2.1 Citra
2.1.1 Definisi Citra
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra digital adalah citra yang dapat diolah oleh komputer. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan (Sutoyo dkk, 2009).
2.1.2 Picture Element (pixel)
Setiap picture element(pixel) atau disebut juga piksel digambarkan sebagai satu kotak kecil. Setiap piksel mempunyai koordinat posisi. Sistem koordinat piksel mengikuti asas pemindaian pada layar TV standar, dimana setiap piksel memiliki koordinat berupa
(x,y) Dalam hal ini,
x menyatakan posisi kolom; Y menyatakan posisi baris;
Piksel pojok kiri-atas mempunyai koordinat (0,0) dan piksel pada pojok kanan- bawah mempunyai koordinat (N-1, M-1) (Kadir & Susanto, 2013).
Namun dalam praktiknya, penggunaan koordinat pada sistem tertentu mempunyai sedikit perbedaan, contohnya pada MATLAB piksel pojok kanan-atas tidak mempunyai koordinat (0,0) melainkan (1,1) (Kadir & Susanto, 2013).
Citra bitmap adalah susunan bit-bit warna untuk tiap pixel yang membentuk pola tertentu.Pola-pola warna ini menyajikan informasi yang dapat dipahami sesuai dengan persepsi indera penglihatan manusia. Format file ini merupakan format grafis yang fleksibel untukplatform Windowssehingga dapat dibaca oleh program grafis manapun. Format ini mampu menyimpan informasi dengan kualitas tingkat 1 bit sampai 24 bit. Citra bitmap didefinisikan sebagai fungsi f (x,y) dengan x dan y adalah koordinat bidang. Besaran f untuk tiap koordinat (x,y) disebut intensitas atau derajat keabuan citra pada titik tersebut (Jannah, 2008). Berikut gambar 2.1 menunjukkan gambar matriksbitmap
Gambar 2.1 .Bitmapdengan nilai matriksnya (Sutoyo dkk, 2009) 2.1.4 Jenis Citra
2.1.4.1 Citra Biner (Monokrom)
Setiap piksel hanya terdiri dari warna hitam atau putih, karena hanya ada dua warna untuk setiap piksel, maka hanya perlu 1 bit per piksel (0 dan 1) atau apabila dalam 8 bit ( 0 dan 255), sehingga sangat efisien dalam hal penyimpanan. Gambar yang direpresentasikan dengan biner sangat cocok untuk teks (dicetak atau tulisan tangan), sidik jari (finger print), atau gambar arsitektur (Kusumanto & Tompunu, 2011). Gambar 2.2 berikut adalah contoh citra biner.
Gambar 2.2 Citra Biner (Alasdair, 2004) 2.1.4.2 Citra Skala Keabuan (Grayscale)
Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap piksel-nya, dengan kata lain nilai bagianRED=GREEN=BLUE. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra grayscaleberikut memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan) (Hariyati, 2014). Berikut contoh citragrayscalepada gambar 2.3.
Gambar 2.3 CitraGrayscale 2.1.4.3. Citra Warna (True Color)
Pada citra warna setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari tiga warna dasar, yaitu: merah, hijau, biru. Format citra ini sering disebut sebagai citra RGB (red- green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit).
Dengan demikian setiap titik pada citra warna membutuhkan 3 byte. Jumlah kombinasi warna yang mungkin untuk format citra ini adalah 224 atau lebih dari 16 juta warna, dengan demikian dianggap mencakup semua warna yang ada, inilah sebabnya format ini dinamakan true color (Jalaluddin & Melita, 2012). Pada gambar 2.4 berikut adalah contoh citra warna.
Gambar 2.4 Citra Warna (Hariyati, 2014) 2.1.4.4 Citra Warna Berindeks
Setiap titik (pixel) pada citra warna berindeks mewakili indeks dari suatu tabel warna yang tersedia (biasanya disebut palet warna),
Keuntungan pemakaian palet warna adalah kita dapat dengan cepat memanipulasi warna tanpa harus mengubah informasi pada setiap titik dalam citra. Keuntungan yang lain, penyimpanan lebih kecil (Syarif dkk, 2012). Berikut adalah contoh citra warna berindeks pada gambar 2.5.
