ANALISA PERBANDINGAN PERFORMA KOMPRESI
ALGORITMA HUFFMAN DAN ALGORITMA LZW
TERHADAP CITRA MEDIS MRI
Krido Wicaksono1, Pulung Nurtantio Andono 2 1,2Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 e-mail: 1 111201207066@mhs.dinus.ac.id , 2 pulung.nurtantio@dsn.dinus.ac.id
Abstrak
Tujuan dari penelitian ini adalah untuk mendapatkan hasil perbandingan dari algoritma kompresi Huffman dan LZW dalam melakukan kompresi citra medis MRI dengan format DICOM (.dcm). Kedua algoritma yang di bandingkan merupakan algoritma yang menerapkan teknik Lossless Compression dimana hasil dekompresi citra sama dengan citra aslinya, tidak ada informasi didalam citra yang hilang. Dari penelitian yang dilakukan dengan 10 data citra uji diperoleh hasil bahwa metode LZW lebih bagus karena menghasilkan memori yang lebih kecil dari pada hasil kompresi Huffman. Untuk performa kecepatan dalam melakukan kompresi algoritma Huffman lebih cepat dalam melakukan kompresi citra namun lebih lambat dalam melakukan dekompresi. Sedangkan untuk performa waktu dalam melakukan dekompresi citra, algoritma LZW lebih cepat daripada Huffman.
Kata kunci: Kompresi citra, Lossless Compression, MRI, Huffman, LZW
Abstract
The purpose of this study was to obtain comparative results of Huffman and LZW compression algorithm to compress the image with the MRI medical DICOM format (.dcm). Both compared algorithms was an algorithm that implemented the techniques Lossless Compression decompression where the results was the same with the original image, there was no information of the image that lost. Based on the research that conducted with 10 data test images showed that the LZW method was better because it produced smaller memory than Huffman compression results. To speed performance in conducting Huffman compression algorithm could do the image compression faster, but it could be lower in the decompression. While for the time’s performance in the decompressing the image, LZW algorithm was faster than Huffman.
Keywords: image compression, Lossless Compression, MRI, Huffman, LZW
1. PENDAHULUAN
D
alam perkembangannya citra tidak lagi berbentuk lukisan seperti apa yang terjadi pada zaman prasejarah. Namun kini banyak citra yang dihasilkan oleh alat yang mampu mentranformasikan citra tampak (gambar, foto, lukisan, patung, pemandangan, dll) menjadi bentuk citra digital. Prosestransformasi citra atau akuisisi citra bergantung pada kemampuan sensor guna mendigitalisasi sinyal yang ditangkap oleh sensor tersebut. Sedangkan kemampuan proses digitalisasi citra di pengaruhi oleh resolusi dari alat yang digunakan tersebut[1].
Bidang medis atau kedokteran adalah satu ranah ilmu yang menerapkan
IJCCS Vol. x, No. x, July201x : first_page–end_page pengolahan citra dalam berbagai fungsi
yang banyak dikenal dengan istilah citra medis (medical image).. Tujuan dari digitalisasi citra medis guna merepresentasikan citra medis tersebut kedalam bentuk digital yang mendukung transfer gambar, serta pengarsipan, juga dimanfaatkan untuk manipulasi informasi diagnosis visual yang lebih mempunyai manfaat[2].
Citra yang sering di gunakan dalam bidang medis salah satunya yaitu citra magnetic resonance imaging (MRI). Teknik pencitraan MRI relatif komplek karena citra yang dihasilkan tergantung dari banyak parameter yang digunakan. Bila parameter yang dipilih tepat, kualitas gambar yang dihasilkan oleh MRI dapat menampilkan dengan detail tubuh manusia dengan perbedaan yang kontras, sehingga hasil yang tampak seperti anatomi dan patologi jaringan tubuh dapat di diagnosis atau di evaluasi secara detail serta teliti[3].
