ISSN : 2302-450X
PROSIDING
PERTEMUAN DAN PRESENTASI KARYA ILMIAH
BALI, 23 OKTOBER 2015
PEMBICARA UTAMA SEMINAR PANEL DENGAN TEMA
“
Inovasi Teknologi Informasi dan Komunikasi dalam
Menunjang Technopreneurship
”
Ir.Onno Widodo Purbo.M.Eng.Ph.D
Putu Sudiarta, S.Kom
PENYUNTING AHLI
Dr. Ahmad Ashari.M.Kom
PELAKSANA SEMINAR
PELINDUNG
Rektor Universitas Udayana, Bali
PENANGGUNG JAWAB
Dekan Fakultas MIPA Universitas Udayana
Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana
PANITIA
I Gusti Agung Gede Arya Kadyanan,S.Kom.,M.Kom.
I Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.
I Wayan Supriana,S.Si.,M.Cs.
Ida Bagus Made Mahendra, S.Kom., M.Kom.
I Komang Ari Mogi, S.Kom, M.Kom.
I Made Widi Wirawan, S.Si., M.Cs.
I Putu Gede Hendra Suputra, S.Kom., M.Kom.
Ngurah Agus Sanjaya ER., S.Kom., M.Kom.
Agus Muliantara, S.Kom.,M.Kom.
I Made Widiartha,S.Si., M.Kom.
Made Agung Raharja, S.Si., M.Cs.
I Gusti Ngurah Anom Cahyadi Putra, S.T., M.Cs.
I Gede Santi Astawa, S.T., M.Cs.
KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya
penyusunan
Proceeding
SNATIA 2014 ini. Buku ini memuat naskah hasil penelitian dari
berbagai bidang kajian yang telah di
review
oleh pakar dibidangnya dan telah
dipresentasikan dalam acara Seminar SNATIA tahun 2015 pada tanggal 23 Oktober 2015
di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.
Kegiatan SNATIA 2015 merupakan agenda tahunan Program Studi Teknik
Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2015 mengambil
tema
“
Inovasi
Teknologi
Informasi
dan
Komunikasi
dalam
Menunjang
Technopreneurship
”, dengan pembicara utama se
minar yang terdiri dari pakar-pakar
peneliti dan Pemerhati dibidang Teknologi Informasi dan Technopreneurship.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam
proceeding
ini telah
dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu
panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas
kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat
diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui
e-mail [email protected].
Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam
penyelenggaraan
seminar,
dan
penyusunan
proceeding
SNATIA
2015,
panitia
mengucapkan terima kasih.
Denpasar, 17 Oktober 2015
DAFTAR ISI
Kata Pengantar
Daftar Isi
Analisis dan Perancangan Sistem Informasi Kehadiran Pegawai pada Pusat
Penelitian Perkembangan IPTEK Lembaga Ilmu Pengetahuan Indonesia
Warkim ... ...
1
Kompresi Citra Medis dengan Wavelet Packet
I Made Ari Dwi Suta Atmaja
...
11
Ekstraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrival if Images
(CLUE)
Sugiartha I Gusti Rai Agung ...
16
Peningkatan Kemampuan Guru dalam Menggunakan Geogebra sebagai
Media Pembelajaran Matematika SMP
Luh Putu Ida Harini...
21
Perbandingan Model Pembelajaran Kooperatif Tipe Belajar Bersama
Menggunakan Media Google Drive dan Tanpa Google Drive
Desak Putu Eka Nilakusuma...
28
Analisa Faktor-Faktor yang Mempengaruhi Actual Usage dalam
Penggunaan Tiket Elektronik dengan Menggunakan Technology Acceptance
Model (TAM) Studi Kasus PT.KAI Commuter Jabodetabek
Enok Tuti Alawiah ...
35
Pemanfaatan Aplikasi Google Docs sebagai Media Pembinaan Karya Ilmiah
Remaja
Komang Dharmawan ...
