BAB II
TINJAUAN TEORETIS
2.1 Citra Digital
Citra digital saat ini banyak digunakan dalam berbagai bidang. Mulai dari keperluan sehari hari seperti cetak foto, pemetaan hutan, identifikasi forensik, rekam medis dengan menggunakan citra kedokteran (medical images) sampai pada citra satelit. Hampir semua citra digital memerlukan media penyimpanan (storage) yang cukup besar. Sehingga hal ini menimbulkan masalah jika citra disimpan dalam database yang memiliki keterbatasan media penyimpanan. Masalah lain adalah jika diinginkan untuk mengirimkan citra digital dengan menggunakan jalur komunikasi atau internet. Dengan ukuran yang besar maka citra digital juga memerlukan waktu pengiriman yang lama. Sehingga diupayakan suatu teknik yang dapat mereduksi besarnya ukuran file citra digital dengan kompresi.
2.1.1 Pengertian Citra Digital
Menurut Sachs (1999, hal:1), citra digital merupakan suatu gambar yang tersusun dari pixel, dimana tiap pixel merepresentasikan warna (tingkat keabuan untuk gambar hitam putih) pada suatu titik di gambar. Sedangkan menurut Fahmi (2007, hal:7), citra digital adalah gambar dua dimensi yang dapat ditampilkan pada layar monitor komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut dengan pixel (picture elements).
Fahmi (2007, hal:7) menyatakan bahwa citra digital (diskrit) dihasilkan dari citra analog (kontinu) melalui digitalisasi. Digitalisasi citra analog terdiri atas penerokan (sampling) dan kuantisasi (quantization). Penerokan (sampling) adalah pembagian citra ke dalam elemen-elemen diskrit (pixel), sedangkan kuantisasi (quantization) adalah pemberian nilai intensitas warna pada setiap pixel dengan nilai yang berupa bilangan bulat.
Setiap pixel memiliki nilai (value atau number) yang menunjukkan intensitas keabuan pada pixel tersebut. Derajat keabuan dimana merepresentasikan grey level atau kode warna. Kisaran nilai ditentukan oleh bit yang dipakai dan akan menunjukkan resolusi aras abu-abu (grey level resolution).
1 bit –2 warna: [0,1] 4 bit –16 warna: [0,15] 8 bit –256 warna: [0,255]
24 bit –16.777.216 warna (true color) Kanal Merah -Red (R): [0,255] Kanal Hijau - Green (G): [0,255] Kanal Biru - Blue (B): [0,255]
Suatu citra dapat didefenisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y, dan amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalh citra digital. Gambar 2.2 menunjukkan posisi koordinat digital.
Gambar 2.1 Koordinat citra digital Nilai Digital dan banyak bit :
M = banyak pixel per baris (panjang) N = banyak pixel per kolom (lebar) b = banyak / besar bit pada suatu citra 2.1.2 Klasifikasi Citra Digital
Berdasarkan cara penyimpanan atau pembentukannya, citra digital dibagi menjadi 2 jenis, yaitu :
1. Gambar Bitmap (raster), yaitu gambar yang terbentuk dari sekumpulan titik penyusun gambar (pixel). Gambar bitmap dipengaruhi oleh banyaknya pixel, sehingga semakin banyak jumlah pixel maka kualitas gambar semakin baik dan halus, begitu pula sebaliknya. Gambar bitmap biasanya diperoleh dari scanner, kamera digital, kamera handphone, dan sebagainya.
2. Gambar vektor, yaitu gambar yang terbentuk dari garis, kurva, dan bidang yang masing-masing merupakan suatu formulasi matematik. Jika gambar vektor diperbesar, maka kualitas gambarnya masih tetap baik dan tidak berubah. Gambar vektor biasanya dibuat dengan menggunakan aplikasi – aplikasi gambar vektor seperti Corel Draw, Adobe Illustrator, Macromedia Freehand, dan sebagainya (Alinurdin, 2006).
Berdasarkan nilai pixelnya, citra digital dibagi beberapa jenis, yaitu : 1. Citra Biner
Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam putih. Citra biner juga disebut sebagai citra B&W (black and white) atau citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner.
Citra biner seringkali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi, ataupun dithering.
Gambar 2.2 citra biner monokrom
2. Citra grayscale
Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian RED = GREEN= BLUE. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih. Tingkatan keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih.
