APLIKASI KOMPRESI GAMBAR BERWARNA DENGAN JARINGAN KOHONEN SELF-ORGANIZING MAP DAN
ALGORITMA RUN-LENGTH ENCODING
NASKAH PUBLIKASI
diajukan oleh Lulus Sedyono
10.01.2760
kepada
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA
YOGYAKARTA 2013
NASKAH PUBLIKASI
APLIKASI KOMPRESI GAMBAR BERWARNA DENGAN JARINGAN KOHONEN SELF-ORGANIZING MAP DAN
ALGORITMA RUN-LENGTH ENCODING
disusun oleh Lulus Sedyono
10.01.2760
Dosen Pembimbing
Emha Taufiq Luthfi, ST, M.Kom NIK. 190302125
Tanggal 11 Maret 2013 Ketua Jurusan Diploma III
Teknik Informatika
Hanif Al Fatta, M. Kom NIK. 190302096
APLIKASI KOMPRESI GAMBAR BERWARNA DENGAN JARINGAN KOHONEN SELF-ORGANIZING MAP DAN ALGORITMA RUN-LENGTH ENCODING
IMAGE COMPRESSION APPLICATION WITH KOHONEN SELF-ORGANIZING MAP NETWORK AND RUN-LEGTH ENCODING ALGORITHM
Lulus Sedyono Emha Taufiq Luthfi Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA
ABSTRACT
The development of information and communication technology very quickly lead to a lot of information that must be stored and sent over the network. The size of the image size will influential on the needs of media storage, access time and network bandwidth if the data must be sent over the network. Thus, the size of an image to be a problem that must be addressed.
With vector quantization technique, a new approach to image compression is presented. Kohonen Self-Organizing Map Network has a role in vector quantization techniques. These networks can be divided into color groups that are smaller by itself without any target output. This color group is saved as a table of colors used on the techniques of vector quantization using Run-Length Encoding Algorithm.
The resulting compression ratio depends on the level of complexity of the colors of an image. The higher the level of complexity of an image then the smaller the resulting compression ratio. With as many as 256 colors color table, can produce a compression ratio over 30% with a quality image reconstruction that is increasingly resembling the original image.
Keywords: Image Compression, Kohonen Self-Organizing Map Network, the algorithm is Run-Length Encoding, Bandwidth, Vector Quantization, color table
1. Pendahuluan
Perkembangan teknologi informasi dan komunikasi yang sangat cepat menyebabkan banyak informasi yang harus disimpan dan dikirim melalui jaringan. Besarnya ukuran data tersebut akan berpengaruh pada kebutuhan media penyimpanan, waktu akses dan bandwidth jaringan jika ada data tersebut harus dikirim melalui jaringan. Sebagai contoh dibidang jurnalistik, dimana seorang wartawan harus mengirimkan hasil foto untuk berita. Dibutuhkan waktu pengiriman yang cepat, dan untuk mempersingkat waktu pengiriman foto dengan kondisi jaringan internet yang kurang mendukung, maka solusinya adalah memperkecil ukuran foto yang akan dikirim tanpa mengurangi resolusi dari foto tersebut. Dengan demikian, ukuran sebuah data menjadi masalah yang harus diatasi.
Kompresi data merupakan teknologi untuk memperkecil ukuran sebuah data. Beberapa metode kompresi data telah dikembangkan dan digunakan sampai sekarang. Kohonen Self-Organizing Map ( SOM ) merupakan salah satu arsitektur jaringan syaraf tiruan yang dapat digunakan untuk kompresi gambar. Konsep dasar adalah dengan menggunakan teknik proses clustering untuk mengurangi jumlah warna dan menyimpannya pada tabel warna yang disebut codebook.
Melalui arsitektur ini. Diharapkan sebuah file gambar dapat diperkecil ukurannya sehingga dapat mempercepat proses pengiriman informasi dan lebih menghemat kebutuhan media penyimpanan.
