See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/329058980

KOMPRESI CITRA MENGGUNAKAN METODE GRAPH FOURIER TRANSFORM

(GFT) DAN DISCRETE COSINE TRANSFORM (DCT)

Conference Paper · November 2018

CITATIONS READS

0 439

2 authors:

Amin Ajaib Maggang Silvester Tena

Universitas Nusa Cendana Universitas Nusa Cendana
4 PUBLICATIONS   3 CITATIONS    6 PUBLICATIONS   49 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Design and implementation of Fast Fourier Transform (FFT) and Harmonic Product Spectrum(HPS) on Sasando Tuner View project

All content following this page was uploaded by Amin Ajaib Maggang on 20 November 2018.

The user has requested enhancement of the downloaded file.

 SEMINAR NASIONAL TEKNIK FST-UNDANA TAHUN 2017
Hotel On The Rock, Kupang, 04 November 2017

KOMPRESI CITRA MENGGUNAKAN METODE GRAPH FOURIER TRANSFORM

(GFT) DAN DISCRETE COSINE TRANSFORM (DCT)

Amin A. Maggang1, Silvester Tena2

1
Jurusan Teknik Elektro, Universitas Nusa Cendana, Jl. Adisucipto Penfui Kupang
Email: a.a.maggang@gmail.com
2
Jurusan Teknik Elektro, Universitas Nusa Cendana, Jl. Adisucipto - Penfui Kupang
Email: silvertena_unc@yahoo.com

ABSTRAK
Penelitian ini bertujuan untuk membandingkan teknik Discrete Cosine Transform (DCT) dan teknik
Graph Fourier Transform (GFT) pada kompresi citra. Pengujian dilakukan menggunakan citra
grayscale 256x256 dan 512x512 dengan menggunakan kuantisasi uniform pada level kuantisasi Q50 dan
ukuran blok kuantisasi yang berbeda, yaitu 2x2, 4x4 dan 8x8. Hasil kuantisasi citra akan dikodekan
menggunakan algoritma Huffman untuk mendapatkan bit rate sekecil mungkin. Dari hasil simulasi yang
dilakukan pada citra grayscale, kedua teknik DCT dan GFT memiliki kemampuan yang hampir sama
di dalam melakukan kompresi citra untuk ukuran citra yang berbeda. Untuk kualitas citra, DCT lebih
baik dari GFT yaitu dengan nilai PSNR DCT lebih besar dari GFT untuk blok kuantisasi 4x4 dan 8x8.
Sedangkan pada ukuran blok 2x2 kedua teknik memberikan nilai PSNR yang sama. Sedangkan untuk
Rasio Kompresi, GFT memberikan nilai yang lebih baik dari DCT untuk blok berukuran 4x4 (77,01%),
sedangkan untuk blok 2x2 dan 8x8 diungguli oleh DCT dengan persentase terbesar 79.4%.
Kata Kunci: Graph Fourier Transform (GFT), Discrete Fourier Transform (DCT), MSE, PSNR, Rasio
Kompresi