Gambar 2.5 Citra Warna Berindeks (Syarif dkk, 2012) 2.2 Pengolahan Citra
2.2.1 Definisi Pengolahan Citra
Pengolahan Citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia/mesin (komputer). Masukannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan, misal citra warnanya kurang tajam, kabur (blurring), mengandungnoise (misal bintik-bintik putih), dan lain-lain sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang (Syarif dkk, 2012).
2.2.2. Aplikasi dan Prinsip Dasar Pengolahan Citra
pengolahan citra merupakan bagian penting yang mendasari aplikasi nyata, seperti pengenalan pola, penginderaan jarak jauh melalui satelit atau pesawat udara, dan machine vision. Pada pengenalan pola, pengolahan citra antara lain berperan memisahkan objek dari latar belakang secara otomatis. Selanjutnya, objek akan diproses oleh pengklasifikasi pola. Pengolahan citra juga dapat dimanfaatkan, misalnya untuk penentuan jenis jenis tanaman hias melalui ciri-ciri citra daun.
Aplikasi-aplikasi seperti itu menggunakan prinsip dasar dalam pengolahan citra seperti peningkatan kecerahan dan kontras, penghilangan derau pada citra, dan pencarian bentuk objek (Kadir & Susanto, 2013).
2.2.3. Peningkatan Kualitas Citra (Image Enhancement)
Peningkatan kualitas citra adalah suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan adalah:
- Transformasi intensitas citra - Operasi berbasis bingkai - Pemfilteran, dll.
Tujuan utama dari peningkatan kualitas citra adalah untuk memproses citra sehingga citra yang dihasilkan lebih baik dari pada citra aslinya untuk aplikasi tertentu (Sutoyo dkk, 2009).
2.2.4. Perbaikan Citra (Image Restoration)
Restorasi citra digital adalah suatu teknik yang memperhatikan bagaimana mengurangi perubahan bentuk dan penurunan kualitas citra yang diawali selama pembentukan citra tersebut (Pitas, 1993). Titik berat restorasi adalah pada perbaikan citra yang mengalami kerusakan, baik selama proses digitalisasi maupun cacat akibat usia, jamur, goresan pelabelan teks pada citra yang dilakukan baik sengaja maupun tidak sengaja. Berbeda dengan image enhancement cenderung memperhatikan perbaikan kualitas citra yang mengalami penurunan kualitas selama pembentukan citra atau justru memberi efek berlebih pada citra yang sudah ada (Sutoyo dkk, 2009). Metode-metode yang dapat digunakan dalam restorasi citra adalah:
- Arithmetic Mean Filter - Geometric Mean Filter - Harmonic Mean Filter - Contraharmonic Mean Filter - FilterMedian
- FilterMaksimum - FilterMinimum, dll.
2.2.5. Transformasi Fourier
Transformasi citra merupakan proses perubahan bentuk citra, baik intensitas maupun posisi pikselnya, yang bertujuan untuk mendapatkan suatu informasi tertentu. Secara umum transformasi bisa dibagi dua, yaitu transformasi spatial dan transformasi domain.
Pada transformasi spatial yang diubah adalah intensitas piksel (brightness, kontras, negasi, thresholding) atau posisi piksel. Transformasi domain adalah proses perubahan citra dari suatu domain ke domain lainnya. Transformasi Fourier adalah transformasi yang mengubah domain spasial ke domain frekuensi (Sutoyo dkk, 2009). 2.2.6. Segmentasi
Segmentasi citra bertujuan untuk membagi wilayah-wilayah yang homogen. Segmentasi adalah salah satu metode penting yang digunakan untuk mengubah citra inputke dalam citraoutputberdasarkan atribut yang diambil dari citra tersebut(Sutoyo dkk, 2009).
Berdasarkan teknik yang digunakan, segmentasi dapat dibagi menjadi empat kategori berikut :
1. Teknik peng-ambangan; 2. Metode berbasis batas; 3. Metode barbasis area;
4. Metode hibrid yang mengombinasikan kriteria batas dan area (Kadir & Susanto, 2013).
Yang termasuk bagian dari segmentasi diantaranya adalah deteksi garis, deteksi tepi, operatorroberts, operatorprewitt, operatorsobel, dll.
