WIXLIB

102Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 1,Januari -April 2018Pemampatan Citra Pas Foto Dengan MenggunakanAlgoritma Kompresi Joint-Photograpic Experts Group(JPEG) dan Principal Component Analysis (PCA)M. Azman Maricar1, Made Oka Widyantara2Abstract— This study aims to compare the compression resultof Joint-Photograpic Experts Group (JPEG) and PrincipalComponent Analysis (PCA) algorithm to the image fitting image,to find the best result from the compression image result whosequality is not much different from the original image. Themeasuring tools used are Mean Square Error (MSE) and PeakSignal to Noise Ratio (PSNR). The results obtained in this studyis the average MSE and PNSR PCA algorithm can be said highwhen compared with the JPEG algorithm. But in terms of imagequality produced is not much different from JPEG algorithm. Itcan be said that JPEG algorithm able to produce better imagethan PCA algorithm. However, PCA algorithm is not bad to bean alternative in image compression photos fit.Intisari— Penelitian ini bertujuan untuk membandingkanhasil kompresi dari algoritma Joint-Photograpic Experts Group(JPEG) dan Principal Component Analysis (PCA) terhadap citrapas foto, guna menemukan hasil terbaik dari hasil citra kompresiyang kualitas hasilnya tidak berbeda jauh dengan citra aslinya.Alat ukur yang digunakan adalah Mean Square Error (MSE) danPeak Signal to Noise Ratio (PSNR). Hasil yang diperoleh dalampenelitian ini adalah rata-rata MSE dan PNSR algoritma PCAdapat dikatakan tinggi jika dibandingkan dengan algoritmaJPEG. Namun dari segi kualitas citra yang dihasilkan tidak jauhberbeda dengan algoritma JPEG. Dapat dikatakan bahwaalgoritma JPEG mampu menghasilkan citra yang lebih baikdibandingkan algoritma PCA. Namun, algoritma PCA tidaklahburuk untuk dijadikan alternatif dalam kompresi citra pas foto.Kata Kunci— Letakkan 4-8 kata kunci Anda di sini, kata kuncidipisahkan dengan koma.I. PENDAHULUANPerkembangan teknologi yang semakin maju, cenderungmenyebabkan beberapa kegiatan yang pada dasarnyadilakukan secara manual, berubah menjadi kegiatan yangserba praktis. Sebelumnya, saat ada proses pendaftaran, baikitu pendaftaran sekolah, pendaftaran pada perguruan tinggi,wisuda, hingga pendaftaran untuk melamar sebuah pekerjaan,cenderung dilakukan secara manual, yaitu setiap pendaftardiharuskan menyerahkan berkas-berkas pendaftaran secaralangsung. Kegiatan itu jauh berbeda jika dibandingan denganera teknologi, dimana kegiatan tersebut dapat dilakukan secaraonline, baik itu melalui e-mail maupun formulir pada suatuhalaman website.Setiap hal cenderung memiliki hal positif dan negatif1Magister Teknik Elektro, Universitas Udayana KampusSudirman, Denpasar-Bali (tlp: 0361-239559; fax: 0361-239599;e-mail: m.azman.maricar@gmail.com)2,Magister Teknik Elektro, Universitas Udayana KampusSudirman, Denpasar-Bali (tlp: 0361-239559; fax: 0361-239599;email: oka.widyantara@unud.ac.id)ISSN 1693– 2951; e-ISSN: 2503-2372Kegiatan yang dilakukan secara online tersebut, tentumembuat kegiatan tersebut terlihat praktis. Namun, sisinegatifnya terletak pada media penyimpanan, yang belumtentu memadai untuk menyimpan seluruh berkas yangdikirimkan oleh pendaftar. Singkatnya, suatu organisasi yangmembuka pendaftaran tersebut, harus menyediakan mediapenyimpanan yang dianggap mampu untuk menampungseluruh berkas-berkas