Teknologi Multimedia Dan Internet

Pengolahan Citra (Image)

Merupakan operasi yang dilakukan untuk mentransformasikan suatu citra menjadi citra lain dapat dikategorikan berdasarkan tujuan transformasi maupun cakupan operasi yang dilakukan terhadap citra.

Berdasarkan tujuan transformasi operasi pengolahan citra dikategorikan sebagai berikut   :

Peningkatan Kualitas Citra (Image Enhancement), Operasi peningkatan kualitas citra bertujuan untuk meningkatkan fitur tertentu pada citra.

Pemulihan Citra (Image Restoration), Operasi pemulihan citra bertujuan untuk mengembalikan kondisi citra pada kondisi yang diketahui sebelumnya akibat adanya pengganggu yang menyebabkan penurunan kualitas citra.

Berdasarkan cakupan operasi yang dilakukan terhadap citra, Operasi pengolahan citra dikategorikan sebagai berikut   :

Operasi titik, yaitu operasi yang dilakukan terhadap setiap piksel pada citra yang keluarannya hanya ditentukan oleh nilai piksel itu sendiri.

Operasi area, yaitu operasi yang dilakukan terhadap setiap piksel pada citra yang keluarannya dipengaruhi oleh piksel tersebut dan piksel lainnya dalam suatu daerah tertentu. Salah satu contoh dari operasi berbasis area adalah operasi ketetanggaan yang nilai keluaran dari operasi tersebut ditentukan oleh nilai piksel-piksel yang memiliki hubungan ketetanggaan dengan piksel yang sedang diolah.

Operasi global, yaitu operasi yang dilakukan tehadap setiap piksel pada citra yang keluarannya ditentukan oleh keseluruhan piksel yang membentuk citra.

Pustaka :

- http://id.wikipedia.org/wiki/Pengolahan_citra

A. KOMPRESI

kompresi data adalah sebuah cara untuk memadatkan data sehingga hanya memerlukan ruangan penyimpanan lebih kecil sehingga lebih efisien dalam menyimpannya atau mempersingkat waktu pertukaran data tersebut. Ada terdapat dua jenis pemampatan data, yaitu pemampatan tanpa kehilangan (lossless data compression) dan pemampatan berkehilangan (lossy data compression).

1. Lossless Kompresi

Teknik ini mampu memadatkan data dan mengembalikannya sama persis seperti semula. Tidak ada informasi yang hilang atau harus dikurangi dalam proses untuk mengurangi ukuran besar data. Biasanya algoritma pemadatan data jenis ini menggunakan prinsip kelebihan statistik (statistical redundancy) supaya data bisa disimpan dengan lebih ringkas. Karena kebanyakan data yang dipakai sehari-hari memiliki bagian yang berulang atau berlebihan (redundant data), pemampatan tanpa kehilangan bisa terjadi.

Contoh mudahnya, apabila berkas gambar berukuran 256x256 berwarna polos (setiap pixel berwarna sama) dan tiap pixelnya berukuran 4 byte, tanpa pemadatan, berkas harus disimpan berukuran 4 kali 256x256, sama dengan 262144 byte. Namun, dengan pemadatan, maka data yang perlu disimpan hanyalah data satu warna tersebut dan informasi bahwa seluruh pixel gambar memiliki satu warna yang sama. Jadi, data yang perlu disimpan hanyalah 4 byte tambah beberapa byte untuk menandakan pengulangan pixel yang sama. Ingatlah ini hanya contoh yang simpel.

Pemadatan tanpa kehilangan memiliki batas rendah di mana berkas tidak bisa dipadatkan lebih jauh lagi. Teorem Shannon menunjukkan bahwa pemadatan data tidak bisa menghasilkan kadar kode yang lebih rendah daripada entropi Shannon berkas, tanpa menyebabkan kehilangan informasi. Maka, apabila suatu berkas sudah dipadatkan (misalnya, berkas gambar disimpan di berkas .zip), berkas .zip tersebut tidak bisa lagi dipadatkan.

