JOBSHEET

PEMAMPATAN CITRA

UNTUK MEMENUHI TUGAS MATAKULIAH

Pengolahan Citra
yang dibina oleh Bapak Wahyu Nur Hidayat

Disusun oleh:
Kelompok 7
Galih Saka Diantama (170533628506)
Hilga Damayanti (170533628601)
Luthfiah Setya Pratiwi (170522628502)
Mahera Nur Sofiana (170533628553)

S1 PTI 2017 / OFF B

UNIVERSITAS NEGERI MALANG

FAKULTAS TEKNIK
JURUSAN TEKNIK ELEKTRO
AGUSTUS 2019
A. POKOK BAHASAN
 Pengertian Pemamapatan Citra
 Kualitas Pemampatan
 Metode Pemampatan
B. TUJUAN PEMBELAJARAN
Mahasiswa dapat memahami konsep dan tehnik dasar pengolahan citra , mengenal tools
dalam pengolahan citra digitaldan mampu mengimplementasikan algoritma pengolahan citra
C. PRE TEST
1. Berikut ini adalah pernyataan-pernyataan yang berkaitan dengan istilah Sibling Property
pada algoritma Adaptive Huffman:
1. Node-node pada tree yang mempunyai parent yang sama memiliki jumlah frekuensi
yang tidak semakin besar dari kanan ke kiri
2. Node baru yang ditambahkan harus diletakkan setara dengan node NYT
3. Pengecekan kondisi Sibling Property dapat dilakukan dengan melakukan penelusuran
breadth-first search dari kanan ke kiri
4. Branch Node yang terletak di sebelah "kiri" dari Root Node cenderung memiliki
frekuensi yang lebih kecil/sama dengan yang di sebelah "kanan"
Pernyataan-pernyataan yang benar adalah :
A. Pernyataan 1,2
B. Pernyataan 1,3,4
C. Pernyataan 2
D. Benar semua
E. Salah semua
2. Pernyataan yang benar tentang kuantisasi adalah …
A. Bagian dari kompresi lossless
B. Bagian dari kompresi lossy [*]
C. Tidak mengakibatkan hilangnya sebagian informasi visual
D. Pemetaan dari daerah dengan intensitas lebar menjadi daerah dengan intensitas
terbatas
E. Bagian dari kompresi huffman
 3. Yang dimaksud dengan citra digital adalah :
A. Citra Hasil Sinar-X
B. Citra Hasil Pemotretan Sebuah Kamera
C. Citra Yang Dapat Diolah Oleh Komputer.
D. Citra Yang Bersifat Kontinyu
E. Citra Dilihat Pada Layer Monitor

4. Pernyataan yang benar mengenai pemampatan citra yang membedakan pemampatan citra
dengan pengkodean citra adalah :
A. Menghasilkan representasi memori yang lebih sedikit daripada representasi
aslinya.
B. Mengkodekan pixel-pixel pada sebuah citra dengan representasi tertentu.
C. Dihasilkan representasi memori yang didapat dari pengkodean citra.
D. Pemampatan citra tidak selalu menghasilkan representasi memori yang minimal.
E. Pemampatan citra selalu menyebabkan kualitas citra menjadi lebih baik.

D. POST TEST
1. Berikut ini adalah pernyataan-pernyataan yang berkaitan dengan istilah Sibling Property
pada algoritma Adaptive Huffman:
1. Node-node pada tree yang mempunyai parent yang sama memiliki jumlah frekuensi
yang tidak semakin besar dari kanan ke kiri
2. Node baru yang ditambahkan harus diletakkan setara dengan node NYT
3. Pengecekan kondisi Sibling Property dapat dilakukan dengan melakukan penelusuran
breadth-first search dari kanan ke kiri
4. Branch Node yang terletak di sebelah "kiri" dari Root Node cenderung memiliki
frekuensi yang lebih kecil/sama dengan yang di sebelah "kanan"
Pernyataan-pernyataan yang benar adalah :
A. Pernyataan 1,2
B. Pernyataan 1,3,4
C. Pernyataan 2
D. Benar semua
E. Salah semua
2. Pernyataan yang benar tentang kuantisasi adalah …
A. Bagian dari kompresi lossless
B. Bagian dari kompresi lossy [*]
 C. Tidak mengakibatkan hilangnya sebagian informasi visual
D. Pemetaan dari daerah dengan intensitas lebar menjadi daerah dengan intensitas
terbatas
E. Bagian dari kompresi huffman

