Pemampatan Citra Warna Menggunakan 31 Fungsi Gelombang-Singkat Albertus Joko Santoso Teknik Informatika Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta albjoko@mail.uajy.ac.id Gede Bayu Suparta Fakultas Matematika dan Ilmu Pengatahuan Alam Universitas Gadjah Mada gb_suparta@yahoo.com Lukito Edi Nugroho Teknik Elektro Fakultas Teknik Universitas Gadjah Mada lukito@mti.ugm.ac.id Risanuri Hidayat Teknik Elektro Fakultas Teknik Universitas Gadjah Mada risanuri@te.ugm.ac.id Abstrak Data citra merupakan kombinasi informasi dan redudansi, bagian informasi adalah bagian data yang dipertahankan keberadaannya karena mengandung makna dan peruntukan data. Sedangkan bagian redudansi merupakan bagian data yang dapat direduksi, dimampatkan, atau dihilangkan. Permasalahan yang muncul adalah berkenaan dengan sifat data citra yang menghabiskan banyak memori. Dalam penelitian ini digunakan 31 fungsi gelombangsingkat, gelombang-singkat ini kemudian dicoba digunakan untuk pemampatan citra uji. Hasil pemampatan dari tiap-tiap gelombang-singkat kemudian dibandingkan dengan menggunakan beberapa parameter, yaitu PSNR (Peak Signal to Noise Ratio), dan rasio kompresi. Berdasarkan hasil pengujian yang dilakukan dapat disimpulkan bahwa, dari 31 fungsi gelombang-singkat terhadap PSNR yang diuji ternyata gelombang-singkat yang mempunyai PSNR tertinggi adalah thogonal 2.4. Sedangkan dari hasil uji 31 fungsi gelombang-singkat terhadap rasio kompresi ternyata gelombang-singkat yang mempunyai rasio kompresi tertinggi adalah Haar. Kata Kunci: citra, pemampatan, gelombang-singkat, PSNR, rasio kompresi 1. PENDAHULUAN Kebutuhan ruang penyimpanan di masa sekarang meningkat dengan pesat. Semakin banyak hal yang dirasakan berharga dan penting sehingga perlu disimpan. Misalnya, arsip mahasiswa, data-data penduduk, dan lainnya. Hal ini juga dirasakan di dunia komputer. Data-data yang semula diolah secara manual dan masih dalam bentuk fisik kertas mulai beralih ke penggunaan komputer sehingga bentuknya menjadi berkas. Berkas-berkas ini selanjutnya semakin bertambah dan dalam jangka waktu tertentu sudah berukuran besar sehingga berakibat ke ruang penyimpan. Oleh sebab itu, perlu dipikirkan suatu cara untuk memampatkan berkas tersebut sehingga kapasitas tempat penyimpanan yang diperlukan akan menjadi lebih kecil. Jika sewaktu-waktu data tersebut diperlukan, baru dikembalikan lagi ke berkas aslinya. Meskipun, sekarang ini harga storage (penyimpan) juga semakin murah dan ukurannya yang semakin besar tetapi bagaimanapun akan tetap lebih efektif jika ukuran berkas bisa diperkecil karena dapat menghemat pemakaian storage. Bukti lain dari pentingnya pemampatan berkas adalah pada saat transmisi jaringan, dimana berkas yang akan ditransmisikan berukuran besar misalnya, video akan lebih menghemat penggunaan bandwidth jaringan jika berkas video tersebut sudah dimampatkan. Pada dasarnya informasi dapat berupa teks dan gambar (citra), dengan informasi tersebut diharapkan akan diperoleh suatu pengetahuan yang bermanfaat bagi kehidupan didunia ini. Citra adalah penterjemahan data-data dalam bentuk gambar yang dapat merepresentasikan data-data tersebut. Data citra merupakan kombinasi informasi dan redudansi, bagian informasi adalah bagian data yang dipertahankan keberadaannya karena mengandung makna dan peruntukan data. Sedangkan bagian redudansi merupakan bagian data yang dapat direduksi, dimampatkan, atau dihilangkan. Permasalahan yang