1. PENDAHULUAN
Kompresi citra merupakan suatu teknik untuk mengurangi jumlah data yang diperlukan untuk merepresentasikan citra
digital dan karena itu akan mengurangi biaya penyimpanan data dan transmisi. Teknik kompresi dikelompokan
menjadi dua, yaitu kompresi lossless dan lossy. Yang membedakan kedua metode kompresi ini adalah pada hasil
rekonstruksi citra. Teknik lossless akan merekonstruksi citra secara sempurna dimana citra asli akan sama dengan
citra rekonstruksi. Sedangkan pada teknik lossy compression hasil rekonstruksi citra dari citra terkompresi akan mirip
dengan citra aslinya tetapi tidak sama. Perbedaan antara citra asli dan citra hasil rekonstruksi disebabkan oleh level
kuantisasi yang diberikan pada koefisien algoritma transformasi. Semakin besar level kuantisasi maka akan semakin
besar perbedaan antara citra asli dan citra rekonstruksi.
Graph Fourier Transform (GFT) dan Discrete Cosine Transform (DCT) merupakan dua algoritma transformasi yang
memiliki fungsi basis yang mirip. Fungsi basis DCT diambil dari bagian rill (cosine) sinusoidal Discrete Fourier
Transform (DFT) sedangkan fungsi basis GFT dibentuk dengan mengambil vektor eigen dari suatu graf tak berarah
cyclic. Nilai eigen yang bersesuain dengan vektor eigen merupakan nilai frekuensinya. Pada nilai eigen yang rendah
(frekuensi rendah) nilai vektor eigennya akan konstan sedangkan nilai eigen yang tinggi (frekuensi tinggi) vektor
eigennya akan berosilasi seperti sinusoidal.
Kemiripan fungsi basis ini lah yang melatarbelakangi penulis untuk melakukan simulasi guna melihat kualitas hasil
kompresi citra berdasarkan parameter ukuran kualitas citra yang sudah sering digunakan yaitu Mean Square Error
(MSE) dan Peak Signal to Nosie Ratio (PSNR). Selain kedua paramter tersebut, penelitian ini juga melihat Persentase
Rasio Kompresi dari kedua metode. Penelitian ini juga dilakukan karena belum ada penelitian yang secara spesisifk
melakukan perbandingan antara kedua algoritma ini berdasarkan parameter-parameter kualitas citra tersebut.
Susunan makalah ini selanjutnya ditulis dalam empat sesi. Sesi kedua menjelaskan tentang tinjauan pustaka. Sesi ke
tiga menjelaskan tentang metodologi penelitian. Sesi ke empat tentang hasil dan pembahasan. Sesi terkahir adalah
kesimpulan dan saran.

456
 SEMINAR NASIONAL TEKNIK FST-UNDANA TAHUN 2017
Hotel On The Rock, Kupang, 04 November 2017

2. TINJAUAN PUSTAKA
Graph Fourier Transform (GFT)
GFT merupakan suatu teknik Transformasi Fourier yang mana fungsi basis nya diperoleh menggunakan pendekatan
teori graf. Fungsi basis GFT merupakan vektor eigen V yang didapatkan dari matriks laplacian. Sedangkan nilai eigen
𝜆 nya merupakan frekuensi yang bersesuaian dengan V.
Matriks laplacian dapat dicari dengan persamaan:
𝐿 =𝐷−𝐴 (1)
Dimana D dan A berturut-turut adalah matriks degree dan adjacency matriks dari cyclic graf. Fungsi basis adalah
vektor eigen dan nilai eigen dari L. Berdasarkan matriks laplacian ini maka GFT dapat didefinisikan sebagai berikut
𝑠̃ = 𝑉 −1 𝑠 (2)
Sedangkan invers GFT adalah
𝑠 = 𝑉𝑠̃ (3)
Dimana s adalah sinyal pada setiap node yang terhubung dalam bentuk cyclic graf. Berikut merupakan fungsi basis
GFT yang diambil dari matriks Laplacian menggunakan graf dengan 8 nodes.

lambda 0 lambda 1
0.4 0.5

0.2 0

0 -0.5
0 2 4 6 8 0 2 4 6 8
lambda 2 lambda 3
0.5 1

0 0

-0.5 -1
0 2 4 6 8 0 2 4 6 8
lambda 4 lambda 5
1 1

0 0

-1 -1
0 2 4 6 8 0 2 4 6 8
lambda 6 lambda 7
1 0.5

0 0

-1 -0.5
0 2 4 6 8 0 2 4 6 8

Gambar 1 Fungsi basis GFT

Matriks vektor eigen dari fungsi basis di atas adalah sebagai berikut:

