KOMPRESI CITRA DIGITAL MENGGUNAKAN METODE KOMBINASI WAVELET- PCA IMAGE COMPRESSION USING HYBRID WAVELET-PCA METHOD

(1)

KOMPRESI CITRA DIGITAL MENGGUNAKAN METODE KOMBINASI WAVELET- PCA IMAGE COMPRESSION USING HYBRID WAVELET-PCA METHOD

Dian Ariani¹, Adiwijawa², Tjokorda Agung Budi Wirayuda³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Abstrak

Kebutuhan terhadap bandwidth jaringan komunikasi dan kapasitas media penyimpanan yang besar menjadi sebuah isu yang sangat penting pada saat sejumlah data citra digital disimpan atau ditransmisikan. Agar efisiensi kapasitas bandwidth dan kapasitas media penyimpanan menjadi lebih baik, maka dilakukan kompresi terhadap data citra sebelum disimpan atau ditransmisikan.

Kompresi dilakukan untuk menghilangkan redundancy yang terkandung dalam data, dengan cara meminimalkan jumlah bit yang merepresentasikan data citra. Setelah itu baru dilakukan

dekompresi terhadap data citra yang ingin ditampilkan kembali atau setelah proses transmisi selesai dilakukan.

Pada tugas akhir ini dikembangkan suatu aplikasi kompresi citra digital yang menggunakan metode kombinasi Wavelet-PCA. DWT (Discrete Wavelet Transform) merupakan teknik mendekomposisi data citra digital menjadi empat subband yaitu subband aproksimasi (LL), subband horizontal (LH), subband vertikal (HL), dan subband diagonal (HH). Transformasi wavelet yang digunakan adalah wavelet CDF 9/7. Pada transformasi wavelet ini citra

ditransformasi melalui proses symmetric extension untuk mengurangi efek tepi saat proses konvolusi. Kelebihannya yaitu citra dekompresi lebih baik bahkan untuk tepinya. PCA betujuan menangkap variasi total pada citra dan menjelaskan variasi t.0ersebut dengan variabel-variabel yang jumlahnya lebih sedikit, berarti selain PCA menghasilkan karakteristik data, PCA juga melakukan reduksi dimensionalitas data. Sedangkan kuantisasinya menggunakan kuantisasi skalar. Penggabungan berbagai metode ini menghasilkan sistem kompresi yang bersifat lossy compression.

Berdasarkan hasil analisis yang telah dilakukan, ternyata system ini memiliki performansi yang baik berdasarkan rasio kompresi, PSNR serta nilai MOSnya. Rasio kompresi rata-rata yang dihasilkan sistem ini sekitar 70% - 90%. Sedangkan nilai PSNR berada antara range 20-40dB, suatu nilai yang mencakup nilai PSNR standar kompresi citra yaitu 30dB. Nilai MOS yang dihasilkan pun tinggi dengan rata-rata sebesar 4,4033 untuk level dekomposisi 1 yang berarti berada dalam kategori citra yang baik (good).

Kata Kunci : kompresi citra, transformasi wavelet diskrit, PCA, lossy compression, rasio kompresi, PSNR, MOS

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

(2)

Requirement to bandwidth of network of communications and big storage media capacities become a very important issue when a number digital image had to be kept data transmitted. For efficiency of capacities bandwidth and capacities storage media become better, so compression image data has to be done before the data kept or transmitted. Compression do to eliminate the redundancy which implied in the data, by minimization sum up the beet which representated of image data. Afterwards do decompression to image data which wish re-presented or after transmission process have been done.

In this final duty developed a digital application compression image using method of combination Wavelet-PCA. DWT (Discrete Wavelet Transform) representing technique to decomposed image data become four subband that is subband aproximation (LL), subband horizontal (LH), vertical subband (HL), and subband diagonal (HH). Wavelet Transform used is wavelet CDF 9/7. At this transformation wavelet is image transformed through process of symmetric extension to lessen the edge effect of moment when convolusion process is done. Its excess that is better

decompression image even for the edge of its. PCA needed catch the total variation at image and explain the the variation of with the variable which its amount is slimmer, meaning besides PCA yield the data characteristic, PCA also do dimensional reduction of the data. While its

quantization use the scalar quantization. Affiliation of various this method yield the compression system having the character of lossy.