2. Landasan Teori 2.1 Kompresi Gambar
Kompresi Gambar bertujuan untuk mengurangi redundansi yang terdapat pada gambar digital.1 Dengan berkurangnya redundansi maka memory yang dibutuhkan untuk menyimpannya menjadi lebih kecil sehingga dapat menghemat kebutuhan media penyimpanan dan mempercepat waktu pengiriman. Metode kompresi dapat dibedakan menjadi dua, yaitu sebagai berikut :
1. Kompresi Lossless
Metode kompresi dimana hasil dekompresi sama seperti gambar asli tanpa adanya informasi yang hilang. Metode ini digunakan pada gambar yang mengandung informasi penting seperti gambar hasil diagnosa medis.
2. Kompresi Lossy
Metode ini mengubah detail dan warna pada gambar digital menjadi lebih sederhana tanpa terlihat adanya perbedaan yang mencolok dalam pandangan
manusia. Rasio kompresi yang dihasilkan oleh metode ini lebih tinggi daripada teknik lossless.
2.2 Kuantisasi Vektor
Kuantisasi merupakan salah satu metode kompresi lossy dimana terdapat informasi yang hilang tetapi tidak terlihat perbedaan yang mencolok dalam pandangan manusia.2 Gambar dikelompokkan menjadi beberapa blok pixel dengan ukuran yang sama (vektor) dan disimpan dalam sebuah tabel warna yang disebut codebook. Setiap blok pixel pada gambar yang akan dikompresi dibandingkan nilainya dengan semua nilai pixel yang ada pada codebook dan dicari nilai kesamaan yang terdekat. Masing-masing blok pixel ini kemudian memiliki informasi pointer yang menunjuk ke indeks dari codebook dan disimpan sebagai hasil kompresi. Unified Modelling language
2.3 Pengukuran Error
Perhitungan error pada gambar hasil dekompresi bertujuan untuk mengukur kualitas gambar tersebut. Standar untuk pengukuran error ini adalah sebagai berikut:
1. Mean Square Error (MSE)
Dihitung untuk menentukan jumlah error diantara gambar asli dan gambar hasil dekompresi, semakin kecil nilai MSE maka error yang dihasilkan semakin kecil juga.
2. Peak Signal to Noise Ration (PNSR)
Digunakan untuk menghitung peak error. Semakin besar nilai PSNR berarti gambar hasil dekompresi semakin menyerupai gambar asli. Satuan dari PSNR adalah decibels (dB).
2.4 Run-Length Encoding
Ide dasar dari pendekatan ini adalah jika sebuah data d muncul sebanyak n kali secara berurut, maka ganti nilai n yang berurutan itu dengan nd. Dimana n merupakan data berurut yang disebut run length dari n. Teknik ini digunakan dalam kompresi data yang dinamakan run-length encoding atau RLE.3
2.5 Kohonen Self-Organizing Map (SOM)
Kohonen Self-Organizing Map diperkenalkan pertama kali pada tahun 1982 oleh Profesor Teuvo Kohonen.4 Arsitektur ini banyak dipakai untuk membagi pola masukan kedalam beberapa kelompok. Salah satu hal menarik dari arsitektur ini adalah SOM tidak
2
Salomon, D. (2004). Data Compression: The Complete Reference. New York: Springer-Verlag. 3rd Edition.
3
Salomon, D. (2004). Data Compression: The Complete Reference. New York: Springer-Verlag. 3rd Edition.
4
membutuhkan pengawasan untuk mengklasifikasikan data, karena itu arsitektur ini termasuk dalam unsupervised learning. Pada arsitektur ini, lapisan masukan terhubung secara penuh dengan lapisan keluaran dan pada hubungan tersebut terdapat nilai bobot. Selama proses pelatihan, jaringan menerima pola masukan yang berbeda, mencari fitur signifikan pada pola tersebut dan belajar bagaimana mengklasifikasikan data masukan kedalam kategori yang tepat.
