Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Jurnal Teknik Elektro dan Ilmu Komputer Indonesia

Vol. 30, No. 1, April 2023, hal. 510~517

ISSN: 2502-4752, DOI: 10.11591/ijeecs.v30.i1.pp510-517 ❒ 510

Analisis diskriminatif wavelet untuk kompresi gambar medis

yang efisien

Deepa Sivaraman, Jeneetha Jebanazer, Bhuvaneswari Balasubramanian

Departemen Teknik Elektronika dan Komunikasi, Panimalar Engineering College, Chennai, India

Info Artikel ABSTRAK

Riwayat artikel: Informasi diagnostik penting yang disimpulkan dengan menggunakan teknik
artradiologi membantu para ahli radiologi dalam menentukan tingkat
Diterima 4 Juli 2022 keparahan penyakit dan karenanya menyarankan prosedur pengobatan yang
Direvisi 11 Desember 2022 sesuai. Akibatnya, berurusan dengan kompresi gambar medis memerlukan
Diterima 20 Desember 2022 pertukaran antara kualitas persepsi yang baik dan tingkat kompresi yang
tinggi. Tujuan dari penelitian ini ada dua, yaitu i) untuk menyelidiki efek
dari peningkatan jumlah loop pengkodean pada parameter kompresi citra
Kata kunci: medis, dan ii) untuk menentukan wavelet yang paling cocok untuk kompresi
citra medis. Wavelet Haar, Daubechies, Biorthogonal Demeyer, Coiflet dan
Rasio kompresi Symlet digunakan sebagai perbandingan. Enam set gambar medis yang
Daubechies berbeda digunakan untuk pengujian dan dari hasil yang diperoleh diamati
Haar bahwa meningkatkan jumlah loop encoding menghasilkan parameter
Kompresi gambar kompresi yang lebih baik, tetapi meningkatkan lebih dari 9 tidak memiliki
Kesalahan kuadrat efek yang signifikan terhadap parameter kompresi dan dengan demikian
rata-rata pilihan optimal untuk jumlah loop encoding adalah 9. Dari analisis kedua,
diamati bahwa mengubah jenis wavelet yang digunakan tidak memiliki efek
yang signifikan terhadap parameter kompresi.
Ini adalah artikel akses terbuka di bawah lisensi CC BY-SA.

Penulis Korespondensi:
Deepa Sivaraman
Departemen Teknik Elektronika dan Komunikasi, Panimalar Engineering College Chennai, India
Email: dineshdeepas1977@gmail.com

1. PENDAHULUAN
Rumah sakit dan pusat layanan kesehatan menghasilkan sejumlah besar gambar medis seperti
Magnetic Resonance Elastography (MRE), Magnetic Resonance Imaging (MRI), Computed Axial
Tomography (CAT), dan Ultra Sound (US), yang sarat dengan informasi radiologi yang sangat penting.
Penyimpanan yang aman dan transmisi digital gambar medis, laporan, dan data terkait terapi lainnya
ditangani oleh berbagai sistem, seperti sistem informasi radiologi (RIS) dan sistem arsip dan komunikasi
pasien (PACS). Menangani gambar dalam jumlah besar merupakan tugas yang menantang bagi sistem
penanganan data ini, sehingga menuntut kebutuhan akan teknik kompresi bit rate yang tinggi. Teknik
kompresi gambar lossy, meskipun efisien dalam mencapai kompresi yang baik, namun dapat mengakibatkan
diagnosis yang salah karena hilangnya informasi. Oleh karena itu, teknik kompresi lossless paling sering
digunakan untuk mengompresi citra medis [1]-[3], sehingga citra yang dikompresi tidak kehilangan informasi
dalam hal estetika dan diagnostik. Teknik kompresi gambar terbagi dalam berbagai kategori seperti berbasis
transformasi, berbasis pembelajaran mesin, berbasis fraktal, berbasis kontekstual, dan metode hibrida
lainnya. Meskipun, teknik kompresi berbasis transformasi merupakan teknik kompresi yang kompleks secara
komputasi, namun tingkat kompresi yang dicapai lebih tinggi dibandingkan dengan metode lainnya. Dari
beberapa transformasi yang populer digunakan seperti discrete cosine transform (DCT), ripplet transform,
discrete wavelet transform (DWT), radon transform, dan contourlet transform, transformasi wavelet
Laman muka jurnal: http://ijeecs.iaescore.com
Indonesian J Elec Eng & Comp Sci ISSN: 2502-4752 ❒ 511

merupakan transformasi yang paling kuat dan dapat menghasilkan gambar terkompresi dengan rasio
kompresi yang lebih tinggi dan nilai peak to signal noise ratio (PSNR) yang lebih tinggi [4].

