BAB 4 HASIL DAN PEMBAHASAN

BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil pengindraan atau pengukuran Pengambilan data dari hasil pengindraan atau pengukuran dapat dilihat pada lampiran A, berupa citra asli yang dengan format data.png kemudian dilakukan pengolahan dengan menggunakan metode pengindraan kompresi. Percobaan menggunakan 10 gambar dengan ukuran citra sebesar 256x256 piksel dan presentasi warna grayscale. Data hasil percobaan berupa gambar dapat dilihat pada lampiran C yaitu bahwa dengan menggunakan key yaitu Ratio Measure Number (RMN) yang sedikit maka menghasilkan dimensi citra yang kecil dibandingkan pada citra awal dan sebaliknya jika menggunakan RMN yang besar maka dimensi akan membesar dari citra aslinya. Sedangkan kualitas gambar hasil pengindraan telah rusak atau samar dengan citra aslinya, dilihat dari citra asli dengan citra hasil pengindraan mengalami kompresi atau termapatkan. Gambar berikut 4.1 adalah perbandingan citra asli dengan hasil percobaan menggunakan sebuah citra cameraman. Gambar 4.1. Perbandingan citra asli dengan citra hasil percobaan menggunakan citra cameraman. Pada gambar 4.2 terlihat hasil perbandingan dari citra asli dengan citra yang telah terkompresi menggunakan 9 citra yang lain sehingga diperoleh ukuran dimensi yang kecil yaitu dengan menggunakan sensing matrix yang berukuran matriks 8x64. 39

40 Gambar 4.2. Perbandingan gambar asli dengan gambar hasil percobaan pada myrio. Pada lampiran A.1 terdapat tabel yang berisikan data RMN, Dimensi dalam satuan piksel dan ukuran size dalam satuan kilobyte (Kb). Ratio Measure Number (RMN) yaitu merupakan presentasi nilai sensing dalam satuan (%). Nilai RMN diperoleh menggunakan perhitungannya sebagai berikut.

41... (4.1) N = banyaknya jumlah kolom. M = banyaknya jumlah baris. Sebagai contoh jika menggunakan sensing matrix dengan ukuran matriks sebesar 8x64 diperoleh nilai RMN sebesar 12,5% dan berlaku untuk seterusnya. Sedangkan dimension atau dimensi dalam satuan piksel menetukan berapa banyak jumlah baris dan kolom pada gambar sebagai contoh 256x32 yang memiliki arti ukuran gambar sebanyak 256 baris dan 32 kolom. Pada tabel terdapat size, yang mentukan nilai kapasitas gambar hasil enkrispsi. Perhitungannya sebagai berikut....(4.2) Panjang dan lebar pixel menetukan lebar dan panjang gambarkan sedangkan kedalaman citra menetukan representasi piksel pada gambar. Sebagai contoh pada percobaan ini menggunakan kedalam citra yaitu 8bit dan citra sepanjang 256 dan lebar 256 sehingga diperoleh nilai sebesar 524288 bit. Kemudian dilakukan pembagian sebesar 8 untuk menjadi 65536 byte (1 bit = 8 byte), karena menggunakan satuan Kbyte (Kb) dibagi sebesar 1024 (1 byte = 1024 Kbyte) menjadi 64Kb. Gambar 4.3 merupakan grafik perhitungan size terhadap RMN pada 10 gambar yang digunakan.