Berikut ini adalah contoh citra grayscale :
3. Citra warna (8 bit)
Setiap ppixel dari citra warna (8 bit) hanya diwakili oleh 8 bit dengan jumlah warna maksimum yang dapat digunakan adalah 256 warna. Ada dua jenis citra warna 8 bit. Pertama, citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya memiliki pemetaan nilai (colormap) RGB tertentu, yang mana model ini lebih sering digunakan.
Kedua, setiap pixel memiliki format 8 bit, yang dinamakan 8 bit truecolor sebagai berikut :
Bit-7 Bit-6 Bit-5 Bit-4 Bit-3 Bit-2 Bit-1 Bit-0
R R R G G G B B
4. Citra warna (16 bit)
Citra warna 16 bit biasanya disebut sebagai citra highcolordengan setiap pixelnya diwakili dengan 2 byte memory (16 bit). Warna 16 bit memiliki 65.536 warna. Dalam formasi bitnya, nilai merah dan biru mengambil tempat di bit 5 di kanan dan kiri. Komponen hijau memiliki 5 bit ditambah 1 bit ekstra. Pemilihan komponen hijau dengan deret 6 bit dikarenakan penglihatan manusia lebih sensitif terhadap warna hiijau.
Berikut adalah deret warna yang dihasilkan dari warna 16 bit : Bit 15 Bit 14 Bit 13 Bit 12 Bit 11 Bit 10 Bit 9 Bit 8 Bit 7 Bit 6 Bit 5 Bit 4 Bit 3 Bit 2 Bit 1 Bit 0 R R R R R G G G G G G B B B B B
5. Citra warna (24 bit)
Setiap pixel dari warna 24 bit diwakili dengan 24 bit sehingga total 16.777.216 variasi warna. Variasi ini sudah lebih dari cukup untuk memvisualisasikan
seluruh warna yang dapat dilihat penglihatan manusia. Penglihatan manusia dipercaya hanya dapat membedakan hingga 10 juta warna saja.
Setiap poin informasi pixel (RGB) disimpan kkedalam 1 byte data. 8 bit pertama menyimpan nilai biru, kemudian diikuti dengan nilai hijau pada 8 bit kedua dan pada 8 bit terakhir merupakan warna merah.
Gambar berikut adalah contoh citra warna :
Gambar 2.4 Contoh Citra Warna
2.2 Kompresi Citra
Proses kompresi merupakan proses mereduksi ukuran suatu data untuk menghasilkan representase citra digital yang padat atau mampat namun tetap dapat mewakili kuantitas informasi yang terkandung pada data tersebut. Pada citra, video, dan audio, kompresi mengarah pada minimisasi jumlah bit rate untuk representase digital. Pada beberapa literature, istilah kompresi sering disebut juga source coding, data compression, bandwith compression, dan signal compression.
Data dan informasi adalah dua hal yang berbeda. Pada data terkandung suatu informasi. Namun tidak semua bagian data terkait dengan informasi tersebut atau pada suatu data terdapat bagian-bagian data yang berulang untuk mewakili informasi yang sama. Bagian data yang tidak terkait atau bagian data yang berulang tersebut disebut dengan data berlebihan (redundancy data). Tujuan daripada kompresi data tiada lain adalah untuk mengurangi data berlebihan tersebut sehingga ukuran data menjadi lebih kecil dan lebih ringan dalam proses transmisi.
Kompresi citra (images compression) mempunyai tujuan meminimalkan kebutuhan memori untuk merepresentasikan sebuah citra digital. Prinsip umum yang digunakan pada proses kompresi citra digital adalah mengurangi duplikasi data di dalam citra sehingga memori yang dibutuhkan untuk merepresentasikan citra menjadi lebih sedikit dari pada citra digital aslinya. Terdapat dua proses utama dalam permasalahan kompresi citra digital.
a. Kompresi citra (images compression)
Pada proses ini citra digital dalam representasinya yang asli (belum dikompres) dikodekan dengan representasi yang meminimumkan kebutuhan memori. Citra dengan format bitmap pada umumnya tidak dalam bentuk kompresan. Citra yang sudah dikompres disimpan ke dalam arsip dengan menggunakan format tertentu. Kompresi berbasis transformasi citra merupakan kompresi yang bersifat lossy. Bagian ini menjelaskan model umum kompresi citra berbasis transformasi. (Putra, 2010).