Kohonen SOM memakai sistem competitive learning, karena itu unit cluster yang bobotnya paling mirip dengan pola masukan dipilih sebagai pemenang dan dimodifikasi bobotnya beserta bobot tetangganya. Topologi tetangga yang akan dimodifikasi berbentuk topologi satu dimensi, dua dimensi dan hexagonal.
3. Gambaran Umum
3.1 Gambaran Umum Sistem
Dalam tugas akhir ini, yang dibahas adalah pengkompresian gambar (gambar) dengan menggunakan metode Run-Length Encoding. Sebagaimana telah diuraikan dalam bab sebelumnya, pada dasarnya gambar (*.bmp) dibentuk dengan mendefinisikan nomor warna untuk setiap pixel yang terdapat dalam daerah gambar. Dengan demikian banyak pendefinisian warna adalah hasil perkalian lebar dengan tinggi gambar. Warna yang digunakan tentu kemungkinan besar ada yang berulang untuk lokasi yang berbeda. Dalam bagian ini akan dilakukan pembahasan dalam menerapkan metode RLE untuk melakukan kompresi gambar berdasarkan urutan kemunculan warna dalam gambar.
Adapun proses kerja sistem dari aplikasi kompresi gambar ini dimulai dari proses kuantisasi vector terhadap gambar berwarna bertipe file BMP. Pada proses ini Jaringan Kohonen SOM berperan dalam membagi warna tersebut kedalam kelompok yang lebih kecil dan nantinya akan disimpan sebagai codebook dalam bentuk file berekstensi *.cbsom. Terdapat dua jenis codebook dengan jumlah warna yang berbeda. Setiap nilai warna pada piksel gambar input akan diklasifikasikan dengan setiap warna pada codebook. Index warna pada codebook yang memiliki nilai terdekat dengan piksel gambar input akan disimpan sebagai hasil proses kompresi dalam bentuk file berekstensi *.ksom.
3.2 Gambaran Umum Aplikasi Serupa
Kebanyakan aplikasi kompresi yang sudah ada hanya menggunakan satu buah metode, baik itu RLE maupun Huffman Coding. Dan ini yang membedakan aplikasi ini dengan aplikasi-aplikasi yang sudah ada. Aplikasi ini mengguakan 2 buah metode, yaitu metode RLE untuk proses kompresi dan metode Kohonen SOM untuk proses vektorisasi piksel. Meskipun menggunakan 2 buah metode, proses kompresi gambar pada aplikasi
ini tidak kalah cepat jika dibandingkan dengan aplikasi yang hanya menggunakan 1 buah metode, yaitu metode Huffman Coding, karena metode RLE mempunyai alogritma yang cukup sederhana dan hanya membutuhkan satu fase. Sedangkan metode Huffman Coding membutuhkan dua fase untuk menghasilkan file gambar yang telah dikompresi. 3.3 Analisis Kebutuhan Sistem
Analsis kebutuhan merupakan analisis terhadap komponen-komponen yang digunakan untuk pembuatan sistem aplikasi kompresi gambar. Dalam hal ini terdapat dua jenis kebutuhan. Kebutuhan fungsional dan kebutuhan non-fungsional. Kebutuhan fungsional adalah kebutuhan berupa proses-proses apa aja yang nantinya dilakukan oleh sistem. Sedangkan kebutuhan non-fungsional adalah kebutuhan yang menitikberatkan pada property perilaku yang dimiliki oleh sistem.
3.4 Rancangan Kerja Sistem
Rancangan proses program kompresi gambar secara umum menjelaskan, bahwa file yang akan dikompresi dijadikan input, akan diolah komputer sedemikian rupa. Sehingga menghasilkan codebook yang nantinya akan digunakan untuk memperoleh output file hasil kompresi yang lebih kecil ukurannya.
3.4.1 Struktur File Hasil Kompresi
File yang akan disimpan sebagai hasil kompresi dari sistem memiliki struktur sebagai berikut :
1. File Header
File header berisi informasi tentang ukuran resolusi piksel gambar, jumlah warna yang digunakan pada codebook, nilai MSE, nama codebook dan md5sum dari codebook tersebut.