Analisis diskriminatif wavelet untuk kompresi citra medis yang efisien (Deepa Sivaraman)
Jurnal Teknik Elektro dan Ilmu Komputer Indonesia
Vol. 30, No. 1, April 2023, hal. 510~517
Wavelet menunjukkan sifat de-korelasi yang luar biasa dan mendukung analisis multi-resolusi
(MRA) sehingga menjadikannya teknik transformasi gambar yang paling disukai dan sebagian besar
digunakan dalam beberapa standar seperti JPEG2000 dan MPEG-2/4. Koefisien transformasi akan dikodekan
pada ujung pemancar untuk mencapai kompresi dan didekodekan pada ujung penerima untuk dekompresi.
Algoritma codec digunakan untuk mengompresi koefisien transformasi dan memainkan peran yang paling
signifikan dalam mencapai tingkat kompresi yang lebih tinggi. Embedded zerotree wavelet (EZW), wavelet
pohon orientasi spasial (STW) [5]-[7], set partisi dalam pohon hirarki (SPIHT), partisi 3D-Set dalam pohon
hirarki (3D-SPIHT) [8]-[12], algoritma pengurangan perbedaan wavelet yang dipindai secara adaptif
(ASWDR) yang diusulkan oleh Walker [13] dan algoritma pengurangan perbedaan wavelet (WDR) [14]-[16]
adalah algoritme codec yang paling populer digunakan. Teknik kompresi gambar yang mempertahankan fitur
dan teknik kompresi gambar berbasis kontekstual juga ditemukan sebagai teknik yang menjanjikan untuk
mengompresi gambar medis [17]-[24]. Manigandan dan Deepa [25], melakukan analisis yang komprehensif
untuk menentukan teknik pengkodean yang paling efisien, dan dari hasil yang diperoleh, terbukti bahwa
algoritma EZW dan STW terbukti dapat meminimalisir mean square error. MSE gambar yang minimum,
menjamin diagnosis yang bebas dari kesalahan. Oleh karena itu, dalam makalah ini, algoritma EZW
digunakan untuk mengkompresi koefisien transformasi dan investigasi dilakukan untuk memahami efek
peningkatan jumlah loop encoding pada parameter kompresi. Pada analisis kedua, kinerja berbagai wavelet
dibandingkan untuk menentukan wavelet yang paling efisien untuk kompresi citra medis.

2. METODE
Dalam DWT, bank filter analisis dan bank filter sintesis digunakan di ujung pemancar dan ujung
penerima. Wavelet yang sesuai (seperti Haar, Symlet, atau Coiflet) dan jumlah level (n) untuk dekomposisi
dipilih pada tahap pertama. Subband aproksimasi, detail vertikal, detail horizontal, dan detail diagonal dibuat
dari gambar input oleh bank filter analisis. Koefisien detail diberi ambang batas dari skala J-1 hingga J-n pada
tahap kedua. Contoh dekomposisi wavelet ditunjukkan pada Gambar 1. Gambar 1(a) menunjukkan gambar MRI
asli, Gambar 1(b) menunjukkan gambar yang didekomposisi wavelet, dan Gambar 1(c) menunjukkan gambar
yang telah didekompresi.

(a) (b) (c)

Gambar 1. Kompresi citra MRI menggunakan dekomposisi wavelet: (a) citra MRI asli, (b) dekomposisi
tingkat pertama, dan (c) citra yang telah dikompresi

2.1. Ukuran kinerja

Gambar yang didekompresi mungkin tidak sama dengan gambar aslinya apabila kompresi bersifat
lossy. Rasio kompresi yang tinggi mengakibatkan hilangnya lebih banyak fitur visual. Menemukan
keseimbangan ideal antara rasio kompresi yang tinggi dan hasil persepsi yang layak adalah masalah yang
dihadirkan oleh teknik kompresi. Rasio kompresi (CR), mean square error (MSE), rasio sinyal puncak terhadap
noise (PSNR), kesalahan maksimum, Rasio L2-Norma, dan bit per piksel adalah metrik yang digunakan untuk
membandingkan pendekatan kompresi gambar yang berbeda (BPP).