2.3.Filtering
2.3.1Arithmetic Mean Filter
Arithmetic Mean Filter adalah metode paling mudah dari mean filter. Misalkan Sxy mewakili himpunan koordinat dalam sebuah windowberukuran mxn, berpusat di titik (x,y). Proses Arithmetic Mean Filtering menghitung rata-rata nilai dari citra yang rusak g(x,y) pada area yang didefenisikan oleh Sxy. Nilai dari citra(x,y) yang diperbaiki pada tiap titik (x,y) hanya dihitung dengan menggunakan piksel dalam daerah yang didefenisikan oleh Sxy. Dengan kata lain:
………...(1)
Operasi ini dapat diimplementasikan dengan menggunakan konvolusi (Sutoyo dkk, 2009).
Contoh perhitungan digital dari Arithmetic Mean Filter dapat dilihat pada gambar 2.6 berikut:
Gambar 2.6 Pemilihan Kernel 3x3
68 65 65
62 74 66
57 71 75
Maka (x,y) = ( 68+ 65 + 65 + 62 + 74 +66 + 57 + 71 + 75 ) = 67 Sehingga bagian dari citra ini berubah menjadi:
68 65 65
62 67 66
57 71 75
2.4. Kompresi Citra 2.4.1. Pengertian Kompresi
Kompresi berarti memampatkan atau mengecilkan ukuran, kompresi data adalah suatu proses mengkodekan informasi menggunakan bit atau information-bearing unit yang lain yang lebih rendah dari pada representasi data yang tidak terkodekan dengan suatu sistem encoding tertentu dan kompresi data adalah suatu cara untuk memadatkan data sehingga hanya memerlukan ruangan penyimpanan lebih kecil sehingga lebih efisien dalam penyimpanannya dan mempersingkat waktu pertukaran data tersebut. Keuntungan kompresi data adalah penghematan tempat pada media penyimpanan dan penghematan bandwitch pada pengiriman data. Namun kompresi memiliki sisi negatife, bila data yang dikompresi akan dibaca maka harus dilakukan proses dekompresi terlebih dahulu (Faradisa & Bara, 2011).
Kompresi citra bertujuan untuk meminimalkan jumlah bit yang diperlukan untuk merepresentasikan citra. Apabila sebuah foto berwarna berukuran 3 inci x 4 inci diubah ke bentuk digital dengan tingkat resolusi sebesar 500 dot per inch (dpi), maka diperlukan 3 x 4 x 500 x 500 =3.000.000 dot ( piksel). Setiap piksel terdiri dari 3byte dimana masing-masingbytemerepresentasikan warna merah, hijau, dan biru. sehingga citra digital tersebut memerlukan volume penyimpanan sebesar 3.000.000 x 3 byte +1080 = 9.001.080 byte setelah ditambahkan jumlah byte yang diperlukan untuk menyimpan format (header) citra (Jalaluddin & Melita, 2012). Berikut gambar 2.7 konversi citra analog ke citra digital serta pengirimannya.
Gambar 2.7 Proses Konversi Citra Analog ke Citra Digital dan Pengirimannya (Jalaluddin & Melita, 20B2)
Dalam proses kompresi (pemampatan) citra terdapat dua proses utama yaitu sebagai berikut (Jalaluddin & Melita, 2012):
1. Pemampatan citra (image compression)
Pada proses, ini citra dalam representasi tidak mampat dikodekan dengan representasi yang meminimumkan kebutuhan memori.
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 akan ditampilkan ke layar atau disimpan ke dalam arsip dengan format tidak mampat. Saat ini sudah banyak ditemukan metode-metode pemampatan citra.
Kriteria yang digunakan dalam mengukur metode pemampatan citra adalah (Sutoyo dkk, 2009):
1. Waktu kompresi dan waktu dekompresi 2. Kebutuhan memori
3. Kualitas pemampatan (fidelity) 4. Format keluaran.
Adapun salah satu aplikasi terbaik dalam kompresi citra adalah 7-Zip. 7-Zip mampu mengkompresi citra hingga 99%. Contoh, citra berukuran 4.038.469 bytes di kompresi menggunakan 7-Zip, dan hasilnya adalah ukuran citra terkompresi sebanyak 4.014.957 bytes. Berikut gambar 2.8 hasil kompresi menggunakan 7-Zip.