2. Isi
Isi dari file merupakan nilai indeks yang telah di encode menggunakan run-length encoding.
3.4.2 Algoritma Proses Pembuatan Codebook 1. Mulai
2. Masukkan gambar input 24-bit
a. Proses inisialisasi nilai RGB sebagai vektor masukan untuk arsitektur Kohonen SOM
b. Menentukan jumlah warna (n) yang akan disimpan pada codebook c. Menentukan nilai learning rate (a), jari-jari tetangga (s) dan iterasi (i) d. Bentuk topologi tetangga yang digunakan adalah topologi dua dimensi
e. Inisialisasi vektor bobot awal (w) sebanyak n
3. Proses pelatihan pada Kohonen SOM sebanyak i iterasi a. Perhitungan jarak (D)
b. Menentukan indeks yang memiliki nilai D terkecil sebagai pemenang c. Modifikasi bobot pemenang dan tetangganya
4. Modifikasi learning rate dan jari-jari tetangga a. Pengurangan learning rate deangan fungsi :
= … .(3 - 1)
Dengan :
t adalah iterasi sekarang i adalah jumlah iterasi
b. Pengurangan jari-jari dengan fungsi :
… .(3 – 2) Dengan :
t adalah iterasi sekarang
λ adalah nilai jumlah iterasi dibagi e
log σ
05. Meyimpan hasil akhir bobot pelatihan sebagai daftar warna pada codebook. 6. Selesai
Gambar 3.1 Diagram Proses Pembuatan Codebook
3.4.3 Algoritma Proses Kompresi 1. Mulai
2. Masukkan gambar yang akan dikompresi
3. Pemilihan jenis file codebook yang akan digunakan
4. Klasifikasi piksel dari piksel pertama hingga piksel terakhir pada gambar a. Menghitung jarak terdekat warna piksel dengan masing-masing warna
dengan :
ed adalah nilai euclidean distance antara p dan q p adalah nilai warna pada gambar input
q adalah nilai warna pada codebook
b. Menyimpan indeks codebook dengan nilai euclidiean distance terkecil 5. Proses run-length encoding pada indeks hasil klasifikasi
6. Menyimpan indeks, informasi ukuran gambar dan jenis codebook yang dipakai pada hasil kompresi
7. Menghitung rasio kompresi dan menampilkannya 8. Selesai
Gambar 3.2 Blok Diagram Proses Kompresi
3.4.4 Algoritma Proses Dekompresi 1. Mulai
2. Masukkan file kompresi yang akan didekompresi
3. Mengambil nilai indeks, nilai ukuran gambar, jenis codebook yang dipakai 4. Proses run-length decoding pada indeks
5. Mengakses codebook yang dipakai
6. Perulangan h=0 sebanyak tinggi ukuran gambar a. Perulangan w=0 sebanyak lebar ukuran gambar
Mengambil nilai warna sesuai indeksnya
Proses rekonstruksi pada koordinat gambar (h,w) 7. Menghitung PNSR dan MSE
8. Menampilkan gambar hasil rekonstruksi, PNSR dan MSE 9. Selesai
Gambar 3.3 Blok Diagram Proses Dekompresi
3.5 Rancangan User Interface
Perancangan User Interface adalah rancangan yang menggambarkan tampilan aplikasi pada saat digunakan oleh user. Perancangan untuk tampilan Rancangan Proses Pembuatan Codebook, Melihat tabel warna dan Rancangan Proses Kompresi dan Dekompresi sebagai berikut:
Gambar 3.5 Rancangan Lihat Tabel Warna
4. Implementasi Program 4.1 Tampilan Form Utama
Gambar 4.1 Tampilan Form Utama
Gambar 7. merupakan tampilan program utama ketika dijalankan. Pada tampilan ini terdapat dua buah item menu yang terletak di kiri atas program yaitu menu “Menu” dan menu “Help”. Menu “Menu” berisi submenu Exit dan menu “Help” berisi submenu About. Menu exit digunakan untuk mengakhiri sistem sedangkan menu about berisi informasi mengenai pembuat sistem. Isi dari form ini terbagi menjadi tiga bagian proses yang dijalankan secara terpisah, yaitu bagian proses kuantisasi vektor, proses kompresi gambar dan proses dekompresi gambar. Pada bagian bawah sistem terdapat sebuah progress bar.