2.2. Analisis yang diusulkan 1

Pada analisis pertama, efek dari perubahan jumlah loop encoding pada ukuran kinerja dianalisis.
Dalam analisis ini, wavelet dan metode penyandian ditetapkan, sedangkan jumlah loop penyandian
divariasikan dan pengaruhnya terhadap parameter kompresi dianalisis. Pada awalnya, gambar input
Laman muka jurnal: http://ijeecs.iaescore.com
Indonesian J Elec Eng & Comp Sci ISSN: 2502-4752 ❒ 513
didekomposisi menggunakan transformasi wavelet Haar dan koefisien yang telah diubah dikodekan
menggunakan pengkodean EZW. Jumlah

Analisis diskriminatif wavelet untuk kompresi citra medis yang efisien (Deepa Sivaraman)
 512 ❒ ISSN: 2502-4752

loop penyandian dapat bervariasi dari 1 hingga 9. Gambar input dikompresi, dan parameter kompresi dihitung
dengan memvariasikan jumlah loop penyandian dari 1 hingga 9. Diagram alir ditunjukkan pada Gambar 2.

Gambar 2. Diagram alir analisis yang diusulkan 1

Berbagai metrik kinerja diperoleh dan grafiknya diplot seperti yang ditunjukkan pada Gambar 3.
MSE yang diperoleh untuk berbagai gambar input ditabulasikan pada Tabel 1 dan Gambar 3(a) menunjukkan
grafik yang sama. Dari grafik tersebut, terlihat jelas bahwa dengan bertambahnya jumlah loop encoding,
MSE menurun, sehingga meningkatkan kualitas gambar yang didekompresi. Meningkatkan loop encoding
lebih dari 9 tidak memiliki efek yang signifikan pada MSE.
Tabel 2 menunjukkan kesalahan maksimum yang diperoleh untuk berbagai gambar input dan Gambar
3(b) menunjukkan grafik yang sama. Dari grafik terlihat jelas, bahwa dengan bertambahnya jumlah loop
encoding, ME menurun, sehingga meningkatkan kualitas gambar yang didekompresi. Meningkatkan loop
encoding lebih dari 9 tidak memiliki efek yang signifikan pada ME. Tabel 3 menunjukkan rasio normal L2
yang diperoleh untuk berbagai gambar input dan Gambar 3(c) menunjukkan grafik yang sama. Dari grafik
tersebut, terlihat jelas bahwa dengan bertambahnya jumlah loop encoding, rasio normal L2 meningkat,
sehingga meningkatkan kualitas gambar yang didekompresi. Meningkatkan loop encoding lebih dari 9 tidak
memiliki efek yang signifikan pada rasio normal L2. Tabel 4 menunjukkan puncak sinyal noise terhadap
rasio (PSNR) yang diperoleh untuk berbagai gambar input dan Gambar 3(d) menunjukkan grafik yang sama.
Dari grafik tersebut, terlihat jelas bahwa dengan bertambahnya jumlah loop pengkodean, PSNR meningkat,
sehingga meningkatkan kualitas gambar yang didekompresi. Meningkatkan loop encoding lebih dari 9 tidak
memiliki efek yang signifikan pada PSNR.
Tabel 5 menunjukkan Bit Per Pixel yang diperoleh untuk berbagai gambar input dan Gambar 3(e)
menunjukkan grafik yang sama. Dari grafik tersebut, terlihat jelas bahwa dengan bertambahnya jumlah loop
pengkodean, maka B.P.P meningkat, sehingga meningkatkan kualitas gambar yang didekompresi.
Meningkatkan loop encoding lebih dari 9 tidak memiliki efek yang signifikan pada B.P.P. Tabel 6
menunjukkan rasio kompresi yang diperoleh untuk berbagai gambar input dan Gambar 3(f) menunjukkan
grafik yang sama. Dari grafik tersebut, terlihat jelas bahwa dengan bertambahnya jumlah loop encoding, CR
meningkat, sehingga meningkatkan kualitas gambar yang didekompresi. Meningkatkan loop encoding lebih
dari 9 tidak memiliki efek yang signifikan pada CR.

Tabel 1. Kesalahan kuadrat rata-rata yang diperoleh dengan menggunakan wavelet Haar dan metode pengkodean
EZW
Jenis Gambar Jumlah Loop Pengkodean
1 2 3 4 5 6 7 8 9
Ultrasonografi 3559 342.6 55.45 20.81 10.75 4.717 1.363 0.363 0.05601
XRAY 1661 1724 43.68 23.63 6.79 3.357 1.411 0.3904 0.3904
Pemindaian 1878 739.1 231.2 72.48 24.77 7.005 1.692 0.2941 0.04453
Indonesian J Elec Eng & Comp Sci, Vol. 30, No. 1, April 2023: 510-517
Indonesian J Elec Eng & Comp Sci ISSN: 2502-4752 ❒ 513
CT
MRI 1 1476 853.5 105.6 28.79 8.219 2.426 0.5577 0.09416 0.0148
/ 2680 282.1 103.7 31.7 9.382 3.179 0.08084 0.134 0.02082