muncul adalah berkenaan dengan sifat data citra yang menghabiskan banyak memori. Banyaknya memori yang dihabiskan oleh gambar-gambar ini mengakibatkan kemampuan penyimpanan data citra menjadi berkurang. Dalam telekomunikasi pentransmisian data citra membutuhkan saluran transmisi yang mempunyai lebarbidang (bandwidth) yang besar. Dalam dunia komputer dan internet, pemampatan berkas digunakan dalam berbagai keperluan, jika ingin mencadangkan data, tidak perlu menyalin semua berkas aslinya, dengan memampatkan (mengecilkan ukurannya) berkas tersebut terlebih dahulu, maka kapasitas tempat
penyimpanan yang diperlukan akan menjadi lebih kecil. Jika sewaktu-waktu data tersebut diperlukan, baru dikembalikan lagi ke berkas aslinya. Tujuan penulisan paper ini adalah membandingkan 31 fungsi gelombang-singkat (wavelet) untuk pemampatan citra grayscale dan warna sehingga bermanfaat untuk menghemat ruang penyimpanan, menghemat waktu akses CPU (Central Processing Unit), dan apabila menggunakan jaringan komputer, data yang sudah dimampatkan tidak memerlukan waktu yang lama, sehingga dapat menghemat waktu pengirimannya. Parameter-parameter yang digunakan untuk pembanding fungsi-fungsi gelombang-singkat adalah PSNR (Peak Signal to Noise Ratio), MSE (Mean Square Error), dan rasio kompresi.. Adapun fungsi Gelombang- Singkat yang diuji adalah : a. Keluarga Daubechies (Haar (db 1), db 2, db 3, db 4, db 5) b. Keluarga Coiflets (coif 1, coif 2, coif 3, coif 4, coif 5) c. Keluarga Symlets (sym 2, sym 3, sym 4, sym 5, sym 6, sym 7, sym 8) d. thogonal (bior 1.3, bior 1.5, bior 2.2, bior 2.4, bior 2.6, bior 2.8, bior 3.1, bior 3.3, bior 3.5, bior 3.7, bior 3.9, bior 4.4, bior 5.5, bior 6.8). 2. LANDASAN TEORI Gelombang-singkat adalah suatu fungsi matematika yang membagi data menjadi beberapa komponen yang frekuensinya berbeda, kemudian mempelajari setiap komponen dengan resolusi yang cocok untuk setiap ukuran [1]. Gelombang-singkat merupakan suatu bentuk gelombang yang secara efektif memiliki batas durasi nilai rerata nol. Aplikasi yang telah berhasil diwujudkan dengan memanfaatkan gelombang-singkat diantaranya kompresi data citra, watermarking, deteksi tepi, sistem radar, dan penyandian sidik jari. Salah satu alasan mengapa alihragam gelombangsingkat menjadi begitu penting dalam berbagai bidang adalah karena sifat-sifat berikut: a. Waktu kompleksitasnya bersifat linear. Alihragam gelombang-singkat dapat dilakukan dengan sempurna dengan waktu yang bersifat linear. b. Koefisien-koefisien gelombang-singkat bersifat jarang. Secara praktis, koefisien-koefisien gelombang-singkat kebanyakan bernilai kecil. Kondisi ini sangat memberikan keuntungan terutama dalam bidang kompresi data. c. Gelombang-singkat dapat beradaptasi pada berbagai jenis fungsi, seperti fungsi tidak kontinyu, dan fungsi yang didefinisikan pada domain yang dibatasi. Tujuan pemampatan citra adalah mengurangi kapasitas penyimpanan tanpa menghilangkan kualitas citra secara signifikan. Ciri dari suatu citra ialah adanya korelasi yang erat antara suatu piksel dengan piksel lainnya. Pemampatan data citra dapat dilakukan dengan alihragam gelombang-singkat (wavelet). Stollnitz mengatakan bahwa salah satu sifat dari gelombang-singkat adalah kejarangan [2]. Pada kenyataannya, banyak koefisien dalam representasi gelombang-singkat yang nilainya nol atau sangat kecil. Sifat inilah yang memberikan peluang untuk melakukan pemampatan data citra. Sifat utama dari alihragam