Gambar 2.8 Kompresi Citra Menggunakan 7-Zip
2.4.2. Teknik Kompresi Citra
Ada dua teknik yang dapat dilakukan dalam melakukan kompresi citra (Sutoyo dkk, 2009):
1. Lossless Compression
Lossless Compression merupakan kompresi citra di mana hasil dekompresi dari citra yang terkompresi sama dengan citra aslinya, tidak ada informasi yang hilang. Sayangnya, ratio kompresi citra metode ini sangat rendah. Banyak aplikasi yang memerlukan kompresi tanpa cacat, seperti pada aplikasi radiografi, kompresi citra hasil diagnosa medis atau gambar satelit, di mana kehilangan gambar sekecil apapun
akan menyebabkan hasil yang tak diharapkan. Contohnya Run Length Encoding, huffman,danAdaptive Dictionary Based(LZW).
2. Lossy Compression
Lossy Compression adalah kompresi citra di mana hasil dekompresi dari citra yang terkompresi tidak sama dengan citra aslinya karena ada informasi yang hilang, tetapi masih bisa ditolerir oleh persepsi mata. Mata tidak dapat membedakan perubahan kecil pada gambar. Metode ini menghasilkan ratio kompresi yang lebih tinggi dari pada metode lossless. Contohnya adalah color reduction, chroma subsampling, dan transform coding, seperti transformasi Fourier, Wavelet, dan lain- lain.
2.4.3. MetodeRun Length Encoding(RLE)
Algoritma RLE menggunakan pendekatan ruang. Algoritma ini cocok digunakan untuk memampatkan citra yang memiliki kelompok-kelompok piksel yang berderajat keabuan yang sama. Metode ini dilakukan dengan menyatakan seluruh baris citra menjadi sebuah baris run, lalu menghitung run-length untuk setiap derajat keabuan yang berurutan (Sutoyo dkk, 2009).
Kita coba implementasikan dengan citra grayscale ukuran 6x6 bit (8 derajat keabuan) sebagai berikut (Jalaluddin & Melita, 2012):
1 1 1 7 1 3 4 4 6 1 2 2 7 7 7 5 5 5 6 4 4 2 2 2 5 5 2 2 2 1 2 3 3 3 0 0
Kode RLE merupakan pasangan intensitas warna dan banyaknya intensitas warna yang muncul berurutan. Sehingga di dapat kode RLE nya adalah sebagai berikut:
1 3 7 1 1 1 3 1 4 2 6 1 1 1 2 2 7 3 5 3 6 1 4 2 2 3 5 2 2 3 1 1 2 1 3 3 0 2
Cara membaca kode diatas adalah : intensitas warna 1 muncul 3 kali, intensitas warna 7 muncul 1 kali, intensitas warna 1 muncul 1 kali, intensitas warna 3 muncul 1 kali,... dan seterusnya. Cocokkan dengan citra aslinya.
2.4.4. Ratio Of Compression(Rc)
Ratio of Compression (RC) adalah hasil perbandingan antara data yang belum dikompresi dengan data setelah dikompresi (Salomon, 2007).
RC= ……….(4) 2.4.5. Compression Ratio(CR)
Compression Ratio (CR) adalah persentase besar data terkompresi, 100% dikurang dengan hasil perbandingan antara data yang sudah dikompresi dengan data yang belum dikompresi (Jalaluddin & Melita, 2012).
CR= 100% - (×榬榫榫 % )………(5)
2.4.6. Data Berlebihan (Redundancy Data)
Data berlebihan merupakan sebuah isu penting dalam kompresi citra. Data berlebihan ini dapat dinyatakan dalam fungsi matematis. Bila n1 dan n2 menyatakan jumlah satuan (unit) informasi data yang membawa masing – masing unit dalam gambar asli dan dikompresi, maka data berlebihan relative (relative data redundancy) RD dari gambar asli dapat dinyatakan sebagai berikut (Putra, 2010).
Dengan CR merupakan rasio kompresi (compression ratio) yang dinyatakan sebagai berikut.