Gambar 2 Matriks Fungsi Basis GFT

457
 SEMINAR NASIONAL TEKNIK FST-UNDANA TAHUN 2017
Hotel On The Rock, Kupang, 04 November 2017

Fungsi basis ini lah yang digunakan untuk mentransformasi sinyal citra atau nilai pixel ke dalam domain frekuensi.
Pada lambda 0 (kolom pertama dari matriks fungsi basis GFT) nilai eigen vektor konstan yang mana ini menunjukan
komponen dc. Sedangkan ketika lambda semakin besar (kolom terakhir dari matriks fungsi basis GFT) dalam hal ini
lambda 8 (frekuensi tinggi) nilai eigen vektor V berosilasi.
Discrete Cosine Transform (DCT)
DCT merupakan salah satu dari sekian banyak transformasi yang mentransformasi citra dengan kombinasi linear
fungsi basis. Fungsi basis ini merupakan frekuensi, seperti glombang cosine. 2-D DCT dari suatu citra didefiniskan
dalam persamaan berikut
2 (2𝑥+1)𝑖𝜋 (2𝑥+1)𝑗𝜋
𝐷𝐶𝑇(𝑖, 𝑗) = 𝐶(𝑖)𝐶(𝑗) ∑𝑁−1 𝑁−1
𝑥=0 ∑𝑦=0 𝑃𝑖𝑥𝑒𝑙(𝑥, 𝑦)𝑐𝑜𝑠 [ ][ ] (4)
𝑁 2𝑁 2𝑁

Dimana: C(i),C(j) = 1/√2 jika i,j = 0

1 jika i,j > 0
N = Ukuran Matriks
Pixel(x,y) = nilai pixel pada indeks ke-(x,y)
DCT(i,j) = nilai DCT pada Indeks ke-(i,j)
dan I(x,y) adalah gray level dari elemen x,y citra yang direpresentasikan oleh matriks I. N adalah ukuran dari block.
Persamaan untuk invers DCT citra 2-D adalah sebagai berikut
2 (2𝑥+1)𝑖𝜋 (2𝑥+1)𝑗𝜋
𝑃𝑖𝑥𝑒𝑙(𝑥, 𝑦) = ∑𝑁−1 𝑁−1
𝑥=0 ∑𝑦=0 𝐶(𝑖)𝐶(𝑗)𝑐𝑜𝑠 [ ][ ] (5)
𝑁 2𝑁 2𝑁

Berikut merupakan matriks koefisien DCT.

Gambar 3 Matriks Fungsi Basis DCT

Kuantisasi
Kuantisasi adalah proses pengurangan derajat keabuan dari suatu citra dan oleh karena itu akan mengurangi jumlah
bit dari data yang ada.
Standar Kuantisasi JPEG
Matriks standar kuantisasi JPEG dari koefisien DCT dengan level kualitas 50 memberikan kompresi yang tinggi dan
kualitas dekompresi citra yang sangat baik. Kita bisa mendapatkan level kualitas dan rasio kompresi yang berbeda
dengan menetukan matriks kuantisasi yang cocok untuk koefisien DCT.

16 11 10 16 24 40 51 61
12 12 14 19 26 58 60 55
14 13 16 24 40 57 69 56
Q50 = 14 17 22 29 51 87 80 62
18 22 37 56 68 109 103 77
24 35 55 64 81 104 113 92
49 64 78 87 103 121 120 101
72 92 95 98 112 100 103 99
Blok 8x8

458
 SEMINAR NASIONAL TEKNIK FST-UNDANA TAHUN 2017
Hotel On The Rock, Kupang, 04 November 2017

Q50 = 16 10 24 51
14 16 40 69
18 37 68 103
49 78 103 120
Blok 4x4

Q50 = 16 24
18 68
Blok 2x2

Huffman Coding
Metode Huffman merupakan salah satu teknik kompresi dengan cara melakukan pengkodean dalam bentuk bit untuk
mewakili data karakter. Cara kerja atau algoritma metode ini adalah sebagai berikut :
a. Menghitung banyaknya jenis karakter dan jumlah dari masing-masing karakter yang terdapat dalam sebuah
file.
b. Menyusun setiap jenis karakter dengan urutan jenis karakter yang jumlahnya paling sedikit ke yang
jumlahnya paling banyak.
c. Membuat pohon biner berdasarkan urutan karakter dari yang jumlahnya terkecil ke yang terbesar, dan
memberi kode untuk tiap karakter.
d. Mengganti data yang ada dengan kode bit berdasarkan pohon biner.
e. Menyimpan jumlah bit untuk kode bit yang terbesar, jenis karakter yang diurutkan dari frekuensi keluarnya
terbesar ke terkecil beserta data yang sudah berubah menjadi kode bit sebagai data hasil kompresi