(a) (b)

(c) (d)

(e) (f)

Gambar 3. Ukuran kinerja: (a) MSE, (b) Kesalahan maksimum, (c) Rasio normal L2, (d) PSNR, (e) BPP, dan
(f) CR yang diperoleh dengan menggunakan metode pengkodean wavelet Haar dan EZW dengan
memvariasikan jumlah loop pengkodean

Tabel 2. Kesalahan maksimum yang diperoleh dengan menggunakan wavelet Haar dan metode pengkodean
EZW
Jenis Gambar Jumlah Loop
Pengkodean
1 2 3 4 5 6 7 8 9
Ultrasonograf 218 145 81 50 23 13 6 3 2
i
XRAY 208 108 73 40 22 10 5 3 3
Pemindaian 209 168 105 53 22 11 7 3 1
CT
MRI 1 253 179 100 55 30 15 7 4 2
MRI2 238 152 101 59 31 15 7 3 2

Tabel 3. Rasio normal L2 yang diperoleh dengan menggunakan wavelet Haar dan metode pengkodean EZW
Jenis Gambar Jumlah Loop Pengkodean
1 2 3 4 5 6 7 8 9
Ultrasonograf 81.51% 98.37% 99.74% 99.91% 99.95% 99.98% 99.99% 100.00% 100.00%
i
X-RAY 96.52% 99.64% 99.91% 99.95% 99.99% 99.99% 100.00% 100.00% 100.00%
Pemindaian 38.18% 81.47% 94.59% 98.34% 99.44% 99.84% 99.96% 99.99% 100.00%
CT
MRI 1 75.81% 86.84% 98.47% 99.58% 99.88% 99.97% 99.99% 100.00% 100.00%
MRI2 75.63% 97.72% 99.17% 99.75% 99.93% 99.97% 99.99% 100.00% 100.00%

Tabel 4. Rasio sinyal puncak terhadap noise yang diperoleh dengan menggunakan wavelet Haar dan metode

Analisis diskriminatif wavelet untuk kompresi citra medis yang efisien (Deepa Sivaraman)
514 ❒ ISSN: 2502-4752
pengkodean EZW
Jenis Gambar Jumlah Loop Pengkodean
1 2 3 4 5 6 7 8 9
Ultrasonograf 12.62 22.78 30.7 35.09 37.82 41.39 46.79 53.22 60.65
i
XRAY 15.93 25.77 31.7 34.4 39.81 42.87 46.64 52.22 52.22
Pemindaian 15.39 19.44 24.5 29.53 34.19 39.68 45.85 53.45 61.64
CT
MRI 1 16.44 18.82 27.9 33.54 38.98 44.28 50.67 58.39 66.43
MRI2 1.7999 1.9937 2.29 2.7281 3.2917 3.9642 4.8627 5.8522 6.2035

Indonesian J Elec Eng & Comp Sci, Vol. 30, No. 1, April 2023: 510-517
Indonesian J Elec Eng & Comp Sci ISSN: 2502-4752 ❒ 515

Tabel 5. Bit per piksel yang diperoleh dengan menggunakan wavelet Haar dan metode pengkodean EZW
Jenis Gambar Jumlah Loop Pengkodean
1 2 3 4 5 6 7 8 9
Ultrasonograf 2.1475 2.3527 2.6201 2.9434 3.3519 3.9976 5.026 6.334 7.0597
i
XRAY 2.8784 3.0659 3.3027 3.5994 3.9851 4.4869 5.27 6.564 6.5643
Pemindaian 1.5758 1.7312 2.0745 2.6339 3.4557 4.6649 6.267 8.081 8.8457
CT
MRI 1 1.8007 1.9771 2.3174 2.7378 3.2683 3.8883 4.635 5.426 5.7591
MRI2 1.7991 1.9937 2.2898 2.7281 3.2917 3.9642 4.863 5.852 6.2235

Tabel 6. Rasio kompresi yang diperoleh dengan menggunakan wavelet Haar dan metode pengkodean EZW
Jenis Gambar Jumlah Loop Pengkodean
1 2 3 4 5 6 7 8 9
Ultrasonografi 26.84% 29.41% 32.75% 36.75% 41.90% 49.90% 62.83% 79.17% 88.25%
XRAY 35.98% 38.32% 41.28% 44.99% 49.81% 56.09% 65.87% 81.30% 81.30%
Pemindaian CT 19.70% 21.64% 25.93% 32.93% 43.20% 58.31% 78.34% 101.01% 110.57%
MRI 1 22.51% 24.71% 28.97% 34.22% 41.15% 49.55% 60.78% 73.15% 77.79%
MRI2 88.25% 95.37% 75.94% 86.33% 82.78% 95.37% 98.46% 97.80% 101.41%

