BAB 5 PENGUJIAN DAN ANALISIS SISTEM
5.1.2 Analisis Data Hasil Pengujian Sistem
5.1.2.4 Analisis Kualitas Citra Hasil Kompresi Berdasarkan
Parameter lain yang sering digunakan untuk mengukur performansi sebuah algoritma kompresi adalah kualitas citra yang dihasilkan setelah dekompresi. Algoritma kompresi yang baik harus dapat merekonstruksikan kembali citra hasil kompresi sama seperti citra aslinya. Untuk mengukur kualitas citra hasil dekompresi digunakan PSNR (Peak Signal to Noise Ratio).
Tabel 5.8 Nilai PSNR citra algoritma Shannon-Fano dan Huffman dengan tipe kompresi per plane dan per piksel
Nama File Citra Asli
Nama File citra Rekonstruksi
Nilai PSNR lena256.bmp lena256_shpn.bmp Inf lena256.bmp lena256_hfpn.bmp Inf lena256.bmp lena256_shpx.bmp Inf lena256.bmp lena256_hfpx.bmp Inf baboon256.bmp baboon256_shpn.bmp Inf baboon256.bmp baboon256_hfpn.bmp Inf baboon256.bmp baboon256_shpx.bmp Inf baboon256.bmp baboon256_hfpx.bmp Inf peppers256.bmp peppers256_shpn.bmp Inf peppers256.bmp peppers256_hfpn.bmp Inf peppers256.bmp peppers256_shpx.bmp Inf
peppers256.bmp peppers256_hfpx.bmp Inf sailboat256.bmp sailboat256_shpn.bmp Inf sailboat256.bmp sailboat256_hfpn.bmp Inf sailboat256.bmp sailboat256_shpx.bmp Inf sailboat256.bmp sailboat256_hfpx.bmp Inf flowers256.bmp flowers256_shpn.bmp Inf flowers256.bmp flowers256_hfpn.bmp Inf flowers256.bmp flowers256_shpx.bmp Inf flowers256.bmp flowers256_hfpx.bmp Inf tulip256.bmp tulip256_shpn.bmp Inf tulip256.bmp tulip256_hfpn.bmp Inf tulip256.bmp tulip256 _shpx.bmp Inf tulip256.bmp tulip256_hfpx.bmp Inf clustermass256.bmp clustermass256_shpn.bmp Inf clustermass256.bmp clustermass256_hfpn.bmp Inf clustermass256.bmp clustermass256_shpx.bmp Inf clustermass256.bmp clustermass256_hfpx.bmp Inf shear256.bmp shear256_shpn.bmp Inf shear256.bmp shear256_hfpn.bmp Inf shear256.bmp shear256_shpx.bmp Inf shear256.bmp shear256_hfpx.bmp Inf
Berdasarkan hasil pengujian yang dilakukan pada delapan buah citra uji pada Tabel 5.8 di atas diperoleh bahwa: nilai PSNR untuk kedua algoritma kompresi baik Algoritma Shannon-Fano ataupun Huffman dengan tipe kompresi per plane atau per piksel sama-sama bernilai Inf (Infinite) atau tidak terhingga, hal ini membuktikan bahwa algoritma Shannon-Fano dan Huffman merupakan algoritma kompresi jenis lossless dimana citra hasil kompresi berhasil direkonstruksikan kembali sama persis seperti kualitas citra aslinya dan tidak ada informasi yang hilang di dalamnya.
5.1.2.5 Analisis panjang rata-rata kode yang digunakan setelah dikompresi
Dalam proses kompresi algoritma Shannon-Fano dan Huffman, intensitas warna citra diwakili oleh kode biner 0 dan 1. Intensitas warna yang sering muncul dikodekan dengan kode yang lebih pendek, dan intensitas warna yang jarang muncul dikodekan dengan kode yang lebih panjang, sehingga kode biner yang dihasilkan ini akan bersifat unik. Analisis rasio kompresi citra terhadap panjang rata-rata kode yang digunakan citra terkompresi akan diuraikan dalam pembahasan di bawah ini.
