampilan dari hasil kompresi citra matlab.



Gambar 3. Implementasi Kompresi Citra di Matlab


Gambar 6. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF


(a)


(b)


(c)


(d)


Gambar 7. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF

(a)               (b)               (c)               (d)


Gambar 8. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF


DOI: https://doi.org/10.24843/MITE.2018.v17i01.P13                                                                 99

TABEL III

(a)               (b)              (c)              (d)

Gambar 9. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF

(a)               (b)              (c)              (d)

Gambar 10. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF

(a)               (b)              (c)              (d)

Gambar 11. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF

(a)               (b)              (c)              (d)

Gambar 12. (a) Citra Asli,(b)Kompresi citra AMBTC, (c) Kompresi Citra JPEG,(d) Kompresi citra NMF

Perbedaan citra sebelum dan sesudah kompresi sudah dapat dilihat untuk beberapa citra. Penglihatan manusia memiliki batasan dan bergantung pada kondisi pencahayaan, konteks citra, dan kelemahan mata manusia sehingga pengujian kualitas citra hasil kompresi menjadi bersifat subyektif.

Untuk membuktikan kualitas hasil kompresi citra dilakukan perhitungan matematis yaitu melalui rasio kompresi, MSE, dan PSNR. Rasio kompresi digunakan untuk melihat perbandingan ukuran citra sebelum dan sesudah proses kompresi. Sedangkan MSE dan PNSR digunakan untuk melihat kualitas dari citra hasil kompresi.

Pada Tabel 2 berikut ini merupakan hasil pengujian ukuran citra hasil kompresi dan rasio kompresi

Pengujian Ukuran Citra Hasil Kompresi

Nama Citra

Jenis Kompresi

Ukuran Citra Awal (KB)

Ukuran Citra Kompresi

Rasio Kompresi

Airplane. Bmp

AMBTC

748.5

54.8

0.0732

JPEG

748.5

13596

18.1637

NMF

748.5

61.6

0.0822

Babbon. Bmp

AMBTC

748.5

60.6

0.081

JPEG

748.5

6192

8.2727

NMF

748.5

68.6

0.0916

barbara. Bmp

AMBTC

748.5

56.8

0.0759

JPEG

748.5

10919

14.5877

NMF

748.5

59.1

0.079

benang. Bmp

AMBTC

748.5

60.2

0.0804

JPEG

748.5

1395

1.8631

NMF

748.5

69.8

0.0932

fingerprint. Bmp

AMBTC

748.5

37

0.0495

JPEG

748.5

14556

19.4458

NMF

748.5

42.1

0.0563

flower. Bmp

AMBTC

748.5

58.2

0.0778

JPEG

748.5

11637

15.5468

NMF

748.5

61.6

0.0823

flying. Bmp

AMBTC

748.5

49.7

0.0664

JPEG

748.5

32048

42.8153

NMF

748.5

61.6

0.0823

Lenna .bmp

AMBTC

748.5

57.7

0.077

JPEG

748.5

12797

17.0963

NMF

748.5

63.9

0.0853

Peppers .bmp

AMBTC

748.5

60.9

0.0814

JPEG

748.5

11267

15.0522

NMF

748.5

60

0.0802

Pada Tabel 2 tersebut dapat dilihat bahwa citra bitmap berdimensional 512 x 512 memiiki ukuran yang konstan untuk semua jenis citra yaitu 748.5 KB. Citra dikompresi dengan algoritma AMBTC, JPEG, dan NMF dan menghasilkan ukuran yang berbeda-beda. Kompresi citra dengan JPEG rata-rata menghasilkan ukuran citra yang lebih besar dari citra sebelumnya. Dari hal itu dapat disimpulkan bahwa pengiriman citra bitmap dengan menggunakan jaringan tidak disarankan menggunakan JPEG untuk kompresi citranya.

Sedangkan untuk algoritma AMBTC dan NMF memiliki rasio kompresi yang sangat rendah dibawah 0.1. Dengan nilai kompresi yang rendah berarti bahwa ukuran citra sesudah mengalami penyusutan ukuran yang relatif besar. Selain itu

Santi Ika Murpratiwi: Pemilihan Algoritma Kompresi Optimal .......


p-ISSN:1693 – 2951; e-ISSN: 2503-2372



tingkat kompresi yang rendah menunjukkan bahwa informasi yang tesimpan masih terjaga dengan baik di dalam citra hasi kompresi. Rata-rata rasio kompresi untuk AMBTC dari citra sample adalah 0.0736 dan untuk NMF adalah 0.0814.

