Kompresi Citra Medis Dengan Wavelet Packet.

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 email snatia.unud@gmil.com.
Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam
penyelenggaraan

seminar,

dan

penyusunan

proceeding

SNATIA

2015,

mengucapkan terima kasih.

Denpasar, 17 Oktober 2015

Panitia SNATIA 2015

panitia

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

KOMPRESI CITRA MEDIS DENGAN WAVELET PACKET
I Made Ari Dwi Suta Atmaja1, I Made Oka Widyantara2,Linawati2
1

Teknik Elektro, Politeknik Negeri Bali
Program Studi Magister Teknik Elektro, Universitas Udayana
Email: arisuta@pnb.ac.id1, oka.widyantara@unud.ac.id2, linawati@unud.ac.id2
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

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

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
11

ISSN : 2302 – 450X

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
12

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 resolusiresolusi 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

2.
3.
4.

Koefisien Detail Vertikal (subband LH).
Koefisien Detail Horizontal (subband HL).
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 didownsampling, 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:

 b 

 MSE 

PSNR = 20 x log10 

(1)

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.

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:

MSE =

N M
2
1

f ij  f , ij  (2)

Lebar  Tinggi i 1 j 1

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.
13

ISSN : 2302 – 450X

Mulai

Baca citra

Baca level
dekomposisi

Baca threshold

Transformasi dengan
packet wavelet

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.

Pengkodean RLE

Tabel 1. Tabel Rancangan Pengujian
Simpan pada file
dat
File dat

Selesai

Gambar 4. Flowchart Kompresi Citra
Mulai

Citra
Citra 1
Citra 2
...
...
Citra
10
Ratarata

Ukuran
Asli
xx
xx
...
...
xx

Ukuran
Kompres
xx
xx
...
...
xx

Rasio
xx
xx
...
...
xx

Waktu
(s)
xx
xx
...
...
xx

PSNR
(db)
xx
xx
...
...
xx

xx

xx

xx

xx

xx

Baca File dat

Pembacaan level
dari file dat

Rasio kompresi akan dihitung dengan rumus
pada Persamaan 3. FA merupakan ukuran file asli,
sedangkan FK merupakan ukuran file terkompresi.
(3)

Pendekodean RLE

HASIL UJI COBA

4
Rekonstruksi wavelet

Citra
dekomposisi

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.

Selesai

Tabel 2. Hasil Pengujian
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
14

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

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

5

Gambar 6b. Citra Hasil
Dekompresi

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

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.

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.

[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.

[3] Agrawal,J.P.,
Vijay.
R.,
2012.Wavelet
Compression Of Ct Medical Images.
International Journal of Scientific Research
15