Based on analysis which have been done, in the reality this system own the good performance pursuant to compression ratio, PSNR and also the MOS. Compression ratio mean yielded by this system about 70%-90%. While value PSNR reside in among range 20dB-40dB, a value including value of PSNR of standard of image compression that is 30dB. Value MOS yielded high even also with the mean of equal to 4,4033 for the level of decomposition 1 meaning to stay in the good image category.

Keywords : image compression, discrete wavelet transform, PCA, lossy compression, compression ratio, PSNR and MOS.

Powered by TCPDF (www.tcpdf.org)

(3)

1

1. Pendahuluan

1.1 Latar Belakang

Pada saat ini teknologi informasi telah berkembang sangat pesat. Sehingga tidak sedikit data yang terbentuk dari berbagai teknologi tersebut. Data tersebut dapat berupa tulisan (teks), suara (voice), dan citra (image). Ataupun kombinasi antara ketiganya yang biasa disebut data multimedia. Namun sayangnya, melimpah ruahnya data tidak di imbangi dengan besarnya kapasitas penyimpanan data. Bagaimana seandainya jika kapasitas suatu media penyimpanan sudah tidak mencukupi lagi? Apakah perlu dilakukan penghapusan data? Menghapus data yang ada bukanlah suatu solusi yang tepat. Belum lagi adanya masalah akibat kecilnya bandwidth yang tersedia di chanel komunikasi untuk mengirimkan data.

Apakah efisien jika data yang ukurannya sangat besar dikirimkan dengan bandwidth yang kecil? Terdapat beberapa cara untuk mengatasi permasalahan tersebut, khususnya mengenai data citra (image) yang memiliki ukuran cukup besar. Salah satu solusi yang dapat dilakukan adalah dengan cara mengkompresi citra digital tersebut agar ukurannya menjadi lebih kecil. Kompresi citra digital ini bukan hanya meminimalkan ukuran data saja, tetapi juga harus dapat mempertahankan kualitas citra hasil kompresi agar mendekati citra aslinya.

Teknik kompresi citra ini dipakai dalam proses transmisi data (data transmission) dan penyimpanan data (data storage). Hasil data citra yang terbentuk dari proses kompresi dapat diklasifikasikan menjadi dua buah kelompok besar, yaitu: kompresi yang bersifat lossy dan kompresi yang bersifat loseless.

Contoh metode kompresi yang bersifat lossy antara lain: kombinasi wavelet-SVD (Singular Value Decomposition), metode kombinasi wavelet-AVQ (Adaptive Quantization Vector), metode kuantisasi, metode JPEG 2000, dll. Contoh metode kompresi yang bersifat loseless antara lain: transformasi wavelet yang digunakan pada kompresi citra medis, metode DPCM, metode Pattern Substitution, metode RLE dll. Untuk keperluan pada proses pengiriman citra (image transmission), yang lebih sering digunakan ialah metode kompresi yang bersifat lossy. Sebab metode kompresi yang bersifat lossy dapat menghasilkan citra hasil kompresi dengan ukuran yang lebih kecil daripada metode kompresi yang bersifat loseless.

Namun akibatnya ada informasi yang hilang akibat proses kompresi tersebut.

Yang harus diperhatikan ialah bagaimana caranya agar menghasilkan citra hasil kompresi yang masih dapat ditolerir oleh persepsi mata manusia.

Pada Tugas Akhir ini, akan diterapkan metode kombinasi Wavelet- Principal Component Analysis (PCA). Kompresi dengan menggunakan metode Wavelet-PCA merupakan kompresi dengan pendekatan statistik yang bersifat lossy pada domain frekuensi. Transformasi yang diterapkan pada sistem ini adalah transformasi wavelet diskrit (DWT). Karena transformasi ini dapat mengatasi masalah kineja transformasi kontinu diskrit (DCT), yang menurunkan kualitas citra saat pemblokan citra input, sehingga hasil yang diperoleh kurang baik.

Transformasi citra yang dilakukan tanpa pemblokan diharapkan mampu mengatasi masalah ini dengan memberikan perbaikan berarti pada kualitas citra meskipun pada skala rasio kompresi yang lebih tinggi. Transformasi wavelet yang

(4)

2

digunakan dalam Tugas Akhir ini adalah transformasi wavelet filter CDF 9/7 yang dijadikan standar dalam sistem kompresi JPEG 2000.