2.3. Analisis yang diusulkan 2

Pada analisis kedua, pengaruh perubahan jenis wavelet pada ukuran kinerja dianalisis. Dari analisis
1, jelas bahwa hasil terbaik dihasilkan untuk jumlah loop encoding yang sama dengan 9, sehingga untuk
analisis ini jumlah loop encoding ditetapkan sebagai 9 dan jenis algoritma kompresi ditetapkan sebagai 3-D
SPIHT, filter wavelet divariasikan, dan parameter kompresi dihitung. Diagram alir yang diusulkan
ditunjukkan pada Gambar 4. Berbagai wavelet yang digunakan untuk analisis adalah wavelet Haar,
Daubechies, Coiflets, Symlet, Biorthogonal, Reverse Biorthogonal, wavelet Discrete FIR Meyer dan wavelet
Fejer-Korovkin.

Gambar 4. Diagram alir analisis yang diusulkan 2

Untuk setiap jenis wavelet, tingkat dekomposisi ditetapkan sebagai satu, dan algoritma kompresi
SPIHT 3-D dengan 9 loop pengkodean digunakan untuk analisis. Gambar 5 menunjukkan berbagai metrik
kinerja yang diperoleh. Gambar 5(a) dan (b) menunjukkan kesalahan kuadrat rata-rata dan kesalahan
maksimum yang diperoleh untuk berbagai jenis wavelet. Parameter kompresi lainnya, rasio normal L2,
PSNR, BPP dan CR yang diperoleh dengan memvariasikan jenis wavelet ditunjukkan pada Gambar 5(c) - (f).
Dari grafik-grafik tersebut, terlihat bahwa jenis wavelet tidak memberikan dampak yang besar pada
parameter kompresi yang diperoleh. Gambar 6 menunjukkan gambar keluaran yang diperoleh dengan
menggunakan wavelet Haar pada berbagai jenis gambar medis. Gambar 6(a) menunjukkan citra masukan,
Analisis diskriminatif wavelet untuk kompresi citra medis yang efisien (Deepa Sivaraman)
516 ❒ ISSN: 2502-4752
Gambar 6(b) menunjukkan citra hasil dekomposisi wavelet, dan Gambar 6(c) menunjukkan citra hasil
dekompresi yang diperoleh dengan menggunakan wavelet Haar.

Indonesian J Elec Eng & Comp Sci, Vol. 30, No. 1, April 2023: 510-517
Indonesian J Elec Eng & Comp Sci ISSN: 2502-4752 ❒ 517

(a) (b)

(c) (d)

(e) (f)

Gambar 5. Ukuran kinerja: (a) MSE, (b) kesalahan maksimum, (c) rasio normal L2, (d) PSNR, (e) BPP, dan (f)
CR yang diperoleh untuk berbagai fungsi filter wavelet

(a) (b) (c)

Gambar 6. Keluaran yang diperoleh pada berbagai citra: (a) citra masukan, (b) citra hasil dekomposisi
wavelet, dan
(c) gambar yang telah didekompresi yang diperoleh dengan menggunakan wavelet
Analisis diskriminatif wavelet untuk kompresi citra medis yang efisien (Deepa Sivaraman)
518 ❒ ISSN: 2502-4752
Haar

Indonesian J Elec Eng & Comp Sci, Vol. 30, No. 1, April 2023: 510-517
Indonesian J Elec Eng & Comp Sci ISSN: 2502-4752 ❒ 519

3. HASIL DAN PEMBAHASAN

Hasil yang diperoleh dengan menggunakan metode yang diusulkan tidak dapat dibandingkan secara
langsung dengan karya yang dilaporkan dalam literatur karena gambar input yang digunakan oleh para
peneliti tidak sama dan ukuran gambar juga bervariasi. Oleh karena itu, hasil yang diperoleh dibandingkan
dengan metode lain yang signifikan yang ditemukan dalam literatur. Empat metode berbasis transformasi
yang berbeda dan signifikan dipertimbangkan untuk perbandingan, yaitu i) transformasi kosinus diskrit
dengan pengkodean SPIHT, ii) transformasi kontur dengan pengkodean SPIHT, iii) transformasi riak, dan iv)
teknik kompresi gambar berbasis transformasi curvelet digunakan sebagai perbandingan. Untuk lima gambar
uji, semua percobaan dilakukan dengan menggunakan MATLAB 2014a baik untuk teknik yang sudah ada
yang dilaporkan dalam literatur maupun metode yang diusulkan dalam makalah ini. Metrik kinerja yang
diperoleh ditabulasikan pada Tabel 7. Metode yang diusulkan 1, dengan wavelet Haar dan 9 loop pengkodean
memiliki kinerja yang lebih baik dalam hal ukuran kinerja dan dari nilai yang ditabulasikan, terlihat bahwa
memodifikasi jenis wavelet tidak memiliki pengaruh yang signifikan terhadap kompresi gambar.

