ISSN : 2302-450X

PROSIDING PERTEMUAN DAN PRESENTASI KARYA ILMIAH

BALI, 23 OKTOBER 2015

PEMBICARA UTAMA SEMINAR PANEL DENGAN TEMA “Inovasi Teknologi Informasi dan Komunikasi dalam

Menunjang Technopreneurship”

Ir.Onno Widodo Purbo.M.Eng.Ph.D

Putu Sudiarta, S.Kom

PENYUNTING AHLI Dr. Ahmad Ashari.M.Kom

Dr. H. Agus Zainal Arifin, S.Kom.,M.Kom

Agus Muliantara, S.Kom., M.Kom.

PELAKSANA SEMINAR

PELINDUNG

Rektor Universitas Udayana, Bali

PENANGGUNG JAWAB

Dekan Fakultas MIPA Universitas Udayana

Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana

PANITIA

I Gusti Agung Gede Arya Kadyanan,S.Kom.,M.Kom.

I Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.

I Wayan Supriana,S.Si.,M.Cs.

Ida Bagus Made Mahendra, S.Kom., M.Kom.

I Komang Ari Mogi, S.Kom, M.Kom.

I Made Widi Wirawan, S.Si., M.Cs.

I Putu Gede Hendra Suputra, S.Kom., M.Kom.

Ngurah Agus Sanjaya ER., S.Kom., M.Kom.

Agus Muliantara, S.Kom.,M.Kom.

I Made Widiartha,S.Si., M.Kom.

Made Agung Raharja, S.Si., M.Cs.

I Gusti Ngurah Anom Cahyadi Putra, S.T., M.Cs. I Gede Santi Astawa, S.T., M.Cs.

Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.

Dra. Luh Gede Astuti, M.Kom.

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya

penyusunan Proceeding SNATIA 2014 ini. Buku ini memuat naskah hasil penelitian dari

berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah

dipresentasikan dalam acara Seminar SNATIA tahun 2015 pada tanggal 23 Oktober 2015

di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.

Kegiatan SNATIA 2015 merupakan agenda tahunan Program Studi Teknik

Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2015 mengambil

tema “Inovasi Teknologi Informasi dan Komunikasi dalam Menunjang

Technopreneurship”, dengan pembicara utama seminar yang terdiri dari pakar-pakar

peneliti dan Pemerhati dibidang Teknologi Informasi dan Technopreneurship.

Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah

dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu

panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas

kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat

diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-

mail snatia.unud@gmil.com.

Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam

penyelenggaraan seminar, dan penyusunan proceeding SNATIA 2015, panitia

mengucapkan terima kasih.

Denpasar, 17 Oktober 2015

Panitia SNATIA 2015

DAFTAR ISI

Kata Pengantar

Daftar Isi

Analisis dan Perancangan Sistem Informasi Kehadiran Pegawai pada Pusat

Penelitian Perkembangan IPTEK Lembaga Ilmu Pengetahuan Indonesia

Warkim ............... ............................................................................................... 1

Kompresi Citra Medis dengan Wavelet Packet

I Made Ari Dwi Suta Atmaja .............................................................................. 11

Ekstraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrival if Images

(CLUE)

Sugiartha I Gusti Rai Agung ............................................................................... 16

Peningkatan Kemampuan Guru dalam Menggunakan Geogebra sebagai

Media Pembelajaran Matematika SMP

Luh Putu Ida Harini............................................................................................. 21

Perbandingan Model Pembelajaran Kooperatif Tipe Belajar Bersama

Menggunakan Media Google Drive dan Tanpa Google Drive

Desak Putu Eka Nilakusuma............................................................................... 28

Analisa Faktor-Faktor yang Mempengaruhi Actual Usage dalam

Penggunaan Tiket Elektronik dengan Menggunakan Technology Acceptance

Model (TAM) Studi Kasus PT.KAI Commuter Jabodetabek

Enok Tuti Alawiah .............................................................................................. 35

Pemanfaatan Aplikasi Google Docs sebagai Media Pembinaan Karya Ilmiah

Remaja

Komang Dharmawan .......................................................................................... 45

Penerapan WAN dengan Protokol Routing RIP dan Passive Interfaces

sebagai Pemilihan Jalur Menggunakan GNS3

Anggarda Sanjaya ............................................................................................... 49