CR= ……….(7)
Terdapat tiga kemungkinan yang ada (Juma’in & Melita, 2011):
1. Jika n1 = n2 maka CR =1 dan RD = 0, berarti gambar asli tidak mengandung redundansi diantara piksel.
2. Jika n1 > n2 , maka CR ∞ dan RD >1, berarti cukup banyak redundansi dalam gambar asli.
3. Jika n1 < n2 maka CR > 0 dan RD - -∞ menunjukkan bahwa citra dikompresi berisi data lebih dari gambar asli.
2.5 Mean Square Error(MSE) danPeak Signal to Noise Ratio(PSNR)
Peak Signal to Noise Ratio (PSNR) adalah perbandingan antara nilai maksimumdari sinyal yang diukur dengan besarnya derau yang berpengaruh pada sinyal tersebut. PSNR biasanya diukur dalam satuan desibel. Pada tugas akhir kali ini, PSNR digunakan untuk mengetahui perbandingan kualitas citra sebelum dan sesudah disisipkan pesan. Untuk menentukan PSNR, terlebih dahulu harus ditentukan nilai rata-rata kuadrat dari error (MSE - Mean Square Error)(Alatas, 2009). Perhitungan MSE adalah sebagai berikut (Alatas, 2009):
………..(8) Dimana :
MSE = NilaiMean Square Errordari citra tersebut m = panjang citra tersebut (dalam piksel)
n = lebar citra tersebut (dalam piksel) (i,j) = koordinat masing-masing piksel I = nilai bit citra pada koordinat i,j
Nilai PSNR dihitung dari kuadrat nilai maksimum sinyal dibagi dengan MSE. Apabila diinginkan PSNR dalam desibel, maka nilai PSNR akan menjadi sebagai berikut (Alatas, 2009):
PSNR = 10.log ………(9) Dimana :
PSNR = nilai PSNR citra (dalam dB) MAXi = nilai maksimum piksel MSE = nilai MSE
1.1 Latar Belakang
Citra adalah gambar bidang dua dimensi yang juga merupakan keluaran data. Artinya suatu data atau informasi tidak hanya direpresentasikan dalam bentuk teks, namun juga dalam bentuk citra. Di era modern saat ini kebutuhan akan gambar digital sebagai data dan informasi sangat melekat pada masyarakat, baik untuk kepentingan pribadi maupun kebutuhan sosial dan pekerjaan. Dimana citra digital biasanya membutuhkan memori yang cukup besar. Untuk itu dibutuhkan penghematan memori agar dapat menyimpan semua file citra yang diperlukan sehingga mempermudah manajemen file dan proses transmisi file. Oleh karena itu sangat penting melakukan kompresi citra untuk memperkecil ukuran citra yang dihasilkan, sehingga memori dapat menyimpan citra yang lebih banyak dan transmisi file citra bisa lebih cepat.
Melihat begitu terkaitnya kebutuhan masyarakat terhadap kompresi citra, maka tidak heran saat ini sudah banyak metode-metode kompresi citra yang telah diterapkan salah satunya adalah metode Run Length Encoding. Algoritma Run Length Encoding
(RLE) merupakan teknik kompresi yang lossless, artinya dapat mengembalikan citra seperti semula setelah melalui kompresi citra hal ini disebut dekompresi.
Berdasarkan hasil penelitian sebelumnya oleh Neta (2013) mengenai beberapa algoritma kompresi terhadap citra menggunakan JAVA, yaitu algoritma Run Length Encoding (RLE), Huffman, Lempel Ziv Welch, dan Shanon-Fano di dapat bahwa kualitas warna dari suatu citra sangat mempengaruhi ukuran citra yang dikompresi. Semakin banyak perpaduan warna maka akan semakin berbeda hasil kompresinya walaupun ukuran citra asli sama. Dan metode Run Length Encoding (RLE) menghasilkan citra kompresi yang lebih buruk dibandingkan metode kompresi lainnya.
citra terlebih dahulu untuk memperbaiki kualitas citra agar mendapatkan hasil kompresi yang lebih baik.
Salah satu teknik pengolahan citra adalah teknikfiltering. Dimana teknikfiltering
digunakan untuk menghaluskan suatu gambar, membuat gambar lebih kasar,menerangkan gambar, mempergelap gambar, atau untuk keperluan memperkecil ukuran gambar (Sholeh & Badduring, 2012) yang semua prosesnya memiliki keterkaitan terhadap warna dan kualitas pada citra. Dan berdasarkan hasil penelitian oleh Sholeh dan Badduring (2012) mengenai proses pengolahan gambar teknik
filtering yang mengaplikasikan metodemean filtering, median filtering, dan gaussian filtering diperoleh bahwa proses pengolahan citra menggunakan metode mean filteringsangat cepat dan pendekatan matriksnya dengan matriks asli bagus.
