JM - Elektro,+37209 80320 5 ED+
JM - Elektro,+37209 80320 5 ED+
23-34 23
p-ISSN : 2301-8402, e-ISSN : 2685-368X , available at : https://ejournal.unsrat.ac.id/index.php/elekdankom
Abstract — The increasingly advanced digital development, Berdasarkan hasil tersebut diperoleh kesimpulan bahwa
where digital image technology has become increasingly algoritma DWT optimal dalam jenis citra Grayscale, dan
sophisticated, has resulted in the need for storage and algoritma yang optimal dalam jenis citra RGB adalah DCT
transmission of digital images to increase. An important aspect in untuk kualitas citra terbaik dan BTC untuk ukuran citra
the rapid exchange of information is compression. Image is a terendah.
picture, resemblance, or imitation of an object. With so many
digital image compression algorithms that are diverse and have Kata kunci — Citra Digital; Lossy Compression; DCT; DWT;
their own characteristics, analysis is needed to determine an BTC; AMBTC; SVD
optimal algorithm. The principle of digital imagery is based on
the concept of eliminating the amount of uncertainty, this is what I. PENDAHULUAN
underlies the creation of the concept of compression. This study
aims to analyze the image compression algorithms in the form of Kemajuan terbaru dalam teknologi gambar digital,
DCT, DWT, BTC, AMBTC, and SVD using the python ditambah dengan terobosan dalam harga dan kinerja perangkat
programming language. The research process was measured keras dan firmware digital, telah mendorong aplikasi bisnis
based on the criteria for measuring Compression Ratio, MSE, pencitraan yang berkembang pesat, menghasilkan kebutuhan
and PSNR. The results of the research given that the average penyimpanan dan transmisi gambar digital yang semakin
PSNR values for each algorithm are as follows, DCT 5.33 DWT
6.37 AMBTC 2.80 BTC 2.86 and SVD 2.81. Meanwhile, the meningkat.[1] Salah satu aspek penting dalam pertukaran
Compression Ratio values for each algorithm are as follows, DCT informasi yang cepat yaitu kompresi. Dengan kompresi, data
1.95 DWT 5.70 AMBTC 2.99 BTC 1.89 and SVD 2.30. Based on dapat dimampatkan sehingga data dapat dikirimkan dan
these results, it can be concluded that the optimal DWT disimpan dengan lebih optimal.
algorithm for the Grayscale image type, and the optimal Saat ini terdapat banyak sekali algoritma yang dapat
algorithm for the RGB image type is DCT for the best image
digunakan pada proses kompresi citra digital seperti DCT,
quality and BTC for the lowest image size.
Huffman, Wavelet, RLE, JPEG, AMBTC, NMF, dan lain-lain.
Key words — Digital Image; Lossy Compression; DCT; DWT; Setiap algoritma memiliki kelebihan dan kekurangan
BTC; AMBTC; SVD tersendiri tergantung citra sample yang digunakan untuk
kompresi. Selain itu dimensional citra juga berpengaruh
Abstrak — Perkembangan digital yang semakin maju, dimana terhadap kualitas hasil kompresi.[2]
teknologi gambar digital sudah semakin canggih menghasilkan Dalam penelitian terdahulu, terdapat beberapa algoritma
kebutuhan penyimpanan dan transmisi gambar digital yang yang digunakan dalam menjalankan kompresi pada citra
semakin meningkat. Aspek penting dalam pertukaran informasi
digital. Untuk itu setiap algoritma kompresi citra digital
yang cepat adalah kompresi. Citra merupakan gambaran,
kemiripan, atau imitasi dari suatu objek. Dengan banyaknya memiliki karakteristik dan keunikan masing-masing, sehingga
algoritma kompresi citra digital yang beragam dan memiliki setiap algoritma memiliki keunggulan dan kelemahan dalam
karakteristik masing-masing maka dibutuhkan analisis untuk melakukan kompresi pada citra digital dan hasil kompresi
menentukan suatu algoritma yang optimal. Prinsip citra digital yang diberikan oleh setiap algoritma kompresi citra digital
didasari pada konsep menghilangkan jumlah ketidakpastian, hal berbeda satu sama lain.