Citra input citra
ukuran N x N terkompresi
Citra Hasil Citra
terkompresi
(a) (b)
Gambar 2.5 kompresi citra berbasis transformasi (a) proses kompresi (b)proses dekompresi Bentuk subimage ukuran n x n Transformasi maju kuantisasi Pengkodean decode Transformasi balik Gabung n x n subimage
Seperti ditunjukkan pada gambar 2.6 (a), tahap pertama proses kompresi diawali dengan proses pembagian citra N x N menjadi beberapa subimage berukuran n x n, sehingga diperoleh (N/n)2 larik subimage ukuran n x n. tujuan pembagian ini adalah untuk melakukan dekorelasi pixel pada setiap subimage tau dengan kata lain mengurangi korelasi pixel antar sub-image berurutan. Nilai n merupakan nilai bilangan integer dengan pangkat 2. Tidak ada ketentuan berapa nilai n yang harus digunakan. Akan tetapi ukuran n yang paling sering digunakan adalah 8x8 atau 16x16 pixel. Pemilihan nilai n akan mempengaruhi kompleksitas komputasi proses kompresi. Tentu n juga bias bernilai sama dengan N. dalam kasus ini hanya terdapat 1 subimage yaitu sama dengan citra semula.
Tahap kedua adalah melakukan transformasi pada setiap subimage. Seperti transformasi affine, fourier, cosines, dan lainnya. Hasil tahap ini tentu koefisien-koefisien hasil proses transformasi.
Tahap ketiga adalah kuantisasi. Proses kuantisasi akan menghilangkan koefisien-koefisien yang mengandung informasi yang tidak signifikan. Koefisien-koefisien-koefisien ini tidak memiliki pengaruh yang besar pada hasil citra rekonstruksi.
Tahap terakhir adalah proses pengkodean (decoding).
c. Dekompresi citra (images decompression)
Pada proses dekompresi, citra yang sudah dikompresi harus dapat dikembalikan lagi menjadi representasi citra seperti citra aslinya. Proses ini diperlukan jika citra ingin ditampilkan ke layar atau disimpan ke dalam arsip dengan format yang tidak terkompres.
Seperti yang ditunjukkan pada gambar 2.6 (b), tahap pertama proses dekompresi adalah proses decoding terhadap citra terkompresi. Proses decoding tergantung pada metode yang dipilih saat proses coding. Setelah decoding, dilanjutkan dengan proses transformasi balik (invers transformation) untuk menghasilkan subimage. Tahap terakhir kemudian menggabungkan seluruh subimage sehingga diperoleh citra hasil yang bersifat lossy.
2.2.1 Kompresi Lossless
Pada kompresi jenis ini informasi yang terkandung pada citra hasil sama dengan informasi pada citra asli. Citra hasil proses kompresi dapat dikembalikan secara sempurna menjadi citra asli, tidak terjadi kehilangan informasi, dan tidak terjadi kesalahan informasi. Oleh karena itu metode ini disebut juga error free compression. Pada kompresi lossless, karena harus mempertahankan kesempurnaan informasi, sehingga hanya terdapat proses coding dan decoding, tidak terdapat proses kuantisasi. Kompresi lossless cocok diterapkan pada berkas basis data (database), spread sheet, berkas word processing, citra biomedis, dan lain sebagainya. Misalnya pada citra atau gambar dimana metode ini akan menghasilkan hasil yang tepat sama dengan citra semula, pixel per pixel sehingga tidak ada informasi yang hilang akibat kompresi. Namun ratio kompresi (Rasio kompresi yaitu, ukuran file yang dikompresi dibanding yang tak terkompresi dari file) dengan metode ini sangat rendah.
2.2.2 Kompresi Lossy
Lossy kompresi adalah suatu metode untuk mengkompresi data dan mendekompresinya, data yang diperoleh mungkin berbeda dari yang aslinya tetapi cukup dekat perbedaaanya. Lossy kompresi ini paling sering digunakan untuk kompres data multimedia (Audio, gambar diam). Format kompresi lossy mengalami generation loss yaitu jika melakukan berulang kali kompresi dan dekompresi file akan menyebabkan kehilangan kualitas secara progresif. hal ini berbeda dengan kompresi data lossless. ketika pengguna yang menerima file terkompresi secara lossy (misalnya untuk mengurangi waktu download) file yang diambil dapat sedikit berbeda dari yang asli dilevel bit ketika tidak dapat dibedakan oleh mata dan telinga manusia untuk tujuan paling praktis. Metode kompresi lossy menghasilkan rasio kompresi yang lebih besar daripada metode lossless. Misal terdapat image asli berukuran 12,249 bytes, kemudian dilakukan kompresi dengan JPEG kualitas 30 dan berukuran 1,869 bytes berarti image tersebut 85% lebih kecil dan ratio kompresi 15%. Contoh metode lossy adalah metode CS&Q (coarser sampling and/or quantization), JPEG, dan MPEG.