MSE dan PSNR

Peak Signal Noise to Ratio (PSNR) merupakan parameter yang paling sering digunakan untuk mengukur kualitas
citra hasil rekonstruksi pada kompresi lossy. PSNR merupakan pengukuran citra secara kualitatif menggunakan
Mean Square Error (MSE) dari rekonstruksi citra. Berdasarkan kedua parameter ini, kualitas rekonstruksi citra dapat
dikatakan baik atau mendekati nilai citra aslinya. Nilai MSE yang kecil dan PSNR yang tinggi akan memberikan
nilai kualitas citra yang semakin baik. PSNR sering diukur dalam desibel. PSNR didefiniskan sebagai berikut:

𝐿2
𝑃𝑆𝑁𝑅 = 10 log10 ( ) (6)
𝑀𝑆𝐸
1
𝑀𝑆𝐸 = ∑𝑀 𝑁
𝑥=1 ∑𝑦=1(𝑠(𝑥, 𝑦) − 𝑟(𝑥, 𝑦))
2
(7)
𝑀𝑥𝑁

Dimana L merupakan dynamic range dari nilai pixel (255 untuk 8 bit citra grayscale dan untuk setiap komponen
citra warna R, G, dan B)

Rasio Kompresi

Rasio Kompresi dalam kompresi citra adalah perbandingna antara besar file citra hasil kompresi dengan besar citra
asli. Hal ini dilakukan untuk melihat seberapa efektif kompresi dilakukan. Semakin besar prosentase nilai rasio, maka
citra hasil kempresi akan semakin terlihat menyerupai citra asli. Demikian pula sebaliknya, semakin kecil prosentase
nilai rasio, maka citra hasil kompresi akan semakin buruk. Perhitungan rasio kompresi dan nilai prosentase nya dapat
dilakukan dengan persamaan berikut

𝑈𝑘𝑢𝑟𝑎𝑛 𝑐𝑖𝑡𝑟𝑎 𝑎𝑠𝑙𝑖

𝑅𝑎𝑠𝑖𝑜 𝐾𝑜𝑚𝑝𝑟𝑒𝑠𝑖 = (8)
𝑢𝑘𝑢𝑟𝑎𝑛 𝑐𝑖𝑡𝑟𝑎 𝑡𝑒𝑟𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖

𝑈𝑘𝑢𝑟𝑎𝑛 ℎ𝑎𝑠𝑖𝑙 𝐾𝑜𝑚𝑝𝑟𝑒𝑠𝑖

𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑟𝑎𝑠𝑖𝑜 𝐾𝑜𝑚𝑝𝑟𝑒𝑠𝑖 = 𝑥 100 (9)
𝑢𝑘𝑢𝑟𝑎𝑛 𝑐𝑖𝑡𝑟𝑎 𝑎𝑠𝑙𝑖

459
 SEMINAR NASIONAL TEKNIK FST-UNDANA TAHUN 2017
Hotel On The Rock, Kupang, 04 November 2017

3. METODOLOGI
Proses kompresi dan dekompresi
Berikut ini merupakan prosedur penelitian untuk membandingkan GFT dan DCT di dalam kompresi citra.