Dengan adanya teknologi informasi, citra tersebut dapat di simpan dalam bentuk file. Sayangnya terdapat kelemahan pada citra MRI yaitu kebutuhan kapasitas penyimpanan yang cukup besar. Pada suatu proses pemeriksaan citra medik jenis MRI dapat menghasilkan peluhan cita medis[4]. Salah satu solusi guna memperkecil ukuran file yaitu dengan melakukan kompresi citra Secara umum teknik kompresi citra diklasifikasikan menjadi dua yaitu, teknik kompresi citra Lossless Compression dan Lossy Compression [1]. Lossless Compression adalah kompresi citra dimana hasil dekompresi citra sama dengan citra aslinya, tidak ada informasi didalam citra yang hilang. Sangat cocok diterapkan dibidang biomedis, karena tidak menghilangkan detail informasi dari citra tersebut. Namun rasio kompresi citra pada metode ini relatif rendah. Terdapat beberapa metode dalam teknik Lossless Compression diantaranya adalah algoritma
Huffman dan Lempel-Ziv-Welch (LZW). Lossy Compression merupakan kompresi citra dimana hasil dekompresi citra berbeda dengan citra aslinya sehingga terdapat informasi yang hilang, namun masih bisa ditolerir oleh penglihatan mata.
Algoritma LZW (Lampel-Ziv-Welch) merupakan algoritma kompresi lossless yang menerapkan tekhnik adaptif dan berbasis kamus. Algoritma ini melakukan proses kompresi berdasrkan dictionary (kamus), diamana fragmen-fragmen di gantikan oleh indeks yang di dapatkan dari sebuah kamus. Pendekatan ini bersifat efektif dan juga adaptif yang dikarenakan banyak karakter dapat dikodekan dengan cara mengacu terhadap string yang sudah muncul sebelumnya dalam teks[5]. Prinsip kompresi tercapai jika referensi dalam bentuk pointer dapat disimpan dalam jumlah bit yang relatif sedikit dibanding string asalnya.
Sedangkan algoritma Huffman adalah suatu algoritma kompresi citra yang menerapkan pendekatan statistik. Algoritma ini termasuk dalam algoritma dengan teknik Lossless Compresion. Prinsip kerja algoritma ini adalah mengkodekan setiap karakter kedalam representasi bentuk bit. Representasi bit terhadap setiap karakter berbeda satu dengan yang lainnya menurut frekuensi tingkat kemunculannya. Semakin tinggi tingkat kemunculan karakter , maka semakin pendek dari representasi bit nya. Begitu pula sebaliknya, jika semakin rendah frekuensi tingkat kemunculan karakter, maka akan semakin panjang representasi bit untuk karakter tersebut[6].
Pada penelitian ini, dipilih dua metode lossless compression yang telah banyak digunakan dan menjadi dasar bagi pengembangan metode kompresi lainnya seperti teknik kompresi Lampel-Ziv-Welch (LZW) serta kompresi Huffman. Kedua teknik kompresi ini melakukan pengambilan probabilitas dimana untuk
simbol yang sering muncul akan direpresentasikan dengan jumlah bit yang relatif sedikit dibandingkan simbol-simbol yang jarang muncul.
2. METODE PENELITIAN Berikut adalah gambaran metode penelitian analiasa kompresi citra medis MRI yang akan di laksanakan:
Gambar 1. Metode penelitian 2.1 Objek penelitian
Dalam penelitian ini citra medis MRI dipilih sebagai objek penelitian. Citra MRI yang di pakai di dunia medis sangat memerlukan ruang penyimpanan yang besar karena dalam satu pemeriksaan citra medis jenis MRI dapat menghasilkan puluhan citra medis. Dengan dilakukan kompresi citra diharapkan citra medis akan lebih efisien dalam hal penyimpanan serta proses pengiriman data.
2.2 Metode pengambilan data
Tahap pengumpulan dan
pengolahan data ini dilakukan untuk memperoleh bahan penelitian sesuai dengan tujuan penelitian yang telah ditetapkan. Sumber dataset yang digunakan pada penelitian ini didapatkan dari [15], dan [16]. Website tersebut menyediakan file dataset untuk citra MRI.
2.3 Pengujian metode
Pengujian metode dilakukan untuk mendapatkan hasil dari perbandingan performa kompresi. Citra medis MRI sebagai objek penelitian di ujikan terhadap 2 metode kompreso yaitu Huffman dan LZW . tahapan pengujian meliputi proses kompresi dan dekompresi.