tersebut yang mendasari terciptanya konsep kompresi. Penelitian
Penelitian yang dilakukan oleh Parmar (2014) bahwa
ini bertujuan untuk menganalisis algoritma kompresi citra
berupa DCT, DWT, BTC, AMBTC, dan SVD menggunakan algoritma transform coding (DCT dan DWT) efisien dalam
bahasa pemrograman python. Proses penelitian diukur melakukan kompresi pada citra namun memiliki kelemahan
berdasarkan kriteria pengukuran Rasio Kompresi, MSE, dan dengan fungsi dasar yang sangat panjang.[3] Dalam studi yang
PSNR. Hasil penelitian yang diberikan bahwa nilai rata-rata dilakukan oleh Yang (2020) bahwa algoritma BTC dan
PSNR untuk setiap algoritma sebagai berikut, DCT 5,33 DWT AMBTC menghasilkan rasio kompresi yang baik tetapi
6,37 AMBTC 2,80 BTC 2,86 dan SVD 2,81. Sedangkan untuk
memiliki kelemahan dengan waktu pemrosesan yang tinggi.[4]
nilai Rasio Kompresi untuk setiap algoritma sebagai berikut
DCT 1,95 DWT 5,70 AMBTC 2,99 BTC 1,89 dan SVD 2,30. Untuk algoritma SVD, Chandra (2011) memberikan
24 Jonathan Liow Phandany – Studi Perbandingan Algoritma Kompresi Optimal Citra
Digital Menggunakan Python
penjelasan bahwa algoritma SVD memiliki kompleksitas kompresi citra digital yaitu mengurangi redundansi dalam data
komputasi yang tinggi sehingga memiliki kelemahan yang gambar, dan prinsip kedua yaitu memproduksi gambar yang
lambat dalam melakukan komputasi pada kompresi citra direkonstruksi dari gambar asli dengan pengenalan kesalahan
digital.[5] yang tidak signifikan untuk aplikasi yang dimaksud.[1]
Algoritma-algoritma tersebut berperan sangat penting C. Kompresi
dalam kebutuhan medis, setiap citra medis yang akan diproses
Kompresi data dibagi atas 2 metode utama yaitu metode
harus dikompresi secara benar agar citra tersebut tidak
lossless compression dan metode lossy compression. Lossless
mengalami penurunan kualitas gambar yang akan berdampak compression adalah kelas dari algoritma data kompresi yang
pada hasil diagnosis yang tidak akurat.[6] Dalam dunia memungkinkan data yang asli dapat disusun kembali dari data
keamanan, algoritma yang digunakan dalam kompresi citra kompresi. Kompresi data lossless digunakan dalam berbagai
harus tepat agar citra tersebut dapat di enkripsi dengan baik aplikasi seperti format ZIP dan GZIP. Lossless juga sering
sehingga tetap dapat menjaga kerahasiaan data pada citra.[7] digunakan sebagai komponen dalam teknologi kompresi data
Oleh karena itu dibutuhkannya studi perbandingan untuk lossy. Kompresi lossless digunakan ketika adanya sesuatu
menggali dan menguji karakteristik dari setiap algoritma untuk yang penting pada kondisi asli. Beberapa format gambar
menentukan algoritma yang tepat dan sesuai agar seperti PNG atau GIF hanya menggunakan kompresi lossless,
menghasilkan kompresi citra digital yang optimal berdasarkan sedangkan yang lainnya seperti TIFF dan MNG dapat
kelemahan yang telah didapatkan oleh penelitian sebelumnya. menggunakan metode lossy atau lossless.[2]
Penelitian ini akan menganalisa algoritma menggunakan Sedangkan Lossy compression adalah suatu metode untuk
kajian perbandingan dari literatur untuk setiap algoritma mengompres data dan sebaliknya (dekompresi), data yang
khusus kompresi citra digital dalam membandingkan dan diperoleh mungkin berbeda dari yang aslinya tetapi cukup
menentukan algoritma kompresi yang paling optimal. dekat perbedaannya. Lossy kompresi ini paling sering
Tujuan dari penelitian ini adalah untuk menguji setiap digunakan untuk mengompres data multimedia (Audio dan
algoritma kompresi citra digital untuk mendapatkan algoritma gambar statis). Sebaliknya, kompresi lossless diperlukan untuk
kompresi citra digital yang optimal, dengan membandingkan data teks dan file, seperti catatan bank, artikel teks dll.