Contoh algoritma adalah Lempel-Ziv, Lempel-Ziv-Welch, Lempel-Ziv-Markov, FLAC, ALAC, dan PAQ.

2. Lossy KompresiDengan teknik ini, kehilangan data yang kecil masih dapat diterima. Dengan

algoritma tertentu, detil berkas dipangkas supaya ukuran data bisa dikecilkan. Contohnya, pemadatan data dengan format berkas gambar JPEG bisa menyimpan data yang banyak, tapi juga mampu memangkaskan bagian-bagian visual yang kurang penting demi menghemati memori simpan. Berkas MP3 bisa menyimpan data lagu yang bersuara lebih jernih, tapi juga bisa mengurangi mutu suara jika ukuran data harus dikurangi. Contoh algoritma adalah MP3, JPEG, Ogg dan MPEG-2.

Pengulangan data (data redundancy ) adalah duplikasi data artinya data yang sama disimpan dalan beberapa file. Independensi data adalah kemampuan untuk membuat perubahan dalan struktur data tanpa membuat perubahan pada program yang memproses data. Independensi data dicapai dengan menempatkan spesifikasi data dalam label dan kamus yang terpidah secara fisik dari program.

Data redundancy adalah sebuah pembicaraan sentral pada kompresi citra digital. Hal ini bukanlah konsep yang abstrak tapi sebuah entitas yang dapat dihitung secara matematis. Bila n1  dan n2 berarti jumlah unit pembawa informasi dalam dua kumpulan data yang

merepresentasikan informasi yang sama, maka relative data redundancy RD dari kumpulan data yang pertama ( n1 ) dapat didefinisikan sebagai

Dimana CR, yang umumnya dipanggil rasio kompresi, adalah

Dalam kompresi citra digital, tiga dasar perulangan data (data redundancy) dapat diidentifikasi dan dieksploitasi menjadi: coding redundancy, interpixel redundancy, dan psychovisual redundancy. Kompresi data dijangkau saat satu atau lebih dari perulangan-perulangan ini dikurangi atau dihilangkan.

Coding Redundancy / Perulangan PengkodeanMerupakan redundancy yang terjadi bila suatu kode simbol yang digunakan

terdiri dari sejumlah bit yang melebihi jumlah bit yang diperlukan untuk representasi setiap simbol (dalam hal ini: tingkat keabuan piksel citra).

Menggunakan sebuah rumus serupa untuk menunjukkan bagaimana histogram gray-level dari sebuah citra dapat pula menyediakan sebuah pengertian besar kedalam pengkonstruksian kode untuk mengurangi jumlah data yang digunakan untuk menampilkan citra itu.

Dimana L adalah jumlah dari gray levels, nk adalah jumlah dari kelipatan ke-k gray level muncul pada citra, dan n adalah total jumlah dari pixel pada citra. Bila jumlah dari bit digunakan untuk menampilkan tiap nilai dari rk adalah l(rk), maka rata-rata jumlah dari bit yang dibutuhkan untuk menampilkan tiap pixel adalah

...... (8. 14)Contoh: Sebuah citra 8-level mempunyai distribusi gray-level seperti ditunjukkan pada tabel 8.1. Jika sebuah kode biner natural 3-bit digunakan untuk menampilkan 8 kemungkinan gray level, Lavg adalah 3 bit, karena l1(rk) = 3 bit untuk semua rk. Jika kode 2 dalam tabel 8.1 digunakan, bagaimanapun, jumlah rata-rata dari bit yang dibutuhkan untuk mengkodekan citra berkurang hingga :