2.3 Tipe File Citra Digital 2.3.1 JPEG(.jpg)
.jpg adalah format yang sangat umum digunakan saat ini khususnya untuk transmisi citra. Format ini digunakan untuk menyimpan citra hasil kompresi dengan metode JPEG. JPEG biasanya digunakan untuk foto perts Group atau citra di website. JPEG menggunakan kompresi tipe lossy. Kualitas JPEG 2000 bisa bervariasi tergantung setting kompresi yang digunakan.
2.3.2 Graphics Interchange Format(.gif)
Graphics Interchange Format(GIF) adalah sebuah format yang sering digunakan dalam dunia web maupun dalam dunia citra digital. Format ini sering digunakan karena ukurannya yang relati kecil dan juga banyaknya software editor gambar yang telah mendukung citra ini. GIF berukuran kecil karena membatasi jumlah warnanya sebanyak 256 warna sehingga dapat menghemat ukuran berkas. File ini menggunakan kompresi yang tidak menghilangkan data (lossles compression) tetapi penurunan jumlah warna menjadi 256 sering membuat gambar yang kaya warna seperti pemandangan menjadi tidak realistis.
2.3.3 BMP
BMP merupakan file gambar yang tidak terkompresi. Dan karena itu ukuran file BMP biasanya besar. File berukuran besar tidak tepat untuk transfer di internet karena akan memenuhi bandwidth dan menjadi lambat.
2.3.4 Bitmap
Bitmap adalah representasi dari citra grafis yang terdiri dari susunan titik yang tersimpan di memori komputer. Dikembangkan oleh Microsoft dan nilai setiap titik diawali oleh satu bitdata untuk gambar hitam putih, atau lebih bagi gambar berwarna.
2.4 Metode Fraktal
Secara harfiah Fraktal (fractal) berasal dari bahasa latin yaitu fractus yang berarti pecah (broken) atau tidak teratur (irregular). Fraktal pertama kali diperkenalkan oleh Benoit B Mandelbrot sekitar tahun 1975 dalam bukunya yang berjudul “ The Fractal Geometri of Nature”. Sebelum Mandelbrot memperkenalkan istilah tersebut, nama umum untuk struktur semacamnya (misalnya bunga salju Koch) adalah kurva monster. Pembahasan fraktal berawal dari topic matematika murni yang berhubungan dengan chaos (seperti segitiga sierpinski, awan von-Koch, debu Cantor, Fournier). Idenya berasal dari seseorang matematikawan Benoit Mandelbrot. Fraktal bisa membantu menjelaskan banyak situasi yang sulit dideskripsikan menggunakan geometri klasik, dan sudah cukup banyak diaplikasikan dalam sains, teknologi, dan seni karya komputer. Dulu ide-ide konseptual fraktal muncul saat definisi-definisi tradisional geometri Euklides dan kalkulus gagal menganalisis objek-objek kurva monster tersebut. Secara umum, fraktal dikenal sebagai suatu bentuk geometri yang dapat dipecah-pecah menjadi beberapa bagian, di mana bagian-bagian tersebut merupakan bentuk yang sebelumnya dengan ukuran yang lebih kecil. Bentuk geometri ini pertama kali dikemukakan oleh Benoit Mandelbrot pada tahun 1975. Barnsley dan Hurd menggunakan konsep fraktal ini untuk mengemukakan suatu pendekatan kompresi baru.
Metode Fraktal merupakan suatu metode lossy untuk mengkompresi citra dengan menggunakan kurva fraktal. Sangat cocok untuk citra natural seperti pepohonan, pakis, pegunungan, danawan. Fractal Compression bersandar pada fakta bahwa dalam sebuah image, terdapat bagian-bagian image yang menyerupai bagian image yang lain. Metode Fraktal berkemampuan untuk membentuk long-range korelasi pada citra digital dan mampu bekerja secara efisien pada representasi frekuensi rendah. Metode fraktal yang digunakan bekerja dengan mecari kemiripan pada piksel-piksel citra, dan mengelompokkannya dalam klaster-klaster. Semakin tinggi tingkat kemiripan pada citra, rasio kompresi akan semakin baik.