3. Yang dimaksud dengan citra digital adalah :

A. Citra Hasil Sinar-X
B. Citra Hasil Pemotretan Sebuah Kamera
C. Citra Yang Dapat Diolah Oleh Komputer.
D. Citra Yang Bersifat Kontinyu
E. Citra Dilihat Pada Layer Monitor

4. Pernyataan yang benar mengenai pemampatan citra yang membedakan pemampatan citra
dengan pengkodean citra adalah :
A. Menghasilkan representasi memori yang lebih sedikit daripada representasi
aslinya.
B. Mengkodekan pixel-pixel pada sebuah citra dengan representasi tertentu.
C. Dihasilkan representasi memori yang didapat dari pengkodean citra.
D. Pemampatan citra tidak selalu menghasilkan representasi memori yang minimal.
E. Pemampatan citra selalu menyebabkan kualitas citra menjadi lebih baik.

E. MATERI
1. Pendahuluan
Pemampatan citra atau kompresi citra (image compression) bertujuan
meminimalkan kebutuhan memori untuk merepresentasikan citra digital. Prinsip umum
yang digunakan pada proses pemampatan citra adalah mengurangi duplikasi data di
dalam citra sehingga memori yang dibutuhkan untuk merepresentasikan citra menjadi
lebih sedikit daripada representasi citra semula.
Manfaat pemampatan citra antara lain :
a) Citra yang telah dimampatkan membutuhkan waktu pengiriman yang lebih singkat
dibandingkan dengan citra yang tidak dimampatkan.
b) Citra yang telah dimampatkan membutuhkan ruang memori di dalam media storage
yang lebih sedikit dibandingkan dengan citra yang tidak dimampatkan.
2. Kualitas Pemampatan
 Informasi yang hilang akibat pemampatan seharusnya seminimal mungkin
sehingga kualitas hasil pemampatan tetap dipertahankan. Kualitas pemampatan
dengan kebutuhan memori biasanya berbanding terbalik. Kualitas pemampatan
yang bagus umumnya dicapai pada proses pemampatan yang menghasilkan
pengurangan memori yang tidak begitu besar, demikian pula sebaiknya.
Dengan kata lain, ada timbal balik (trade off) antara kualitas citra dengan
ukuran hasil pemampatan.
Kualitas sebuah citra bersifat subyektif dan relatif, bergantung pada
pengamatan orang yang menilainya. Seseorang dapat saja mengatakan
kualitas suatu citra bagus, tetapi orang lain mungkin mengatakan kurang
bagus, jelek, dan sebagainya.
Kita dapat membuat ukuran kualitas hasil pemampatan citra menjadi ukuran
kuantitatif dengan menggunakan besaran PSNR (peak signal-to-noise ratio).
PSNR dihitung untuk mengukur perbedaan antara citra semula dengan citra
hasil pemampatan (tentu saja citra hasil pemampatan harus dinirmampatkan
terlebih dahulu) dengan citra semula, dengan rumus:

dengan b adalah nilai sinyal terbesar (pada citra hitam-putih, b = 255) dan
rms adalah akar pangkat dua dari selisih antara citra semula dengan citra hasil
pemampatan. Nila rms dihitung dengan rumus:

yang dalam hal ini, f dan f ' masing-masing menyatakan nilai pixel citra
semula dan nilai pixel citra hasil pemampatan. PSNR memiliki satuan decibel
(dB). Persamaan diatas menyatakan bahwa PSNR hanya dapa dihitung
setelah proses pernirmapatan citra. Dari persamaan diatas terlihat abhwa
PSNR berbanding terbalik dengan rms. Nilai rms yang rendah yang
 menyiratkan bahwa citra hasil pemampatan tidak jauh berbeda dengan citra
semula akan menghasilkan PSNR yang tinggi, yang berarti kualitas
pemampatannya bagus. Semakin besar nilai PSNR, semakin bagus kualitas
pemampatannya. Seberapa besar nilai PSNR yang bagus tidak dapat
dinyatakan secara eksplisit, bergantung pada citra yang dimampatkan. Namun
kita dapat mengetahui hal ini jika kita melakukan pengujian dengan mencoba
berbagai kombinasi parameter pemampatan yang digunakan. Jika nilai PSNR
semakin membesar, itu berarti parameter pemampatan yang digunakan sudah
menuju nilai yang baik. Parameter pemampatan citra bergantung pada metode
pemamapatan yang digunakan.
3. Metode Pemampatan Kuantisasi
Metode ini mengurai jumlah derajat keabuan, misal dari 256 menjadi 16, yang tentu saja
mengurangi jumlah bit yang dibutuhkan untuk merepresentasikan citra. Misalkan P
adalah jumlah pixel di dalam citra semula. Akan dimampatkan menjadi n derajat
keabuan. Algortmanya adalah sebagai berikut:
1. Buat histogram citra semula(citra yang akan dimampatkan)
2. Identifikiasi n buah kelom[ok di dalam histogram sedemikian sehingga setiap
kelompok mempunyai kira kira Pln buah pixel.
3. Nyatakan setiap kelompok dengan derjaat keabuan 0 sampai n-1. Setiap pixel didalam
kelompok dikodekan kembali dengan nilai derajat keabuan yang baru.

Contoh:
- Contoh citra 5 x 13

Akan dimampatkan dengan 4 derajat keabuan ( 0 -3) atau dengan 2 bit.

Histogramnya
 Kelompoknya

- Setelah dimampatkan

- Ukuran sebelum pemampatan (1 derajat keabuan = 4 bit ) adalah 65 x 4 bit = 260 bit
- Ukuran citra setelah pemampatan (1 derajat keabuan = 1 bit) adalah 65 x 2 bit = 130
bit

4. Metode Pemampatan Huffman

Metode pemampatan Huffman menggunakan prinsip bahwa nilai (atau derajat) keabuan
yang sering muncul didalam citra akan di kodekan dengan jumlah bit yang lebih sedikit
sedangkan nilai keabuan yang frekuensi kemunculannya sedikit dikodekan dengan
julmah bit yang lebih panjang. Algoritma metode Huffman:
1. Urutkan secara menaik nilai nilai keabuan berdasarkan frekuensi kemunculannya
(atau berdasarakan peluang kemunculan, p yaitu frekuensi kemunculan ( ) dibagi
dengan jumlah pixel didalam gambar (n). Setiap nilai keabuan dinyatakan sbeagai
pohon bersimpul tunggal. Setiap simpul di-assign dengan frekuensi kemunculan nilai
keabuan tersebut
2. Gabung 2 buah pohon yang mempunyai frekuensi kemunculan paling kecil pada
sebuah akar. Akar mempunyai frekuensi yang merupakan jumlah dari frekuensi dua,
buah pohon penyusunnyya.
3. Ulangi langkah 2 sampai tersisa hanya satu pohon biner.
Agar pemilihan 2 pohon yang akan digabungkan berlangsung cepat, maka semua
pohon yang ada selalu terurut menaik berdasarkan frekuensi.
4. Beri label setiap sisi pada pohon biner. Sisi kiri dilabeli 0 dan sisi kanan dilabeli 1
5. Telusuru pohon biner dari akar ke dain. Barisan lebel sisi dari akar ke daun
menyatakan kode Huffman untuk derajat keabuan yang bersesuaian.

Setiap kode Huffman merupakan kode prefiks yang artinya tidak ada kode biner suatu
nilai keabuan yang lain. Dengan cara ini, tidak ada ambiguitas pada proses
penerimampatan.

