Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Teknik kompresi untuk citra diam yang ditentukan dalam spesifikasi JPEG saat ini semakin populer di dunia komputer grafis dan hingga sekarang spesifikasi ini telah direvisi hingga versi yang ke-6. Kualitas citra JPEG tidak kalah bila dibandingkan dengan citra lain seperti TIFF, BMP ataupun Targa. Walaupun waktu yang dibutuhkan metode JPEG untuk mengkompresi citra sedikit lebih lama dibanding metode lain, akan tetapi citra JPEG mempunyai satu kelebihan yang amat nyata, yaitu ukuran berkas citra yang jauh lebih keciI dari pada berkas citra yang lain.

Hasil amat balk yang diperoleh dari kompresi JPEG, dimana ukuran berkas keluaran jauh lebih kecil dibandingkan dengan ukuran berkas asli, dikarenakan metode ini menggunakan tiga buah teknik kompresi sekaligus, yaitu sebuah teknik kompresi lossy dan dua buah kompresi lossless. Kompresi yang pertama dilakukan pada citra adalah kompresi lossy yang diperoleh dari proses kuantisasi menggunakan Discrete Cosinus Transform. Sedang dua kompresi lossless yang digunakan selanjutnya adalah kompresi Huffman dan kompresi Run-Length Encoding.

Tugas Akhir ini membahas teknik kompresi dari spesifikasi JPEG serta pengimplementasiannya dalam sebuah perangkat lunak komputer. Dengan demikian, diharapkan kelebihan serta kekurangan dari spesifikasi JPEG ini dapat dikenali clan dimengerti.

---

Abstrak :
ABSTRAK
Kompresi merupakan upaya untuk meningkatkan efisiensi penyimpanan berkas. Tesis ini membahas suatu metodologi kompres dengan menerapkan Differential Coding dalam suatu jaringan neural yang mekanisme kerjanya bersifat unsupervised learning yang disebut Kohonen Self-Organizing Maps (KSOM).

Penerapan Differential Coding dalam KSOM (DC-KSOM) ini lebih menekankan pada aspek kualitas rekonstruksi citra dekompres daripada waktu komputasi, dan metode ini merupakan jenis lossy compression. Mekanismenya diawali dengan pra- proses citra, proses clustering blok data, differential coding, dan diakhiri entropic coding untuk memperoleh citra terkompres. Dengan mempertimbangkan topological properly, Jaringan Neural KSOM (JN-KSOM) berperan untuk mengkuantisasi vektor citra asli melalui proses pengelompokkan (peng-cluster-an) vektor-vektor pewakil (codebook) dari setiap blok. Proses clustering ini akan mengakibatkan reduksi dimensi data sehingga akan diperoleh hasil kompresi suatu berkas citra.

Hasil uji coba penelitian menunjukkan bahwa Root Mean Square Error (RMSE) matriks citra dekompres dengan DC-KSOM adalah 4,29229337, relatif Iebih rendah dibanding TCD yaitu 7,95840738, yang berarti bahwa kualitas citra dekompres hasil kompresi DC-KSOM lebih baik daripada TCD. Dari 10 citra yang dikompres, hasil kompresi dengan DC-KSOM menunjukkan nilai RMSE yang relatif stabil/reliable.

---

Abstrak :
Untuk mengkompresi data menggunakan teknik kuantisasi vektor, dibutuhkan sebuah codebook yang dibentuk dari vektor-vektor yang dihasilkan dari data asal. Banyak metode-metode untuk membentuk codebook ini, yang bersifat deterministik maupun yang bersifat non-deterministik. Salah satu metode deterministik yang paling sering digunakan adalah Algoritma Lloyd. Sayang sekali Algoritma Lloyd ini memiliki kompleksitas n2 sehingga tidak cocok digunakan pada data yang menghasilkan jumlah vektor yang sangat besar. Pendekatan non-deterministik pun (neural network, aproksimasi) bukan merupakan pilihan yang baik untuk jumlah vektor yang besar, karena sifat non-deterministik tersebut menyebabkan waktu eksekusinya tidak dapat diperkirakan dan memiliki rentang yang besar pula seiring dengan membesarnya jumlah vektor. Metode Fair-Share Amount ini dibuat khusus untuk men-generate codebook dari jumlah vektor yang besar. Dengan waktu eksekusi yang relatif singkat dan hasil yang cukup baik (error yang cukup kecil) metode ini cocok dipergunakan untuk jumlah vektor data yang besar karena kompleksitasnya hanyalah n 2log n. Tetapi metode ini bukannya tanpa kelemahan, karena metode ini sangat tidak cocok untuk diterapkan pada jumlah data yang kecil. Pada jumlah data yang kecil error yang dihasilkan relatif lebih besar dibanding dengan metode-metode lain yang ada pada saat ini.

Abstrak :
Dalam penyimpanan dan komunikasi data dibutuhkan program yang mampu memadatkan data asli sehingga ukurannnya menjadi lebih kecil. Terutama untuk data citra dan suara yang biasanya berukuran besar. Karya tulis ini menguraikan sebuah metode kompresi untuk memadatkan data, yaitu metode kompresi citra fraktal.