gelombang-singkat dalam pemampatan citra diam adalah terjadinya distorsi minimum pada citra terekonstruksi meskipun dilakukan penghilangan koefisien-koefisien alihragam yang mendekati nol. Padahal alihragam gelombang-singkat atas citra akan menghasilkan banyak subbidang citra yang mempunyai magnitude sangat kecil. Penetapan threshold non negatif, elemen-elemen subbidang citra bernilai sangat kecil dapat dinolkan sehingga dapat menghasilkan matriks sangat jarang. Adanya matriks sangat jarang akan memudahkan untuk ditransmisikan dan disimpan, bahkan citra hasil rekonstruksi dengan thresholding (kuantisasi) ini dapat memberikan hasil yang dapat diterima secara visual mata. Saat ini aplikasi wavelet sedang mendapat banyak perhatian di dunia penelitian, salah satunya adalah untuk menganalisis citra. Sebagai teknik analisis sinyal diskret 2- dimensi, misalnya citra, wavelet mendekomposisi sinyal menjadi sinyal rata-rata, detil vertikal, horisontal dan diagonal pada beberapa level yang diinginkan. Atau, wavelet mendekomposisi sinyal asli menjadi sinyal-sinyal pada beberapa band frekuensi (dinamakan analisis multi-resolusi). Analisis dapat dilakukan dengan Discrete Transform [3] atau teknik dekomposisi standard dan non-standard dengan wavelet Haar [4] dan [5]. Penciri (signature) citra yang dibangkitkan dengan wavelet diambil dari koefisien wavelet pada level tertentu (misalnya 3, 4 atau 5) dan dapat berukuran jauh lebih kecil dari citra asli. 3. METODE PENELITIAN Penelitian ini dirancang sebagai penelitian dengan kaji pustaka dan eksperimen. Kaji pustaka mencari beberapa fungsi gelombang-singkat (wavelet) yang sudah ada dan teori pengolahan citra, serta penulisan source code. Sedangkan kaji eksperimen dilakukan untuk menguji fungsi gelombangsingkat (wavelet) yang cocok atau sesuai untuk pemampatan citra satelit dan menguji beberapa citra satelit. Penelitian ini menggunakan input berupa citra warna dengan ukuran 512 x 512. Dalam paper ini akan disajikan beberapa hasil prototipe progam yang disusun dengan menggunakan bantuan program MATLAB. Selain itu akan disajikan pula hasil ujicoba kompresi dengan menggunakan beberapa jenis wavelet dan pengaruhnya terhadap nilai paramater PSNR (Peak Signal to Noise Ratio), rasio kompresi (%). 4. HASIL PENELITIAN Penelitian ini menggunakan input berupa citra warna 24 bit dengan ukuran 512x512. Citra yang diuji dalam penelitian ini dapat dilihat pada Gambar 1.
Hasil kompresi dari tiap-tiap gelombang-singkat kemudian dibandingkan dengan menggunakan beberapa parameter, yaitu PSNR (Peak Signal to Noise Ratio), dan rasio kompresi. 4.1. Histogram Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai piksel dari suatu citra [6]. Histogram juga dapat menunjukkan tentang kecerahan dan kontras dari sebuah citra. Oleh karena itu histogram dapat menjadi alat bantu pada pengolahan citra baik secara kualitatif maupun kuantitatif. Histogram dari citra leher (2a), citra clown (2b), dan lena (2c) dapat dilihat pada gambar 2. (a) (a) (b) (b) (c) Gambar 1. Citra warna yang digunakan untuk uji coba (a) buah.bmp, (b) teko..bmp, (c) airplane..bmp Dalam penelitian ini digunakan beberapa fungsi gelombang-singkat (31 fungsi), gelombang-singkat ini kemudian dicoba digunakan untuk mengkompresi citra uji. (c) Gambar 2. Histogram Citra uji (a) buah.bmp, (b) teko..bmp, (c) airplane..bmp
