Implementasi Algoritma Kompresi Shannon

(1)

– Fano pada Citra Digital

Muhammad Khoiruddin Harahap

Politeknik Ganesha Medan choir.harahap@yahoo.com

Abstrak

Algoritma kompresi Shannon-Fano merupakan salah satu algoritma kompresi yang terkenal dan berguna dalam menghemat ruang penyimpanan data. Algoritma kompresi Shannon-Fano mendeteksi berapa kali kemunculan karakter pada setiap percobaanya, kemudian dilakukan pengkodean terhadap frekuensi kemunculan karakter dalam bilangan biner (binary code). Algorimat kompresi Shannon-Fano dapat dilakukan pada teks dan juga pada citra digital. Pada penelitian kali ini, penulis menerapkan metode Shanon-Fano pada citra digital. Citra digital diubah kedalam bilangan decimal yang berkisar antara 0-255, kemudian nilai setiap

pixel citra yang sama mulai diseleksi dan dihitung berapa kali frekuensi kemunculan setiap nilai pixel yang sama dalam sebuah citra. Dari total frekuensi kemunculan setiap pixel citra, maka dilakukanlah pembagian nilai frekuensi menjadi dua bagian agar seimbang bagian pertama dan kedua, dan bagian pertama diberi nilai biner 0, sedangkan bagian kedua diberi nilai 1, dan hal ini terus berlangsung sampai tidak ada lagi bagian frekuensi yang tidak seimbang nilainya. Dari sini diperolehlah berapa bit (binary digit) hasil kompresi yang terbentuk, sehingga rasio kompresi bisa dihitung dari nilai total frekuensi dikali dengan bit dari binary code

yang terbentuk , dan dibagi total frekuensi sebelum kompresi. Pada percobaan kompresi terhadap sebuah citra 3x3 diperolehlah rasio kompresi sebesar 22%.

Kata Kunci — Kompresi, Shanon-Fano, Citra

I. PENDAHULUAN

Kompresi atau pemampatan data digunakan untuk memperkecil ukuran dari sebuah berkas atau file. Pemampatan data berguna untuk menghemat ruang penyimpanan data. Beberapa hal yang bermanfaat dalam kompresi antara lain :

a) File berukuran besar seperti Citra yang merupakan RAW data biasanya berukuran besar seperti file .BMP

(2)

c) Pemampatan data citra mampu menghemat bandwith dan tentunya akan mempermudah proses transmisi data

d) Pengiriman data menjadi lebih cepat seiring dengan ukuran data yang bertambah kecil. Metode yang dibahas pada paper ini adalah pemampatan data dengan menggunakan metode Shannon – Fano. Yaitu dua orang ilmuwan Claude Elwood Shannon (Bells Lab) dan Robert Fano (MIT) pada tahun 1949. Metode Shannon – Fano ini melakukan pengkodean terhadap frekwensi kemunculan karakter dalam kode binary.

II. LANDASAN TEORI a) Citra

Citra merupakan representasi dari sebuah objek. Citra merupakan keluaran data dengan sifat analog, sinyal video seperti yang ditampilkan oleh Televisi atau monitor komputer, LCD, Camera dan lain – lainnya. Hasil keluaran tersebut disimpan dalam media penyimpanan seperti hardisk atau pita magnetic [6].

b) Citra Gambar

Citra berupa gambar direpresentasi dengan warna dengan berbagai dimensi. Ada yang berupa dua dimensi ataupun 3 dimensi. Representasi warna memiliki profile yang beragam antara lain :

1. Profil warna RGB (Red, Green, Blue) direpresentasikan dengan 3 warna Merah, Hijau dan Biru dengan rentang warna dari 0 – 255. Warna RGB biasa digunakan untuk tampilan layar monitor, LCD, camera, handphone dan lain – lain

Gambar 1. Profil warna RGB Sumber : www.processing.org

2. Profil warna Grayscale. Grayscale atau disebut juga dengan Derajat Keabuan memiliki rentang warna dari 0 – 255 dengan tingkat warna kehitaman.

3. Profil warna CMYK memiliki kombinasi warna Cyan, Magenta, Yellow dan Black dengan rentang warna dari 0 – 100.

4. Profil warna yang lainnya masih banyak seperti YcBcr, HSV (Hue - Saturation – Value) atau disebut juga dengan HSL (Hue, Saturation, Lumination) dan lain sebagainya [3].

Gambar 2. Profil warna HSV Sumber : www.processing.org

Sebuah Citra gambar ditampilkan dalam bentuk matrik dua dimensi dapat dilihat pada ilustrasi citra 3 x 3 berikut ini :

Width

Gambar 3. Ilustrasi Citra

Berdasarkan gambar di atas, P adalah sebuah piksel dengan atribut koordinat x,y dan warna sesuai dengan Profil warna yang digunakan sesuai penjelasan sebelumnya.

c) Algoritma Shannon - Fano

(3)

1. Membuat daftar karakter / simbol dari semua karakter atau simbol yang akan dilakukan kompresi.

2. Mengurutkan simbol tersebut berdasarkan frekwensi kemunculan. Karakter yang memiliki frekwensi kemunculan yang tinggi saling mendekati satu sama lain.