tiap algoritma khusus citra digital dan menerapkan tiap D. Algoritma Kompresi Citra
algoritma pada citra yang sama dengan bahasa pemrograman Persyaratan paling dasar untuk kompresi gambar digital
python untuk dianalisis penerapan dan cara kerja dari adalah digitalisasi objek gambar (atau hanya gambar) seperti
algoritma yang akan menghasilkan grafik hasil pengukuran gambar fisik, halaman dokumen, dan sejenisnya. Digitalisasi
kualitas citra yang dapat mendasari karakteristik dari setiap gambar melibatkan dua proses, sampling dan kuantitas. Proses
algoritma hasil analisis. pengambilan sampel memetakan gambar fisik ke dalam array
piksel dengan titik pengambilan sampel spasial dari gambar
A. Citra Digital
fisik. Proses kuantitas, di sisi lain, menggunakan sejumlah bit
Kata “gambar” memiliki banyak arti dalam kehidupan untuk mewakili setiap piksel.[1] Berikut merupakan
sehari-hari. Secara teknis gambar atau citra adalah sinyal dua algoritma-algoritma kompresi citra digital.
dimensi yang dirasakan oleh sistem visual manusia. Gambar 1) Discrete Cosine Transform (DCT)
bergerak seperti yang kita lihat di televisi, di film, adalah
Algoritma yang menggunakan fungsi dari transform coding
urutan gambar. Ketika sebuah gambar diubah ke dalam digital, yaitu Discrete Cosine Transform (DCT). DCT digunakan
itu menjadi citra digital. Citra digital adalah array dari sebagai teknik membuat suatu kode transformasi untuk
sejumlah elemen gambar yang disebut piksel.[1] memproses piksel. Pada kompresi citra menggunakan DCT,
Dengan demikian, suatu citra digital dapat dipandang transformasi diterapkan pada blok 8x8, yang menghasilkan 64
sebagai sebuah matriks 2 dimensi yang elemen-elemennya koefisien. Elemen pertama adalah koefisien DC dan sisanya
menunjukkan cahaya berkuantitas. Citra digital bitmap adalah koefisien AC.
disimpan sebagai array yang berisi nilai piksel sehingga baik 2) Discrete Wavelet Transform (DWT)
digunakan dalam penelitian pengolahan citra.[8] Selain DCT terdapat algoritma yang menggunakan fungsi
B. Prinsip Kompresi Citra Digital transform coding yaitu Discrete Wavelet Transform (DWT).
Prinsip kompresi citra digital didasarkan pada Teori Pada teknik kompresi menggunakan DWT, citra dilewatkan
Informasi. Pada tahun 1948, Claude Shannon, bapak Teori melalui rangkaian analisis filter bank. Bank filter analisis
Informasi, memperkenalkan ukuran informasi dalam makalah terdiri dari filter Low pass dan High-pass untuk mengekstrak
klasik miliknya, berdasarkan definisi probabilitas. Ukuran ini informasi kasar dan informasi detail masing-masing. Gambar
merupakan batu penjuru dalam teori komunikasi modern. Ini diproses dan menghasilkan approximation and detail sub-
menggunakan konsep entropi untuk mengukur jumlah bands. Untuk merekonstruksi citra asli dari sub-band, DWT
informasi yang dihasilkan sumber. Sebuah sumber secara acak menggunakan bank filter sintesis. Keuntungan DWT
menghasilkan simbol mengikuti model probabilitas tertentu. dibandingkan DCT adalah bahwa koefisien DWT berbentuk
Jumlah informasi yang diterima seseorang dari suatu sumber lokalisasi, yang membantu dalam kompresi gambar dan tidak
setara dengan jumlah ketidakpastian yang telah dihilangkan. memiliki artefak blok. Koefisien DWT ini diberi kode
Menghilangkan jumlah ketidakpastian merupakan awal entropi.[9]
mula terciptanya konsep kompresi. Prinsip pertama dari