Kompresi fraktal mengusung fakta bahwa dalam sebuah citra ada suatu bagian yang mirip dengan bagian lain dari citra tersebut. Algoritma fraktal mengubah
bagian-bagian yang mirip tersebut menjadi data metematis yang disebut “kode fraktal”, yang akan digunakan untuk membentuk ulang citra yang dikompresi. Citra yang dikompresi dengan metode fraktal akan kehilangan resolusinya, sehingga memungkinkan untuk membentuk kembali citra tersebut dalam resolusi yang berbeda.
Metode yang digunakan dalam kompresi fraktal adalah tahapan proses kompresi, yaitu : Blok Range 8x8 Blok Domain 8x8
Gambar 2.6 Standar Proses Kompresi Fraktal
Penskalaan
Uji KemiripanParameter PIFS
Transformasi Affine
Adapun algoritma untuk kompresi citra digital dengan fraktal adalah : a. Baca citra asli
b. Menentukan ukuran matriks citra asli c. Menentukan ukuran blok range d. Menentukan ukuran blok domain
e. Blok domain diskalakan ukurannya menjadi ½ kali ukuran semula. f. Untuk setiap blok range :
1. Dicari kemiripan antara blok range ke i dengan semua blok domain.
2. Hitung transformasi affine untuk antara blok range ke i dengan blok domain yang terpilih.
3. Simpan koefisien transformasi affine ke i. g. Simpan semua parameter dalam PIFS.
Pengolahan domain blocks :
1. Buat “citra domain” yang merupakan rata-rata kelompok empat pixel dari citra asli. Ukuran citra domain adalah setengah dari ukuran citra asli.
2. Partisi “citra domain” menjadi blok-blok tumpang tindih dengan ukuran (16x16 atau 8x8 pixel).
3. Partisi setiap blok domain ke dalam 4 kuadrandan hitung nilai varian setiap kuadran.
4. Kelompokkan blok domain ke dalam 24 kelas, menurut urutan nilai varian dari kuadran di dalam blok range.
5. Setelah mengolah blok domain 16x16 pixel, prosedur diulang sampai mencapai ukuran blok terkecil seperti yang dinyatakan pada parameter partisi maksimum.
Pengolahan range blocks :
1. Partisi citra asli ke dalam blok-blok range.
2. Kelompokkan blok-blok range ke dalam 24 kelas berdasarkan urutan nilai varian dari kuadran dalam setiap blok, seperti yang dilakukan pada blok domain.
3. Cari rantai kelas blok domain (pada 24 kelompok blok domain) untuk menemukan blok domain yang paling mirip dengan blok range menggunakan RMSE.
2.4.1 Transformasi Affine
Jenis transformasi objek yang paling banyak digunakan di dalam grafika komputer adalah transformasi affine. Pada dasarnya, transformasi merupakan suatu operasi modifikasi bentuk objek tanpa merusak bentuk dasar dari objek. Transformasi affine merupakan transformasi yang mempertahankan garis-garis paralel. Metode transformasi affine ini menggabungkan proses dasar seperti translasi, rotasi, dan penskalaan ke dalam satu proses untuk mendapatkan citra output yang diinginkan. Transformasi affine sering digunakan untuk mewakili transformasi kontraktif untuk metode fraktal.
Rumus perhitungan transformasi affine dapat menggambarkan hubungan antara ketiga proses tersebut.
Secara matematis rumus transformasi affine adalah sebagai berikut.
B y x A y x 1 1 2 2 ……….………...(2.1)
Rumus berikut menggabungkan proses translasi sebesar (ti,tj), rotasi sebesar θ derajat,
penskalaan sebesar (λi,λj) , dan pencukuran (shearing) (ρi,ρj).
0 1 ' ' i i j i 0 j j 1 0 0 0 sin cos 0 cos sin 1 0 0 0 0 1 0 1 0 1 j i 1 j i …………(2.2) = 0 sin cos sin cos i i j i 0 sin cos sin cos j j i j 1 sin ) ( cos ) ( sin ) ( cos ) ( j i i j j j i i j i i j j j i i 1 j i
Pada rumus diatas penyusutan dapat dilakukan dengan 0<|λ|<1, pembesaran dengan |λ| > 1, pencerminan dengan λ < 0, dan isotropik dapat dilakukan dengan λi = λj .