4.2. Pengaruh Gelombang-singkat terhadap PSNR PSNR merupakan salah satu parameter yang dapat digunakan untuk mengkuantifikasi kualitas citra. Parameter PSNR sering dipakai sebagai tingkat kemiripan antara citra terekonstruksi dengan citra asli. PSNR yang lebih besar akan menghasilkan kualitas citra yang lebih baik. Dari gambar 4 dan tabel 2 terlihat bahwa gelombang-singkat Coiflet 3 menghasilkan nilai PSNR tertinggi untuk semua citra uji, sedangkan gelombang-singkat Coiflet 5 yang menghasilkan nilai PSNR terendah. vs PSNR (Warna) 35 3 25 2 15 1 vs PSNR (Warna) 3 25 2 15 1 5 Sym 2 Sym 3 Sym 4 Sym 5 Sym 6 Sym 7 Sym 8 5 Haar Daub 2 Daub 3 Daub 4 Daub 5 Gambar 3. Gelombang-singkat terhadap PSNR (Daubechies) Tabel 1. PSNR untuk Gelombang-singkat (Keluarga Daubechies) Haar 37.8133 36.2 31.44 Daub 2 249.5 254. 252.3167 Daub 3 227.32 232.533 229. Daub 4 241.9567 246.67 244.54 Daub 5 238.1467 242.7 24.78 Pada gambar 3 dan tabel 1 terlihat bahwa gelombang-singkat Haar menghasilkan nilai PSNR tertinggi untuk semua citra uji, sedangkan yang menghasilkan nilai PSNR terendah adalah Daubechies 3. Gambar 5. Gelombang-singkat terhadap PSNR (Symlet) Tabel 3. PSNR untuk Gelombang-singkat (Keluarga Symlet) Sym 2 249.5 254. 252.3167 Sym 3 227.32 232.533 229. Sym 4 251.4333 257.3467 254.7767 Sym 5 26.7133 266.76 264.9 Sym 6 247.3567 253.1733 25.6 Sym 7 248.5133 254.8833 252.1367 Sym 8 259.1 263.6 261.6933 Dari gambar 5 dan tabel 3 dapat dilihat bahwa gelombangsingkat Symlet 5 menghasilkan nilai PSNR tertinggi untuk semua citra uji, sedangkan yang menghasilkan nilai PSNR terendah adalah Symlet 3. 3 25 2 15 1 5 vs PSNR (Warna) Coif 1 Coif 2 Coif 3 Coif 4 Coif 5 Gambar 4. Gelombang-singkat terhadap PSNR (Coiflet) Tabel 2. PSNR untuk Gelombang-singkat (Keluarga Coiflet) Coif 1 246.1533 252.167 249.38 Coif 2 223.8333 228.88 226.633 Coif 3 251.8233 257.5267 254.43 Coif 4 218.29 224.6733 221.367 Coif 5 171.3 177.9167 174.55 35 3 25 2 15 1 5 1.3 1.5 2.2 2.4 vs PSNR (Warna) 2.6 2.8 3.1 3.3 3.5 3.7 3.9 4.4 5.5 6.8 Gambar 6. Gelombang-singkat terhadap PSNR (thogonal)
Tabel 4. PSNR untuk Gelombang-singkat (Keluarga thogonal) 1.3 37.68 35.14 31.4967 1.5 37.5 35.2333 31.34 2.2 35.6233 33.2633 2.5267 2.4 311.72 39.2333 35.49 2.6 311.64 37.2867 35.4567 2.8 37.9133 36.3467 31.49 3.1 32.5767 3.8667 296.2767 3.3 37.5333 35.3 31.27 3.5 37.1967 34.59 31.333 3.7 36.36 34.1467 3.533 3.9 36.9 32.9367 2.7967 4.4 244.6133 249.6333 247.4 5.5 242.5 246.8133 244.73 6.8 258.5533 263.7433 261.3633 Pada gambar 6 dan tabel 4 terlihat bahwa gelombang-singkat thogonal 2.4 menghasilkan nilai PSNR tertinggi untuk semua citra uji, sedangkan thogonal 5.5 menghasilkan nilai PSNR terendah. 4.3. Pengaruh Gelombang-singkat terhadap Rasio Kompresi Rasio kompresi digunakan untuk mengukur kemampuan pemampatan data, yaitu dengan membandingkan ukuran citra yang dimampatkan dengan ukuran citra asli. Semakin besar rasio kompresinya berarti semakin baik fungsi gelombang-singkatnya..4.3.2.1 98.9 vs Rasio Kompresi (Warna) Haar Daub 2 Daub 3 Daub 4 Daub 5 Gambar 7. Gelombang-singkat terhadap Rasio Kompresi (Daubechies) Tabel 5. Rasio Kompresi untuk Gelombang-singkat (Keluarga Daubechies) Haar.312.316.313 Daub 2.237.237.237 Daub 3.156.157.156 Daub 4.75.75.75 Daub 5 98.987 98.988 98.987 Pada gambar 7 dan tabel 5 terlihat bahwa gelombang-singkat Haar menghasilkan nilai rasio kompresi tertinggi untuk semua citra uji, sedangkan yang menghasilkan nilai rasio kompresi terendah adalah Daubechies 5..4.2 98.6 98.4 98.2 98 97.8 97.6 97.4 vs Rasio Kompresi (Warna) Coif 