Jurnal Teknik Elektro dan Komputer vol 11 no 1 January-April 2022, pp. 23-34 25
p-ISSN : 2301-8402, e-ISSN : 2685-368X , available at : https://ejournal.unsrat.ac.id/index.php/elekdankom
3) Block Truncation Coding (BTC) bahan pustaka yang relevan dan mempelajari yang berkaitan
BTC adalah teknik kompresi lossy yang sederhana dan dengan masalah yang akan dibahas. Data yang diperoleh
cepat untuk gambar digital, Algoritma BTC adalah domain melalui studi pustaka adalah sumber informasi yang telah
spasial yang sederhana, berbasis blok, Teknik kompresi ini ditemukan oleh para ahli yang kompeten di bidangnya, dalam
dikembangkan oleh Delp dan Mitchell. Ide utama dari BTC melakukan studi kepustakaan ini penulis berusaha
adalah untuk melakukan kuantitas Moment Preserving (MP) mengumpulkan data dari beberapa referensi.[13]
untuk blok piksel sehingga kualitas gambar akan tetap dapat Pengujian dilakukan dengan cara membandingkan citra
diterima dan pada saat yang sama permintaan akan ruang hasil rekonstruksi dengan citra sumber. Kriteria pengukuran
penyimpanan akan berkurang.[10] yang digunakan adalah Rasio Kompresi (Compression Ratio),
4) Absolute Moment Block Truncation Coding (AMBTC) Mean Square Error (MSE), dan Peak Signal to Noise Ratio
(PSNR). Proses kompresi dilakukan sebanyak 4 kali dengan
AMBTC merupakan sebuah metode kompresi citra yang
parameter kompresi tiap algoritma yang berbeda-beda
bersifat lossy. Artinya, ketika sebuah citra dikompresi
tergantung cara kerja dari algoritma tersebut.
menggunakan AMBTC, maka akan ada data yang hilang.
AMBTC menggunakan Teknik block-based image coding dan B. Perancangan Sistem
hanya memerlukan memori yang sedikit dan perhitungan yang Pembangunan sistem yang akan dirancang ini
sederhana.[8] menggunakan model waterfall (Lihat Gambar 1). Model
5) Singular Value Decomposition (SVD) pengembangan waterfall dianggap lebih sesuai karena dalam
Algoritma Singular Value Decomposition (SVD) prosesnya pengerjaan sistem dilakukan secara bertahap,
merupakan metode matematis untuk menguraikan matriks sehingga dalam pelaksanaannya, proses tidak saling tumpang
tunggal dengan melakukan kompresi menjadi tiga matriks tindih.
yang lebih kecil dengan ukuran yang sama dengan 1) Kebutuhan (requirement)
mengurangi data pada kolom dan baris.[11] Kebutuhan dalam sistem yaitu bagaimana sistem tersebut
E. Pengukuran Kinerja Kompresi Citra menerima masukkan berupa file citra, yang kemudian diproses
untuk dikompresi dan menghasilkan file citra yang telah
Pengukuran kinerja kompresi citra dilakukan dengan
selesai dikompresi dengan tingkat pengukuran Rasio
menghitung Rasio Kompresi atau Compression Ratio (CR),
Kompresi, MSE, dan PSNR, yang berupa grafik agar dapat
MSE, dan PNSR. Rasio Kompresi merupakan perbandingan
dianalisis.
antar ukuran citra asli dan citra hasil proses kompresi. MSE
atau Mean Square Error adalah nilai error kuadrat rata-rata 2) Desain (design)
selisih nilai piksel citra rekonstruksi dengan citra sumber. Setelah kebutuhan sistem telah dirinci dan jelas, tahapan
PSNR atau Peak Signal to Noise Ratio merupakan yang dilakukan adalah perancangan desain sistem agar sesuai
perbandingan antara nilai maksimum dari sinyal yang diukur dengan ketentuan yang telah dibuat, sehingga perancangan
dengan besarnya derau yang berpengaruh pada sinyal sistem pada tahapan selanjutnya dapat dilakukan dengan
tersebut.[8] mudah.