tersebut. Dalam beberapa kasus,terdapat institusi atau organisasi yang membuka pendaftarankaryawan, mahasiswa, maupun anggota baru secara online.Setiap individu yang mendaftar diwajibkan meng-upload pasfoto mereka ke sistem dengan aturan-aturan yang telahditetapkan, seperti ukuran foto maupun ukuran file. Parapendaftar biasanya tidak memperhatikan kualitas dari foto,karena yang terpenting foto tersebut sesuai dengan aturan danberhasil di upload.Untuk mengatasi hal tersebut, muncul sebuah solusi gunameminimalkan ukuran file pas foto yang dikirimkan oleh parapendaftar tersebut, yaitu teknik kompresi citra yangmerupakan hal yang sangat penting [1].Terdapat beberapa algoritma yang dapat dilakukan dalamkompresi citra, salah satunya adalah algoritmat kompresiJPEG dan PCA. Dengan perbandingan kedua algoritmatersebut, diharapkan mampu menunjukkan perbandingan hasilkompresi citra yang terbaik. Suatu citra akan di kompresi danhasilnya akan dibandingkan guna mencari hasil kompresiterbaik sehingga mampu untuk meminimalkan penggunaanmedia penyimpanan dan mendapatkan hasil dengan kualitasyang tidak terlalu jauh dari citra aslinya.II. STUDI LITERATURPenelitian yang dilakukan oleh Satyapratama dan kawankawan (2015), merupakan penelitian yang bertujuan untukmemberikan pengetahuan mengenai algoritma terbaik antaraLZW dan Huffman yang diimplementasikan ke citra denganformat BMP dan PNG. Kedua algoritma tersebut dianalisisdengan membandingkan rasio dan perkiraan waktupemprosesannya. Dalam mengimplementasikan keduaalgoritma tersebut digunakan pemograman java. Dari hasilpengujian didapatkan hasil bahwa algoritma Huffmanmemiliki rasio waktu yang lebih cepat dibandingkan denganLZW, namun LZW lebih mampu memberikan hasil kompresiyang lebih baik daripada Huffman.Penelitian yang dilakukan oleh Rahmad dan Kurniawan(2011), menggunakan algoritma RLE dan LZ78 yangditerapkan pada citra bitmap, guna meminimalkan ukuran filesehingga tidak membebankan saat proses transfer data.Dikatakan juga bahwa metode Huffman ini merupakanmetode yang paling efisien dibandingkan dengan metode lainyang sejenis. Penelitian yang dilakukan oleh Faradisa danBudiono (2011) menerapkan metode Huffman sebagai teknikM. Azman Maricar: Pemampatan Citra Pas Foto

Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 1,Januari -April 2018DOI: nelitian Prastika dan kawan-kawan (2016), memilikikompresi citra. Metode Huffman diimplementasikan kedalampemograman Borland Delphi 7.0 dan citra yang digunakan tujuan untuk mengetahui pembuatan sistem pengenalanadalah grey scale dengan format BMP dengan kedalaman karakter plat kendaraan dari suatu citra kendaraan denganmetode Histogram sebagai sistem segmentasi karakter,warna 8 bit.Penelitian yang dilakukan oleh Hendri (2014), membahas pengenalan karakter plat kendaraan dari citra kendaraan. PCAmengenai kompresi citra dari format BMP ke format PNG. sebagai ektrasi ciri dan Euclidean Distance untuk klasifikasiHasil penelitannya menunjukkan bahwa kompresi ke format karakter. Hasil pada simulasi pengenalan karakter plat nomorPNG dapat di kompresi dengan rasio antara 30-70%, yang kendaraan dari citra kendaraan adalah sebesar 77,90% untukmenimbulkan informasi bahwa format PNG sangat tepat presentase dikenali benar dan 22,10% untuk presentasedigunakan untuk menyimpan data citra yang di kompresi dikenali salah, masing-masing