Tabel 7. Perbandingan metode yang diusulkan dengan teknik-teknik lain yang sudah ada
Jenis gambar DCT-SPIHT Contourlet-SPIHT Ripplet Curvelet Metode yang Analisis yang
diusulkan1 diusulkan 2
Kesalahan kuadrat rata-rata
Suara ultra 1.0123 0.0986 0.0864 0.0923 0.05601 0.07275
XRAY 1.428 1.326 1.346 1.196 0.3904 0.44
Pemindaian CT 0.0976 0.7426 0.0882 0.0812 0.04453 0.0547
MRI 1 0.04356 0.396 0.0412 0.0402 0.0148 0.0139
MRI2 0.0656 0.0586 0.0426 0.0428 0.02082 0.0215
PSNR
Suara ultra 34.56 40.12 41.22 45.62 60.65 39.51
XRAY 32.86 39.64 38.42 41.68 52.22 36.23
Pemindaian CT 39.88 39.06 39.78 45.82 61.64 39.97
MRI 1 39.62 40.04 40.12 46.12 66.43 40.32
MRI2 39.41 40.96 42.22 45.34 62.035 41.01
Rasio Kompresi
Suara ultra 81.26 83.52 82.28 86.89 88.25 85.75
XRAY 75.48 76.25 74.12 82.24 81.30 79.40
Pemindaian CT 88.41 100.06 88.46 91.26 110.57 92.15
MRI 1 76.84 74.42 74.896 80.098 77.79 81.30
MRI2 75.42 75.48 76.42 80.16 101.41 80.65

4. KESIMPULAN
Dua analisis yang berbeda yaitu, i) memvariasikan jumlah loop encoding dan ii) memvariasikan
wavelet dilakukan. Dari analisis pertama, terbukti bahwa meningkatkan jumlah loop encoding melebihi 9
tidak memiliki efek yang signifikan terhadap hasil yang diperoleh dan dengan demikian jumlah loop
encoding tetap 9. Untuk analisis kedua, algoritma entropi 3D SPIHT dengan sembilan loop encoding tetap
dan efek dari memvariasikan jenis wavelet pada parameter kompresi dianalisis. Dampak dari memvariasikan
wavelet pada parameter kompresi sangat minimal. Daerah yang diminati (ROI) dalam gambar medis, seperti
lokasi lesi atau tumor, membawa informasi yang signifikan. Dengan demikian, metode hibrida yang
menerapkan kompresi lossless untuk ROI dan kompresi lossy pada wilayah non ROI menunjukkan arahan
masa depan dalam bidang kompresi citra medis.

REFERENSI
[1] A. Martchenko dan G. Deng, "Kombinasi prediktor Bayesian untuk kompresi gambar lossless," dalam IEEE Transactions on
Image Processing, vol. 22, no. 12, hal. 5263-5270, Desember 2013, doi: 10.1109/TIP.2013.2284067.
[2] S. Juliet, E. B. Rajsingh, dan K. A. Ezra, "Kompresi citra medis baru menggunakan transformasi Ripplet," J Real-Time Image
Proc, vol. 11, hlm. 401-412, 2016, doi: 10.1007/s11554-013-0367-9.
[3] H. Jiang, Z. Ma, Y. Hu, B. Yang, dan L. Zhang, "Kompresi citra medis berdasarkan kuantisasi vektor dengan ukuran blok yang
bervariasi dalam domain wavelet," Kecerdasan komputasi dan ilmu saraf, 2012, doi: 10.1155/2012/541890.
[4] R. A. DeVore, B. Jawerth, dan B. J. Lucier, "Kompresi gambar melalui pengkodean transformasi wavelet," dalam IEEE
Transactions on Information Theory, vol. 38, no. 2, hal. 719-746, Mar. 1992, doi: 10.1109/18.119733.
[5] V. J. Rehna, S. V. Shubhangi, dan S. Vasanthi, "Meningkatkan kinerja kompresi gambar berbasis wavelet menggunakan
algoritma SPIHT," IRNET transactions on Electrical and Electronics Engineering (ITEEE), vol. 1, no. 2, 2012.
[6] A. Islam dan WA Pearlman, "Penyandi gambar hirarkis kompleksitas rendah yang tertanam dan efisien," dalam Proc. SPIE 3653,
Komunikasi Visual dan Pemrosesan Gambar, 1998, doi: 10.1117/12.334677.
[7] S. M. Hosseini dan AR Naghsh-Nilchi, "Kompresi citra ultrasound medis menggunakan kuantisasi vektor kontekstual," Comput.
Biol. Med, vol. 42, hlm. 743-750, 2012, doi: 10.1016/j.compbiomed.2012.04.006.
[8] J. M. Shapiro, "Pengkodean gambar yang disematkan menggunakan zerotrees dari koefisien wavelet," dalam IEEE Transactions
on Signal Processing, vol. 41, no. 12, hal. 3445-3462, Desember 1993, doi: 10.1109/78.258085.