4.2 Proses Pembuatan Codebook
Gambar 4.2 Tampilan Proses Pembuatan Codebook
Gambar 8. merupakan tampilan untuk bagian proses pembuatan codebook. Terdapat tiga buah tombol dan empat buah box input. Tombol “browse image” berfungsi untuk memilih gambar dan akan ditampilkan pada kotak gambar yang tersedia. Tombol “mulai proses” berfungsi untuk memulai proses pembuatan codebook. Tombol “lihat tabel warna” berfungsi untuk menampilkan form tabel warna. Tampilan form tabel warna dapat dilihat pada Gambar 9. sebelum menampilkan form tabel warna, pengguna harus memilih jenis codebook yang akan dilihat.
4.3 Proses Kompresi Gambar
Gambar 4.4 Tampilan Proses Kompresi Gambar
Bagian proses kompresi gambar memiliki tiga buah tombol, yaitu tombol “browse image”, tombol “pilih jenis codebook” dan tombol “mulai kompresi”. Tombol “browse image” digunakan untuk memilih gambar yang akan di kompresi. Tombol “pilih jenis codebook” digunakan untuk memilih file codebook yang akan dipakai untuk kompresi. Tombol “mulai kompresi” digunakan untuk memulai proses kompresi gambar. Bagian keterangan memuat informasi nama file gambar, dimensi gambar, ukuran file gambar asli, ukuran file hasil kompresi dan rasio kompresi.
4.4 Proses Dekompresi Gambar
Bagian proses dekompresi gambar memiliki dua buah tombol, yaitu tombol “browse file” dan tombol “mulai dekompres”. Tombol “browse file” digunakan untuk memilih file yang akan di dekompresi. Tombol “mulai dekompresi” akan aktif ketika pengguna telah memilih file yang akan di dekompresi, tombol ini berfungsi untuk memulai proses dekompresi. Hasil dekompresi adalah gambar yang akan ditampilkan pada box gambar yang tersedia. Pengguna dapat memilih untuk menyimpan gambar hasil dekompresi tersebut dengan mencentang pilihan “simpan hasil dekompresi”. Nilai MSE dan PSNR akan ditampilkan pada bagian keterangan. Tampilan proses dekompresi gambar dapat dilihat pada Gambar 11.
Gambar 4.5 Tampilan Proses Dekompresi Gambar
4.5 Pengujian Sistem
Pengujian bertujuan untuk meneliti pengaruh dari jumlah warna codebook, learning rate dan jari-jari tetangga terhadap hasil kompresi gambar. Proses pembuatan codebook dilakukan dengan seribu iterasi. Radius jari-jari tetangga yang dipakai adalah jari-jari maksimal dengan topologi dua dimensi.
1. Hasil pengujian pembuatan codebook yang diimplementasikan menggunakan arsitektur Kohonen SOM dapat dilihat pada Tabel 4.1. Pembuatan codebook dilakukan pada gambar palette 24-bit dengan ukuran 100x100.
Jumlah Warna Learning Rate Jari- jari Waktu Proses (detik) 64 0.2 0 134.34 64 0.2 3 22544.14 64 0.8 0 134.47 64 0.8 3 22414.21 256 0.2 0 489.42 256 0.2 7 63372.99 256 0.8 0 489.03 256 0.8 7 65546.23
2. Pengujian menggunakan codebook dengan jari-jari tetangga = 0
No Codebook Waktu Proses (detik) Rasio Kompresi (%) MSE PSNR (dB) Jumlah Warna Learning Rate 1 64 0.2 9.75 64.65 383.70 22.29 2 64 0.8 7.86 68.09 2153.24 14.80 3 256 0.2 31.50 37.01 138.64 26.71 4 256 0.8 23.78 48.91 521.57 20.96
3. Pengujian menggunakan codebook dengan jumlah warna = 64 dan jari-jari tetangga = 3 No Codebook Waktu Proses (detik) Rasio Kompresi (%) MSE PSNR (dB) Jari-jari Learning Rate 1 3 0.2 34.42 23.05 2210.15 14.69 2 3 0.8 14.22 53.75 6305.46 10.13
4. Pengujian menggunakan codebook dengan jumlah warna = 256 dan nilai jari-jari tetangga = 7 No Codebook Waktu Proses (detik) Rasio Kompresi (%) MSE PSNR (dB) Jari-jari Learning Rate 1 3 0.2 56.58 7.35 341.02 22.80 2 3 0.8 47.63 16.90 506.61 21.08
5. Pengujian terhadap tingkat kompleksitas warna gambar yang berbeda
Nama Gambar Ukuran piksel
Waktu Proses (detik) Rasio Kompresi (%) MSE PNSR (dB) Gambar1.bmp 150 x 150 0.88 99.44 1003.00 18.12 Gambar2.bmp 150 x 150 0.88 95.49 1166.91 17.46 Gambar3.bmp 300 x 300 5.70 39.03 335.70 22.87 Gambar4.bmp 300 x 300 8.56 13.45 284.26 23.59 4.6 Analisa Hasil
Berdasarkan pengujian-pengujian yang telah dilakukan, hasil uji coba menunjukkan bahwa terdapat hubungan antara jumlah warna codebook, nilai learning rate, dan nilai jari-jari tetangga terhadap rasio kompresi dan kualitas gambar hasil rekonstruksi. Semakin banyak jumlah warna pada codebook yang digunakan untuk kompresi maka ukuran file hasil kompresinya akan semakin besar, hal ini ditunjukkan dengan rasio kompresi yang semakin kecil. Dengan bertambahnya jumlah warna yang dipakai untuk kompresi, maka kualitas gambar hasil dekompresi akan semakin bagus, hal ini ditunjukkan dengan berkurangnya nilai MSE dan bertambahnya nilai PSNR pada gambar hasil dekompresi. Waktu proses yang diperlukan untuk kompresi akan menurun jika jumlah warna yang digunakan untuk kompresi semakin kecil.
Variabel-variabel yang digunakan dalam proses pembuatan codebook juga memiliki pengaruh terhadap rasio kompresi dan kualitas gambar hasil dekompresi. Nilai learning rate yang lebih kecil cenderung akan menghasilkan rasio kompresi yang kecil juga. Sebaliknya, nilai learning rate yang lebih besar cenderung akan menghasilkan rasio
kompresi yang lebih besar. Sedangkan kualitas gambar hasil dekompresi pada nilai learning rate yang kecil akan semakin bagus daripada nilai learning rate yang besar. Penggunaan nilai variabel jari-jari tetangga yang tidak sama dengan nol dalam proses pembuatan codebook juga mempengaruhi rasio kompresi dan kualitas gambar hasil dekompresi. Rasio kompresi relatif akan semakin kecil apabila dilakukan proses kompresi dengan codebook yang dibuat dengan menggunakan nilai jari-jari tetangga yang lebih besar dari nol. Nilai learning rate yang kecil dengan nilai jari-jari tetangga = 0 menghasilkan kualitas yang lebih bagus daripada nilai learning rate yang kecil dengan nilai jari-jari tetangga yang lebih besar dari nol. Sebaliknya, codebook dengan nilai learning rate yang tinggi dan nilai jari-jari tetangga yang lebih besar dari nol akan menghasilkan kualitas yang lebih bagus dari codebook dengan nilai learning rate yang rendah dan nilai jari-jari tetangga lebih besar dari nol. Hal ini cenderung berlaku pada jumlah warna codebook yang lebih banyak. Dari hasil ini, dapat disimpulkan bahwa penggunaan nilai jari-jari tetangga yang lebih besar dari nol akan lebih efisien apabila nilai learning rate yang digunakan tinggi.
Pada uji coba tingkat kompleksitas warna yang berbeda, waktu proses kompresi akan semakin lama pada gambar dengan unsur warna yang semakin kompleks. Rasio kompresi pada gambar dengan tingkat kompleksitas warna yang tinggi akan semakin rendah.
Waktu proses pembuatan codebook akan semakin lama apabila jumlah warna yang dibuat semakin banyak. Penggunaan jari-jari dalam proses pembuatan codebook mengakibatkan peningkatan waktu proses yang tinggi. Dapat disimpulkan bahwa arsitektur Kohonen SOM memerlukan waktu proses yang sangat lama untuk memproses data dengan jumlah yang besar. Penutup
5. Kesimpulan dan Saran 5.1 Kesimpulan
Setelah dilakukan penelitian berdasarkan sistem yang dibuat, maka dapat dibuat kesimpulan sebagai berikut :
1. Arsitektur Kohonen SOM dapat digunakan untuk kompresi citra berwarna dengan mengimplementasikannya pada metode kuantisasi vektor
2. Arsitektur Kohonen SOM membutuhkan waktu proses yang lebih lama pada jumlah warna yang lebih banyak dan pada nilai jari-jari tetangga > 0
3. Berdasarkan waktu proses dan kualitas citra, nilai jari-jari tetangga > 0 dalam proses pembuatan codebook tidak efisien
4. Semakin banyak jumlah warna pada codebook maka waktu proses kompresi akan semakin besar
5. Kualitas citra hasil dekompresi ditentukan oleh jumlah warna pada codebook 6. Kompresi menggunakan codebook dengan nilai learning rate yang lebih kecil
relatif menghasilkan rasio kompresi yang lebih kecil juga.
7. Penggunaan codebook yang dibuat dengan nilai jari-jari tetangga > 0 relatif mengakibatkan rasio kompresi menurun
8. Pembuatan codebook dengan mempertimbangkan nilai jari-jari akan lebih efektif pada nilai learning rate yang tinggi dengan jumlah warna yang tinggi juga
9. Waktu proses pada citra dengan tingkat kompleksitas warna yang tinggi akan semakin lama dan rasio kompresinya akan semakin kecil
5.2 Saran
Berdasarkan hasil implementasi, maka beberapa saran yang berguna dalam pengembangan sistem adalah sebagai berikut :
1. Adanya penelitian lebih lanjut terhadap pengaruh nilai iterasi, nilai learning rate, dan nilai jari-jari tetangga yang lebih bervariasi.
2. Adanya pengembangan untuk mengkompresi berbagai macam format citra berwarna
Daftar Pustaka
Amerijckx, C., Verleysen, M., Thissen, P., dan Legat, J-D. Image compression by self-organized Kohonen map. IEEE Transactions On Neural Networks, Vol. 9, No. 3, May 1998.
Chakrapani, Y.,Soundera Rajan, K. Implementation of Fractal Image Compression Employing Hybrid Genetic-Neural Approach. International Journal Of Computational Cognition, Vol. 7, No. 3, September 2009
Fausset, L. (1994). Fundamental of Neural Network: Architecture, Algorithm, and Application. New Jersey: Prentice-Hall.
Harandi M. dan Gharavi-Alkhansari M. Low Bitrate Image Compression Using Self-Organized Kohonen Maps. IEEE ICIP. 2003
Idhawati Hestiningsih. (2007). Pengolahan Citra. Diakses dari : http://idhaclassroom.com/2007/09/15/artikel-terbaru/pengolahan-citra.html Kohonen, T. (2000). Self-Organizing Map. Berlin Heidelberg New York: Springer-Verlag.
3rd Edition.
Salomon, D. (2004). Data Compression: The Complete Reference. New York: Springer-Verlag. 3rd Edition.
Sayood, K. (2006). Introduction to Data Compression. San Francisco: Morgan Kaufmann. 3rd Edition.