dari ke-27 karakter.Penelitian Fitri dan kawan-kawan (2016), membahassecara lossless dan mampu mendukung kompresi pada tingkatmengenai steganografi pada citra digital berwarna 32-bitkedalaman warna mencapai 48bit.Penelitian yang dilakukan oleh Juma’in dan Melita (2011), dengan menggunakan Least Significant Bit. Hasil yangmembahas mengenai kompresi gambar dengan menggunakan didapatkan adalah menghasilkan kapasitas pesan rahasia yangDiscrete Cosine Transform (DCT), yang merupakan metode dapat disisipkan lebih besar dan tetap mampu menghasilkantransormasi yang cepat, metode yang luas dan kuat untuk kualitas citra stego yang baik dengan nilai Mean Square Errorsuatu kompresi citra. Dikatakan bahwa DCT memiliki tingkat (MSE) kurang dari 2 dan nilai Peak Signal-to-Noise Ratiokepadatan yang sangat baik. Penelitian yang dilakukan oleh (PSNR) diatas 45dB.Penelitian-penelitian tersebut menerapkan berbagaiMasatu dan kawan-kawan (2014), membahas mengenaipenerapan algoritma kompresi dan metode Fuzzy C-Means algoritma dan berbagai macam tujuan dalam hal citra. Namunpada kompresi citra dengan basis entropi. Kompresi entropi tidak satupun dari penelitian tersebut yang membahasini akan diimplementasikan pada citra dengan format yang mengenai kompresi citra pas foto dengan menggunakanberbeda yaitu JPEG dan PNG. Namun sebelumnya akan algoritma JPEG dan PCA serta MSE dan PSNR. Beberapadilakukan pengelompokkan yang disesuaikan dengan penelitian membahas mengenai algoritma JPEG, PCA, MSE,kandungan informasi dari citra itu sendiri dengan fuzzy c- dan PSNR, namun tidak membandingkan keduanya,penggunaan MSE dan PSNR pun tidak berhubungan denganmeans.Penelitian yang dilakukan oleh Yudhana dan kawan-kawan JPEG dan PCA Dalam penelitian ini akan membandingkan(2016), membandingkan segmentasi dari citra asli dengan hasil kompresi dari algoritma JPEG dan PCA dengan alatcitra kompresi dengan wavelet untuk identifikasi telur. Hasil ukur, yaitu MSE dan PSNR.dari penelitian ini adalah antara citra asli dengan citraIII. DESAIN PENELITIANkompresi wavelet memberikan 100% untuk kesamaannya.Dengan kata lain, dengan kompresi dapat meminimalkanpenggunaan media penyimpanan namun tidak mengubahinformasi yang ada pada suatu citra.Penelitian yang dilakukan oleh Mahesa dan Karpen (2017),membangun suatu aplikasi kompresi dan dekompresi padasuatu citra dengan metode Huffman. Bahasa pemogramanyang digunakan adalah Embarcadero Delphi 2010. Penelitianyang dilakukan oleh Kusdianti dan Septiarini (2014),melakukan kompresi citra dengan metode Run LengthEncoding (RLE) disimpan dalam format PNG. Hasilpengujian menunjukkan bahwa proses kompresi menghasilkandua buah file PNG yaitu citra pixel dan citra populasi denganukuran file yang beragam. Format BMP memiliki rasio 0,08% hingga 97%. Format TIFF, 28-74%.Penelitian yang dilakukan oleh Kholis dan Alam (2016),Gambar 1: Desain Penelitianbertujuan untuk membuat suatu sistem pengenalan wajahGambar 1 merupakan gambaran secara umum bagaimanadengan menggunakan Backpropagation Artificial NeuralNetwork dan Principal Component Analysis. Dengan adanya rancangan alur penelitian ini dilakukan. Suatu citra akan dibeberapa parameter pada Backpropagation, dapat diketahui kompresi dengan algoritma JPEG dan PCA. Hasil darikarakteristiknya yaitu dapat memperkecil error dan epoch, kompresi kedua algoritma akan