Tabel 5.9 Panjang rata-rata kode kompresi Shannon-fano dan Huffman tipe per plane
Nama File Citra Asli Panjang
rata-rata kode Shannon-Fano (bit/simbol) Rasio Kompresi Shpn Panjang rata-rata kode Huffman (bit/simbol) Rasio Kompresi Hfpn lena256.bmp 7,846 1,3 7,822 1,59 baboon256.bmp 7,781 2,11 7,756 2,42 peppers256.bmp 7,808 1,78 7,788 2,03 sailboat256.bmp 7,826 1,54 7,802 1,84 flowers256.bmp 7,703 3,08 7,68 3,38 tulip256.bmp 7,524 5,32 7,498 5,64 clustermass256.bmp 2,862 63,58 2,857 63,64 shear256.bmp 2,393 69,63 2,385 69,73 Rata-rata 6,467 6,448
Tabel 5.10 Panjang rata-rata kode kompresi Shannon-fano dan Huffman tipe per piksel
Nama File Citra Asli Panjang rata-rata kode Shannon-fano (bit/piksel) Rasio kompresi Shpx Panjang rata-rata kode Huffman (bit/piksel) Rasio kompresi Hfpx lena256.bmp 15,331 -138,26 15,328 -138,25 baboon256.bmp 15,807 -179,39 15,807 -179,79 peppers256.bmp 15,461 -153,77 15,459 -153,76 sailboat256.bmp 15,414 -149,14 15,412 -149,09 flowers256.bmp 15,39 -146,18 15,387 -146,17 tulip256.bmp 15,33 -138,15 15,327 -138,14 clustermass256_bmp 6,229 72,88 6,215 72,94 shear256_bmp 3,941 82,4 3,94 82,4 Rata-rata 12,862 12,859
Berdasarkan Tabel 5.9 dan Tabel 5.10 di atas dapat dilihat bahwa untuk algoritma Huffman menggunakan panjang rata-rata kode yang yang lebih sedikit dibandingkan algoritma Shannon-Fano, yaitu untuk tipe kompresi per plane panjang rata-rata kode yang dihasilkan algoritma Huffman (6,448 bit/ simbol) sedangkan untuk algoritma Shannon-Fano (6,467 bit/ simbol), sedamgkan pada tipe per piksel panjang rata-rata kode yang digunakan algoritma Huffman (12,862 bit/ simbol) sedangkan untuk algoritma Shannon-Fano (12,859 bit/ simbol), oleh karena itu algoritma Huffman menghasilkan rasio kompresi yang lebih baik dibandingkan dengan algoritma Shannon-Fano.
5.1.2.6 Analisis nilai entropi citra
Untuk tahap ini kita akan melihat pengaruh nilai entropi terhadap rasio kompresi dan tipe kompresi yang digunakan, berdasarkan hasil pengujian diperoleh nilai entropi untuk masing-masing citra sebagai berikut:
Tabel 5.11 Nilai entropi citra, tipe kompresi per plane Nama File Citra Asli Jumlah
simbol Entropi (bit/simbol) Rasio kompresi Hfpn Rasio kompresi Shpn lena256.bmp 256 7,792 1,59 1,3 baboon256.bmp 256 7,722 2,42 2,11 peppers256.bmp 256 7,76 2,03 1,78 sailboat256.bmp 256 7,775 1,84 1,54 flowers256.bmp 256 7,651 3,38 3,08 tulip256.bmp 256 7,478 5,64 5,32 clustermass256.bmp 256 2,679 63,64 63,58 shear256.bmp 256 2,309 69,73 69,63
Tabel 5.12 Nilai entropi citra, tipe kompresi per piksel Nama File Citra
Asli Jumlah simbol Entropi (bit/simbol) Rasio kompresi Hfpx Rasio kompresi Shpx lena256.bmp 48995 15,319 -138,25 -138,26 baboon256.bmp 59994 15,805 -179,79 -179,39 peppers256.bmp 53201 15,452 -153,76 -153,77 sailboat256.bmp 51954 15,405 -149,09 -149,14 flowers256.bmp 51150 15,379 -146,17 -146,18 tulip256.bmp 48965 15,318 -138,14 -138,15 clustermass256.bmp 327 6,198 72,94 72,88 shear256.bmp 331 3,919 82,4 82,4
Rasio kompresi dipengaruhi oleh nilai entropi, semakin rendah nilai entropi maka akan menghasilkan rasio kompresi yang lebih tinggi, demikian sebaliknya apabila nilai entropi lebih besar, maka akan menghasilkan rasio kompresi yang rendah. Seperti yang terdapat pada Tabel 5.11 di atas, citra shear256.bmp memiliki nilai entropi yang paling rendah dibandingkan dengan citra lainnya, dengan nilai entropi 3,919 bit/ simbol, namun citra ini menghasilkan rasio kompresi yang paling tinggi dibandingkan citra uji lainnya, yaitu dengan rasio kompresi 82,4 %.
Untuk tipe kompresi citra, berdasarkan hasil pengujian yang telah dilakukan dapat diambil kesimpulan bahwa tipe kompresi per plane lebih baik digunakan untuk kompresi citra daripada tipe kompresi per piksel, karena pada tipe kompresi per plane jumlah simbol maksimum yang dihasilkan adalah 256 simbol, sedangkan pada tipe kompresi per piksel jumlah simbol maksimum yang dihasilkan mencapai 59994 simbol. Semakin banyak simbol yang terkandung pada data citra, maka akan semakin membebani ukuran file citra terkompresi, karena akan memperbesar ukuran kode Huffman atau Shannon-Fano, sehingga ukuran file citra akan semakin meningkat. Hal ini dapat dilihat pada Tabel 5.12 di atas, dimana nilai kompresi citra untuk kedua jenis algoritma bernilai negatif, nilai negatif ini disebabkan oleh ukuran kode yang dibentuk melebihi ukuran citra yang terkompresi.