Sedangkan algoritma PCA disini, akan digunakan sebagai transformasi lanjutan setelah Transformasi Wavelet Diskrit. PCA sendiri adalah merupakan teknik standard yang sering digunakan untuk mereduksi data pada pengenalan pola statisktik dan signal processing. PCA ini akan mengidentifikasikan ciri-ciri tertentu pada suatu data, untuk memperlihatkan perbedaan dan persamaan yang ada pada data tersebut. Ciri-ciri tersebut adalah karakteristik dari data tersebut yang hanya dimiliki oleh data tersebut. Dengan algoritma PCA diharapkan dapat terbentuk kumpulan ciri utama (Principal Component) yang dapat dianggap sebagai matriks yang merepresentasikan citra yang bersangkutan. Berdasarkan bidang aplikasinya, PCA juga dikenal dengan nama transformasi Karhunen-Loève atau transformasi Hotelling.

1.2 Perumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan sebelumnya, permasalahan yang menjadi objek penelitian penulis pada Tugas Akhir ini ialah sebagi berikut:

1. Bagaimana memperoleh nilai rasio kompresi citra yang tinggi dengan mempertahankan kualitas citra hasil kompresi yang mendekati citra aslinya menggunakan metode kombinasi Wavelet-PCA.

2. Bagaimana mengkombinasikan dua metode yang berbeda yaitu Wavelet dan PCA dalam satu proses kompresi citra.

Supaya didapat hasil yang optimal dan untuk menghindari melebarnya materi pembahasan dalam pengerjaan tugas akhir ini, maka penulis membatasi pokok permasalahan sebagai berikut:

1. Inputan berupa citra berwarna dengan kedalaman 24 bit.

2. Citra inputan merupakan citra heterogen, yaitu citra yang memiliki minimal dua kombinasi warna.

3. Format file citra digital yang di kompresi (inputan) berupa format bitmap (*.bmp).

4. Citra yang dipakai harus berdimensi N X N (bujur sangkar / persegi).

Misalnya: 256 x 256 atau 512 x 512.

5. Teknik pengkodean yang digunakan adalah Huffman coding.

6. Kuantisasi yang dipakai ialah kuantisasi skalar.

7. Aplikasi yang dibuat menggunakan tools simulation Matlab.

(5)

3

1.3 Tujuan

Tujuan yang ingin di harapkan dari penulisan Tugas Akhir ini ialah:

1. Menganalisis metode kombinasi Wavelet-PCA dalam sistem kompresi citra digital.

2. Menganalisis parameter-parameter Wavelet-PCA yang mempengaruhi performansi hasil kompresi melalui nilai rasio kompresi , Peak Signal to Noise Ratio (PSNR) serta Mean Opinion Score (MOS) -nya.

1.4 Metodologi Penyelesaian Masalah

Untuk pengerjaan Tugas Akhir ini telah dilakukan beberapa tahapan yaitu, sebagai berikut:

1. Tahap Persiapan a) Studi Literatur

Mengumpulkan literatur yang relevan dengan Tugas Akhir ini baik berupa buku, artikel, paper dan sumber lain yang berhubungan.

Ataupun menambah wawasan dari internet dengan tujuan mendapatkan gambaran yang detail, valid dan jelas mengenai permasalahan yang dihadapi.

b) Perumusan Masalah

Merumuskan bagaimana sebenarnya permasalahan yang dihadapi.

2. Tahap Perancangan dan Design

Tahap ini digunakan untuk merancang dan mendesign sistem kompresi yang dibangun. Meliputi kebutuhan yang diperlukan untuk mengimplementasikan sistem, proses di dalamnya, dsb. Perancangan sistemnya menggunakan metoda terstruktur, karena menitikberatkan pada pembuatan fungsi atau prosedur.

3. Tahap Implementasi

Dilakukan proses coding untuk mengimplementasikan sistem yang telah dirancang di awal dengan menggunakan tools simulation Matlab. Sistem berjalan di atas sistem operasi Windows.

4. Tahap Pengujian dan Analisis

Tahap pengujian dilakukan untuk mencari parameter Wavelet-PCA yang mempengaruhi hasil kompresi. Menganalisis nilai rasio hasil kompresi serta nilai PSNR-nya berdasarkan yang telah didapat dari penerapan tahap implementasi.

5. Tahap Penyusunan Laporan

Menulis dan menyusun dokumentasi berdasarkan hasil perancanagan sampai penelitian yang telah dilakukan. Tidak lupa juga memberikan kesimpulan dan saran untuk kedepannya, berdasarkan analisis-analisis yang telah dilakukan sebelumnya pada tahap pengujian.