Abstrak :
ABSTRAK
Metode Golomb-Rice Coding (GRC) sudah diciptakan sejak lama, tetapi sampai sekarang sangat jarang pemakaiannya untuk kompresi citra. Metode tersebut mempunyai kompleksitas yang rendah. Beberapa sistem kompresi citra yang telah distandardisasi saat ini serta lazim digunakan adalah Huffman encoding, LZW encoding dan Run-length encoding (RLE).

Pada skripsi ini akan dibuat suatu sistem kompresi citra yang bersifat losssless. Sistem ini menggunakan Lossless Predictive Coding dimana pada bagian encodernya menggunakan metode GRC. Penggunaan GRC dipilih karena memiliki kompleksitas rendah sehingga mudah untuk diaplikasikan. Lossless Predictive Coding kemudian digabungkan dengan suatu prosedur penentuan konteks dan suatu prosedur encoding sederhana (diberi nama ?mode run?). Penambahan mode run ini bertujuan untuk mengoptimalkan rasio kompresi yang akan dihasilkan nantinya.

Sistem ini lalu disimulasikan dengan MATLAB 5.31, kemudian hasil simulasi ini dibandingkan dengan sitem kompresi citra lossless yang lain, yakni RLE dan LZW.

---

Abstrak :
Kompresi citra adalah proses mengurangi ukuran dari citra dengan mengurangi kualitas dari citra tersebut. Metode Fraktal yang digunakan bekerja dengan mencari kemiripan pada piksel-piksel citra dan mengelompokkannya dalam beberapa cluster. Semakin tinggi tingkat kemiripan pada citra, rasio kompresi akan semakin baik. Pada citra berwarna (RGB) metode tersebut diulang sebanyak tiga kali, masing-masing untuk satu elemen warna. Hasil akhir dari proses kompresi adalah tiga virtual codebook, masing-masing untuk satu elemen warna, yang menyimpan nilai dari brightness, contrast, dan tipe transformasi affine yang digunakan untuk tiap cluster. Proses dekompresi dari metode ini adalah dengan membentuk citra kosong dengan resolusi yang sama dengan citra asli dan mengisikan nilai RGB pada tiap piksel yang bersangkutan dengan menghitung nilai yang tersimpan pada virtual codebook. Dengan menggunakan nilai Coefficient of Variation (CV) sebagai penyesuaian nilai standar deviasi dan 57 citra BMP24-bit, hasil pengujian menunjukkan rasio kompresi rata-rata sebesar 41.79%. Dengan metode paralel yang digunakan, proses kompresi citra berwarna menunjukkan rata-rata nilai speed-up sebesar 1.69 dan nilai efisiensi prosesor sebesar 56.34%.

Image compression is a process of reducing the size of the image by reducing the quality of the image. Fractal method is used to work by searching for similarities in the image pixels, and group them in clusters. The higher the degree of resemblance to the image, the better the compression ratio. In the color image (RGB) the method is repeated three times, each for one color element.The end result of the compression process is a three virtual codebook, each for one color element, which stores the value of the brightness, contrast, and the type of affine transformation are used for each cluster. Decompression process of this method is to form a blank image with the same resolution with the original image and fill in the RGB values at each pixel corresponding to the count value stored in the virtual codebook.By using the Coefficient of Variation (CV) as an adjustment value and standard deviation of 57 pieces of 24-bit BMP images, test results showed an average compression ratio of 41.79%. With the parallel method is used, the compression process of color image shows the average speed-up values of 1.69 and the processor efficiency of 56.34%.