Perancangan dan Implementasi Sistem Informasi Maajemen Rumah Sakit

pada Unit Rawat Inap Studi Kasus Rumah Sakit Umum Famili Husada

I Dewa Ayu Kompyang Putri Utari .................................................................... 54

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit

Umum Famili Husada pada Unit Poliklinik

I G.Ag.Sri Ag. Chandra Kusuma ........................................................................ 62

Mengukur Kinerja Load Balancing pada Sistem Cloud Computing dengan

Parameter Throughput

I Gusti Ngurah Ary Juliantara ............................................................................. 71

Perancangan dan Implementasi Sistem Informasi Manajemen Gudang pada

Rumah Sakit Famili Husada

Luh Gede Apryta Astaridewi .............................................................................. 77

Perancangan Website E-Commerce pada Toko Gadget Online Store

Ni Kadek Dwi Asri ............................................................................................. 85

Segmentasi Citra Tulisan Tangan Karakter Aksara Bali Menggunakan

Metode Profile Projection

Ni Wayan Deviyanti Septiari .............................................................................. 91

Klasifikasi Penyakit Anak pada Proses Retrieve dalam Sistem Pakar Berbasis

Case Based Reasoning (CBR) dengan Metode Nearest Neighbour

Ni Wayan Ririn Puspita Dewi............................................................................. 98

Perancangan dan Implementasi Sistem Informasi Manajemen Instalasi

Gawat Darurat pada Rumah Sakit Famili Husada

Putu Ita Purnama Yanti ....................................................................................... 105

Analisis dan Perancangan Sistem Informasi Geografis Berbasis Web untuk

Mengetahui Ketersedian Air Tanah di Provinsi Bali

Made Dinda Pradnya Pramita ............................................................................. 112

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit

pada Unit Radiologi – Studi Kasus Rumah Sakit Umum Famili Husada

I Putu Agustina .... ................................................................................................ 120

Pengamanan File Video MP4 dengan Metode Enkripsi Menggunakan

Algoritma RC5

Rahmantogusnyta Mariantisna............................................................................ 128

Perancangan dan Implementasi Sistem Informasi Geografis Pariwisata di

Bali Berbasis Web

Deni Supriawan ... ................................................................................................ 133

11

KOMPRESI CITRA MEDIS DENGAN WAVELET PACKET

I Made Ari Dwi Suta Atmaja1, I Made Oka Widyantara

2,Linawati

2

1Teknik Elektro, Politeknik Negeri Bali

2Program Studi Magister Teknik Elektro, Universitas Udayana

Email: arisuta@pnb.ac.id1, oka.widyantara@unud.ac.id

2, linawati@unud.ac.id

2

ABSTRAK

Penggunaan citra medis dewasa ini mulai meningkat. Penyimpanan dan pengiriman citra medis dalam

bentuk aslinya akan membutuhkan sumber daya yang sangat besar. Salah satu usaha yang bisa dilakukan

adalah dengan melakukan kompresi. Wavelet packet adalah salah satu metode kompresi citra lossy yang

terbaru. Wavelet packet menyimpan semua hasil dekomposisi, dan bukan hanya bagian aproksimasinya. Dengan

demikian, diharapkan citra hasil kompresi memiliki kualitas yang lebih baik. Hasil transformasi akan dikodekan

dengan RLE, dimana sebelumnya akan diberikan threshold. Tujuan penelitian ini adalah untuk mengetahui

kemampuan packet wavelet dalam melakukan kompresi citra medisKualitas citra akan diukur secara kuantitatif

dengan PSNR.Hasil rata-rata PSNR adalah sebesar 32,77db dengan rasio sebesar 42,6%. Rata-rata waktu

kompresi dan dekompresi yaitu sebesar 5 detik dan 3,7 detik.

Kata Kunci: wavelet packet, threshold, kompresi, citra medis

ABSTRACT

Nowadays the use of medical images begins to rise. Store and delivermedical images in their original

form would require enormous resources. In order to save the resources, the images should be compressed.

Wavelet packet is one method of lossy image compression. Wavelet packet stores all decomposition result, does

not only store aproximation part. Thus, we assumne the image compression results will has better quality.

Results of the transformation will be encoded with RLE, after thresholding process. The purpose of this study is

to determine the ability of wavelet packet to compress medical image. Image quality will be measured

quantitatively by PSNR. The average PSNR is 32.77db with a ratio of 42.6%. Average time compression and

decompression that is equal to 5 seconds and 3.7 seconds.