Pada contoh sebelumnya, menggunakan bit yang lebih sedikit untuk gray level yang lebih memungkinkan daripada yang lebih kecil kemungkinannya dapat menghasilkan kompresi data. Proses ini umumnya mengacu sebagai variable-length coding / pengkodean panjang-variabel. Bila gray level dari sebuah citra dikodekan sedemikian sehingga menggunakan symbol kode lebih banyak dari yang dibutuhkan untuk menampilkan masing-masing gray level, citra yang dihasilkan dapat dikatakan berisi coding redundancy. Secara umum, coding redundancy muncul saat kode yang digunakan untuk sebuah kumpulan kejadian (seperti nilai gray-level) tidak dipilih untuk menggunakan seluruh keuntungan dari kemungkinan kejadian. Sebuah pengkodean biner yang natural dari gray levelnya menambahkan jumlah yang sama dari bit kepada kedua kemungkinan nilai yang paling banyak dan paling sedikit, dengan demikian persamaan 8.1-4 gagal diminimalisir dan menyebabkan coding redundancy.

Interpixel RedundancyMerupakan data redundancy dinyatakan dengan korelasi antar piksel dimana

intensitas suatu piksel dapat diperkirakan dari intensitas piksel-piksel tetangganya. Artinya: informasi yang dibawa oleh setiap piksel relatif tidak besar atau kontribusi setiap piksel kepada gambar secara keseluruhan adalah redundan.

Nilai dari semua pixel dapat beralasan untuk diprediksi dari nilai tetangganya, maka informasi yang dibawa oleh satu pixel relatif kecil. Kebanyakan dari kontribusi visual dari sebuah single pixel dari sebuah citra adalah berulang; hal itu dapat diprediksi dari nilai tetangganya. Keberagaman nama, termasuk spatial redundancy, geometric redundancy, dan interframe redundancy, telah dilakukan untuk mengarahkan ketergantungan interpixel ini.

Terkait dengan pengurangan pengulangan interpixel / interpixel redundancy dalam sebuah citra, array pixel 2-D secara normal digunakan untuk pengamatan manusia dan interpretasi harus ditransformasi kedalam sebuah format yang lebih efisien. Contohnya, perbedaan antar pixel yang berdekatan dapat digunakan untuk menampilkan citra. Tipe transformasi seperti ini disebut mappings. Mereka dipanggil

reversible mappings / mapping dua arah bila elemen citra aslinya dapat direkonstruksi dari kumpulan data yang ditransformasi.

Psychovisual RedundancySuatu fenomena dimana intensitas keabuan yang bervariasi dilihat sebagai

intensitas konstan, artinya: mata tidak mempunyai sensitivitas yang sama terhadap semua informasi yang dianggap penting dan tidak penting. Hal tersebut diatas dapat dikatakan sebagai psychovisual redundancy, yang bila dihilangkan tidak mengganggu persepsi kwalitas citra.

Kecerahan dari sebuah daerah, sebagaimana yang diterima mata, tergantung faktor-faktor tertentu daripada hanya sekedar cahaya yang dipantulkan oleh daerah itu. Contohnya, variasi intensitas dapat dilihat dalam sebuah area dari intensitas konstan. Fenomena tersebut dihasilkan dari fakta bahwa mata tidak merespon dengan sensivitas yang sama terhadap semua informasi visual. Beberapa informasi memiliki tingkat kepentingan relative lebih rendah dari informasi yang lain dalam proses visual normal. Informasi ini dikatakan psychovisually redundant. Hal ini dapat dihilangkan tanpa merusak persepsi citra.

Psychovisually redundant secara fundamental berbeda dari perulangan yang telah didiskusikan sebelumnya. Tidak seperti perulangan kode maupun interpixel, perulangan psychovisual berasosiasi dengan informasi visual yang nyata atau dapat dihitung. Eliminasinya hanya mungkin karena informasi itu tidak penting untuk proses visual normal.