45
Penerapan WAN dengan Protokol Routing RIP dan Passive Interfaces
sebagai Pemilihan Jalur Menggunakan GNS3
Anggarda Sanjaya ...
49
Perancangan dan Implementasi Sistem Informasi Maajemen Rumah Sakit
pada Unit Rawat Inap Studi Kasus Rumah Sakit Umum Famili Husada
I Dewa Ayu Kompyang Putri Utari ...
54
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit
Umum Famili Husada pada Unit Poliklinik
Mengukur Kinerja Load Balancing pada Sistem Cloud Computing dengan
Parameter Throughput
I Gusti Ngurah Ary Juliantara ...
71
Perancangan dan Implementasi Sistem Informasi Manajemen Gudang pada
Rumah Sakit Famili Husada
Luh Gede Apryta Astaridewi ...
77
Perancangan Website E-Commerce pada Toko Gadget Online Store
Ni Kadek Dwi Asri ...
85
Segmentasi Citra Tulisan Tangan Karakter Aksara Bali Menggunakan
Metode Profile Projection
Ni Wayan Deviyanti Septiari ...
91
Klasifikasi Penyakit Anak pada Proses Retrieve dalam Sistem Pakar Berbasis
Case Based Reasoning (CBR) dengan Metode Nearest Neighbour
Ni Wayan Ririn Puspita Dewi...
98
Perancangan dan Implementasi Sistem Informasi Manajemen Instalasi
Gawat Darurat pada Rumah Sakit Famili Husada
Putu Ita Purnama Yanti ...
105
Analisis dan Perancangan Sistem Informasi Geografis Berbasis Web untuk
Mengetahui Ketersedian Air Tanah di Provinsi Bali
Made Dinda Pradnya Pramita ...
112
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit
pada Unit Radiologi
–
Studi Kasus Rumah Sakit Umum Famili Husada
I Putu Agustina .... ...
120
Pengamanan File Video MP4 dengan Metode Enkripsi Menggunakan
Algoritma RC5
Rahmantogusnyta Mariantisna...
128
Perancangan dan Implementasi Sistem Informasi Geografis Pariwisata di
Bali Berbasis Web
11
KOMPRESI CITRA MEDIS DENGAN
WAVELET PACKET
I Made Ari Dwi Suta Atmaja
1, I Made Oka Widyantara
2,Linawati
21
Teknik Elektro, Politeknik Negeri Bali 2
Program Studi Magister Teknik Elektro, Universitas Udayana Email: [email protected], [email protected], [email protected]
ABSTRAK
Penggunaan citra medis dewasa ini mulai meningkat. Penyimpanan dan pengiriman citra medis dalam bentuk aslinya akan membutuhkan sumber daya yang sangat besar. Salah satu usaha yang bisa dilakukan adalah dengan melakukan kompresi. Wavelet packet adalah salah satu metode kompresi citra lossy yang terbaru. Wavelet packet menyimpan semua hasil dekomposisi, dan bukan hanya bagian aproksimasinya. Dengan demikian, diharapkan citra hasil kompresi memiliki kualitas yang lebih baik. Hasil transformasi akan dikodekan dengan RLE, dimana sebelumnya akan diberikan threshold. Tujuan penelitian ini adalah untuk mengetahui kemampuan packet wavelet dalam melakukan kompresi citra medisKualitas citra akan diukur secara kuantitatif dengan PSNR.Hasil rata-rata PSNR adalah sebesar 32,77db dengan rasio sebesar 42,6%. Rata-rata waktu kompresi dan dekompresi yaitu sebesar 5 detik dan 3,7 detik.