Keywords: wavelet packet, threshold, compression, medical images

1 PENDAHULUAN

Dalam dunia medis ataupun sekolah

kedokteran, citra medis memegang peranan

penting.Data berupa citra ini seringkali digunakan

untuk kepentingan belajar, analisa dan diagnosa.Citra

medis yang dihasilkan oleh sebuah lembaga

kesehatan saat ini begitu banyak. Menurut Placidi[1]

dan Baeza [2], sebuah rumah sakit menengah saat ini

bisa menghasilkan rata-rata 5GB hingga 15 GB data.

Hal tersebut akan menyulitkan rumah sakit untuk

menangani data sebesar itu. Tidak hanya pada

masalah penyimpanan yang membutuhkan memori

besar, namun setiap saat data citra tersebut perlu

ditransmisikan. Citra dengan ukuran yang besar akan

membutuhkan waktu yang cukup lama untuk

ditransmisikan, sehingga hal ini akan mengakibatkan

lambatnya diagnosa dan penanganan pasien.

Kompresi citra dalam hal ini memegang

peranan penting. Kompresi citra merupakan suatu

metode yang bertujuan untuk mengurangi

penggunaan memori, sehingga akan memudahkan

penyimpanan, pengolahan serta waktu pengiriman

data digital lebih singkat dibandingkan dengan data

yang tidak terkompresi. Terdapat banyak metode

kompresi citra hingga saat ini.Semua metode tersebut

digolongkan ke dalam 2 jenis yaitu losy dan lossless.

Kompresi losy ini biasanya memiliki rasio kompresi

yang baik, namun kualitas citra menjadi menurun

karena terdapat informasi pada citra yang hilang,

sebaliknya kompresi lossless merupakan teknik

kompresi dengan kualitas citra rekonstruksi yang

sama dengan citra asli, namun pada sebagian besar

citra alami menghasilkan rasio yang buruk.

Dalam mengompres sebuah citra, ada 2

parameter utama yang akan diukur yaitu rasio

kompresi dan kualitas citra. Sebuah metode yang

baik adalah metode yang mampu menghasilkan rasio

kompresi yang tinggi, namun penurunan kualitas citra

masih bisa ditoleransi oleh mata manusia.Citra medis

merupakan citra yang akan dianalisis oleh dokter

ahli, sehingga kualitas citra medis tidak boleh

mengalami penurunan yang mengakibatkan salahnya

hasil diagnosa oleh seorang dokter ahli. Terdapat

banyak penelitian untuk mengompres citra medis

hingga saat ini, diantaranya [3, 4, 5, 6, 7].Banyaknya

ISSN : 2302 – 450X

12

penelitian terkini tentang metode kompresi citra

medis menunjukkan bahwa permasalahan ini sangat

penting dan menjadi perhatian bagi banyak ilmuwan

dunia.Melihat pentingnya permasalahan ini, maka

sebenarnya diperlukan sebuah metode kompresi yang

baik, sehingga penulis melakukan penelitian untuk

mengompresi citra medis dengan mengaplikasikan

packet wavelet transform (PWT) dan pengkodean

lossless RLE untuk menjaga agar kualitas citra tetap

baik.

Prinsip dasar PWT adalah mendapatkan

representasi waktu dan skala dari sebuah sinyal

menggunakan teknik filter digital dan operasi sub

sampling. Transformasi wavelet menggunakan 2

komponen penting dalam melakukan transformasi,

yaitu skala (scaling function) atau lowpass filtering

dan wavelet (wavelet function) atau highpass

filtering. Beberapa penelitian seperti [8, 9]

menunjukkan bahwa wavelet mampu memberikan

kualitas citra hasil kompresi yang baik dengan rasio

yang cukup tinggi. Teknik wavelet yang biasa

digunakan adalah discrete wavelet transform (DWT),

dimana hanya elemen frekuensi rendah saja yang

didekomposisi lebih dalam, sedangkan elemen

frekuensi tinggi tidak didekomposisi lebih lanjut.