2.3.1 Kompresi Huffman
Algoritma Huffman, yang diciptakan oleh seorang mahasiswa MIT yang bernama David Huffman. David Huffman memperkenalkan algoritma kompresi pada tahun 1952 yang diberi nama Huffman coding. Algoritma ini merupakan salah satu metode paling lama dan paling terkenal dalam kompresi[8]. Prinsip kerja metode ini adalah mengkodekan setiap karakter kedalam representasi bit. Representasi bit untuk setiap karakter berbeda antara satu dengan lainnya yang berdasarkan frekuensi tingkat kemunculan karakter tersebut. Semakin sering tingkat kemunculan karakter tersebut, maka akan semakin pendek panjang dari representasi bit-nya. Algoritma ini menerapkan pendekatan statistik dalam proses pemampatan citra. Cara membentuk kode huffman adalah dengan membentuk pohon biner[6].
Urutan langkah encode pada algoritma huffman sebagai berikut[1]:
1.
Urutkan nilai-nilai grayscale berdasarkan frekuensi tingkat kemunculan.2.
Gabungkan dua pohon yang memiliki frekuensi kemunculan terkecil kemudian urutkan kembali.3.
Ulangi langkah ke-2 sampai tersisa satu pohon biner.4.
Berikan label pada pohon bimer yang sudah terbentuk dengan cara sisi kiri pohon di beri label dengan nilai 0 dan sisi kanan pohon di beri label dengan nilai 1.IJCCS Vol. x, No. x, July201x : first_page–end_page
5.
Telusuri pohon biner dari akar ke daun. Hasil barisan label-label sisi dari akar ke-daun merupakan kode huffman Sedangkan untuk mengembalikan data dari citra yang sudah terkompresi menjadi data citra aslinya diperlukan proses decoding. Decoding atu proses dekompresi bertujuan untuk mengembalika citra terkompresi menjadi bentuk citra aslinya. Berikut adalah langkah-langkah proses decoding dalam algoritma huffman :1. Baca file hasil kompresi dan data-datanya kemudian dimasukan ke variabel yang sesuai yaitu variabel ukuran citra, variabel kode bit data, serta variabel warna.
2. Baca kode bit per bit dari kiri ke kanan kemudian cocokan dengan kode huffman dari data warna yang didapat. Begitu seterusnya konversi dilakukan hingga data terakhir.
3. Rekonstruksi citra dengan menggunakan data ukuran citra, yang berarti data piksel berbentuk 1D di penggal tiap baris dan kolom sesuai dengan ukuran citra[8].
2.3.2 Kompresi LZW
Algoritma compresi LZW ini diciptakan oleh Abraham Lampel, Jacob Ziv, dan Terry Welch pada tahun 1984. Algoritma ini menerapkan teknik adaptif dan berbasis kamus. Algoritma ini melakukan proses kompresi dengan menggunaka dictionary (kamus), dimana fragmen-fragmen teks digantikan dengan indeks yang didapatkan dari sebuah kamus. Prinsip yang sejenis juga diterapkan dalam kode Braille , diaman kode-kode khusus digunakan untuk merepresentasikan kata-kata yang ada. Pendekatan ini bersifat adaptif serta efektif sebab banyak karakter bisa dilakukan pengkodean dengan mengacu pada string yang telah muncul sebelumnya dalam teks. Prinsip kompresi ini tercapai jika referensi
dalam bentuk pointer bisa disimpan dalam jumlah bit yang relatif lebih sedikit dibandingkan dengan string aslinya. Berikut urutan dan langkah-langkah algoritma kompresi citra LZW [1] :
1. Dictionary diinisialisaasi dengan semua karakter dasar yang ada {„A‟..‟Z‟, „a‟...‟z‟, „0‟...‟9‟}.
2. P merupakan karakter pertama dalam stream karakter.
3. Q Merupakan karakter berikutnya dalam stream karakter.
4. Apakah stream (P+Q) terdapat dalam dictionary?
a. Jika “iya” maka P = P + Q (Gabungan P dan Q menjadi string baru).
b. Jika “tidak” maka :
i. Output sebuah kode untuk menggantikan string P. ii. Tambahkan string (P + Q)
kedalam dictionary dan berikan kode(nomor) berikutnya yang belum digunakan dalam dictionary untuk string tersebut.
iii. P = Q
5. Apakah masih ada karakter berikutnya dalam stream karakter?
a. Jika “iya” maka kembali ke langkah 2.