Kata Kunci: wavelet packet, threshold, kompresi, citra medis
ABSTRACT
Nowadays the use of medical images begins to rise. Store and delivermedical images in their original form would require enormous resources. In order to save the resources, the images should be compressed. Wavelet packet is one method of lossy image compression. Wavelet packet stores all decomposition result, does not only store aproximation part. Thus, we assumne the image compression results will has better quality. Results of the transformation will be encoded with RLE, after thresholding process. The purpose of this study is to determine the ability of wavelet packet to compress medical image. Image quality will be measured quantitatively by PSNR. The average PSNR is 32.77db with a ratio of 42.6%. Average time compression and decompression that is equal to 5 seconds and 3.7 seconds.
Keywords: wavelet packet, threshold, compression, medical images
1
PENDAHULUAN
Dalam dunia medis ataupun sekolah kedokteran, citra medis memegang peranan penting.Data berupa citra ini seringkali digunakan untuk kepentingan belajar, analisa dan diagnosa.Citra medis yang dihasilkan oleh sebuah lembaga kesehatan saat ini begitu banyak. Menurut Placidi[1] dan Baeza [2], sebuah rumah sakit menengah saat ini bisa menghasilkan rata-rata 5GB hingga 15 GB data. Hal tersebut akan menyulitkan rumah sakit untuk menangani data sebesar itu. Tidak hanya pada masalah penyimpanan yang membutuhkan memori besar, namun setiap saat data citra tersebut perlu ditransmisikan. Citra dengan ukuran yang besar akan membutuhkan waktu yang cukup lama untuk ditransmisikan, sehingga hal ini akan mengakibatkan lambatnya diagnosa dan penanganan pasien.
Kompresi citra dalam hal ini memegang peranan penting. Kompresi citra merupakan suatu metode yang bertujuan untuk mengurangi penggunaan memori, sehingga akan memudahkan penyimpanan, pengolahan serta waktu pengiriman
data digital lebih singkat dibandingkan dengan data yang tidak terkompresi. Terdapat banyak metode kompresi citra hingga saat ini.Semua metode tersebut digolongkan ke dalam 2 jenis yaitu losy dan lossless. Kompresi losy ini biasanya memiliki rasio kompresi yang baik, namun kualitas citra menjadi menurun karena terdapat informasi pada citra yang hilang, sebaliknya kompresi lossless merupakan teknik kompresi dengan kualitas citra rekonstruksi yang sama dengan citra asli, namun pada sebagian besar citra alami menghasilkan rasio yang buruk.
ISSN : 2302
–
450X
12
penelitian terkini tentang metode kompresi citra medis menunjukkan bahwa permasalahan ini sangat penting dan menjadi perhatian bagi banyak ilmuwan dunia.Melihat pentingnya permasalahan ini, maka sebenarnya diperlukan sebuah metode kompresi yang baik, sehingga penulis melakukan penelitian untuk mengompresi citra medis dengan mengaplikasikan packet wavelet transform (PWT) dan pengkodean lossless RLE untuk menjaga agar kualitas citra tetap baik.
Prinsip dasar PWT adalah mendapatkan representasi waktu dan skala dari sebuah sinyal menggunakan teknik filter digital dan operasi sub sampling. Transformasi wavelet menggunakan 2 komponen penting dalam melakukan transformasi, yaitu skala (scaling function) atau lowpass filtering dan wavelet (wavelet function) atau highpass filtering. Beberapa penelitian seperti [8, 9] menunjukkan bahwa wavelet mampu memberikan kualitas citra hasil kompresi yang baik dengan rasio yang cukup tinggi. Teknik wavelet yang biasa digunakan adalah discrete wavelet transform (DWT), dimana hanya elemen frekuensi rendah saja yang didekomposisi lebih dalam, sedangkan elemen frekuensi tinggi tidak didekomposisi lebih lanjut. Penelitian ini mencoba melakukan dekomposisi pada setiap elemen, baik dengan frekuensi rendah maupun tinggi dengan packet wavelet transform (PWT). Di sinilah letak perbedaan pokok antara DWT dan PWT yaitu PWT tidak hanya melakukan dekomposisi pada elemen frekuensi rendah saja, namun juga pada elemen frekeunsi tinggi.Tujuannya dilakukannya dekomposisi seperti itu adalah untuk meningkatkan kualitas citra hasil dekompresi. Rasio dalam hal ini akan tetap dijaga dengan pemberian threshold. Menurut Kharate dan Patil [8], rasio dan kualitas yang baik bisa diperoleh dengan pemberian threshold yang tepat.