BAB 6
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Setelah melakukan analisis terhadap kedua algoritma kompresi yaitu algoritma kompresi Huffman dan Shannon-Fano, maka dapat ditarik kesimpulan bahwa:
1. Rasio kompresi yang dihasilkan oleh Algoritma Huffman lebih baik daripada Algoritma Shannon-Fano. contohnya untuk tipe per plane, rasio rata-rata Huffman (18,78 %) dan Shannon-Fano (18,54 %).
2. Algoritma kompresi Huffman dapat mengurangi pemakaian memori lebih banyak dari pada algoritma kompresi Shannon-Fano. Ukuran file rata-rata hasil kompresi Huffman (159722,75 byte) dan kompresi Shannon-Fano (160194,87 byte).
3. Tipe kompresi per piksel tidak cocok digunakan untuk proses kompresi pada file citra yang banyak menggunakan komposisi warna, baik dengan algoritma Shannon-Fano dan Huffman karena tidak dapat mengurangi ukuran file citra yang dikompresi bahkan memperbesar ukuran file citra. Misalnya pada citra lena256.bmp, ukuran file citra asli adalah 19662 byte sedangkan file citra yang dihasilkan dengan algoritma kompresi Huffman adalah 468544 byte dan dengan algoritma Shannon-Fano adalah 468568 byte.
4. Kualitas citra yang dihasilkan oleh kedua algoritma dapat dilihat dari nilai PSNR yang dihasilkan oleh kedua algoritma, berdasarkan nilai PSNR yang dihasilkan dapat dilihat bahwa kedua algoritma baik algoritma Huffman maupun algoritma Shannon-Fano menghasilkan nilai infinite yang artinya dapat merekonstruksikan kembali citra seperti citra aslinya tanpa ada informasi yang hilang.
5. Algoritma Shannon-Fano memiliki waktu kompresi yang lebih cepat dibandingkan algoritma Huffman. Kecepatan rata-rata proses kompresi
algoritma Shannon-Fano (0,285 s) dan kecepatan proses kompresi Huffman (0,322 s).
6. Kecepatan rata-rata proses dekompresi algoritma Shannon-Fano dan Huffman tidak jauh berbeda, contohnya pada tipe per plane, kecepatan dekompresi Shannon-Fano (0,144 s) dan kecepatan proses dekompresi Huffman (0,142 s). 6.2 Saran
Berikut adalah saran-saran untuk pengembangan lebih lanjut terhadap Tugas Akhir ini.
1. Dapat dikembangkan dengan mengganti jenis tipe citra yang digunakan untuk analisis proses kompresi misalnya PNG atau GIF.
2. Analisis algoritma Shannon-Fano dan Huffman dapat dikembangkan untuk proses kompresi file jenis lain seperti audio dan video.
3. Algoritma kompresi citra dapat diganti dengan menggunakan algoritma yang lain seperti Arithmatic coding, LZW dan lain-lain.
DAFTAR PUSTAKA
Hasibuan, N. S. 2008. Studi Perbandingan Algoritma Huffman dan Shannon-Fano dalam Pemampatan File Teks. Program Studi S-1 Matematika USU: Skripsi tidak diterbitkan.
Hestiningsih, Idhawati. 2008. Pengolahan Citra.
Ida, Mengyi Pu. 2006. Fundamental Data Compression. Diakses tanggal 12 Februari 2009.
Johnsonbough, Richard. 1998. Matematika Diskrit. Jilid 2. Jakarta: Prenhallindo. Jong, Jek Siang. 2002. Matematika Diskrit dan Aplikasinya pada Ilmu Komputer.
Yogyakarta: Andi.
Linawati dan Panggabean, Henry. P. 2004. ”Perbandingan Kinerja Algoritma Kompresi Huffman, LZW, dan DMC pada Berbagai Tipe File”.
Diakses tanggal 8 Februari 2009.
Madenda, Sarifuddin, et al. 2004. ”Kompresi Citra Berwarna Menggunakan Metode
Pohon Biner Huffman”.
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika.
Salomon, David. 2007. Variable-length Codes for Data Compression.
Suhendra, Adang. 2004. “Catatan Kuliah Pengantar Pengolahan Citra”.
Diakses tanggal 6 Desember 2008.
Wijaya, Marvin.Ch dan Prijono, A. 2007. Pengolahan Citra Digital menggunakan Matlab. Bandung: Informatika.