2.4.2 PIFS (Partition Iterated Function System)
Pada kenyataannya sangat sulit menemukan suatu sembarang citra yang self-similarity dengan keseluruhan citra. IFS tidak mungkin diterapkan pada sembarang citra. Dengan kata lain IFS hanya dapat berlaku untuk objek-objek Fraktal (objek-objek yang memiliki kemiripan dengan diri sendiri secara sempurna) saja. Self-similarity pada sembarang citra dapat diperoleh dengan mencari kemiripan lokal, yaitu mencari bagian-bagian tertentu pada citra yang mirip dengan bagian-bagian lain pada citra tersebut. Metode untuk mencari self-similarity lokal ini disebut dengan metode PIFS. Metode diterapkan untuk kompresi citra dan kini telah menjadi algoritma standar dalam pengkodean Fraktal (Fractal Coding) .
Dalam mencari kemiripan lokal suatu citra, PIFS membagi (partisi) citra ke dalam blok-blok besar yang disebut blok ranah (domain blok) dan blok-blok yang lebih kecil yang disebut blok jelajah (range blok). Blok ranah boleh saling tumpang tindih sedangkan blok jelajah tidak.
Transformasi wi dinyatakan dengan perluasan transformasi Affine berikut.
' ' ' z y x =wi i i i i o f e z y x s z y x 0 0 0 2 1 0 0 0 2 1 ………(2.3)
Jadi, titik (x,y) adalah sebuah pixel domain dengan nilai z, dan (x’,y’) adalah sebuah pixel range dengan nilai baru z’. Koefisien ei dan fi mentranslasikan blok domain
kedalam posisi blok range ketika ukurannya mengecil dalam skala 2 kali.
Nilai ei , fi merupakan besarnya pergeseran dari kordinat kiri atas blok ranah ke
koordinat kiri atas blok jelajah. Koefisien s adalah faktor penskalaan kontras yang nilainya dapat ditentukan. Koefisien o adalah faktor kecerahan yang nilainya dapat ditentukan.
2.4.3 Rasio Kompresi
Proses kompresi tentunya akan berdampak kepada banyak hal. Yang pertama adalah ukuran citra hasil kompresi. Ukuran citra diharapkan lebih kecil dari citra asal. Kedua adalah kualitas citra untuk input terhadap proses berikutnya. Sampai berapa persenkah citra asli bisa dikompresi ?
Rasio kompresi dapat dihitung dengan formula sebagai berikut:
Rasio kompresi= 100% % 100 x asemula ukurancitr resi ahasilkomp ukurancitr
2.4.4 Kriteria Kompresi Citra
Ada dua jenis kriteria yang digunakan untuk mengukur kebenaran hasil proses kompresi, yaitu :
a. Kriteria kebenaran subjektif
Kriteria kebenaran subjektif dapat dilakukan dengan melakukan suatu penilaian terhadap citra secara langsung kepada orang-orang tentang kualitas hasil kompresi.
b. Kriteria kebenaran objektif
Kriteria kebenaran objektif ini dilakukan dengan menggunakan rumus yang merupakan fungsi dari citra asli dan citra hasil. Beberapa metode yang dapat digunakan diantaranya PSNR (Peak Signal to Noise Rasio) dan rasio kompresi citra (Darma,2010).
Menurut Sutoyo, 2009 terdapat empat hal yang digunakanuntuk mengukur kompresi citra digital, yaitu :
1. Waktu kompresi dan dekompresi
Citra terkompresi disimpan dalam file dengan ormat tertentu, misalnya JPEG (Joint Photographic Experts Group). Sedangkan proses dekompresi yaitu proses untuk mengurai citra yang dimampatkan kembali menjadi citra yang tidak
mampat. Algoritma pemampatan yang baik adalah algoritma yang membutuhkan waktu untuk kompresi dan dekompresi paling cepat.
2. Kebutuhan memori
Biasanya semakin besar presentase pemampatan, semakin kecil kebutuhan memori yang diperlukan sehingga kualitas citra makin berkurang. Dan
sebaliknya, semakin kecil presentase citra yang dimampatkan, semakin bagus kualitas hasil kompresi citra.
3. Kualitas pemampatan
Metode kompresi yang baik adalah metode kompresi yang mampu
mengembalikan citra hasil kompresi menjadi citra seperti semula tanpa merusak kualitas citra atau kehilangan informasi apapun. Baiasanya semakin berkualitas hasil kompresi, smakin besar pula memori yang dibutuhkan. Sebaliknya, semakin jelek kualitas hasil citra kompresi, semakin kecil pula kebutuhan memori yang dibutuhkan.
4. Format keluaran
Format citra hasil kompresi yang baik adalah yang cocok dengan kebutuhan pengiriman dan penyimpanan data.