42 Gambar 4.3. Grafik hasil enkrispi berdasarkan perhitungan size dan RMN 4.2. Hasil Rekontruksi Dapat dilihat pada lampiran A.1 merupakan nilai hasil percobaan rekontuksi, diperoleh berupa gambar hasil dekripsi dengan format data PNG yang kemudian dilakukan perbandingan pada gambar asli dengan gambar hasil rekontuksi. Gambar 4.4. Hasil perbandingan rekontruksi citra cameraman. Dapat dibandingkan hasil rekontruksi yang dilakukan dengan gambar asli mendekati sama tetapi masih adanya noise disebelah kiri gambar. Pada proses percobaan rekontuksi menggunakan key atau sensing matrix sebesar 60x64, merupakan kualitas nilainya terbaik pada PSNR. Pada lampiran A.1 terdapat PSNR atau Peak Signal to Noise Ratio digunakan untuk mengetahui perbandingan kualitas citra sebelum dan sesudah terenkripsi. Nilai dari PSNR akan mendekati tak terhingga bila citra asli sama dengan citra rekontuksi. PSNR biasanya diukur dalam satuan decibel (db). Untuk mementukan PSNR, terlebih dahulu harus menentukan Mean Square Error (MSE) dengan rumus perhitungan sebagai berikut.... (4.3) MSE = nilai Mean Square Error dari citra. m = panjang citra. n= lebar citra. (i,j) = koordinat masing-masing piksel. I = citra asli.

43 K = citra rekontuksi.... (4.4) MAX I = nilai maksimum piksel input. MSE = nilai MSE. MAX I yang digunakan adalah bernilai 1 karena pengunaan tipe data double dengan rentang nilai 0-1 sehingga nilai maksimum piksel input sebesar 1. Gambar 4.5(a) Hasil Percobaan gambar yang telah dekripsi pada komputer dengan nilai PSNR terbaik.

44 Gambar 4.5.(b) Hasil Percobaan gambar yang telah dekripsi pada komputer dengan nilai PSNR terbaik. Dari Gambar 4.5 terdapat 9 gambar yang diuji coba dengan menggunakan ukuran sensing matriks yaitu sebesar 60x64 diperoleh hasil PSNR terbaik pada semua sensing yang digunakan. Untuk melihat gambar hasil dari percobaan dengan ukuran sensing yang lain dapat dilihat pada lampiran C pada gambar dekripsi. Tabel 4.1. dibawah menunjukkan rangkuman beragam metode dan hasil penelitian terhadap compressive sensing. Tabel 4.1. metode dan hasil penelitian terhadap compressive sensing. No. JUDUL Metode Penelitian Hasil A novel Encryption method based on compressive sensing. Ensuring Security to the Compressed Data Using A Steganographic Approach. Menggunakan metode algoritma linier feedback shift register (LFSR) untuk pemberian pada tiap blok dengan key yang beragam. Menggunakan bloking matrix sebesar 32x32 dengan ukuran citra sebesar 256x256. Menggunakan metode algoritma L optimization untuk melakukan proses rekontuksi. Menggunakan metode SVD based Embedding untuk proses Cipher image. Dengan nilai Rate 8,36 atau menggunakan sensing matrix kurang lebih sebesar 25x32 menghasilkan PSNR sebesar 29,67 db. Hasil secret image bersamaan dengan dengan rekontuksi sebesar 8,64dB dengan