Analisis diskriminatif wavelet untuk kompresi citra medis yang efisien (Deepa Sivaraman)
520 ❒ ISSN: 2502-4752
[9] J. Wang dan F. Zhang, "Studi kompresi gambar berdasarkan algoritma SPIHT," dalam 2010 International Conference on
Intelligent Computing and Cognitive Informatics, 2010, hal. 130-133, doi: 10.1109/ICICCI.2010.70.
[10] D. Zhao dan S. Ma, "Kompresi ucapan dengan algoritma best wavelet packet transform dan SPIHT," dalam 2010 Second
International Conference on Computer Modeling and Simulation, 2010, hal. 360-363, doi: 10.1109/ICCMS.2010.68.

Indonesian J Elec Eng & Comp Sci, Vol. 30, No. 1, April 2023: 510-517
Indonesian J Elec Eng & Comp Sci ISSN: 2502-4752 ❒ 521

[11] B.-J. Kim dan W. A. Pearlman, "Penyandi video wavelet tertanam menggunakan partisi himpunan tiga dimensi pada pohon
hirarki (SPIHT)," dalam Prosiding DCC '97. Konferensi Kompresi Data, 1997, hal. 251-260, doi: 10.1109/DCC.1997.582048.
[12] B. J. Kim, Z. Xiong, dan WA Pearlman, "Pengkodean video terukur kecepatan bit rendah dengan partisi himpunan 3-D pada
pohon hirarkis (3D-SPIHT)," IEEE Transaction on Circuits and Systems for Video Technology, vol. 10, hal. 1374-1387, Des.
2000.
[13] J. S. Walker, "Kompresi gambar berbasis wavelet," dalam buku panduan transformasi dan kompresi data, BPK Press LLC, 2001.
[14] T. Ramaprabha dan M. M. Sathik, "Studi perbandingan proses pemilihan wilayah yang lebih baik dalam kompresi gambar
menggunakan SPIHT dan WDR," International Journal of Latest Trends in Computing, vol. 1, no. 2, 2010.
[15] J. Tian dan RO Wells, "Pengkodean gambar yang disisipkan menggunakan reduksi perbedaan wavelet dalam: Topiwala, P.N.
(eds) wavelet image and video compression," The International Series in Engineering and Computer Science, vol. 450, 2002,
Springer, Boston, MA, doi: 10.1007/0-306-47043-8_17.
[16] B. E. Usevitch, "Tutorial tentang kompresi gambar lossy wavelet modern: dasar-dasar JPEG 2000," Majalah Pemrosesan Sinyal
IEEE, vol. 18, no. 5, hal. 22-35, September 2001, doi: 10.1109/79.952803.
[17] M. A. Ansari dan R. S. Anand, "Kompresi citra medis berbasis konteks untuk citra ultrasound dengan partisi set kontekstual
dalam algoritme hierarchial trees," Adv.Eng.Software, vol. 40, hal. 487-496, 2009, doi: 10.1016 / j.advengsoft.2008.08.004.
[18] M. A. Ansari dan R. S. Anand, "Algoritma baru berbasis ROI dengan DCT, transformasi wavelet dan partisi himpunan pada
pohon hirarki untuk kompresi citra medis," Int. J. Sci. Computing (IJSC), vol. 2, no. 1, pp. 7-22, 2008.
[19] E. J. Stollnitz, T. D. DeRose, dan D. H. Salesin, "Wavelet untuk grafik komputer: teori dan aplikasi," Morgan Kaufman Publisher,
Amerika Serikat, San Fransisco, 1996.
[20] K. R. Namuduri dan N. V. Ramaswamy, "Kompresi gambar yang mempertahankan fitur," Pattern Recognition Letters, vol. 24,
no. 15, hal. 2767-2776, Nov. 2003, doi: 10.1016/S0167-8655(03)00120-X.
[21] H. Yang, M. Long, dan H. M. Tai, "Pengkodean citra region-of-interest berdasarkan EBCOT," IEEE Pro. Proses Sinyal Citra,
vol. 152, no. 5, pp. 590-596, 2013, doi: 10.1049/ip-vis:20041164.
[22] J. C. Garcia-Alvarez, H. Fuhr, dan G. Castellanos-Dominguez, "Evaluasi pengkodean wilayah minat menggunakan penilaian
kualitas gambar perseptual," Journal of Visual Commn Image Represent, vol. 24, tidak ada. 8, hlm. 1316-1327, 2013, doi: 10.1016
/ j.jvcir.2013.09.003.
[23] P. E. Sophia dan J. Anitha, "Kompresi citra medis kontekstual menggunakan koefisien transformasi wavelet yang dinormalisasi
dan prediksi," Jurnal Penelitian IETE, vol. 63, no. 5, hal. 671-683, 2017, doi: 10.1080/03772063.2017.1309998.
[24] E. Shahhoseini, NA Nejad, H. Behnam, dan A. Shahhoseini, "Pendekatan baru untuk kompresi gambar USG medis menggunakan
transformasi wavelet," dalam Konferensi Internasional Ketiga tentang Kemajuan Sirkuit, Elektronika, dan Mikroelektronika,
2010, 2010,
pp. 40-44, doi: 10.1109/CENICS.2010.14.
[25] M. D. Manigandan dan S. Deepa, "Studi komprehensif tentang pengaruh algoritma penyandian entropi pada kompresi citra
medis," International Research Journal of Engineering and Technology (IRJET), vol. 5, no. 4, pp. 3460-3468, 2018.