Penelitian ini mencoba melakukan dekomposisi pada

setiap elemen, baik dengan frekuensi rendah maupun

tinggi dengan packet wavelet transform (PWT). Di

sinilah letak perbedaan pokok antara DWT dan PWT

yaitu PWT tidak hanya melakukan dekomposisi pada

elemen frekuensi rendah saja, namun juga pada

elemen frekeunsi tinggi.Tujuannya dilakukannya

dekomposisi seperti itu adalah untuk meningkatkan

kualitas citra hasil dekompresi. Rasio dalam hal ini

akan tetap dijaga dengan pemberian threshold.

Menurut Kharate dan Patil [8], rasio dan kualitas

yang baik bisa diperoleh dengan pemberian threshold

yang tepat.

Teknik kompresi Run Length Encoding (RLE)

telah banyak digunakan.Metode ini memanfaatkan

kemuculan nilai piksel secara berulang pada lokasi

yang berderetan.Metode ini bekerja sangat baik pada

data dengan perulangan nilai yang banyak.Mengingat

bahwa metode ini merupakan metode kompresi

lossless yang tetap menjaga kualitas asli data sebelum

dan sesudah dikompresi, maka metode ini cocok

diterapkan pada data hasil transformasi wavelet citra

medis, sehingga tidak ada informasi yang hilang.

Penelitian yang pernah dilakukan untuk kompresi

citra dengan RLE yaitu Chakraborty dan Benerjee

[10] yang dalam penelitiannya menggunakan

Enhanced RLE, dengan memodifikasi RLE yang

biasa, sehingga mengahasilkan rasio yang baik

dengan kualitas citra dekompresi yang terekonstruksi

dengan sempurna.

Dari informasi yang disampaikan di atas,

transformasi wavelet paket (PWT) dan RLE

merupakan perpaduan yang baik untuk menghasilkan

rasio kompresi yang tinggi namun dengan kualitas

citra medis yang baik. Dalam penelitian ini, juga

akan dilakukan penelitian nilai threshold yang baik.

Oleh karena itu, penelitian Kompresi Citra Medis

dengan Packet Wavelet Transform dan Pengkodean

Run Length Encoding diharapkan memberikan hasil

baik. Hasil yang diharapkan dari penelitian ini adalah

rasio kompresi yang tinggi dan citra hasil dekompresi

dengan kualitas yang baik.

2 MODEL, ANALISIS, DESAIN, DAN

IMPLEMENTASI 2.1Gelombang Singkat (Wavelet)

Wavelet merupakan bentuk sinyal dengan

durasi yang pendek dan terbatas yang memiliki nilai

rata-rata sebesar 0 [11]. Algoritma Wavelet

memproses data pada ukuran-ukuran atau resolusi-

resolusi yang berbeda. Melihat suatu sinyal dengan

window (jendela) yang besar, diperoleh gambar yang

besar. Bila melihat dengan window yang kecil, akan

diperoleh gambar yang kecil.

2.2 Haar Wavelet

Menurut Fugal [11], Haar Wavelet merupakan

wavelet yang paling sederhana, paling pendek dan

yang paling pertama digunakan. Meskipun Haar

kontinyu tidak ada dalam kehidupan nyata komputer

digital, namun estimasi yang baik bisa dihasilkan

dengan melakukan upsampling interpolasi (low pass

filtering) pada filter H’ [1 -1] untuk menghasilkan

titik-titik perkiraan yang banyak. Adapun Haar

wavelet ditunjukkan pada Gambar 1.

Gambar 1. Haar wavelet

Fugal (2009) menyatakan bahwa Haar wavelet

hanya memiliki 2 titik filter dasar, yaitu :

Low pass filter (L) : [1 1]

High pass filter (H) : [-1 1]

Inverse low pass filter (L’) : [1 1]

Inverse high pass filter (H’) : [1 -1]

2.3 Multi-Level Packet 2-D Wavelet

Transformation (PWT)

Dekomposisi PWT 2 dimensi pada sembarang

level ditunjukkan pada Gambar 2. Pada Gambar 2

terlihat bahwa citra mengalami satu level

dekomposisi dan menghasilkan 4 subbands, yaitu :