(6)

47

5. Kesimpulan dan Saran

5.1 Kesimpulan

Berdasarkan pengujian yang telah dilakukan pada Bab IV yaitu pengujian terhadap system kompresi mengggunakan metode kombinasi Wavelet-PCA dengan 21 citra uji, maka dapat diambil kesimpulan sebagai berikut:

1. Dengan adanya penambahan PCA pada sistem kompresi dapat meningkatkan performansi hasil kompresi yaitu rasio hasil kompresi dan PSNR-nya.

2. Pada level dekomposisi yang sama quantum level 32 akan memberikan rasio kompresi yang besar tetapi memberikan PSNR yang terendah dibanding quantum level lainnya.

3. Semakin besar level dekomposisi yang digunakan maka semakin besar rasio kompresi yang dihasilkan. Level dekomposisi yang baik pada sistem ini adalah level dekomposisi 2 karena pada level ini rasio kompresi yang dihasilkan mulai mengalami kenaikan yang stabil.

4. Semakin besar ukuran citra uji, maka semakin besar juga rasio kompresi dan PSNR yang dihasilkan.

5. Berdasarkan penilaian subyektif, kualitas citra hasil kompresi menggunakan metode kombinasi Wavelet-PCA memberikan hasil baik dan dapat dilihat dengan baik oleh mata manusia.

5.2 Saran

Saran yang dapat diberikan untuk melaklukan pengembangan pada topik bahasan ini adalah sebagai berikut:

1. Untuk lebih mengoptimalkan kinerja dari PCA, diperlukan pembaharuan algoritma PCA yang lebih baik.

2. Untuk meningkatkan rasio kompresi, pengkodean Huffman bisa digabung dengan Run Length Encoding atau diganti dengan teknik pengkodean lainnya, misalnya teknik pengkodean Huffman Adaptif.

3. Menggunakan metode wavelet lainnya yang dapat digunakan untuk menganalisis sinyal citra, misalnya wavelet paket.

(7)

48

Daftar Pustaka

[1] Burrus, C. Sidney, Ramesh A. Gopinath dan Haito Guo. Introduction To Wavelet And Wavelet Transform. Prentice-Hall Inc. 1998.

[2] Dharma, Eddy M. Diktat Mata Kuliah Grafika Citra. Bandung:

STTTelkom, 2006.

[3] Gonzales, Rafael C. dan Wintz, Paul. Digital Image Processing. Canada:

Addison-Wesley Publishing Company,Inc. 1987.

[4] Graps, Amara. An Introduction to Wavelet. IEEE Computational Science and Engineering Vol. 2, Num. 2. 1995.

[5] I. Smith, Lindsay. A Tutorial on Principal Components Analysis. 2002.

www.csnet.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf [6] Jordan, Ramiro dan Robert Lotufu. Wavelet Concepts. KRI, ISTEC. 1997.

www.leca.ufm.br/cursos/dip/dipcourse

[7] Jufri, Nurfadhilah. Kompresi Citra Menggunakan Metode Kombinasi Wavelet-SVD. Jurusan Teknik Elektro Sekolah Tinggi Teknologi Telkom.

2007.

[8] Khan, Ahmad. Shoab. Image and Sound Compression Using Wavelet Transform. 2004.

[9] Munir, Rinaldi. Pengolahan Citra Digital. Bandung: Penerbit Informatika.

2004.

[10] Polikar, Robi. The Wavelet Tutorial. Departemen of Electrical and Computer Engineering, Rowan University. 1996.

www.rowan.edu

[11] Pressman, Roger S. Software Engineering. McGraw-Hill Companies, Inc. : Singapura. 2005.

[12] Saha, Subhasis. Image Compression - from DCT to Wavelets : A Review.

ACM Crossroads. 2001.

http://www.acm.org/crossroads/xrds6-3/sahaimgcoding.html

[13] Shlens, Jonathon. A Tutorial on Principal Component Analysis. Institute for Nonlinear Science, University of California San Diego La Jolla, CA.

December 2005.

[14] Suharto, Toto. Diktat Mata Kuliah Rekayasa Perangkat Lunak. Bandung:

STTTelkom, 2005.

[15] Wang, Zong Min, Qing Fu Fang, Bing Zhou dan Qin Li. A PCA-Wavelet Based Compression For Distance Leraning Images. Zhengzhou University, China. 2006.

[16] _____. MATLAB Image Processing Toolbox User Guide. The Math Works Inc. 2002.

[17] Jackson, J.Edward. A User’s Guide to Principal Components. New York.

1991.

[18] __. Instruction for Image Compression using PCA. Uppsala University.

2005.