Teknik yang disebut improved gray-scale (IGS) quantization mengenali sensivitas mata membatasi dan memutusnya dengan menambahkan untuk setiap pixel sebuah bilangan acak, yang dihasikan dari bit urutan terbawah dari pixel yang bertetangga, sebelum menghitung hasilnya. Tabel 8.2 mengilustrasi metode ini. Jumlahnya pertama kali dibentuk dari nilai 8-bit gray-level awal dan empat bit paling akhir yang dihasilkan jumlah paling akhir. Bila empat bit paling penting dari nilai sekarang adalah 11112, bagaimanapun, 00002 akan ditambahkan pula. Empat bit paling penting dari jumlah yang dihasilkan digunakan sebagai nilai pixel yang terkode.

Perbedaan utama antara Coding Redundancy, Interpixel Redundancy dan Psychovisual Redundancy adalah penyebab adanya data redundancy dan teknik eliminasi redundancy n Coding redundancy : Terjadi bila suatu kode simbol yang digunakan terdiri dari

sejumlah bit yang melebihi jumlah bit yang diperlukan untuk representasi setiap simbol (dalam hal ini: tingkat keabuan piksel citra).

Teknik eliminasinya dengan cara mengubah pengkodean. Tingkat keabuan yang probabilitas terjadinya tinggi diberi panjang kode yang pendek, dan bila sebaliknya diberi kode yang panjang n Interpixel redundancy : data redundancy dinyatakan dengan korelasi antar piksel dimana intensitas suatu piksel dapat diperkirakan dari intensitas piksel-piksel tetangganya.Teknik eliminasinya dengan mengubah representasi citra image. citra tidak dinyatakan dalam bentuk matriks dari intensitas piksel-pikselnya, akan tetapi dipetakan (mapping) dalam bentuk perbedaan intensitas antar piksel yang bersebelahan.

Pustaka :

- http://mgsmultimedia.blogspot.com/2011/01/pengolahan-citra-digital-image.html

- http://viplab.if.its.ac.id/pcd_online/Chapter%208.html

Kompresi Citra

Kompresi Citra adalah aplikasi kompresi data yang dilakukan terhadap citra digital dengan tujuan untuk mengurangi redundansi dari data-data yang terdapat dalam citra sehingga dapat disimpan atau ditransmisikan secara efisien. Kompresi Citra dilakukan untuk :

a. Data citra umumnya berukuran besar b. Tidak praktis dalam aspek penyimpanan, proses dan transmisi c. Perlu reduksi atau pemampatan data dengan mengurangi redundancy atau

duplikasi data Pustaka :

- http://diyarblablablap.blogspot.com/2012/06/pengertian-kompresi-citra.html

- http://darkx54.blogspot.com/2012/11/kompresi-citra_25.html

Aplikasi Kompresi

a. ZIP File FormatZIP Ditemukan oleh Phil Katz untuk program PKZIP kemudian dikembangkan

untuk WinZip, WinRAR, 7-Zip.filenya Berekstensi *.zip dan MIME application/zip ZIP Dapat menggabungkan dan mengkompresi beberapa file sekaligus menggunakan bermacam-macam algoritma, namun paling umum menggunakan Katz’s Deflate Algorithm.

Beberapa method Zip: Shrinking : merupakan metode variasi dari LZW Reducing : merupakan metode yang mengkombinasikan metode same byte

sequence based dan probability based encoding.

Imploding : menggunakan metode byte sequence based dan Shannon-Fano encoding.

Deflate : menggunakan LZW Bzip2, dan lain-lain

b. RAR FileRAR Ditemukan oleh Eugene Roshal, sehingga RAR merupakan singkatan dari

Roshal Archive pada 10 Maret 1972 di Rusia. ciri -ciri : Berekstensi .rar dan MIME application/x-rar-compressed Proses kompresi lebih lambat dari ZIP tapi ukuran file hasil kompresi lebih kecil. Aplikasi: WinRAR yang mampu menangani RAR dan ZIP, mendukung volume split, enkripsi

AES.Pustaka :

- http://faliq.blog.widyatama.ac.id/2012/04/22/teknik-kompresi-multimedia/

B. Teknik Klasifikasi Kompresi

1. Entropy Encoding merupakan lossless kompresi data skema yang tidak tergantung pada karakteristik khusus dari media. Teknik Kompresi data yang bersifat loseless, tekniknya tidak berdasarkan media dengan spesifikasi dan karakteristik tertentu namun berdasarkan urutan data. berupa Statistical encoding yaitu tidak memperhatikan semantik data.