3) Implementasi (implementation)
F. Python
Implementasinya berupa penulisan kode pemrograman
Python merupakan bahasa pemrograman tingkat tinggi menggunakan bahasa pemrograman Python, kemudian dengan
(high level language) yang dikembangkan oleh Guido van bahan citra yang disiapkan untuk menguji tingkat optimal dari
Rossum pada tahun 1989 dan diperkenalkan untuk pertama tiap algoritma citra digital.
kalinya pada tahun 1991. Python lahir atas dasar keinginan
4) Pengujian (verification)
untuk mempermudah seorang programmer dalam
menyelesaikan tugasnya dengan cepat. Python bisa digunakan Pengujian sistem dengan menguji bahasa pemrograman
untuk membuat program standalone dan pemrograman skrip. menggunakan metode black box, dimana pengujian yang
Python memiliki beberapa kelebihan, yaitu pemrograman dilakukan hanya mengamati hasil eksekusi melalui data uji
menggunakan Python jauh lebih cepat dan lebih pendek dan memeriksa fungsional dari perangkat lunak.
dibandingkan menggunakan C++ dan Java, mampu 5) Pemeliharaan (maintenance)
menangani pemrograman kompleks dan mendukung Langkah terakhir yaitu melakukan pemeliharaan terhadap
pemrograman grafis serta platform independent yang berarti sistem kompresi citra dengan selalu menggunakan sistem agar
bahwa program yang dibuat menggunakan Python dapat dapat terus terjaga performa dan kinerja dari sistem.
berjalan pada sistem operasi apa saja selama terdapat platform
Python.[12] C. Pengolahan Data
Dalam mengolah data, metode yang digunakan merupakan
II. METODE metode yang biasa digunakan dalam perbandingan yang juga
digunakan dalam statistika yaitu metode Analisis
A. Prosedur Penelitian Perbandingan dengan jenis Komparasi Berpasangan yang
Prosedur yang dilakukan dengan mengumpulkan data berarti objek yang digunakan itu sama namun perlakuan
terlebih dahulu dengan teknik pengumpulan data studi terhadap objek itu berbeda. Tujuan dalam penelitian yaitu
kepustakaan atau library research dimana penelitian ini untuk menguji setiap algoritma sehingga metode tersebut
dilakukan dengan teknik pengumpulan data dari berbagai sesuai dengan tujuan penelitian.
26 Jonathan Liow Phandany – Studi Perbandingan Algoritma Kompresi Optimal Citra
Digital Menggunakan Python
eye.
bmp
eye.
bmp
lena.
bmp
lena.
bmp
mandril.
bmp
mandril.
bmp
peppers.
bmp
peppers.
bmp
x-ray.
bmp
x-ray.
bmp
TABEL III
HASIL PENGUKURAN KUALITAS KOMPRESI CITRA ALGORITMA DCT
Nama Quality Rasio TABEL V
MSE PSNR
Citra Value (%) Kompresi HASIL PENGUKURAN KUALITAS KOMPRESI CITRA ALGORITMA DWT
20% 70851.2 4.39854 2.64381 Nama Threshold Rasio
MSE PSNR
40% 70964.3 4.39162 2.21543 Citra Value Kompresi
bacteria.
bmp 60% 68223 4.56271 2.06464 5 18728.1 5.40586 5.58671
eye.
bmp eye.
bmp
lena.
bmp lena.
bmp
mandril.
bmp mandril.
bmp
peppers.
bmp peppers.
bmp
x-ray.
bmp x-ray.
bmp
TABEL VII
HASIL PENGUKURAN KUALITAS KOMPRESI CITRA ALGORITMA BTC TABEL IX
Nama Window Rasio HASIL PENGUKURAN KUALITAS KOMPRESI CITRA ALGORITMA AMBTC
MSE PSNR
Citra Size Kompresi Nama Window Rasio
MSE PSNR
2 393.1 2.69568 1.84919 Citra Size Kompresi
bacteria. 4 1765.7 2.0433 2.3234 2 2555.4 1.88275 1.80671
bmp 8 383.3 2.70667 3.40173 bacteria. 4 161.9 3.08084 1.9298
16 1062.2 2.26399 5.15847 bmp 8 1061.9 2.26412 2.04746
2 600.2 2.51189 1.97271 16 1459.5 2.12599 2.13924