Teknik kompresi Run Length Encoding (RLE) telah banyak digunakan.Metode ini memanfaatkan kemuculan nilai piksel secara berulang pada lokasi yang berderetan.Metode ini bekerja sangat baik pada data dengan perulangan nilai yang banyak.Mengingat bahwa metode ini merupakan metode kompresi lossless yang tetap menjaga kualitas asli data sebelum dan sesudah dikompresi, maka metode ini cocok diterapkan pada data hasil transformasi wavelet citra medis, sehingga tidak ada informasi yang hilang. Penelitian yang pernah dilakukan untuk kompresi citra dengan RLE yaitu Chakraborty dan Benerjee [10] yang dalam penelitiannya menggunakan Enhanced RLE, dengan memodifikasi RLE yang biasa, sehingga mengahasilkan rasio yang baik dengan kualitas citra dekompresi yang terekonstruksi dengan sempurna.
Dari informasi yang disampaikan di atas, transformasi wavelet paket (PWT) dan RLE merupakan perpaduan yang baik untuk menghasilkan rasio kompresi yang tinggi namun dengan kualitas
citra medis yang baik. Dalam penelitian ini, juga akan dilakukan penelitian nilai threshold yang baik. Oleh karena itu, penelitian Kompresi Citra Medis dengan Packet Wavelet Transform dan Pengkodean Run Length Encoding diharapkan memberikan hasil baik. Hasil yang diharapkan dari penelitian ini adalah rasio kompresi yang tinggi dan citra hasil dekompresi dengan kualitas yang baik.
2
MODEL, ANALISIS, DESAIN, DAN
IMPLEMENTASI
2.1Gelombang Singkat (Wavelet)
Wavelet merupakan bentuk sinyal dengan durasi yang pendek dan terbatas yang memiliki nilai rata-rata sebesar 0 [11]. Algoritma Wavelet memproses data pada ukuran-ukuran atau resolusi-resolusi yang berbeda. Melihat suatu sinyal dengan window (jendela) yang besar, diperoleh gambar yang besar. Bila melihat dengan window yang kecil, akan diperoleh gambar yang kecil.
2.2 Haar Wavelet
Menurut Fugal [11], Haar Wavelet merupakan wavelet yang paling sederhana, paling pendek dan yang paling pertama digunakan. Meskipun Haar kontinyu tidak ada dalam kehidupan nyata komputer digital, namun estimasi yang baik bisa dihasilkan dengan melakukan upsampling interpolasi (low pass
filtering) pada filter H’ [1 -1] untuk menghasilkan titik-titik perkiraan yang banyak. Adapun Haar wavelet ditunjukkan pada Gambar 1.
Gambar 1. Haar wavelet
Fugal (2009) menyatakan bahwa Haar wavelet hanya memiliki 2 titik filter dasar, yaitu :
Low pass filter (L) : [1 1] High pass filter (H) : [-1 1]
Inverse low pass filter (L’) : [1 1] Inverse high pass filter (H’) : [1 -1]
2.3 Multi-Level Packet 2-D Wavelet
Transformation (PWT)
Dekomposisi PWT 2 dimensi pada sembarang level ditunjukkan pada Gambar 2. Pada Gambar 2 terlihat bahwa citra mengalami satu level dekomposisi dan menghasilkan 4 subbands, yaitu :
I Made Ari Dwi Suta Atmaja, Kompresi Citra Medis Dengan Wavelet Packet
13
2. Koefisien Detail Vertikal (subband LH). 3. Koefisien Detail Horizontal (subband HL). 4. Koefisien Detail Diagonal (subband HH).
Tanda panah ke bawah pada Gambar 2 merupakan tanda untuk dilakukannya downsampling dengan membuat panjang aL menjadi setengah kali dari panjangnya semula. Salah satu teknik downsampling yang biasa dilakukan adalah dengan menghilangkan semua elemen koefisien pada indeks ganjil dan mempertahankan koefisien pada indeks genap. Transformasi dimulai dengan memindai citra secara horizontal dengan lowpass filetering (L) sehingga menghasilkan koefisien aL dan dengan highpass filtering (H) sehingga menghasilkan koefisien aH. Untuk setiap aL dan aH akan di-downsampling, kemudian dilakukan pemindaian secara vertikal dengan L dan H, yang kemudian akan di-downsampling kembali, dan menghasilkan LL, LH, HL, dan HH yang ukurannya adalah seperempat dari ukuran subband sebelumnya.
Gambar 2. Dekomposisi PWT pada level tertentu (Fugal, 2009)
2.4 Peak Signal-To-Noise Ratio (PSNR) dan Mean Square Error (MSE)
Untuk membuat ukuran kualitas hasil pemampatan citramenjadi ukuran kuantitatif digunakan besaran PSNR (peak signal-to-noise ratio). Menurut Sutoyo [12], PSNR dihitung untuk mengukur perbedaan antara citra semula dengan citra hasil pemampatan (tentu saja citra hasil pemampatan harus dinirmampatkan terlebih dahulu), dengan rumus:
PSNR = 20 x log10
MSE
b
(1)Dengan b adalah nilai sinyal terbesar (pada citra hitam-putih, b = 255) dan mse adalah akar pangkat dua dari selisih antara citra semula dengan citra hasil pemampatan[13]. Nilai mse dihitung dengan rumus:
N i M j ij ijf
f
Tinggi
Lebar
1 12 ,
1
=
MSE
(2)Dalam hal ini,f dan f’ masing-masing menyatakan nilai piksel citra semula dan nilai piksel citra hasil pemampatan. PSNR memiliki satuan decibel (dB). Semakin besar nilai PSNR, semakin bagus kualitas pemampatannya.
2.5. Kompresi Citra dengan PWT dan
Pengkodean RLE
Secara umum aplikasi kompresi citra yang dibuat memiliki arsitektur seperti ditunjukkan pada Gambar 3. Sembarang citra masukan akan diproses dengan multi-level PWT, di mana dalam hal ini level akan dipilih oleh pengguna. Hasil dekomposisi dalam bentuk matriks akan diberikan threshold, dimana data yang lebih kecil daripada threshold akan diubah menjadi nol, sedangkan sisanya tidak diubah. Hasil pemberlakukan threshold akan dikodekan dengan RLE yang bersifat lossless dengan harapan representasi data bisa lebih singkat sehingga rasio kompresi bisa ditingkatkan tanpa mengurangi nilai PSNR. Kode RLE yang telah terbentuk, akan disimpan pada sebuah file biner. File biner inilah yang merupakan data hasil kompresi. Untuk langkah pembalikan (dekompresi) citra, maka langkah pertama yang harus dilakukan adalah membuka file biner yang berisi kode RLE. Pembacaan data mulai dilakukan untuk mendekodekan data dengan pendekodean RLE. Data hasil decoding RLE selanjutnya akan direkonstruksi dengan filter inverse PWT. Hasil rekonstruksi inilah yang akan ditampilkan kepada pengguna sebagai citra hasil dekompresi.
Gambar 3. Arsitektur Aplikasi Kompresi Citra dengan PWT dan RLE
ISSN : 2302
–
450X
14 Mulai Transformasi dengan packet wavelet Pengkodean RLE Baca level dekomposisi Baca thresholdSimpan pada file dat File dat Baca citra
Selesai
Gambar 4. Flowchart Kompresi Citra
Mulai
Rekonstruksi wavelet
Citra dekomposisi Baca File dat
Selesai Pembacaan level
dari file dat
Pendekodean RLE
Gambar 5. Flowchart Dekompresi Citra
Flowchart dekompresi citra ditunjukkan pada Gambar 5. Pada Gambar tersebut tampak bahwa input ke dalam system berupa file dat. Dalam file tersebut terimpan informasi level dekomposisi yang telah dilakukan. Langkah pertama yang dilakukan adalah membaca data kode RLE. Data kode RLE tersebut kemudian didekodekan untuk mendapatkan data hasil transformasi. Data hasil transformasi inilah yang akan direkonstruksi. Hasil rekonstruksi inilah yang merupakan citra hasil dekompresi.
3
SKENARIO UJI COBA
Pengujian terhadap hasil kompresi citra dilakukan dengan PSNR, waktu kompresi dan rasio
kompresi. Perhitungan PSNR akan diawali dengan perhitungan MSE dengan Persamaan 2, kemudian dilanjutkan dengan perhitungan PSNR dengan Persamaan 2. Nilai PSNR untuk kompresi lossy biasanya adalah 30 and 50 db. Citra yang akan diujikan adalah citra medis keabuan dengan jumlah sebanyak 8 citra. Untuk melihat hasil pengamatan, maka akan dibuatkan tabel pengamatan yang akan menampilkan nama citra, ukuran asli, ukuran kompres, rasio, waktu dan PSNR. Citra yang akan diuji memiliki berbagai ukuran. Hasil akhirnya adalah berupa rata-rata waktu, rasio dan PSNR dari seluruh citra. Tabel 1 menunjukkan tabel pengujian.
Tabel 1. Tabel Rancangan Pengujian Citra Ukuran
Asli
Ukuran Kompres
Rasio Waktu (s)
PSNR (db)
Citra 1 xx xx xx xx xx
Citra 2 xx xx xx xx xx
... ... ... ... ... ...
... ... ... ... ... ...
Citra 10
xx xx xx xx xx
Rata-rata
xx xx xx xx xx
Rasio kompresi akan dihitung dengan rumus pada Persamaan 3. FA merupakan ukuran file asli, sedangkan FK merupakan ukuran file terkompresi.
(3)
4
HASIL UJI COBA
Penelitian ini menggunakan contoh delapan buah citra medis. Adapun mother wavelet yang digunakan adalah Haar. Setelah mengalami proses transformasi, nilai-nilai tersebut akan dikodekan dengan RLE. Thresholdyang digunakan yaitu 35.
Tabel 2. Hasil Pengujian
Ci tra Ukuran File Asli (KB) Ukuran File Kom (KB) Rasio (%) Waktu Komp (dt) Waktu De komp (dt) PSNR
1 249 164 34 0,3 2,7 31,21 2 257 102 60 0,9 5,6 38,25 3 249 194 22 0,3 2,6 30,05 4 249 256 -3 0,2 3,4 30,44 5 249 141 44 0,3 2,2 31,43 6 527 153 71 0,7 4,4 35,46 7 469 222 53 0,6 4,4 32,18 8 469 186 60 0,6 4,2 33,17
Rata 340 177 42,6 0,5 3,7 32,77
I Made Ari Dwi Suta Atmaja, Kompresi Citra Medis Dengan Wavelet Packet
15
citra yang digunakan untuk pengujian. Setiap barisnya menunjukkan rasio yang dihitung dari Persamaan 3, waktu kompresi, waktu dekompresi dan PSNR. Baris terakhir menujukkan rata-rata dari setiap kolom di atasnya.Pada pengujian tersebut, terdapat satu file dengan rasio yang bernilai minus.Rata-rata rasio sudah baik yaitu sebesar 42,6%. Rata-rata waktu kompresi cukup rendah yaitu 0,5 detik, sedangkan waktu dekompresi sebesar 3,7 detik. Nilai rata-rata PSNR adalah sebesar 32,77.Berdasarkan teori, nilai PSNR tersebut masih bisa diterima.
Gambar 6a dan 6b menunjukkan contoh citra asli, yang kemudian dikompresi dengan mother wavelet Haar, pada level dekomposisi 3 dengan
threshold sebesar 30. Rasio kompresi adalah sebesar 47%, sedangkan PSNR adalah sebesar 32,84db. Waktu kompresi adalah sebesar 0,4 detik, sedangkan waktu dekompresi adalah sebesar 4,9 detik.
Gambar 6a. Citra Asli Gambar 6b. Citra Hasil Dekompresi
5
KESIMPULAN
Kompresi citra dengan wavelet packet dilakukan terhadap delapan citra medis. Percobaan dilakukan dengan nilai threshold 35 dan mother wavelet Haar. Dari hasil pengujian, diperoleh hasil bahwa nilai PSNR masih bisa diterima yaitu sebesar 32,77db dengan rasio sebesar 42,6%.Waktu kompresi dan dekompresi masih bisa diterima yaitu sebesar 5 detik dan 3,7 detik.
Penelitian lebih lanjut bisa dilakukan dengan melakukan eksplorasi pemilihan mother wavelet
yangs sesuai untuk menghasilkan citra terkompresi dengan PSNR dan rasio yang baik.
6
DAFTAR PUSTAKA
[1] Placidi, G., 2009.Adaptive compression algorithm from projections: Application on medical greyscaleimages. J. Comput. Biol. Med. 39: pg 993–999.
[2] Baeza, I., Verdoy, A., 2009.ROI-based Procedures for progressive transmission of digital images: Acomparison. Elsevier J. Math. Comput.Model.50, pg 849–859.
[3] Agrawal,J.P., Vijay. R., 2012.Wavelet Compression Of Ct Medical Images. International Journal of Scientific Research
Engineering & Technology (IJSRET)Volume 1 Issue3. pp 045-051.
[4] Ruchika, Singh, M., Singh, A. R., 2012.Compression of Medical Images Using Wavelet Transforms. International Journal of Soft Computing and Engineering (IJSCE)ISSN: 2231-2307, Volume-2, Issue-2, pg. 339-343. [5] PraveenKumar, E., Sumithra, M. G., 2013.
Medical Image Compression Using Integer Multi Wavelets Transform for Telemedicine Applications. International Journal Of Engineering And Computer Science ISSN:2319-7242Volume 2 Issue 5 May, pg 1663-1669.
[6] Bairagi, V. K., Sapkal, A. M., 2013. ROI-based DICOM image compression for
telemedicine.Sādhanā Vol. 38, Part 1, pp. 123–
131.
[7] Ramesh,S.M., Shanmugam, A., 2010. Medical Image Compression using WaveletDecomposition for Prediction Method. (IJCSIS) International Journal of Computer Science and Information Security, Vol. 7, No. 1, 2010 pg. 262-265.
[8] Kharate, G. K., Patil,V. H., 2010. Color Image Compression Based On Wavelet Packet Best Tree.IJCSI International Journal of Computer Science Issues, Vol. 7, Issue 2, No 3, pg. 31-35. [9] Alwan, I. M., 2012.Image Compretion Using
Wavelet Transform With Rle. Al- Mustansiriya J. Sci Vol. 23, No 3, Pg 173-172.
[10] Chakraborty, D., Banerjee, S., 2011. Efficient Lossless Colour Image Compression Using Run Length Encoding and Special Character Replacement. International Journal on Computer Science and Engineering (IJCSE) Vol. 3 No. 7.pg 2719-2725.
[11] Fugal, D. L., 2009. Conceptual Wavelets In Digital Signal Processing. Space and Signal Technologies.
[12] Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O. D., Wijanarto, 2009. Teori Pengolahan Citra Digital. Andi : Yogyakarta. [13] Munir, R., 2004. Pengolahan Citra Digital