Salah satu jenis utama pengkodean entropi menciptakan dan memberikan yang unik kode awalan bebas ke setiap simbol unik yang terjadi pada input. Ini entropi encoders kemudian kompres data dengan mengganti setiap simbol masukan tetap-panjang oleh codeword variabel-panjang sesuai awalan bebas output. Panjang codeword setiap kira-kira sebanding dengan negatif logaritma dari probabilitas . Oleh karena itu, simbol yang paling umum menggunakan kode terpendek.

Menurut Shannon teorema sumber coding , panjang kode yang optimal untuk simbol ini b-log P, di mana b adalah jumlah simbol yang digunakan untuk membuat kode output dan P adalah probabilitas dari simbol masukan.

Dua teknik yang paling umum pengkodean entropi adalah Huffman coding dan coding aritmatika . Jika karakteristik entropi perkiraan aliran data yang diketahui sebelumnya (terutama untuk kompresi sinyal ), kode statis sederhana mungkin berguna. Kode-kode statis termasuk kode yang universal (seperti Elias gamma coding atau Fibonacci coding ) dan Golomb kode (seperti coding unary atau padi coding ).

2. Source Coding, merupakan teknik kompresi data yang bersifat lossy dan berkaitan dengan data semantik (arti data) dan media. Misal: Prediction (DPCM, DM), Transformation (FFT, DCT), LayeredCoding (Bit position, subsampling, sub-band coding), Vector quantization

3. Hybrid Coding, merupakan suatu teknik kompresi gabungan antara lossy dan loseless. misalnya JPEG, MPEG, H.261, DVI

Pustaka :

- http://angeloproduk.blogspot.com/2009/05/mkompresi-data.html

- http://ekosuhartono.blogdetik.com/?p=557

Algoritma kompresi

1. Run-length Encoding (RLE) Kompresi data teks dilakukan jika ada beberapa huruf yang sama yang

ditampilkan berturut-turut. Contoh data: ABCCCCCCCCDEFGGGG = 17 karakter.RLE tipe 1 (min. 4 huruf sama) :  ABC!8DEFG!4 = 11 karakter. Beberapa

elemen angka yang sama diwakilkan dengan satu buah elemen angka yang diberikan jumlahnya. Contoh: 111333322222211111 à (1,3),(3,4),(2,6),(1,5) atau dengan contoh yang lain 10000001 dikompresi menjadi 10!61.

RLE ada yang menggunakan suatu karakter yang tidak digunakan dalam teks tersebut seperti misalnya “!‟ untuk menandai. Misal data : ABCCCCCCCCDEFGGGG = 17 karakter

RLE tipe 2: -2AB8C-3DEF4G = 12 karakter Misal data : AB12CCCCDEEEF = 13 karakter RLE tipe 2: -4AB124CD3EF = 12 karakter

Best case: untuk RLE tipe 2 adalah ketika terdapat 127 karakter yang sama sehingga akan dikompres menjadi 2 byte saja.

Worst case: untuk RLE tipe 2 adalah ketika terdapat 127 karakter yang berbeda semua, maka akan terdapat 1 byte tambahan sebagai tanda jumlah karakter yang tidak sama tersebut. Menggunakan teknik loseless.

2. Repetition SuppressionMengubah angka atau huruf yang berulang-ulang diwakilkan dengan satu

hurup dengan jumlahnya. Contoh : 984000000000000000000000000 = 984A24

3. Pattern Substitution Melakukan subtitusi kata-kata menjadi huruf maupun symbolContoh:

This book is an exemplary example of a book…. This à1、is à2、an à3、of à 4、a à 5 book àb*…. 1b*23exemplary example45b

Contoh : This book is an exemplary example of a book on multimedia and networking.