4 146.5 3.12436 2.47894 2 1879.8 2.01608 2.00749
eye.bmp
8 1404.4 2.14271 3.23937 4 347.5 2.74918 2.15165
eye.bmp
16 1412 2.14036 4.23897 8 1560.2 2.09702 2.23995
2 628.2 2.49209 1.62909 16 2497 1.89278 2.31001
4 122 3.20379 1.88383 2 1814.3 2.0315 1.62167
lena.bmp
8 1999.2 1.98934 2.26266 4 120.3 3.21002 1.70167
lena.bmp
16 2708.7 1.85744 2.92333 8 519.8 2.57434 1.75541
2 1494.5 2.11569 1.38948 16 827.1 2.37265 1.81456
mandril. 4 1367.6 2.15426 1.69 2 323.1 2.78086 1.36411
bmp 8 733.5 2.42480 2.04625 mandril. 4 1563.4 2.09614 1.44777
16 690.2 2.45123 2.46226 bmp 8 1740.5 2.04952 1.5064
2 729.1 2.42744 1.54009 16 1875.1 2.01718 1.55669
peppers. 4 2425.6 1.90538 1.90368 2 2055.4 1.97731 1.66269
bmp 8 134.2 3.16254 2.27402 peppers. 4 868.7 2.35134 1.78142
16 1712.5 2.05657 2.83986 bmp 8 2196.6 1.94844 1.8502
x-ray. 2 845.3 2.36321 2.43109 16 2026.6 1.98343 1.91662
30 Jonathan Liow Phandany – Studi Perbandingan Algoritma Kompresi Optimal Citra
Digital Menggunakan Python
TABEL XIV
RANGKUMAN NILAI RATA-RATA PSNR DAN CR OPTIMAL
Algoritma Rata-Rata Rata-Rata Jenis Citra
Kompresi PSNR CR Kompresi
DCT 5.33 1.95 RGB
DWT 6.37 5.70 Grayscale
AMBTC 2.80 2.99 RGB
BTC 2.86 1.89 RGB
SVD 2.81 2.30 RGB
samping bahwa nilai dari signifikansi 0.000 < 0.05 yang 10.1016/j.measurement.2018.12.035.
[10] V. Vinayak and S. Jindal, “CBIR System using Color Moment and
berarti terdapat perbedaan kovarian atau matriks varian antara
Color Auto-Correlogram with Block Truncation Coding,” Int. J.
kelompok, sehingga sampel tersebut bersifat tidak homogen Comput. Appl., vol. 161, no. 9, pp. 1–7, 2017, doi:
atau plural. 10.5120/ijca2017913282.
Hal tersebut memenuhi faktor dimana hasil uji signifikansi [11] Subinarto and E. Susanto, “Kompresi Citra Medis Menggunakan
Metode Kombinasi Singular Value Decomposition (SVD) Dan Discrete
(0.000) < taraf signifikansi (0.05) maka H0 ditolak. Sehingga
Wavelet Transform (DWT) Untuk Meningkatkan Efisiensi Penyimpanan
dapat disimpulkan dari teknik MANOVA bahwa terdapat Dan Transmisi,” J. LINK, vol. 12, no. 2, pp. 25–30, 2016, [Online].
adanya perbedaan atau bersifat plural antar kriteria Available:
pengukuran PSNR dan Rasio Kompresi antara setiap citra http://ejournal.poltekkessmg.ac.id/ojs/index.php/link/article/viewFile/13
86%0A/445%0A.
dengan setiap algoritma kompresi citra digital.
[12] N. L. Sugara, T. W. Purboyo, and A. L. Prasasti, “Implementasi Dan
Analisis Efektivitas Discrete Wavelet Transform Dan Huffman Pada
IV. KESIMPULAN DAN SARAN Berbagai Jenis Citra Digital,” e-Proceeding Eng., vol. 5, no. 3, pp.
6163–6170, 2019.
A. Kesimpulan [13] A. Agustin, “Tinjauan Atas Prosedur Simpan Pinjam pada Pusat
Koperasi Polisi Daerah Jawa Barat,” Angew. Chemie Int. Ed. 6(11),
Berdasarkan seluruh hasil tahapan penelitian yang telah 951–952., pp. 2013–2015, 2015.
dilakukan dalam penelitian ini dapat ditarik suatu kesimpulan [14] U. Bhade, S. Kumar, P. Dwivedy, S. Soofi, and A. Ray, “Comparative
study of DWT, DCT, BTC and SVD techniques for image
bahwa algoritma kompresi citra digital optimal didapatkan compression,” Int. Conf. Recent Innov. Signal Process. Embed. Syst.
saat nilai PSNR dan Rasio Kompresi memperoleh nilai RISE 2017, vol. 2018-Janua, pp. 279–283, 2018, doi:
tertinggi dibandingkan dengan algoritma yang lain, dalam hal 10.1109/RISE.2017.8378167.