1. Koefisien Aproksimasi (subband LL).

I Made Ari Dwi Suta Atmaja, Kompresi Citra Medis Dengan Wavelet Packet

13

2. Koefisien Detail Vertikal (subband LH).

3. Koefisien Detail Horizontal (subband HL).

4. Koefisien Detail Diagonal (subband HH).

Tanda panah ke bawah pada Gambar 2

merupakan tanda untuk dilakukannya downsampling

dengan membuat panjang aL menjadi setengah kali

dari panjangnya semula. Salah satu teknik

downsampling yang biasa dilakukan adalah dengan

menghilangkan semua elemen koefisien pada indeks

ganjil dan mempertahankan koefisien pada indeks

genap. Transformasi dimulai dengan memindai citra

secara horizontal dengan lowpass filetering (L)

sehingga menghasilkan koefisien aL dan dengan

highpass filtering (H) sehingga menghasilkan

koefisien aH. Untuk setiap aL dan aH akan di-

downsampling, kemudian dilakukan pemindaian

secara vertikal dengan L dan H, yang kemudian akan

di-downsampling kembali, dan menghasilkan LL,

LH, HL, dan HH yang ukurannya adalah seperempat

dari ukuran subband sebelumnya.

Gambar 2. Dekomposisi PWT pada level tertentu

(Fugal, 2009)

2.4 Peak Signal-To-Noise Ratio (PSNR) dan

Mean Square Error (MSE)

Untuk membuat ukuran kualitas hasil

pemampatan citramenjadi ukuran kuantitatif

digunakan besaran PSNR (peak signal-to-noise ratio).

Menurut Sutoyo [12], PSNR dihitung untuk

mengukur perbedaan antara citra semula dengan citra

hasil pemampatan (tentu saja citra hasil pemampatan

harus dinirmampatkan terlebih dahulu), dengan

rumus:

PSNR = 20 x log10

MSE

b (1)

Dengan b adalah nilai sinyal terbesar (pada citra

hitam-putih, b = 255) dan mse adalah akar pangkat

dua dari selisih antara citra semula dengan citra hasil

pemampatan[13]. Nilai mse dihitung dengan rumus:

N

i

M

j

ijij ffTinggiLebar 1 1

2,1 =MSE (2)

Dalam hal ini,f dan f’ masing-masing

menyatakan nilai piksel citra semula dan nilai piksel

citra hasil pemampatan. PSNR memiliki satuan

decibel (dB). Semakin besar nilai PSNR, semakin

bagus kualitas pemampatannya.

2.5. Kompresi Citra dengan PWT dan

Pengkodean RLE

Secara umum aplikasi kompresi citra yang

dibuat memiliki arsitektur seperti ditunjukkan pada

Gambar 3. Sembarang citra masukan akan diproses

dengan multi-level PWT, di mana dalam hal ini level

akan dipilih oleh pengguna. Hasil dekomposisi dalam

bentuk matriks akan diberikan threshold, dimana data

yang lebih kecil daripada threshold akan diubah

menjadi nol, sedangkan sisanya tidak diubah. Hasil

pemberlakukan threshold akan dikodekan dengan

RLE yang bersifat lossless dengan harapan

representasi data bisa lebih singkat sehingga rasio

kompresi bisa ditingkatkan tanpa mengurangi nilai

PSNR. Kode RLE yang telah terbentuk, akan

disimpan pada sebuah file biner. File biner inilah

yang merupakan data hasil kompresi. Untuk langkah

pembalikan (dekompresi) citra, maka langkah

pertama yang harus dilakukan adalah membuka file

biner yang berisi kode RLE. Pembacaan data mulai

dilakukan untuk mendekodekan data dengan

pendekodean RLE. Data hasil decoding RLE

selanjutnya akan direkonstruksi dengan filter inverse

PWT. Hasil rekonstruksi inilah yang akan

ditampilkan kepada pengguna sebagai citra hasil

dekompresi.

Gambar 3. Arsitektur Aplikasi Kompresi Citra

dengan PWT dan RLE

Adapun flowchart proses kompresi

ditunjukkan pada Gambar 4. Pada Gambar tersebut

tampak bahwa proses dimulai dengan menerima

input berupa citra, level dekomposisi dan dilanjutkan

dengan threshold. Langkah berikutnya adalah

melakukan dekomposisi dengan wavelet packet.

Nilai-nilai di bawah threshold akan dijadikan nol.

Setelah proses thresholding dilakukan, maka

pengkodean RLE dilakukan dan hasilnya disimpan ke

dalam file berformat dat. File inilah yang merupakan

hasil citra terkompresi.