dibandingkan guna mencariserta memperbesar Recognition Rate. Hasil yang didapat hasil kompresi terbaik sehingga mampu untuk meminimalkanmenunjukkan hubungan antara parameter eigen value, penggunaan media penyimpanan dan mendapatkan hasilparameter alpha, dan koefisien momentum terhadap dengan kualitas yang tidak terlalu jauh dari citra aslinya.Selanjutnya istilah-istilah kompresi dalam penelitian iniRecognition Rate yang diperoleh.akan dibahas.M. Azman Maricar: Pemampatan Citra Pas Foto p-ISSN:1693 – 2951; e-ISSN: 2503-2372

104Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 1,Januari -April 2018A. KompresiKompresi merupakan suatu teknik yang digunakan untukmemperkecil suatu data sehingga didapatkan ukuran yanglebih kecil dibandingkan ukuran aslinya, yang secaralangsungmeminimalkan penggunaan media penyimpanan,dengan cara mencari pola-pola yang berulang pada suatu datadan menggantinya dengan sebuah penanda [1,2,3,4,5]. Secaraumum teknik kompresi dapat dibedakan menjadi dua, yaitu:1) Metode Lossless : suatu kelas dari algoritma kompresiyang memberikan kemungkinan data yang asli dapat disusunkembali atau dikembalikan dari data kompresi [1,5,6]2) Metode Lossy : suatu metode yang digunakan untukmengkompresi data dan mendekompresikan data tersebut.Data asli dan data kompresi yang didapatkan tentu berbeda,namun perbedaan tersebut sangatlah tipis [1,5,6].B. Citra DigitalCitra digital dapat diartikan sebagai fungsi dari dua buahvariabel f(x,y), dimana x dan y merupakan koordinat spasialdan nilai dari f(x,y) adalah intensitas dari suatu citra terhadapkoordinat tersebut atau dapat juga dikatakan sebagai informasidalam bidang dua dimensi [2,7,8]. Citra juga merupakansebuah gambaran, kemiripan, atau imitasi dari suatu objekatau dapat juga dikatakan sebagai media yang digunakanuntuk menyimpan data secara visua, seperti gambar duadimensi yang digunakan untuk menyimpan suatu kejadian[4,9,10].4) Menghitung score: nilai akhir dari dataset yang dapatmewakili dataset itu sendiri.E. Mean Square Error (MSE)Mean square error (MSE) digunakan sebagai alat untukmengukur atau menghitung nilai rata-rata kesalahan (error)pada sebuah citra, semakin kecil nilai dari suatu MSE makaakan semakin baik hasilnya, yang artinya kualitas citra yangdihasilkan tidak jauh berbeda dengan citra aslinya [13].Perumusan MSE ditunjukkan pada perumusan (1) [13].F. Peak Signal to Noise Ratio (PSNR)Peak Signal to Noise Ratio (PSNR) merupakanperbandingan nilai sinyal antara citra cover dengan nilai sinyalcitra stego, yang sebelumnya telah terjadi perubahan sehinggamenghasilkan noise terhadap sinyal citra cover [13]. Noisemerupakan sinyal yang mengalami kehancuran pada bagiantertentu dalam sebuah citra digital sehingga dapatmengakibatkan kualitas yang berkurang dari sinyal tersebut[13]. Oleh karena itu, PSNR digunakan untuk menunjukkankualitas sinyal dari perbandingan antara citra sebelum dansesudah diproses [13]. Perumusan PSNR ditunjukkan padaperumusan (2) [13].C. Joint-Photograpic Experts Group (JPEG)Joint-Photograpic Experts Group (JPEG) merupakan salahsatu format dalam citra yang menggunakan kompresi loosy,namun mengalami penurunan kualitas dari citra itu sendiri.Format JPEG ini sangat tepat digunakan untuk menyimpancitra fotografi karena memiliki ukuran yang kecil dan baikbagi penglihatan manusia [6,7,11].IV. HASIL DAN ANALISADalam penelitian