Selain meihat dari ukuran citra yang dihasilkan, proses analisa hasil kompresi juga melihat kualitas citra setelah kompresi melalui perhitungan MSE dan PNSR untuk masing-masing algoritma. Pada Tabel 3 berikut ini merupakan hasil perhitungan MSE dan PNSR algoritma AMBTC.

TABEL IIIII

Pengujian Kualitas Citra Kompresi AMBTC

Nama Citra

MSE

PSNR

Airplane.bmp

41.2786

31.115

Baboon.bmp

45.2789

26.1217

barbara.bmp

30.4222

28.5866

benang.bmp

43.7326

24.4398

fingerprint.bmp

47.9362

20.5894

flower.bmp

34.0074

32.7809

flying.bmp

28.234

43.4858

lenna.bmp

31.8271

31.7412

peppers.bmp

29.5566

32.4522

Dalam Tabel 3 dilihat dari nilai PNSR menunjukkan bahwa kualitas citra hasil kompresi bagus karena nilai PNSR bisa mencapai 43 db. Sedangkan nilai MSE paling tinggi 47.9362 untuk citra tertentu. Dan rata-rata nilai PNSR masih berada di 25 db.

Pada Tabel 4 berikut ini merupakan hasil pengujian kualitas citra dengan kompresi JPEG.

TABEL IV

Pengujian Kualitas Citra Kompresi JPEG

Nama Citra

MSE

PSNR

Airplane.bmp

23.044

33.7587

Baboon.bmp

152.9996

18.2839

barbara.bmp

39.6062

32.1532

benang.bmp

161.2914

26.0547

fingerprint.bmp

18.0774

35.5594

flower.bmp

15.6185

36.1944

flying.bmp

6.0326

40.2916

lenna.bmp

34.6022

32.2853

peppers.bmp

39.2282

31.559

Pada Tabel 4 dapat dilihat nilai MSE dan PNSR citra dengan kompresi JPEG. MSE pada citra RGB menghasilkan nilai yang tertinggi yaitu 161.2914. Hal itu menunjukkan bahwa error pada kompresi citra relatif tinggi. Untuk nilai PNSR kompresi JPEG menghasilkan kualitas citra yang lumayan bagus yaitu nilai PSNR rata-rata di atas 30 db.

Pada tabel 5 berikut ini merupakan hasil perhitungan MSE dan PNSR untuk kompresi NMF.

TABEL V

Pengujian Kualitas Citra Kompresi NMF

Nama Citra

MSE

PSNR

Airplane.bmp

61.5534

29.4918

Baboon.bmp

372.996

22.4138

barbara.bmp

183.2676

25.4658

benang.bmp

522.7604

18.9478

fingerprint.bmp

923.3643

18.4771

flower.bmp

52.0647

30.9654

flying.bmp

8.2036

38.9566

lenna.bmp

58.9503

19.9715

peppers.bmp

67.7304

29.1871

Pada Tabel 5 terihat hasil perhitungan MSE dan PSNR dari algoritma kompresi NMF. Nilai MSE yang dihasilkan relatif tinggi yaitu ada yang mencapai 923.3643 dengan nilai PSNR 18.4771. Algoritma NMF cocok digunakan untuk citra kompresi dengan background satu warna seperti pada citra flying.bmp.

Dari hasil pengujian kualitas citra dengan PNSR dan MSE dapat diambil kesimpulan bahwa kualitas citra dari masing-masing kompresi citra memiliki nilai PNSR yang hampir sama. Namun kompresi lossy terbaik untuk citra bitmap adalah AMBTC.

  • V.    Kesimpulan

Jenis kompresi citra yang dipilih dalam penelitian ini adalah lossy. Dengan menggunakan perbanding algoritma kompresi AMBTC, JPEG, dan NMF. Rasio kompresi yang dihasilkan oleh kompresi JPEG lebih besar dari algoritma AMBTC dan NMF . Kompresi AMBTC dan NMF menghasilkan nilai rasio kompresi < 1. Karena rasio kompresi JPEG besar maka ukuran file hasil kompresi untuk JPEG lebih besar daripada citra aslinya.