BIOGRAFI PENULIS

Deepa Sivaraman adalah Profesor di Departemen Teknik Elektronika dan

Komunikasi di Panimalar Engineering College, Chennai. Beliau menerima gelar Sarjana
Teknik di bidang teknik elektronika dan komunikasi dari Universitas Madras pada tahun
1998. Beliau menyelesaikan gelar Magister Teknik di bidang Elektronika Terapan pada
tahun 2005 dan menerima gelar doktor di bidang pemrosesan gambar pada tahun 2014,
keduanya dari Universitas Sathyabama, Chennai. Beliau memiliki total pengalaman
mengajar sekitar 20 tahun dan minat penelitiannya meliputi komunikasi nirkabel,
pemrosesan gambar, visi komputer, pengenalan pola, desain dan arsitektur VLSI berdaya
rendah. Dia adalah anggota ISTE dan sesama anggota IETE. Beliau dapat dihubungi
melalui email: dineshdeepas1977@gmail.com.

Jeneetha Jebanazer saat ini bekerja sebagai profesor di Departemen Teknik

Elektronika dan Komunikasi, Panimalar Engineering College, Chennai. Beliau memiliki
pengalaman mengajar selama 18 tahun. Minat penelitiannya meliputi desain VLSI dan
komunikasi nirkabel. Dia menerima gelar Sarjana di bidang Teknik Elektronika dan
Komunikasi dari Universitas Bangalore pada tahun 1998. Dia menyelesaikan gelar
Masternya pada tahun 2007 di bidang Elektronika Terapan dan Doktor di bidang Desain
VLSI pada tahun 2021 dari Institut Pendidikan dan penelitian Dr. Dia dapat dihubungi
melalui email: jeneethaseelan@gmail.com.

Bhuvaneswari Balasubramanian adalah seorang sarjana terkemuka di

bidang RF dan Gelombang Mikro dan Komunikasi Nirkabel Kognitif. Beliau bekerja
sebagai Profesor di Departemen Teknik Elektronika dan Komunikasi, Panimalar
Engineering College. Beliau menyelesaikan gelar BE-ECE pada tahun 1998 dan ME-Sistem
Komunikasi pada tahun 2005. Ia melanjutkan pendidikannya ke jenjang Ph.D dari Anna
University, Chennai dan menerima gelar Doktor pada tahun 2013. Beliau memiliki lebih
dari dua dekade pengalaman mengajar dan telah menghabiskan lebih dari sepuluh tahun di
bidang penelitian. Beliau adalah anggota ISTE dan sesama anggota IETE. Beliau telah
menerima 1 proyek penelitian yang didanai dari AICTE, New Delhi di bawah RPS,
menerbitkan 8 paten dan memiliki lebih dari 36 publikasi atas namanya. Dia dapat

Analisis diskriminatif wavelet untuk kompresi citra medis yang efisien (Deepa Sivaraman)
522 ❒ ISSN: 2502-4752
dihubungi melalui:
drbhuvanaramani@gmail.com.

Indonesian J Elec Eng & Comp Sci, Vol. 30, No. 1, April 2023: 510-517