45 No. JUDUL Metode Penelitian Hasil Menggunakan bloking matriks sebesar 90x90 dengan ukuran gambar 90x90 dan dengan sensing matriks sebesar 6400x8100. Compressing Encrypted Image Using Compressive Sensing. Lossy Compression of Encrypted Image by Compressive Sensing Technique. Compressive Sensing-Base Image Encryption with optimized sensing matrix. Menggunakan metode Gradient Projection for Space Reconstruction (GPSR) untuk mencari sparse dan rekontuksi. Sedangkan enkripsi menggunakan bloking matriks sebesar 32x32 dengan ukuran citra 512x512. Menggunakan metode DCT untuk dictionary untuk mencari nilai sparse dan rekontuksi. Menggunakan bloking matriks sebesar 16x16 dengan ukuran citra sebesar 256x256. Menggunakan metode Orthogonal Matching Pursuit (OMP) untuk mendapatkan nilai θ dan proses rekontuksi. Menggunakan bloking matriks sebesar 8x8 dengan ukuran citra sebesar 481x321 dan 321x481. menggunakan image test Baboon. Dengan menggunakan image test lena dengan compression rate 75%, 50%, 25% menghasilkan PSNR sebesar 37,5 ; 33,1 dan 27,8 db Dengan menggunakan sebuah citra lena diperoleh PSNR sebesar 27,55dB sebelum denosing. Dengan menggunakan basis DCT sebagai dictionary semua gambar pemandangan berhasil pada proses decoding. Menggunakan citra sebesar 321x481 dengan menggunakan RMN sebesar 25% mendapat PSNR 32,47dB sedangkan dengan citra 481x321 pada RMN yang sama menghasilkan PSNR sebesar 31,65dB Berdasarkan tabel di atas, rata- rata dengan menggunakan metode rekontuksi yang beragam diperoleh hasil PSNR lebih dari 20 db. Dari nilai tersebut dengan gambar hasil dekompres dapat direkontuksi dengan baik dengan gambar asli, sehingga informasi pada gambar masih dapat dilihat dengan kasap mata dengan baik. Sedangkan pada tahap kompresi dilakukan blocking, reshape dan perkalian dengan

46 sensing matriks. Percobaan enkripsi masih dilakukan pada sebuah simulasi berupa matrix laboratory (MATLAB) yang kinerjanya menggunakan sebuah komputer, Sehingga dilakukan percobaan implementasi pada sebuah embedded hardware menggunakan metode pengindraan kompresi pada sebuah citra 2 dimensi atau citra diam. 4.2. Hasil rekontuksi pada labview Pada lampiran A.2 merupakan tabel pencarian nilai PNSR dan MSE. Gambar nat5 merupakan nilai terbaik pada perhitungan PSNR pada semua gambar yang digunakan. Sebagai contoh dapat dilihat pada gambar 4.6 yang menggunakan RMN sebesar 25% dengan nilai RMN yaitu 25% sebagai berikut. Gambar 4.6. "nat5" hasil rekontuksi dengan RMN 25% Dapat dilihat masih terdapat noise pada bagian kanan gambar, sedangkan informasi berupa gambar mobil tetapi masih buram atau dengan kata lain informasi pada gambar berupa mobil belum terlihat dengan jelas. Pada citra nat5 dengan nilai PSNR sebesar 30db citra masih tidak sama dengan citra asli sehingga dilakukan percobaan dengan 14 RMN yang lainya dan diperoleh PSNR yang terbaik pada gambar "nat5" dengan gambar 4.7 sebagai berikut.

47 Gambar 4.7. nat5 hasil rekontuksi dengan RMN 93,75% Dari gambar diatas diperoleh hasil dengan perhitungan PSNR yaitu 34,521% dengan pengunaan nilai RMN terbaik. Dilihat dari kanan pada gambar masih terdapat noise tetapi informasi pada gambar mendekati gambar aslinya dan informasi berupa sebuah gambar mobil terlihat dengan jelas. Dalam kaskus ini maka dengan menggunakan RMN 93,75% untuk mendapatkan nilai PSNR yang terbaik pada RMN yang digunakan. Dari 10 gambar yang menggunakan 15 sensing matriks, ditemukan 9 gambar dengan penggunaan RMN sebesar 93,75% dan 1 gambar menggunakan RMN sebesar 100%. Gambar tersebut merupakan gambar pemandangan yaitu venice dapat dilihat pada gambar 4.8. Gambar 4.8. Gambar venice dengan menggunakan RMN sebesar 100%

48 Dari gambar hasil rekontruksi tidak biasa dipastikan kualitas perbaikan citra, melainkan dengan perhitungan PSNR. Karena PSNR membandingkan gambar asli dengan gambar hasil dekompres, selain itu juga dengan menggunakan sebuah gambar pemadangan pada pengguaan RMN sebesar 100% maka nilai PSNR semakin mendekati tak terhingga yang berarti tiap nilai piksel citra rekontuksi mendekati nilai piksel dengan citra asli.