Citra Input CITRA

TERKOMPRESI

Transformasi Invers
GFT dan DCT GFT dan DCT

Kuantisasi Q50 Dekuantisasi Q50

Huffman Coding Decoding

CITRA CITRA
TERKOMPRESI REKONSTRUKSI

Gambar 4 proses kompresi citra Gambar 5 dekompresi citra

Berdasarkan prosedur kompresi dan dekompresi citra diatas, dapat dilihat bahwa setelah melewati proses transformasi
kedua metode dikuantasi dan setelah itu dikodekan dengan teknik yang sama. Dengan demikian nilai perbandingan
dari kedua algoritma transformasi dapat diperoleh. Hasil dari proses dekompresi akan diperoleh citra terkompresi yang
digunakan untuk mencari rasio kompresi. Setelah dilakukan proses dekompresi akan diperoleh citra rekonstruksi, yang
mana akan digunakan untuk mencari nilai MSE dan PSNR.
Skenario Pengujian
Proses pengujian dilakukan pada citra grayscale dengan ukuran 256x256. Terdapat tiga pengujian dengan
menggunakan tiga blok kuantisasi yang berbeda, yaitu 2x2, 4x4 dan 8x8. Pada setiap blok akan dilihat parameter
kualitas citra yaitu MSE, PSNR, dan juga Rasio kompresi dari kedua teknik GFT dan DCT.

4. HASIL DAN PEMABAHASAN

Berikut merupakan hasil simulasi perbandingan teknik GFT dan DCT dalam kompresi citra. Data yang digunakan
adalah citra cameramen.tif dengan ukuran 256x256 pixel dan Baboon.tif dengan ukuran 512x512 pixel.
Citra Grayscale ukuran 256x256
Tabel 1. Kompresi citra grayscale GFT pada citra cameramen.tif dengan ukuran 256x256

Citra Citra Rasio

Ukuran PSNR Rasio
MSE terkompresi Asli Kompresi
blok
(dB) (byte) (byte) Kompresi %
2 25.17 34.12 20377 65536 3.22 68.91
4 46.51 31.46 15032 65536 4.36 77.06
8 54.54 30.76 13390 65536 4.89 79.57

460
 SEMINAR NASIONAL TEKNIK FST-UNDANA TAHUN 2017
Hotel On The Rock, Kupang, 04 November 2017

Tabel 2. Kompresi citra grayscale DCT pada citra cameramen.tif dengan ukuran 256x256

Citra Citra Rasio

Ukuran PSNR Rasio
MSE terkompresi Asli Kompresi
blok
(dB) (byte) (byte) Kompresi %
2 25.16 34.12 20329 65536 31.02 68.98
4 36.63 32.49 15064 65536 22.99 77.01
8 43.51 31.74 13147 65536 20.06 79.94

Citra Grayscale ukuran 512x512

Tabel 3. Kompresi citra grayscale GFT pada citra Baboon.tif dengan ukuran 512x512

Citra Rasio
Ukuran PSNR Citra Asli Rasio
MSE terkompresi Kompresi
blok
(dB) (byte) (byte) Kompresi %
2 56.37 30.62 100786 262144 38.45 61.55
4 101.88 28.05 75225 262144 28.70 71.30
8 110.74 27.69 65361 262144 24.93 75.07

Tabel 4. Kompresi citra grayscale DCT pada citra Baboon.tif dengan ukuran 512x512

Citra Rasio
Ukuran PSNR Citra Asli Rasio
MSE terkompresi Kompresi
blok
(dB) (byte) (byte) Kompresi %
2 56.37 30.62 100427 262144 38.31 61.69
4 84.90 28.84 75705 262144 28.88 71.12
8 97.79 28.23 64729 262144 24.69 75.31