4. Membuat Tree dengan kondisi bagian sebelah kiri dengan angka binary 0 dan sebelah kanan dengan angka binary 1

5. Mengulangi bagian 3 dan 4 secara rekursif sehingga semua mencapai posisi Leaf dalam diagram tersebut [2].

Untuk lebih mudah dalam memahami algoritma tersebut di atas, dapat dilihat pada contoh berikut ini.

Text : SEMINAR NASIONAL TEKNOLOGI INFORMATIKA

Simbol yang muncul pada text tersebut adalah : SEMINAR [spasi] OLTEKGF

1. Menentukan frekwensi kemunculan dari karakter tersebut di atas

SIMBOL FREKWENSI Gambar 4. Tabel Frekwensi simbol

2. Membagi dua dengan total frekwensi kemunculannya yang mendekati antara kiri dan kanan. Untuk contoh berikut ini dibedakan

Gambar 5. Membagi kode binari

3. Proses dilakukan secara rekursif sampai semua bagian habis menjadi daun.

S F C

S 2 0 0

E 2 0 0

(4)

I 5 0 0

Gambar 6. Membagi kode binary

S F C

Gambar 7. rekursif proses membagi kode binary

S F C

S 2 0 0 0 0 0

E 2 0 0 0 0 1

(5)

I 5 0 0 1 1

S F BINARY

S F BINARY bit

Gambar 12. menentukan jumlah bit

S F BINARY bit F x bit

Gambar 13. perkalian frekwensi dengan bit

Total Frekwensi = 38 Total F x bit = 153

(6)

III. PEMBAHASAN SHANNON – FANO TERHADAPCITRA

Implementasi Shannon – Fano pada citra dapat dilakukan dengan cara mengambil nilai – nilai semua piksel dan membentuk simbol – simbol. Pengambilan simbol secara sequential dilakukan tehadap semua nilai – nilai warna yang terdapat pada piksel. Berikut ini contoh implementasi pada citra Grayscale ukuran resolusi 3 x 3 dpi [5].

10 11 10 11 18 10 10 11 18

Gambar 3.1. Contoh pixel 3 x 3 mode grayscale

Berikut ini langkah penyelesaian dalam pengolahan citra [4] :

Membentuk tabel dengan menghitung frekwensinya dari simbol dan nilai frekwensi kemunculannya.

SIMBOL FREKWENSI

10 4

11 3

18 2

Gambar 3.2. Jumlah Frekwensi kemunculan

Langkah 3 :

menguraikan frekwensi kemunculan dalam binari code

SIMBOL FREKWENSI CODE

10 4 0

11 3 0

18 2 1

Gambar 3.3. Membagi dan memberikan kode binari

Langkah 4 :

Melakukan proses rekursif langkah 3

S F CODE

10 4 0 0

11 3 0 1

18 2 1

Gambar : 3.4. Rekursif proses sebelumnya

Langkah 5 :

Gambar 3.5. Menghitung jumlah bit

Langkah 6 :

S F Kode binari Bit F x B

10 4 0 0 2 8

11 3 0 1 2 6

18 2 1 1 2

Gambar 3.6. Perkalian Frekwensi dengan bit

S F Kode binari Bit F x B

10 4 0 0 2 8

11 3 0 1 2 6

18 2 1 1 2

Total F x B 16

Gambar 3.7. Total Perkalian Frekwensi dengan bit

Berdasarkan hitungan di atas, maka dapat ditentukan

Total Frekwensi (jumlah byte sebelum kompresi) : 9 Byte Total F x B : 16 Bit

Rasio = (100% – 16 / 9 x 100%) = 22%

(7)

IV. KESIMPULAN DAN SARAN A. Kesimpulan

Algoritma Shannon-Fano dapat digunakan pada teks dan citra digital yang berguna untuk memampatkan ukuran file teks maupun citra digital agar menghemat memori penyimpanan,

B. Saran

Pada penelitian selanjutnya, bisa dilakukan perbandingan rasio kompresi antara Shannon-Fano

dan Huffman Code sehingga dapat dilihat algoritma kompresi mana yang lebih akurat dalam melakukan pemampatan file teks maupun citra.

DAFTAR PUSTAKA

[1] Sutardi, “Implementasi dan Analisis Kinerja Algoritma Shannon-Fano untuk Kompresi File Text“, Dinamika, Jurnal Ilmiah Teknik Mesin, 2014

[2] Christine Lamorahan, Benny Pinontoan, Nelson Nainggolan, “Data Compression Using Shannon-Fano Algorithm” jDC, 2014

[3] Muhammad Khoiruddin H, “Analisa Human Skin Detection Menggunakan HSV, Salt and Pepper Noise Reduction”, USU, 2016

[4] Rismawati, Satria Gunawan Zain“Implementasi Kompresi Citra Menggunakan Algoritma Shannon-Fano”, Prosiding Nasional ISBN : 978-602-9075-25-7

[5] Maria Roslin Apriani Neta, “Perbandingan Algoritma Kompresi Terhadap Objek Citra Menggunakan JAVA ”, SEMANTIK 2013, 2013 [6] Kadir, Abdul. “Teori Pengolahan Citra”,