ini citra yang digunakan sebagai inputanadalah citra pas photo grayscale dan truecolor denganberbagai ukuran maupun dimensional. Pada Tabel 1 berikutini merupakan citra visual yang akan digunakan sebagai inputdalam penelitian ini.Algoritma kompresi yang akan diterapkan pada citra pasD. Principal Component Analysis (PCA)photo ini adalah Joint-Photograpic Experts Group (JPEG) danPrincipal Component Analysis (PCA) merupakan teknik Principal Component Analysis (PCA), yang mana prosesuntuk membuat suatu dataset menjadi lebih sederhana, dengan kompresi pada penelitian ini diimplementasikan denganmengurangi dataset multidimensional ke dimensi yang lebih menggunakan MATLAB. Pada Gambar 4 berikut inirendah, hal itu dilakukan dengan cara mengambil bagian merupakan contoh implementasi kompresi dengandimensi yang penting [8,12]. PCA memiliki tujuan untuk menggunakan MATLAB.mengurangi dimensionalitas data dan tetap menjaga sebanyakHasil dari kompresi JPEG dan PCA tersebut akan diukurmungkin variansi yang muncul dalam dataset [8,12]. serta dibandingkan dengan menghitung rasio kompresi denganLangkah-langkah dalam melakukan algoritma PCA [12]:Peak Signal to Noise Ratio (PSNR) dan Mean Square Error1) Scaling: membuat suatu dataset memiliki sebaran data (MSE). Dengan menghitung rasio kompresi PNSR dan MSE,dapat dilihat kualitas dari hasil kompresi kedua algoritmamenjadi lebih baik.yang digunakan tersebut, yaitu JPEG dan PCA. Pada Tabel 22) Menghitung covariance matrix: mengetahui matriks dari berikut ini merupakan hasil dari perbandingan ukuran sesudahvariansi yang ada.dan sebelum proses kompresi dengan algoritma JPEG.Rata-rata rasio kompresi yang didapat dari kompresi citra3) Menghitung nilai eigen dan vektor eigen: mengetahuipasphoto adalah 0.457134336. Rasio Kompresi yang lebihsejauh mana dimensionalitas dari suatu dataset dapat dipotong.Dimana dimensi yang memiliki nilai eigen yang besar kecil daripada 1 menunjukkan bahwa dengan algoritma JPEGcitra dapat direduksi hampir setengah dari citra awal atau citramerupakan dimensi yang sangat penting dalam dataset.sebelum kompresi.ISSN 1693– 2951; e-ISSN: 2503-2372M. Azman Maricar: Pemampatan Citra Pas Foto

Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 1,Januari -April 2018DOI: BEL ICITRA PAS PHOTONo.DimensionalCitra1.230 x 320(Truecolor)2.330 x 450(Truecolor)CitraGambar 4. Implementasi Kompresi PCATABEL IIPERBANDINGAN RASIO KOMPRESI JPEG3.450 x 660(Truecolor)660 x 10206.230 x 320(Grayscale)330 x 450(Grayscale)450 x660450 x 4336TABEL IIIPERBANDINGAN RASIO KOMPRESI 30 x 320450 x 6608.19.9660 x Grayscale99.968.04Rata-rata Rasio KompresiM. Azman Maricar: Pemampatan Citra Pas Foto RasioKompresiPada Tabel 3 berikut ini merupakan perbandingan rasiokompresi dengan algoritma PCA yang diimplementasikanpada citra pas photo.330 x 450660 x 1020(Grayscale)GrayscaleRata-rata Rasio KompresiDimensiCitra7.0.560576923230 x320660 x10205.UkuranKompresi(KB)23.32JenisCitra330 12060.6214242p-ISSN:1693 – 2951; e-ISSN: 2503-2372

106Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 1,Januari -April 2018Hasil perhitungan rasio kompresi dengan PCA yaitu0.6214242. Sama halnya dengan JPEG, nilai rasiokompresinya masih berada di bawah 1 sehingga tidak banyakinformasi yang hilang di dalamnya.Selain menganalisa ukuran citra sebelum dan sesudahkompresi, tahap selanjutnya harus dilakukan analisa denganmembandingkan kualitas citra hasil kompresi kedua algoritmayang digunakan dengan Mean Square Error (MSE) dan PeakSignal to Noise Ratio (PSNR), seperti yang ditunjukkan padaTabel IV berikut ini.TABEL IVHASIL KUALITAS CITRA KOMPRESI JPEG DAN 3DimensionalREFERENSI[1]230 x 320[6][7]330 x 594232.493933.1465[8]450 x 660[9]660 x 1020GrayscaleRata-rataRata-rata nilai MSE dan PSNR pada citra pas photo yangdikompresi dengan JPEG adalah 16.6542 dan 32.4939.Dengan demikian, dapat dikatakan bahwa citra pas photodengan format .jpg apabila dikompresi dengan algoritmaJPEG menghasilkan citra dengan kualitas yang bagus danerror yang kecil.Sedangkan rata-rata MSE dan PNSR untuk implementasicitra pas photo dengan menggunakan algoritma PCA yaitu32.5942 dan 33.1465. Nilai error yang dihasilkan darikompresi dengan algoritma PCA lumayan tinggi jikadibandingkan dengan kompresi JPEG. Namun kualitas citrayang dihasilkan hampir sama dengan JPEG.[10][11][12][13]Andika Satyapratama, Widjianto, dan Mahmud Yunus. AnalisisPerbandingan Algoritma LZW dan Huffman Pada Kompresi Citra FileGambar BMP dan PNG. Jurnal Teknologi Informasi, 2015; Vol.6 No.2:p.69-81.Iwan Fitrianto Rahmad dan Helmi Kurniawan. Kompresi File CitraBitmap Menggunakan Algoritma RLE dan LZ78. CSRID Journal, Juni2011; Vol.3 No.2: p.81-92.Irmalia Suryani Faradisa dan Bara Firmana Budiono. ImplementasiMetode Huffman Sebagai Teknik Kompresi Citra. Jurnal ElektroELTEK, Oktober 2011; Vol.2 No.2: p.176-182.Kharisma Mahesa dan Karpen. Rancang Bangun Aplikasi Kompresidan Dekompresi Pada Citra Digital Menggunakan Metode Huffman.PROCESSOR, April 2017; Vol.12 No.1: p.997-1012.Winda Kusdianti dan Anindita Septiarini. Kompresi Pada Citra DigitalMenggunakan Algoritma Run Length Encoding. SCAN, Februari 2014;Vol.9 No.1: p.29-32.Juma’in dan Yuliana Melita. Kompresi Gambar atau CitraMenggunakan Discrete Cosine Transform. Jurnal Teknika, 2011; Vol.3No.2: p.243-248.Dika Asoka Masatu, Indah Soesanti, dan Hanung Adi Nugroho.Penerapan Algoritma Kompresi JPEG dan Metode Fuzzy C-MeansPada Kompresi Citra Berbasis Entropi. Jurnal Penelitian TeknikElektro dan Teknologi Informasi, April 2014; Vol.1 No.1: p.7-11.I Dewa Gede Angga Prastika,Widyadi Setiawan, dan Pande KetutSudiarta. Analisis Sistem Pengenalan Karakter Plat Kendaraan DariCitra Kendaraan. Teknologi Elektro, Juli-Desember 2016; Vol.15 No.2:p.21-25.Anton Yudhana, Sunardi, dan Shoffan Saifullah. PerbandinganSegmentasi Pada Citra Asli dan Citra Kompresi Wavelet UntukIdentifikasi Telur. Jurnal Ilmiah ILKOM, Desember 2016; Vol.8 No.3:p.190-196.Gusti Rai Agung Sugiartha, Made Sudarma, dan I Made OkaWidyantara. Ekstraksi Fitur Warna, Tekstur dan Bentuk untukClustered-Based Retrieval of Images (CLUE). Teknologi Elektro,Januari-April 2017; Vol.16 No.1: p.85-90.Hendri. Kompresi Citra dari Format BMP ke Format PNG. JurnalTIME, 2014; Vol.3 No.1: p.27-31.Ikhwannul Kholis dan Syah Alam. Sistem Pengenalan Wajah DenganMenggunakan Backpropagation Artiicial Neural Network dan PrincipalComponent Analysis. J

Evaluasi Sistem Informasi Manajemen Kepegawaian dengan DS5 dan DS9 COBIT 4.1 Studi Kasus : Pemprov Bali, Aniek Laksmidewi, Linawati Linawati, Widyantara I.M.O. 25-32 Studi Pengaruh Rekonfigurasi Loop Scheme Terhadap Keandalan Penyulang Blahkiuh dan Penyulang Panglan, bagus widyananda yoga, I Gede Dyana Arjana, A.A Gede Maharta