Berdasarkan hasil simulasi yang ditunjukan pada ke-empat tabel diatas, dapat dikatakan bahwa kualitas citra hasil
rekonstruksi yang dilihat dari PSNR dan nilai persentase rasio kompresi memiliki nilai yang hampir sama.
Dari segi kualitas citra hasil rekonstruksi, untuk blok berukuran 2x2, teknik DCT dan GFT memberikan nilai PSNR
yang sama untuk kedua ukuran citra. Untuk ukuran blok 4x4 dan 8x8, DCT memberikan nilai PSNR yang lebih tinggi
dari GFT. Namun selisih nya tidak terlalu besar. Untuk citra berukuran 256x256, selisihnya sebesar 1.03 dB dan
untuk ukuran citra 512x512 adalah 0.79 dB. Ukuran blok yang memberikan PSNR terbesar adalah blok yang terkecil
yaitu 2x2 namun memberikan persentase Rasio Kompresi yang kecil.
Ke-empat tabel tersebut juga menunjukan bahwa persentase Rasio Kompresi dari kedua teknik agak sedikit berbeda.
GFT memiliki kemampuan kompresi yang lebih baik dari DCT pada blok berukuran 4x4, yaitu sebesar 77,06 %
(0.05% lebih baik dari DCT) untuk citra 256x256 dan 71.30% (0.18% lebih baik dari DCT) untuk ukuran 512x512.
Sebaliknya DCT memiliki Rasio Kompresi yang lebih tinggi pada blok 2x2 dan 8x8. Untuk citra 256x256 dengan
blok 2x2 PSNR DCT lebih besar 0.07% dari GFT sedangkan untuk 8x8 PSNR DCT lebih besar 0.37% dari GFT.
Untuk citra 512x512 dengan blok 2x2 DCT memiliki PSNR lebih besar 0.14% dari GFT dan 0.19% untuk ukuran
blok 8x8.
Kemiripan kedua teknik ini di dalam melakukan kompresi citra dikarenakan oleh fungsi basis kedua algoritma yang
sangat mirip seperti yang ditunjukan pada gambar

5. KESIMPULAN DAN SARAN

Kesimpulan yang dapat diambil adalah bahwa DCT dan GFT memiliki kemampuan yang hampir sama di dalam
melakukan kompresi citra untuk ukuran citra yang berbeda, yakni 256x256 dan 512x512. Nilai PSNR DCT lebih
besar dari GFT untuk blok kuantisasi 4x4 dan 8x8. Sedangkan pada ukuran blok 2x2 kedua teknik memberikan nilai
PSNR yang sama. Sedangkan untuk Rasio Kompresi, GFT memberikan nilai yang lebih baik dari DCT untuk blok
berukuran 4x4, sedangkan untuk blok 2x2 dan 8x8 diungguli oleh DCT.

461
 SEMINAR NASIONAL TEKNIK FST-UNDANA TAHUN 2017
Hotel On The Rock, Kupang, 04 November 2017

Dengan demikian, untuk kebutuhan transmisi data dan penyimpanan data dengan teknik GFT, blok yang tepat
digunakan adalah 4x4 karena memberikan nilai Rasio Kompresi yang tinggi dan nilai PSNR yang tinggi juga.
Sedangkan untuk DCT, blok yang paling tepat digunakan adalah 8x8 karena memiliki Rasio Kompresi dan PSNR
terbaik.
Untuk penelitian lebih lanjut, kemampuan kedua algoritma ini dapat dibandingkan pada citra berwarna dan juga jenis
kuantisasi yang berbeda. Selain dari pada itu, kemampuan kedua algoritma ini juga dapat diuji pada teknik modulasi
digital untuk melihat Bit Error Rate yang diperoleh ketika dilewatkan pada medium transmisi.

DAFTAR PUSTAKA
Gonzales, Rafael C. Richard E. Woods, Steven L. Eddins, 2004, Digital Image Processing Using Matlab, Upper
Saddle River, Prentice Hall, New Jersey
Herdiyeni, Yeni. 2007. Kompresi Citra. Bogor: Departemen Ilmu Komputer IPB.
Juma'in and Yuliana Melita, "Kompresi Gambar atau Citra Menggunakan Discrete Cosine Transform" Jurnal
Teknika, vol. 3, no. 2, pp. 437-442, 2011
S. Aliaksei and Moura, J.M.F, “Discrete signal processing on graphs: Graph Fourier transform,” in Proc. IEEE Int.
Conf. Acoustics, Speech and Signal Processing, 2013, pp. 6167–6170.
Tearani N. P. “Peningkatan Kompresi Citra Digital Menggunakan Discrete Cosine Transform – 2 Dimension (DCT
– 2D”
Z. A. Andhika, “Penerapan Pohon Biner Huffman Pada Kompresi Citra”: ITB Bandung

462

View publication stats