ISSN : 2302 – 450X

14

Mulai

Transformasi dengan

packet wavelet

Pengkodean RLE

Baca level

dekomposisi

Baca threshold

Simpan pada file

dat

File dat

Baca citra

Selesai

Gambar 4. Flowchart Kompresi Citra

Mulai

Rekonstruksi wavelet

Citra

dekomposisi

Baca File dat

Selesai

Pembacaan level

dari file dat

Pendekodean RLE

Gambar 5. Flowchart Dekompresi Citra

Flowchart dekompresi citra ditunjukkan pada

Gambar 5. Pada Gambar tersebut tampak bahwa

input ke dalam system berupa file dat. Dalam file

tersebut terimpan informasi level dekomposisi yang

telah dilakukan. Langkah pertama yang dilakukan

adalah membaca data kode RLE. Data kode RLE

tersebut kemudian didekodekan untuk mendapatkan

data hasil transformasi. Data hasil transformasi inilah

yang akan direkonstruksi. Hasil rekonstruksi inilah

yang merupakan citra hasil dekompresi.

3 SKENARIO UJI COBA

Pengujian terhadap hasil kompresi citra

dilakukan dengan PSNR, waktu kompresi dan rasio

kompresi. Perhitungan PSNR akan diawali dengan

perhitungan MSE dengan Persamaan 2, kemudian

dilanjutkan dengan perhitungan PSNR dengan

Persamaan 2. Nilai PSNR untuk kompresi lossy

biasanya adalah 30 and 50 db. Citra yang akan

diujikan adalah citra medis keabuan dengan jumlah

sebanyak 8 citra. Untuk melihat hasil pengamatan,

maka akan dibuatkan tabel pengamatan yang akan

menampilkan nama citra, ukuran asli, ukuran

kompres, rasio, waktu dan PSNR. Citra yang akan

diuji memiliki berbagai ukuran. Hasil akhirnya

adalah berupa rata-rata waktu, rasio dan PSNR dari

seluruh citra. Tabel 1 menunjukkan tabel pengujian.

Tabel 1. Tabel Rancangan Pengujian Citra Ukuran

Asli

Ukuran

Kompres

Rasio Waktu

(s)

PSNR

(db)

Citra 1 xx xx xx xx xx

Citra 2 xx xx xx xx xx

... ... ... ... ... ...

... ... ... ... ... ...

Citra

10

xx xx xx xx xx

Rata-

rata

xx xx xx xx xx

Rasio kompresi akan dihitung dengan rumus

pada Persamaan 3. FA merupakan ukuran file asli,

sedangkan FK merupakan ukuran file terkompresi.

(3)

4 HASIL UJI COBA

Penelitian ini menggunakan contoh delapan

buah citra medis. Adapun mother wavelet yang

digunakan adalah Haar. Setelah mengalami proses

transformasi, nilai-nilai tersebut akan dikodekan

dengan RLE. Thresholdyang digunakan yaitu 35.

Tabel 2. Hasil Pengujian

Ci

tra

Ukuran

File

Asli

(KB)

Ukuran

File

Kom

(KB)

Rasio

(%)

Waktu

Komp

(dt)

Waktu

De

komp

(dt)

PSNR

1 249 164 34 0,3 2,7 31,21

2 257 102 60 0,9 5,6 38,25

3 249 194 22 0,3 2,6 30,05

4 249 256 -3 0,2 3,4 30,44

5 249 141 44 0,3 2,2 31,43

6 527 153 71 0,7 4,4 35,46

7 469 222 53 0,6 4,4 32,18

8 469 186 60 0,6 4,2 33,17

Rata 340 177 42,6 0,5 3,7 32,77

Tabel 2, menunjukkan hasil kompresi dari

kedelapan citra uji. Pada Tabel 2 ditunjukkan setiap

I Made Ari Dwi Suta Atmaja, Kompresi Citra Medis Dengan Wavelet Packet

15

citra yang digunakan untuk pengujian. Setiap

barisnya menunjukkan rasio yang dihitung dari

Persamaan 3, waktu kompresi, waktu dekompresi dan

PSNR. Baris terakhir menujukkan rata-rata dari

setiap kolom di atasnya.Pada pengujian tersebut,

terdapat satu file dengan rasio yang bernilai

minus.Rata-rata rasio sudah baik yaitu sebesar

42,6%. Rata-rata waktu kompresi cukup rendah yaitu

0,5 detik, sedangkan waktu dekompresi sebesar 3,7

detik. Nilai rata-rata PSNR adalah sebesar

32,77.Berdasarkan teori, nilai PSNR tersebut masih

bisa diterima.