Nowhere else will you find this kind of coverage and completeness. This is truly a one-stop-shop for all that you want to know about multimedia and networking. (192 Karakter) a:1, about:2, all:3, an:4, and:5, for:6, is:7, of:8, on:9, that:+, this:&, to:=, will:# – & b o o k 7 4 e x e m p l a r y sp e x a m p l e 81 b o o k 9 m* 5 n* . N o w h e r e sp e l s e # y o… – 129 : 193 = 0.6684 33.16% compression.

4. Huffman Coding

Frekuensi karakter dari string yang akan dikompres dianalisa terlebih dahulu. Selanjutnya dibuat pohon huffman yang merupakan pohon biner dengan root awal yang diberi nilai 0 (sebelah kiri) atau 1 (sebelah kanan), sedangkan selanjutnya untuk dahan kiri selalu diberi nilai 1(kiri) - 0(kanan) dan di dahan kanan diberi nilai 0(kiri) – 1(kanan).

- A bottom-up approach = frekuensi terkecil dikerjakan terlebih dahulu dan diletakkan ke dalam leaf (daun).

- Kemudian leaf-leaf akan dikombinasikan dan dijumlahkan probabilitasnya menjadi root diatasnya

Contoh : Static Huffman Coding   Berdasarkan frekuensi kejadian pada karakter yang diberikan

A:13, B:4, C:7àAà1, Bà00, Cà01

Contoh : MAMA SAYA                                                      A = 4 -> 4/8 = 0.5  M = 2 -> 2/8 = 0.25 S = 1 -> 1/8 = 0.125  Y = 1 -> 1/8 = 0.125

·          Total = 8 karakter

Sehingga w(A) = 1, w(M) = 00, w(S) = 010, dan w(Y) = 011

5. Shannon-Fano Algorithm Dikembangkan oleh Shannon (Bell Labs) dan Robert Fano (MIT) Contoh : H E L L O

Simbol H E L O

Jumlah 1 1 2 1

Algoritma Urutkan simbol berdasarkan frekuensi kemunculannya. Bagi simbol menjadi 2 bagian secara rekursif, dengan jumlah yang kira-kira sama pada kedua bagian, sampai tiap bagian hanya terdiri dari 1 simbol. Cara yang paling tepat untuk mengimplementasikan adalah dengan membuat binary tree.

6. Adaptive Huffman Coding (AHC)Metode SHC mengharuskan diketahui terlebih dahulu frekuensi masing-

masing karakter sebelum dilakukan proses pengkodean. Metode AHC merupakan pengembangan dari SHC dimana proses penghitungan frekuensi karakter dan pembuatan pohon Huffman dibuat secara dinamis pada saat membaca data.

Algoritma Huffman tepat bila dipergunakan pada informasi yang bersifat statis. Sedangkan untuk multimedia application, dimana data yang akan datang belum dapat dipastikan kedatangannya (audio dan video streaming), algoritma Adaptive Huffman dapat dipergunakan. Metode SHC maupun AHC merupakan kompresi yang bersifat lossless. Dibuat oleh David A. Huffman dari MIT tahun 1952. Huffman banyak dijadikan “back-end” pada algoritma lain, seperti Arithmetic Coding, aplikasi PKZIP, JPEG, dan MP3.

Beberapa algoritma memiliki kelebihan dan kekurangan diantaranya, algoritma Run-length Encoding (RLE) memiliki kelemahan, yaitu jika karakter angka tidak tahu dimana awal dan dimana akhir. Serta menggunakan teknik loseless, jadi kapasitas data yang sudah di kompres masih sama atau kadang bisa lebih besar ketika diekstrak kembali.

Pustaka :

- http://sioosgo.blogspot.com/2012/06/teknik-kompresi-data.html

- http://richosisapi.wordpress.com/2012/04/22/teknik-kompresi-data/