b. Jika “tidak” maka output kode yang menggunakan string P, kemudian terminasi proses (stop) Proses dekompresi pada algoritma LZW dilakukan dengan prinsip yang sama sperti pada proses kompresi. Awalnya, dictionary diinisialisasi dengan semua karakter dasar yang ada. Lalu, pada setiap langkah, kode dibaca satu prsatu dari stream kode, kemudian dikeluarkan string dari dictionary yang berkorespondensi dengan kode tersebut, dan ditambahkan string baru ke dalam dictiionary. Berikut urutan dan langkah-langkah algoritma dekompresi:
1. Dictionary dilakuka proses inisialisasi dengan semua karakter dasar yang ada : {„A‟..‟Z‟, „a‟...‟z‟, „0‟...‟9‟}.
2. Q merupakan kode pertama dari stream kode (menunjuk ke salahsatu karakter dasar).
3. Lihat dictionary dan output string dari kode tersebut (string Q) ke dalam stream karakter.
4. P = Q
5. Q = Kode selanjudnya dari stream kode.
6. Apakah string Q ada dalam dictionary?
a. Jika ada maka :
i. Output string Q ke string karakter
ii. P1 = string P
iii. Q1 = karakter pertama dari
string Q
iv. Tambahkan string (P1 +
Q1) ke dalam dictionary
b. Jika tidak, maka : i. P1 = string P
ii. Q1 = karakter pertama dari
string P
iii. Output string (P1+Q1) ke
stream karakter dan tambahkan string tersebut pada dictionary (sekarang ber korespondensi dengan Q)
7. Apakah terdapat kode lagi di stream kode?
a. Jika “iya” maka kembali ke langkah 4
b. Jika “tidak” maka terminasi proses (stop).
2.4 Evaluasi
Evaluasi merupakan tahap perhitungan perbandingan dari hasil kompresi, rasio kompresi, serta waktu setiap algoritma dalam melakukan proses kompresi maupun dekompresi citra.
Hasil yang dicapai dalam penelitian ini meliputi:
Memori Hasil kompresi Rasio Kompresi
Rasio kompresi citra adalah ukuran persentase citra yang sudah berhasil dilakukan kompresi. Secara
matematis rasio kompresi citra di tulis sebagai berikut.
[ ] Misalnya rasio kompresi citra di peroleh 20%, artinya 20% dari citra semula sudah berhasil dilakukan pemampatan.
Waktu kompresi dan dekompresi
3. HASIL DAN PEMBAHASAN 3.1 Citra uji
Citra uji yang digunakan pada penelitian ini merupakan citra hasil MRI sebanyak 10 data citra dengan format “.dcm” (DICOM). Format citra MRI yang digunakan dalam penelitian ini adalah DICOM (Digital Imaging And Comunication In Medicine) merupakan standar penanganan untuk menyimpan, mengirimkan, serta mencetak informasi dalam pencitraan medis berupa hasil dari rekam medis seperti: Rongen/X-Ray, CT-Scan, USG dan MRI [14]. DICOM memungkinkan proses komunikasi digital antara peralatan diagnosis dan terapeutik dan sistem dari berbagai produsen[13]. Data DICOM memiki perbedaan dengan citra pada umumnya karena butuh perangkat lunak khusus untuk bisa menampilkan citra ini. Citra dari hasil MRI ini sudah berbentuk grayscale dengan 16gradasi warna (16 bit).
IJCCS Vol. x, No. x, July201x : first_page–end_page Gambar 2 Objek citra uji dengan format
DICOM
(a. brain_1.dcm, b. brain_2.dcm, c. brain_3.dcm, d. brain_4.dcm , e. brain_5.dcm, f.
prostate.dcm, g. heart_cardiac.dcm, h. body_mr.dcm, i. head.dcm, j. heart_cine.dcm ) 3.2 Hasil pengujian metode
Table 3.1 Tabel hasil pengujian dengan metode Huffman
Tabel 3.1 diatas merupakan hasil pengujian dari metode Huffman dengan keseluruhan citra uji. Secara keseluruhan pada pengujian algoritma huffman dapat mengkompresi setiap citra yang di ujikan. Rasio kompresi yang dihasilkan cukup besar dan berfariatif antara 34% sampai 60 %. Dilihat dari segi kemampuan waktu dalam melakukan kompresi maupun dekompresio, algoritma ini menghasilkan waktu kompresi yang lebih cepat daripada waktu dalam melakukan dekompresi citra yang di ujikan
Tabel 3.2 Tabel hasil pengujian dengan metode LZW
Tabel 3.2 diatas merupakan hasil pengujian dari metode huffman dengan 10 citra yang diujikan. Dilihat dari tabel hasil kompresi diatas, algoritma LZW mampu melakukan kompresi dengan rasio komopresi yang dihasilkan bervariatif. Pada citra “body_mr.dcm” menghasilkan rasio yang cukup tinggi yaitu 77,5%. Dari waktu proses kompresi maupun dekompresi terlihat algoritma ini menghasilkan waktu dekompresi yang lebih cepat dari pada waktu dalam mengkompresi terhadap keseluruhan citra yang diujikan.
Hasil Output
Gambar diatas merupakan contoh hasil akhir dari citra brain_1.dcm dengan algoritma Huffman dan LZW. Citra yang sudah melewati tahap kompresi kemudian dilakukan dekompresi dan menghasilkan citra hasil dekompresi (output image) dari algoritma Huffman maupun LZW. Citra
hasil dekompresi sama dengan citra semula (input image).
3.3 Perbandingan akhir
Tabel 3.3 Tabel perbandingan akhir
Tabel 3.3 diatas merupakan nilai dari perbandingan akhir. Dari 10 citra yang diujikan terhadap algoritma kompresi Huffman dan LZW, masing-masing algoritma berhasil melakukan kompresi citra dengan cukup baik.
Memori yang dihasilkan oleh kompresi dari masing masing algoritma memiliki hasil yang berbeda-beda. Walaupun diujikan pada citra dengan resolusi yang sama namun dengan objek yang berbeda, kedua algoritma juga menghasilkan nilai kompresi yang tidak sama. Hal tersebut dikarenakan setiap objek yang berbeda pasti akan memiliki intensitas warna derajat keabuan yang berbeda pula. Sehingga hasil pengkodean dalam setiap bit nya akan berbeda-beda antara citra satu dengan yang lain. Dalam hal ini algoritma LZW terlihat terlihat lebih unggul dalam hasil kompresi dimana algoritma ini menghasilkan memori yang lebih kecil daripada algoritma huffman. Hanya ada satu citra uji yaitu citra “heart_side.dcm” dengan hasil kompresi algoritma LZW yang memiliki memori lebih besar daripada hasil kompresi dari Huffman, selain itu algoritma LZW jelas lebih mendominasi dalam segi efisiensi memori dari hasil kompresi citra yang di ujikan.
Perbandingan dari rasio kompresi yang dihasilkan memiliki nilai bervariatif, seperti nilai memori hasil dari kompresi kedua algoritma tersebut. Rasio kompresi diperoleh dari perhitungan hasil kompresi yang dibagi dengan citra asli. Semakin kecil kebutuhan memori yang dihasilkan dari kompresi maka akan semakin besar rasio kompresinya. Algoritma LZW lebih unggul dari rasio kompresi yang dihasilkan. Untuk performa waktu kompresi dan dekompresi algoritma Huffman melakukan kompresi lebih cepat daripada waktu dekompresinya. Sedangkan pada algoritma LZW performa waktu dekompresi lebih cepat daripada waktu dalam melakukan kompresi.
4. KESIMPULAN
Dari hasil penelitian yang dilakukan dengan 10 obyek data citra MRI yang diujikan terhadap metode kompresi Huffman dan LZW dapat disimpulkan bahwa kedua algoritma mampu melakukan kompresi maupun dekompresi citra MRI. Hasil kompresi citra dengan metode LZW lebih bagus karena kompresi LZW mengasilkan memori yang lebih kecil dari pada hasil kompresi huffman sehingga akan lebih efisien dalam penyimpanannya. Dengan demikian rasio hasil kompresi LZW relatif tinggi dari pada huffman. Untuk performa kecepatan dalam melakukan kompresi algoritma Huffman lebih cepat dalam melakukan kompresi citra namun lebih lambat dalam melakukan dekompresi. Sedangkan untuk performa waktu dalam melakukan dekompresi citra, algoritma LZW lebih cepat daripada huffman dalam melakukan dekompresi.