Maka dari itu penulis mencoba untuk mengembangkan teknik Run Length Encoding dengan menggunakan metode Arithmetic Mean Filter pada citra sebelum dikompresi. Dimana metode Arithmetic Mean Filter merupakan salah satu algoritma dari mean filtering. Dalam hal ini penulis ingin meneliti hasil kompresi citra melalui proses filtering terlebih dahulu sebelum dikompresi. Hal ini juga sekaligus akan menunjukkan kualitas perbaikan citra hasil filtering dari metodearithmetic mean filter. Hal-hal yang perlu diperhatikan dalam kompresi citra adalah rasio kompresi yang dihasilkan, waktu kompresi dan dekompresi, ukuran file citra yang dihasilkan setelah kompresi, dan kualitas citra yang dihasilkan dari kompresi.
1.2 Rumusan Masalah
Adapun rumusan masalah pada penelitian ini adalah bagaimana kualitas hasil kompresi citra menggunakan metode Run Length Encoding (RLE) melalui proses
Arithmetic Mean Filterterlebih dahulu.
Agar fokus penelitian tidak menyimpang dari rumusan masalah yang telah ditetapkan, maka dibuat batasan masalah sebagai berikut:
1. Representasi citra dari hasil kompresi danfilteringadalah ukuran file, rasio kompresi, PSNR (Peak Signal to Noise Ratio) dan MSE (Mean Square Error), serta running-time.
2. Citra penelitian menggunakan citra dengan formatWindows Bitmap Graphics
(*.bmp) yang berbentuk persegi dengan dimensi maksimal 500 x 500pixel. 3. Menggunakan kernel 3x3 dari matriks nilai piksel citra
4. Hasil penelitian menampilkan representasi citra dari hasil kompresi citra
filteringdan hasil kompresi citra tanpafiltering. 5. Menggunakan bahasa pemograman C#.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah mengetahui efektifitas dan efisiensi penggunaan metode
Run Length Encoding (RLE) dan metode Arithmetic Mean Filter untuk kompresi dan peningkatan kualitas citra.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah dapat menjadi salah satu alternatif solusi yang baik untuk kompresi dan peningkatan kualitas pada citra.
1.6 Metode Penelitian
Penelitian ini menerapkan beberapa metode penelitian sebagai berikut: 1. Studi Literatur
Pada tahap ini penulisan dimulai dengan proses pengumpulan bahan referensi baik dari buku, artikel, jurnal, makalah maupun melalui media internet mengenai pengolahan citra, algoritma kompresi citra, dan filtering serta beberapa referensi lainnya untuk menunjang pencapaian tujuan skripsi.
2. Analisis dan Perancangan Sistem
Masalah akan dianalisis dan diidentifikasi kebutuhan yang terkait serta disesuaikan dengan batasan masalah untuk mencapai tujuan. Kemudian perancangan sistem dilakukan dengan mendesain user interface, flowchart, dan UML sebagai gambaran sistem yang akan dibuat.
3. Implementasi Sistem
Pada tahap ini penelitian metode kompresi dan peningkatan kualitas citra diimplementasikan menggunakan bahasa pemrograman CSharp.
4. Pengujian Sistem
Pada tahap ini akan dilakukan pengujian terhadap sistem yang telah dibangun serta menguji kemampuan metode run length encoding dan metode arithmetic mean filter. Untuk mengetahui kualitas hasil kompresi dan perbaikan kualitas citra menggunakan parameter PSNR, MSE, rasio kompresi, danrunning-time. 6. Dokumentasi Sistem
Melakukan pembuatan dokumentasi sistem dibuat dalam bentuk laporan penelitian (skripsi).
1.7 Sistematika Penulisan
Adapun sistematika penulisan skripsi ini adalah sebagai berikut: BAB I PENDAHULUAN
Pada bab ini membahas latar belakang, rumusan masalah, batasan atau ruang lingkup penelitian, tujuan dan manfaat penelitian serta metodologi penelitian dan sistematika penulisan.
BAB 2 LANDASAN TEORI
Bab ini membahas tentang teori citra, pengolahan citra, filtering, kompresi citra, metodearithmetic mean filter, dan metoderun length encoding.
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini membahas mengenai analisis sistem meliputi analisis masalah, analisis fungsional dan non-fungsional sistem, analisis proses dari metode arithmetic mean filter dan metode run length encoding dalam kompresi citra, diagram UML sistem (use case, activity, dan sequence diagram), danflowchartdari gambaran umum sistem serta perancangan antar muka pengguna.