1 Coif 2 Coif 3 Coif 4 Coif 5 Gambar 8. Gelombang-singkat terhadap Rasio Kompresi (Coiflet) Tabel 6. Rasio Kompresi untuk Gelombang-singkat (Keluarga Coiflet) Coif 1.156.156.156 Coif 2 98.92 98.92 98.92 Coif 3 98.682 98.682 98.682 Coif 4 98.41 98.41 98.41 Coif 5 98.13 98.13 98.13 Dari gambar 8 dan tabel 6 terlihat bahwa gelombang-singkat Coiflet 1 menghasilkan nilai rasio kompresi tertinggi untuk semua citra uji, sedangkan Coiflet 5 yang menghasilkan nilai rasio kompresi terendah..3.2.1 98.9 98.7 98.6 98.5 98.4 vs Rasio Kompresi (Warna) Sym 2 Sym 3 Sym 4 Sym 5 Sym 6 Sym 7 Sym 8 Gambar 9. Gelombang-singkat terhadap Rasio Kompresi (Symlet) Tabel 7. Rasio Kompresi untuk Gelombang-singkat (Keluarga Symlet) Sym 2.237.237.237 Sym 3.156.157.156 Sym 4.75.75.75 Sym 5 98.987 98.987 98.987 Sym 6 98.92 98.93 98.92 Sym 7 12 13 12 Sym 8 98.723 98.723 98.723
Pada gambar 9 dan tabel 7 terlihat bahwa gelombang-singkat Symlet 2 menghasilkan nilai rasio kompresi tertinggi untuk semua citra uji, sedangkan yang menghasilkan nilai rasio kompresi terendah adalah Symlet 8.4.2 98.6 98.4 98.2 1.3 vs Rasio Kompresi (Warna) 1.5 2.2 2.4 2.6 2.8 3.1 3.3 3.5 3.7 3.9 4.4 5.5 6.8 Gambar 1. Gelombang-singkat terhadap Rasio Kompresi (thogonal) Tabel 8. Rasio Kompresi untuk Gelombang-singkat (Keluarga thogonal) 1.3.156.156.156 1.5 98.987 98.987 98.988 2.2.156.156.156 2.4 98.987 98.987 98.987 2.6 12 12 12 2.8 98.682 98.682 98.682 3.1.237.237.237 3.3.75.75.75 3.5 98.92 98.93 98.93 3.7 98.723 98.724 98.723 3.9 98.591 98.591 98.591 4.4 98.987 98.987 98.987 5.5 98.92 98.92 98.92 6.8 98.682 98.682 98.682 Pada gambar 1 dan tabel 8 terlihat bahwa gelombang-singkat thogonal 3.1 menghasilkan nilai rasio kompresi tertinggi untuk semua citra uji, sedangkan biorthogonal 3.9 yang menghasilkan nilai PSNR terendah. 5. KESIMPULAN Berdasarkan hasil pengujian yang dilakukan untuk citra uji berwarna, dapat disimpulkan bahwa : 1. Dari 31 fungsi gelombang-singkat terhadap PSNR yang diuji ternyata gelombang-singkat yang mempunyai PSNR tertinggi adalah thogonal 2.4. Sedangkan untuk nilai PSNR tertinggi pada setiap keluarga gelombang-singkat ialah: a. Untuk keluarga Daubechies adalah Haar b. Untuk keluarga Coiflet adalah Coiflet 3 c. Untuk keluarga Symlet adalah Symlet 5 d. Untuk thogonal adalah thogonal 2.4. 2. Dari hasil uji 31 fungsi gelombang-singkat terhadap Rasio Kompresi ternyata gelombang-singkat yang mempunyai Rasio Kompresi tertinggi adalah Haar. Untuk rasio kompresi tertinggi pada setiap keluarga gelombangsingkat yaitu: a. Untuk keluarga Daubechies adalah Haar b. Untuk keluarga Coiflet adalah Coiflet 1 c. Untuk keluarga Symlet adalah Symlet 2 d. Untuk thogonal adalah thogonal 3.1. DAFTAR PUSTAKA [1] Mubarak, Riyad, 23, Pemampatan Data Citra Dengan Menggunakan Transform Gelombang-Singkat, Universitas Gadjah Mada, Yogyakarta. [2] Stollnitz, E.J, DeRose, T.D., dan Salesin, D.H., 16, s For Computer Graphics: Theory And Applications, Morgan Kaufman Publisher, USA, San Fransisco. [3] Mallat, S, 19, A Tour Of Signal Processing, Academic Press, USA [4] Chakrabarti,K., Garofalakis, M., Rastogi, R., Shim, K., 2, Approximate Query Processing Using, Proceedings of the 26 th VLDB Coference, Cairo, Egypt. [5] Natsev, A., Rastogi, R., Shim, K., 19, Walrus: A Similarity Retrieval Algorithm For Image Databases, Duke University and Bell Laboratories, USA [6] Munir, R. 24, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Penerbit Informatika, Bandung