Abstrak :
Alkalinitas memegang peranan penting dalam keseimbangan pH dalam air. Strip uji air sebagai instrumen pengukuran kadar alkalinitas total yang murah dan praktis digunakan tidak dapat memberikan hasil yang optimal karena perubahan warna dilihat dengan mata telanjang. Pada penelitian ini, dikembangkan sistem pembacaan perubahan warna barcode uji menggunakan analisis citra berbasis kamera ponsel pintar. Barcode uji merupakan pengembangan strip uji air yang terdiri dari tiga bagian sehingga berbentuk kotak menyerupai barcode. Pengaruh kompresi citra terhadap kualitasnya beserta tipe file citra sebagai input sistem yang dibangun juga akan dibahas lebih dalam pada penelitian ini. Barcode uji diambil menggunakan kamera ponsel pintar Samsung Galaxy A72, Huawei Nova 5T, dan RealMe 3Pro. Kompresi kualitas citra dilakukan dengan metode DCT dari kualitas 10% – 100% untuk memperkecil ukuran file citra tanpa mereduksi banyaknya informasi serta mempermudah proses transmisi data. Citra disegmentasi dan dikoreksi warnanya menggunakan metode Polynomial Color Correction (PCC) untuk kemudian dijadikan input dalam membangun sistem pengklasifikasi dan pengukuran kadar alkalinitas total air dengan arsitektur AlexNet. Metode segmentasi dan koreksi warna yang dibangun berhasil dilakukan pada tipe file citra JPG, PNG, BMP, dan TIF, namun dengan memerhatikan ukuran file dan nilai koreksi warna (Delta E), maka tipe file JPG dipilih sebagai tipe file input citra. Kinerja metode kompresi DCT dievaluasi menggunakan parameter PSNR, dimana kualitas maksimum yang masih mampu dijadikan sebagai input sistem yang dibangun adalah kualitas 80%. Arsitektur AlexNet sebagai model klasifikasi memiliki akurasi sebesar 99,5% dan model regresi memiliki nilai R2 = 0,995 dan RMSE = 4,249. Validasi model menggunakan air minum, air PAM sebagai air kebutuhan sanitasi, dan air kolam renang dengan arsitektur AlexNet menghasilkan nilai R2 = 0,906 dan RMSE = 8,861 untuk model regresi dan akurasi sebesar 90,8% untuk model klasifikasi. ......Alkalinity plays important role in pH balance in the water. Water test strips an instrument for measuring total alkalinity levels, which are less expensive and easy to use, unfortunately cannot provide the optimal results because the color changes seen with the naked eye. In this study, a test barcode color change reading system was developed using a smartphone-based image analysis. The test barcode is the development of water test strip that consisting of three parts so that it is in the form of a square looks like barcode. The effect of image compression quality and the type of image file as input on system will be discussed. The test barcode image was taken using smartphone Samsung Galaxy A72, Huawei Nova 5T, and RealMe 3Pro. Image quality compression using DCT method from quality 10% – 100% to reduce image file size without reducing more of information and simplifying the data transmission process. The image will be segmented and color corrected applied using the Polynomial Color Correction (PCC) method to then be used as input on total alkalinity classification system and measurement system in water using AlexNet architecture. The segmentation and color correction methods has been successfully tested on JPG, PNG, BMP, and TIF image type files, but based on the file size and corrected value (Delta E), the JPG type file is chosen as the image input type file. The performance of DCT compression method is evaluated using PSNR, where the maximum quality that can still be used as input of system is 80%. AlexNet architecture as a classification model has an accuracy of 99,5% and the regression model has value of R2 = 0,995 and RMSE = 4,249. Model validation using drinking water, pool water, and PAM water as hygiene and sanitation water with AlexNet architecture resulted value of R2 = 0,906 and RMSE = 8,861 for the regression model and an accuracy of 90,8% for the classification model.

Abstrak :
Salah satu teknologi yang banyak diaplikasikan untuk mengolah data citra sebagai sumber informasi utama adalah teknologi penginderaan jauh atau remote sensing. Beberapa aplikasi remote sensing menuntut citra yang berkualitas baik, namun dalam ukuran yang lebih kecil mengingat ukurannya yang sangat besar. Kebutuhan inilah yang mendorong berkembangnya teknologi pemampatan citra atau image compression. Skripsi ini membahas tentang teknik kompresi citra gabungan antara prediksi linier antarband (kompresi spektral) dengan transformasi wavelet dan Discrete Cosine Transform (DCT) sebagai kompresi spasial. Jenis transformasi wavelet yang digunakan adalah LS 9/7, CDF 9/7, dan multiwavelet Daubechies 10 (Db10) + LS 9/7. Dari hasil ekperimen data MODIS berukuran 2048 x 2048, dapat disimpulkan rasio kompresi berbanding terbalik dengan nilai PSNR yang dihasilkan, sementara tingkat level dekomposisi sebanding dengan nilai PSNR dengan level ideal 5. Meskipun memiliki PSNR yang tinggi, metode DCT tidak menghasilkan kualitas citra hasil kompresi yang memadai, terbukti dengan rendahnya nilai co-histogram simetri (SCH). Metode kompresi yang paling baik adalah multiwavelet (Db10+LS9/7) karena menghasilkan PSNR yang stabil di atas 50 dB hingga rasio kompresi 100 dengan nilai SCH rata-rata 0.99.

---

An image/picture could contain thousands of information. Remote sensing is a technology which uses an image in the form of satellite imagery as the main source of information. Remote sensing applications require good quality of image, represented by smaller size, since satellite sensors have wide measurement coverage of Earth surface. In this regards, image compression is needed. This thesis report covered image compression techniques using combination of interband prediction (as spectral compression) and discrete cosine transform (DCT) and wavelet transform (as spatial compression). Several wavelet transforms are applied in the experiment, such as LS 9/7, CDF 9/7, and multi-wavelet Daubechies 10 (Db10) + LS 9/7. The experiment results showed that the higher the compression ratio, the smaller PSNR values. This applies to all four methods of compression which were tested in this study. The higher level of decomposition of wavelet transformation, resulted in better PSNR. While the ideal level of decomposition for wavelet transformation is level 5. Even the DCT method resulted in high PSNR, but the quality of compression image is poor, which is shown in low Symmetrical Co-Histogram (SCH) value. The best result was obtained by combined method (Db10+LS9/7) which resulted in high PSNR (up to 50 dB), high compression ratio (up to 100), and average SCH values of 0.99.