[15] K. Bindu, A. Ganpati, and A. K. Sharma, “A Comparative Study of
ini algoritma yang optimal dalam jenis citra Grayscale adalah Image Compression Algorithms,” Int. J. Res. Comput. Sci., vol. 2, no. 5,
DWT dan algoritma yang optimal dalam jenis citra RGB pp. 37–42, 2012, doi: 10.7815/ijorcs.25.2012.046.
adalah DCT untuk kualitas citra terbaik dan BTC untuk
ukuran citra terendah.
TENTANG PENULIS
B. Saran
Penulis bernama lengkap Jonathan Liow
Adapun beberapa saran yang disampaikan untuk penelitian Phandany, lahir di Manado pada tanggal 19
dalam bidang pengolahan citra digital dimana penelitian Desember 2000. Penulis memulai
selanjutnya diharapkan dapat melakukan studi perbandingan pendidikan dari sekolah dasar di SD Kr.
dan kajian analisis dengan algoritma citra digital yang tidak Eben Haezar Manado (2006-2012) kemudian
dianalisis dalam penelitian ini. Juga penelitian selanjutnya melanjutkan pendidikan sekolah menengah
tidak terbatas dalam menganalisis algoritma kompresi citra pertama di SMP Kr. Eben Haezar Manado
digital namun dapat juga dianalisis untuk media yang lain (2012-2015) dan melanjutkan pendidikan
seperti video, rekaman suara, dsb. sekolah menengah atas di SMA Kr. Eben Haezar Manado
(2015-2018). Setelah itu penulis melanjutkan pendidikan S1 di
V. KUTIPAN salah satu perguruan tinggi yang ada di Sulawesi Utara yaitu
[1] W. Kou, Digital image compression: algorithms and standards. 1995. Universitas Sam Ratulangi dengan mengambil fakultas Teknik
[2] T. I. A. Satyapratama, M. Yunus, P. Studi, “Kompresi File Gambar Bmp jurusan Elektro dengan program studi Informatika. Selama
Dan Png,” Ejurnal Stimata, vol. 6, no. 69–81, p. 2, 2015.
[3] H. M. Parmar, “Comparison of DCT and Wavelet based Image perkuliahan penulis tergabung dalam komunitas UNITY
Compression Techniques,” Int. J. Eng. Dev. Res., vol. 2, no. 1, pp. sebagai Koordinator Game Development, dan menjadi
2321–9939, 2014. Koordinator Posko untuk KKT 126 Unsrat Posko Manado 24.
[4] C. N. Yang, Y. C. Chou, T. K. Chang, and C. Kim, “An enhanced
adaptive block truncation coding with edge quantization scheme,” Appl.
Sci., vol. 10, no. 20, pp. 1–15, 2020, doi: 10.3390/app10207340.
[5] B. Chandra et al., “A Comparative performance evaluation of SVD and
Schur Decompositions for Image Watermarking,” IJCA Proc. Int. Conf.
VLSI …, no. Icvci, pp. 25–30, 2011, [Online]. Available:
http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:A+Co
mparative+performance+evaluation+of+SVD+and+Schur+Decompositi
ons+for+Image+Watermarking#0.
[6] I. Q. Abduljaleel and A. H. Khaleel, “Significant medical image
compression techniques: A review,” Telkomnika (Telecommunication
Comput. Electron. Control., vol. 19, no. 5, pp. 1612–1621, 2021, doi:
10.12928/TELKOMNIKA.v19i5.18767.
[7] C. Priya, C. Ramya, R. V. Agashthiya, R. Hema, G. Mythily, and V. P.
Preethi, “An efficient method for secure image compression,” Int. J.
Innov. Technol. Explor. Eng., vol. 8, no. 6, pp. 266–270, 2019.
[8] S. I. Murpratiwi and I. M. O. Widyantara, “Pemilihan Algoritma
Kompresi Optimal untuk Citra Digital Bitmap,” Maj. Ilm. Teknol.
Elektro, vol. 17, no. 1, pp. 94–101, 2018, doi:
10.24843/MITE.2018.v17i01.P13.
[9] P. Madhavee Latha and A. Annis Fathima, “Collective compression of
images using averaging and transform coding,” Meas. J. Int. Meas.
Confed., vol. 135, no. December, pp. 795–805, 2019, doi: