Anda di halaman 1dari 4

1.

PENDAHULUAN berarti W m adalah komplemen


bahwa
Seiring perkembangan teknologi, orthogonal untuk V m dalam V m−1. Terdapat
banyak rumah sakit yang menggunakan
vektor V m dalam vektor V m−1, sehingga vektor
komputer dalam pengolahan citra medis.
Citra medis pada umumnya memiliki V m dan V m−1 mempunyai ruang waktu yang
kandungan informasi yang sangat penting, berbeda [4].
oleh karena itu citra medis memiliki ukuran Untuk menghubungkan vektor tersebut
yang besar. Citra medis yang berukuran digunakan suatu filter h ( n ) dengan fungsi skala
besar menimbulkan masalah pada
dan filter g ( n ) dengan fungsi wavelet sehingga,
pengiriman dan penyimpanannya, yaitu
kebu-tuhan media penyimpanan data yang ϕ ( t )=∑ h ( n ) √ 2 ϕ(2 t−n) dan
n
besar serta waktu pengiriman yang lama.
Hal tersebut mengakibatkan munculnya ψ ( t )=∑ g ( n ) √2 ϕ(2 t −n).
n
kebutuhan kompresi citra medis.
Metode kompresi citra banyak
jenisnya, seperti PNG, GIF dan JPEG. Beberapa Proses dekomposisi suatu sinyal ke
dian-taranya menggunakan transformasi dalam aproksimasi dan detail, seperti proyeksi
seperti DCT (Discrete Cosine Transform) x ke Vm dan Wm. Proses ini dapat di peroleh
maupun DWT (Discrete Wavelet Transform). dengan melewatkan koefisien pada suatu filter
DWT mempunyai kemampuan mengelompokan melalui proses sub-sampling. Karena citra
energi citra terkosentrasi pada sekelompok merupakan bidang dua dimensi, sehingga
kecil koefisien, mampu memberikan kombinasi dekomposisi dilakukan terhadap baris dan
informasi frekuensi dan skala, sehingga lebih kolom, seperti pada Gambar 1.
akurat dalam rekonstruksi citra [7]. Salah satu
metode kompresi yang memanfaatkan baris kolom
x
g 2 g 2 D13
transformasi wavelet adalah EZW (Embedded
Zerotree Wavelet). EZW mampu menyusun bit- h 2 D12
bit menurut tingkat kepentingan, hasilnya
adalah sebuah kode penempelan penuh (Fully h 2 g 2 D11
Embedded), sehingga mampu mencapai
kompresi yang maksimal [2 ]. h 2 A11

DISCRETE WAVELET TRANSFORM Gambar 1. Dekomposisi Bidang 2 Dimensi


(DWT)
Wavelet merupakan keluarga dari Proses dekomposisi sinyal x dapat
turunan fungsi tunggal yang ditranslasikan dilakukan proses kebalikannya, yaitu dengan
dan didilatasikan [6]. Bentuk umum dari merekonstruksi sinyal x dari aproksimasi dan
fungsi wavelet adalah detailnya. Rekonstruksi dilakukan melalui
t−b
ψ a , b (t)=¿ a∨¿−1/ 2 ψ ( ) a
¿. proses up-sampling dengan melewatkan
aproksimasi dan detail pada filter dan
𝜓 disebut wavelet induk (mother wavelet) menggabungkannya.
dan digunakan untuk mendapatkan semua 1. EMBEDDED ZEROTREE WAVELET (EZW)
turunannya. Pilihan umum untuk a dan b DWT menghasilkan struktur sub-bidang
adalah a=2m , b=n2 m , n , m∈ Z ,
hirarki, yaitu koefisien pada setiap sub-bidang
dengan n dan m merupakan indek skala dan
dan pada setiap tingkatan dapat dihubungkan
indek translasi, sehingga didapatkan,
dengan satu set koefisien-koefisien di tingkat
ψ m , n (t)=2−m/ 2 ψ ( 2−m t−n ) .
yang lebih rendah pada sub-bidang yang sesuai
DWT selain menggunakan fungsi
wavelet, juga menggunakan fungsi skala [2]. Suatu koefisien pada tingkat yang lebih
untuk penghalusan citra (image smoothing) tinggi dinamakan induk dari semua koefisien di
[6]. Fungsi skala didilatasikan dan orientasi ruang yang sama pada tingkat yang
ditranslasikan sebagaimana persamaan lebih rendah (anakan) [8]. Hubungan induk-
fungsi wavelet, sehingga didapatkan, anakan di dalam hirarki DWT ditunjukkan pada
−m −m
ϕ m ,n ( t ) =2 2
ϕ(2 2
t−n). Gambar 2.
Teori analisis resolusi banyak
menyatakan bahwa, V m−1=V m ⊕ W m. Ini 3
1
2 Level 3

Level 2

Level 1
menyambung dengan data baru. Pengulangan
berahir ketika nilai minimum ambang
terpenuhi, atau ambang sama dengan satu.
Pengkodean balik EZW menggunakan
skema penelusuran yang sama. Penelusuran
antar sub-bidang sama seperti selama proses
pengkodean. Simbol ‘P’ pada significant_map
Gambar 2. Hubungan antar induk-anakan berarti penempatan 3/2 ambang pada kolom
dan baris tertentu, simbol ‘N’ berarti
Penelusuran koefisien-koefisien
dilakukan sedemikian hingga tidak ada anak penempatan minus 3/2 ambang, dan 0 untuk
diteliti sebelum induknya. Penelusuran simbol ‘Z’ dan ‘T’. Angka 1 pada refinement
koefisien dapat dilakukan dengan dua cara, berarti menjumlahkan ¼ ambang pada baris
yaitu raster scan dan morton scan, untuk dan kolom tertentu, dan mengurangi ¼ ambang
lebih jelasnya perhatikan Gambar 3. jika angkanya 0.

2. IMPLEMENTASI
Proses kompresi dimulai dengan
mendekomposisi citra asli, dilanjutkan dengan
kuantisasi EZW sehingga didapatkan simbol
kuantisasi. Kemudian simbol kuantisasi
dikuantisasi balik dan direkonstruksi sehingga
terbentuk citra rekonstruksi. Skema kompresi
Gambar 3. Morton Scan dan Raster Scan seperti pada Gambar 4.

EZW menggunakan dua langkah Citra Asli Dekomposisi Kuantisasi


dalam pengkodean citra, yaitu dominant Simbol
pass dan subordinate pass. Citra diteliti dan Citra Rekonstruksi Kuantisasi Balik
Kuantisasi
mengha-silkan suatu simbol untuk setiap Rekonstruksi
koefisien. Simbol ‘P’ diberikan, jika
koefisien lebih besar dari ambang, jika
koefisien lebih kecil dari minus ambang,
maka diberi simbol ‘N’. Koefisien yang lain Gambar 4. Skema Kompresi
diberi simbol ‘T’ jika merupakan induk dan
Jenis wavelet yang dipakai meliputi CDF
nilai mutlak dari koefisien anakan lebih
(Cohen Daubechies Feauveau), Haar dan LeGall,
besar dari ambang, jika lebih kecil dari
ambang, maka diberi simbol ‘Z’. Koefisien dengan level dekomposisi antara 3 sampai 7.
dengan simbol ‘P’ dan ‘N’ pada citra
diganti dengan nol atau *. Dominan pass
menghasilkan significan_ map yang berisi 3. HASIL
kumpulan simbol-simbol citra dan Hasil simulasi aplikasi kompresi
subordinat_list terdiri dari dua baris. Baris citra medis menggunakan DWT dan EZW
pertama berisi nilai koefisien citra dengan pada citra RGB (10_f1_1.jpg, 143 x 184
simbol ‘P’ dan ‘N’. Baris kedua berisi 3/2 piksel, 50048 byte) diperoleh nilai ukuran
ambang pada setiap putaran. citra rekonstruksi, CR, PSNR dan waktu
Subordinate pass merupakan proses kompresi sebagaimana terlihat pada tabel 1,
pengkodean subordinat_list yang tabel 2 dan tabel 3. Tabel 1, 2 dan 3
menghasilkan refinement yang berisi 0 atau selanjutnya diolah untuk menjadi suatu
1 untuk tiap nilai subordinat_list. informasi yang disajikan dalam bentuk
Refinement bernilai 1 jika nilai grafik, seperti pada gambar 5, 6 dan 7.
subordinat_list baris pertama lebih besar Hubungan antara jenis wavelet dan
dari baris kedua untuk masing-masing data, level dekomposisi dengan rasio kompresi
kemudian nilai subordinat_list baris kedua (CR) dari hasil uji coba, dapat dinyatakan
dikurangi dengan ¼ ambang, selain itu dalam bentuk grafik seperti pada Gambar 5.
refinement bernilai 0 untuk masing-masing Tabel 1. Hasil Uji Coba dengan CDF
data dengan nilai subordinat_list baris Citra Asli 10_f1_1.jpg
kedua ditambah dengan ¼ ambang. 143 x 184, 50048 byte
Proses berulang ke tahap dominant Ukura
pass, dengan nilai ambang separuh dari nilai Leve
n CR PSNR Waktu
ambang lama dan Subordinat_list selalu l
(byte) (%) (dB) (s)
1857. kompresi konstan untuk semua level
1 5444 89.1 45.7 8 dekomposisi. Jenis wavelet yang berbeda
2 5438 89.1 45.2 939.7 menghasilkan rasio kompresi yang sama.
3 5429 89.2 45.1 664.2 Hubungan antara jenis wavelet dan
4 5428 89.2 45.1 644.6 level dekomposisi dengan kualitas citra
5 5434 89.1 45.1 639.6 hasil kompresi (PSNR) dari hasil uji coba,
dapat dinyatakan dalam bentuk grafik
6 5433 89.1 45.1 627.6
seperti pada Gambar 6.
7 5435 89.1 45.1 626.7 Pada Gambar 6, angka-angka pada
absis X menunjukkan Level dekomposisi,
pada ordinat Y menunjukkan nilai kualitas
Tabel 2 Hasil Uji Coba dengan Haar citra hasil kompresi, sedangkan warna
Citra Asli 10_f1_1.jpg merah, hijau dan biru mewakili jenis
143 x 184, 50048 byte wavelet.
Ukura PSN
Leve
n CR R Waktu
l
(byte) (%) (dB) (s)
1 5453 89.1 45.8 1735.3
2 5445 89.1 45.3 1062.9
3 5437 89.1 45.3 772.2
4 5426 89.2 45.3 716.3
5 5423 89.2 45.3 712.5 Gambar 6. Grafik Hubungan Antara
6 5426 89.2 45.3 713.9 Jenis dan Level dengan
7 5430 89.2 45.3 716.2 PSNR

Tabel 3 Hasil Uji Coba dengan LeGall Gambar 6 terlihat bahwa garis
Citra Asli 10_f1_1.jpg bergerak turun pada level awal kemudian
143 x 184, 50048 byte bergerak konstan pada level selanjutnya, hal
Ukura ini berarti bahwa kualitas citra hasil
Leve kompresi mengalami penurunan pada level
n CR PSNR Waktu
l awal, kemudian bernilai konstan pada level
(byte) (%) (dB) (s)
selanjutnya. Wavelet yang berbeda
1836.
menghasilkan titik konstan yang berbeda,
1 5458 89.1 44.8 9
Haar konstan pada level 2, sedangkan CDF
1100.
dan LeGall konstan pada level 3.
2 5460 89.1 44.6 7
Garis merah berada diposisi paling
3 5453 89.1 44.5 718.5 atas kemudian garis biru dan garis hijau.
4 5457 89.1 44.5 705.0 Hal ini berarti bahwa wavelet Haar
5 5448 89.1 44.5 696.6 mempunyai rasio kompresi yang terbaik,
6 5437 89.1 44.5 691.6 kemudian wavelet LeGall dan wavelet CDF.
7 5455 89.1 44.5 699.2 Hubungan antara jenis wavelet dan
level dekomposisi dengan waktu kompresi
dari hasil uji coba, dapat dinyatakan dalam
bentuk grafik seperti pada Gambar 7.

Gambar 5. Grafik Hubungan Antara Gambar 7. Grafik Hubungan Antara Jenis


Jenis dan Level dengan CR dan Level dengan Waktu

Pada Gambar 5, angka-angka pada Pada Gambar 7, angka-angka pada


absis X menunjukkan Level dekomposisi, absis X menunjukkan Level dekomposisi,
pada ordinat Y menunjukkan nilai rasio pada ordinat Y menunjukkan waktu
kompresi, sedangkan warna merah, hijau kompresi, sedangkan warna merah, hijau
dan biru mewakili jenis wavelet. dan biru mewakili jenis wavelet.
Gambar 5 terlihat bahwa garis Gambar 7 terlihat bahwa garis bergerak
bergerak lurus, hal ini berarti bahwa rasio turun dari kiri ke kanan, hal ini berarti bahwa
semakin tinggi level dekom-posisi semakin
sedikit waktu kompresi, sedangkan jenis
wavelet menghasilkan waktu yang berbeda-
beda pada setiap level dekomposisi.

4. KESIMPULAN
Secara umum, dari hasil yang
diperoleh dalam percobaan dapat
disimpulkan bahwa:
 Proses kompresi menggunakan DWT
dan EZW pada citra RGB dengan jenis
wavelet dan level dekomposisi yang
berbeda-beda, didapatkan citra hasil
kompresi dengan kualitas Layak (reason-
able), karena dari semua citra kompresi
yang dihasilkan mempunyai nilai PSNR
¿ 40 dB.
 Level dekomposisi berbanding terbalik
dengan waktu kompresi.
 Jenis wavelet dan format citra yang
berbeda menghasilkan CR, PSNR dan
waktu yang berbeda.