Contoh:
Adapun contoh proses encode algoritma ini adalah sebagai berikut:
Kode ASCII string “ABBABABACAACDDD”
1. Hitung jumlah kemunculan setiap karakter.

2. Urutkan nilai-nilai grayscale berdasarkan frekuensi kemunculannya.

3. Gabungkan dua buah pohon yang mempunyai frekuensi kemunculan terkecil dan
urutkan kembali.
4. Ulangi langkah (3) sampai membentuk sebuah pohon biner.

5. Berikan label pada pohon biner tersebut dengan cara sisi kiri pohon diberi label 0 dan
sisi kanan pohon diberi label 1.

6. Telusuri pohon biner dari akar ke daun. Barisan label-label sisi dari akar ke daun
adalah kode Huffman.

A=1 (1 bit)
B = 01 (2 bit)
C = 001 (3 bit)
D = 000 (3 bit)

Jadi untuk Kode ASCII string “ABBABABACAACDDD” menjadi

10101101101100111001000000000
 Rasio sebelum pemampatan = 15 x 8 bit = 120 bit
Rasio setelah pemampatan = (6 x 1 bit) + (4 x 2 bit) + (2 x 3 bit) + (3 x 3 bit) = 29 bit
Jadi persentase rasionya adalah 100% - (29/120 x 100%) = 82,5%

F. LATIHAN PRAKTIKUM
1. Citra ukuran 7 x 13 pixel (4 bit), dikuantisasi dengan 3 bit. Tentukan citra hasil
kuantisasi!!

G. RINGKASAN
Pemampatan citra atau kompresi citra (image compression) bertujuan meminimalisir
kebutuhan memori untuk menginterpresentasikan citra digital. Prinsip umum yang digunakan
pada proses pemampatan citra adalah mengurangi duplikasi data di dalam citra sehingga
memori yang dibutuhkan untuk merepresentasikan citra, menjadi lebih sedikit daripada citra
semula.
H. TUGAS DAN JAWABAN
1. Citra 64x64 dengan 8 derajat keabuan (k). Tentukan dengan menggunakan metode
huffman!
Jawaban:
Setiap simpul di dalam pohon berisi pasangan nilai a:b, yang dalam hal ini
a menyatakan nilai keabuan dan b menyatakan peluang kemunculan nilai
keabuan tersebut di dalam citra. Dari pohon Huffman tersebut kita memperoleh
kode untuk setiap derajat keabuan sebagai berikut:
0 = 00 1 = 10 2 = 01
3 = 110 4 = 1110 5 = 11111
6 = 111101 7 = 111100
Ukuran citra sebelum pemampatan (1 derajat keabuan = 3 bit) adalah 4096 ´ 3 bit
= 12288 bit, sedangkan Ukuran citra setelah pemampatan:
(790 ´ 2 bit) + (1023 ´ 2 bit) + (850 ´ 2 bit) +(656 ´ 3 bit) + (329 ´ 4 bit) + (245 ´ 5 bit)
+ (122 ´ 6 bit) + (81 ´ 6 bit) = 11053 bit
Jadi, kebutuhan memori telah dikurangi dari 12288 bit menjadi 11053 bit. Jelas
ini tidak banyak menghemat, tetapi jika 256 nilai keabuan yang digunakan
(dibanding dengan 8 derajat keabuan deperti pada contoh di atas) , penghematan
memori dapat bertambah besar.

Nisbah pemampatan = ,yang artinya 10% dari

citra semula telah dimampatkan.
2. Sebuah matrix berukuran 5×5. Tetukan citra menggunakan metode kuantisasi!

Jawaban:

Banyak pixel adalah 25. Lalu buat histogram:

Lalu dikelompokkan:

Setelah citra dikompresi :

Ratio kompresi = 100%-(ukuran citra hasil kompresi/ukuran citra asli)x100%

= 100%-(50/100)x100%
= 100%-50%
= 50%, artinya citra semula telah dimampatkan sebanyak 50%.