5. SARAN
Berikut adalah saran untuk penelitian-penelitian selanjutnya :
IJCCS Vol. x, No. x, July201x : first_page–end_page 1. Untuk pengimplementasian aplikas
kompresi citra medis MRI yang lebih memprioritaskan hasil kompresi dengan rasio yang lebih tinggi dan waktu dekompresi yang cepat bisa menggunakan algoritma LZW.
2. Sedangkan untuk aplikasi kompresi citra medis MRI yang membutuhkan kecepatan dalam melakukan kompresi cita maka alggoritma Huffman bagus untuk di guanakan.
DAFTAR PUSTAKA
[1] Sutoyo, T., Eddy, M., Vincent, S., Oky, D. N., & Wijanarto. (2009). Teori
Pengolahan Citra Digital. Semarang: Andi. [2] Irawan, C., Udayanti, E.D., & Nugroho, F.A. 2013. “Visualisasi dan Rekonstruksi 3D Citra Medis: Review”. Seminar Nasional Teknologi Informasi & Komunikasi Terapan (SEMANTIK 2013). [3] Mulyono, N., & Susy, S. Pemanfaatan Magnetic Resonance Imaging (MRI) sebagai Sarana Diagnosa Pasien. Media Litbang Kesehatan. 2004
[4] I Wayan Angga Wijaya, & Kusumadewi, A. 2015. Penerapan Algoritma K-Means Pada Kompresi Adaptif Citra Medis MRI. Informatika Vol. 11, No. 2.
[5] Satyapratama, A., Widjianto, & Yunus, M. 2015. Analisa Perbandingan Lgoritma LZW dan Huffman pada Kompresi File Gambar BMP dan PNG. Jurnal Teknologi Informasi Vol. 6 No. 2.
[6] Syahputra, A., & Hutahaean, H. D. 2015. Analisa Perbandingan Algoritma
Huffman dan Run Length Pada Citra Wavelet Multi Dimensi. Majalah Ilmiah Informasi dan Teknologi Ilmiah (INTI) Volume : V, Nomor : 3.
[7] Yushintia Pramitarini. 2011. Analisa Pengiriman citra Terkompresi JPEG Dengan Teknik Pread Spektrum Direct Sequence (DS-SS). Skripsi. Institut Teknbologi Sepuluh Nopember. [8] Widagdo, A. 2012. Implementasi Algoritma Metode Huffman Pada Kompresi Citra. Skripsi. Universitas Muhammadiyah Surakarta.
[9] Rinaldi Munir. Pengolahan Citra Digital. E-book.
http://informatika.stei.itb.ac.id/~rinaldi.mun ir/Buku/Pengolahan%20Citra%20Digital/ (di akses 29, Februari 2016).
[10] Denni M. Rajagukguk. 2014. Analisa Perbandingan Algoritma Huffman Dengan Algoritma (Lempel-Zip-Welch) pada Kompresi Gambar Menggunakan Metode Exponensial. Pelita Informatika Budi Darma, Volume : VI, Nomor: 2.
[11] Neta, M. R. A. 2013. Perbandingan Algoritma Kompresi Citra Terhadap Objek Citra Menggunakan Java. Seminar Nasional Teknologi Informasi & Komunikasi
Terapan (SEMANTIK 2013).
[12] Yahya, K., & Melita, Y. Aplikasi Kompresi Citra Digital Menggunakan Teknik Kompresi Jpeg dengan Fungsi GUI pada Matlab. Sekolah Tinggi Teknik Surabaya. Surabaya, 2011
[13] Yogianto, H., Sutanto, T., & Romeo. 2012. Rancangan Bangun Aplikasi Dicom Review Pada Android Yang Terintegrasi Dengan Pacs. Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya. [14] Farijki, E., & Triwijoyo, B. K. 2016. Segmentasi Citra MRI Menggunakan Deteksi Tepi Untuk Identifikasi Kangker Payudara. STMIK Bumigora Mataram, NTB.
[15] Data set DICOM
http://www.mathworks.com/matlabcentral/f ileexchange/2762-dicom-example-files (di akses 2 Juni 2016).
[16] Data set citra MRI http://www.osirix-viewer.com/datasets/ (di akses 7 Juni 2016).