Gambar 6a dan 6b menunjukkan contoh citra

asli, yang kemudian dikompresi dengan mother

wavelet Haar, pada level dekomposisi 3 dengan

threshold sebesar 30. Rasio kompresi adalah sebesar

47%, sedangkan PSNR adalah sebesar 32,84db.

Waktu kompresi adalah sebesar 0,4 detik, sedangkan

waktu dekompresi adalah sebesar 4,9 detik.

Gambar 6a. Citra Asli

Gambar 6b. Citra Hasil

Dekompresi

5 KESIMPULAN Kompresi citra dengan wavelet packet

dilakukan terhadap delapan citra medis. Percobaan

dilakukan dengan nilai threshold 35 dan mother

wavelet Haar. Dari hasil pengujian, diperoleh hasil

bahwa nilai PSNR masih bisa diterima yaitu sebesar

32,77db dengan rasio sebesar 42,6%.Waktu kompresi

dan dekompresi masih bisa diterima yaitu sebesar 5

detik dan 3,7 detik.

Penelitian lebih lanjut bisa dilakukan dengan

melakukan eksplorasi pemilihan mother wavelet

yangs sesuai untuk menghasilkan citra terkompresi

dengan PSNR dan rasio yang baik.

6 DAFTAR PUSTAKA [1] Placidi, G., 2009.Adaptive compression

algorithm from projections: Application on

medical greyscaleimages. J. Comput. Biol. Med.

39: pg 993–999.

[2] Baeza, I., Verdoy, A., 2009.ROI-based

Procedures for progressive transmission of

digital images: Acomparison. Elsevier J. Math.

Comput.Model.50, pg 849–859.

[3] Agrawal,J.P., Vijay. R., 2012.Wavelet

Compression Of Ct Medical Images.

International Journal of Scientific Research

Engineering & Technology (IJSRET)Volume 1

Issue3. pp 045-051.

[4] Ruchika, Singh, M., Singh, A. R.,

2012.Compression of Medical Images Using

Wavelet Transforms. International Journal of

Soft Computing and Engineering (IJSCE)ISSN:

2231-2307, Volume-2, Issue-2, pg. 339-343.

[5] PraveenKumar, E., Sumithra, M. G., 2013.

Medical Image Compression Using Integer

Multi Wavelets Transform for Telemedicine

Applications. International Journal Of

Engineering And Computer Science

ISSN:2319-7242Volume 2 Issue 5 May, pg

1663-1669.

[6] Bairagi, V. K., Sapkal, A. M., 2013. ROI-based

DICOM image compression for

telemedicine.Sādhanā Vol. 38, Part 1, pp. 123–

131.

[7] Ramesh,S.M., Shanmugam, A., 2010. Medical

Image Compression using

WaveletDecomposition for Prediction Method.

(IJCSIS) International Journal of Computer

Science and Information Security, Vol. 7, No. 1,

2010 pg. 262-265.

[8] Kharate, G. K., Patil,V. H., 2010. Color Image

Compression Based On Wavelet Packet Best

Tree.IJCSI International Journal of Computer

Science Issues, Vol. 7, Issue 2, No 3, pg. 31-35.

[9] Alwan, I. M., 2012.Image Compretion Using

Wavelet Transform With Rle. Al- Mustansiriya

J. Sci Vol. 23, No 3, Pg 173-172.

[10] Chakraborty, D., Banerjee, S., 2011. Efficient

Lossless Colour Image Compression Using Run

Length Encoding and Special Character

Replacement. International Journal on

Computer Science and Engineering (IJCSE)

Vol. 3 No. 7.pg 2719-2725.

[11] Fugal, D. L., 2009. Conceptual Wavelets In

Digital Signal Processing. Space and Signal

Technologies.

[12] Sutoyo, T., Mulyanto, E., Suhartono, V.,

Nurhayati, O. D., Wijanarto, 2009. Teori

Pengolahan Citra Digital. Andi : Yogyakarta.

[13] Munir, R., 2004. Pengolahan Citra Digital

dengan Pendekatan Algoritmik. Informatika :

Bandung.