Perhitungan MSE dan PNSR digunakan untuk menghitung kualitas citra hasil kompresi. Dimana untuk algoritma AMBTC memiliki MSE rata-rata 36.92 dan PSNR 30.15. Untuk algoritma kompresi JPEG memiliki rata-rata MSE 54.50 dan rata-rata PNSR 31.79. Algoritma NMF memiliki rata-rata MSE sebesar 250.10 dan rata-rata PSNR 25.99. Dari perhitungan rasio kompresi, MSE, dan PSNR dapat disimpulkan bahwa dengan kompresi lossy banyak informasi dalam citra yang hilang namun kompresi lossy dapat memampatkan ukuran citra bitmap hingga tersisa 7.32% dari ukuran aslinya, sehingga dapat mempermudah dalam pengiriman citra bitmap melalui jaringan.

Secara keseluruhan algoritma kompresi optimal yang dapat digunakan untuk citra bitmap adalah algoritma AMBTC karena menghasilkan rasio kompresi terbaik, dan kualitas citra yang dihasilkan terbaik.

DOI: https://doi.org/10.24843/MITE.2018.v17i01.P13

Referensi

  • [1]    D. A. Prakoso and K. Hernawati, “Perbandingan Rasio Kompresi Pada Kompresi Citra Digital Bitmap Menggunakan Kombinasi Metode Discrete Cosine Transform Dan Arithmetic Coding,” Semin. Nas. Mat. dan Pendidik. Mat., no. November, pp. 978–979, 2012.

  • [2]    S. Inuganti and V. Gampala, “Image compression using Constrained Non-Negative Matrix Factorization,” Int. J. Adv. Res. Comput. Sci. Softw. Eng., vol. 3, no. 10, pp. 498–503, 2013.

  • [3]    C. Mewlando, F. Benny, and K. Usodo, “Kompresi dan pengenalan citra wajah dengan pendekatan,” 2014.

  • [4]    D. D. Lee, M. Hill, and H. S. Seung, “Algorithms for NonNegative Matrix Factorization,” no. 1.

  • [5]    R. L. I. Herman, T. A. B. Wirayuda, F. T. Informatika, and U. Telkom, “Kompresi Citra Menggunakan Modifikasi Jpeg Image Compression Dengan Adaptive Huffman Coding,” Telkom Univ., 2010.

  • [6]    D. A. Masatu, I. Soesanti, and H. A. Nugroho, “Penerapan

Algoritma Kompresi Jpeg Dan Metode Fuzzy C-Means Pada Kompresi Citra Berbasis Entropi,” J. Penelit. Tek. Elektro dan Teknol. Inf., vol. 1, no. April, pp. 7–11, 2014.

  • [7]    D. D. Prayoga and D. Triantoro, “Algoritma Fast Wavelet Transform ( FWT ) dan Absolute Moment Block Truncation Coding ( AMBTC ) pada Sistem Watermarking untuk Deteksi dan Recovery Citra Medis Termodifikasi,” pp. 1–8, 2012.

  • [8]    M. D. Lema and R. Mitchell, “Absolute Moment Block Truncation Coding and Its Application to Color Images,” IEEE Trans. Commun., vol. COM-32, no. 10, pp. 1148–1157, 1984.

  • [9]    D. Mohammed and F. A. S. Member, “Image Compression Using Block Truncation Coding,” J. Sel. Areas Telecommun. (JSAT), no. 3, pp. 9–13, 2011.

  • [10]    D. Y. Apriliyana, D. Triantoro, F. Informatika, and U. Telkom, “Algoritma Discrete Wavelet Transform ( Dwt ) Dan Absolute Moment Block Truncation Coding ( Ambtc ) Pada Sistem Watermarking Untuk Deteksi Dan Recovery Citra Medis.”

    Santi Ika Murpratiwi: Pemilihan Algoritma Kompresi Optimal .......


p-ISSN:1693 – 2951; e-ISSN: 2503-2372