Medan, MISTAR.ID

Dalam dunia internet, beberapa literatur menyebutkan bahwa pangsa pasar pengguna internet melibatkan hampir 80% data gambar dalam setiap transaksi layanan yang digunakannya (https://www.laivideo.com/blog/9-ways-create-effective-video-ads-and-get-results-you-want). Ini menyimpulkan begitu besarnya ruang-memory pada komputer/sistem komputer yang harus disediakan untuk menangani penyimpanan.

Padahal adanya keterbatasan cost dalam penyediaan infrastruktur penyimpanan akan menyebabkan kualitas tampilan gambar terpengaruh; atau tersendatnya saat proses live-streaming, dan upload-download data. Semakin besar ukuran file data multimedia yang ditampilkan atau ditransmisikan, maka akan membutuhkan ruang-memory yang lebih besar juga.

Salah satu solusi untuk menciptakan efisiensi ruang-memory adalah teknik kompresi, yakni berbagai algoritma yang dibangun untuk mengurangi ukuran file data dengan melakukan format-ulang pada unsur atau parameter warna (colour). Teknik kompresi gambar berbeda dengan kompresi data seperti: Deflate, Lempel-Ziv 1977, Lempel-Ziv-Welch, Prediction by Partial Matching, Roshal Archive; dimana data dimampatkan ukurannya menjadi bentuk atau format data lain.

Adapun teknik kompresi gambar tetap mempertahankan jenis dan format data yakni gambar, namun ukurannya dimampatkan menjadi lebih kecil; sehingga tantangannya adalah bagaimana tetap mempertahankan kualitas data gambar tersebut.

Gambar 1. Representasi ruang digital untuk angka ’2’

Sumber: pngtree.com

Pada dasarnya format gambar digital direpresentasikan dalam model geometri segiempat, seperti ditunjukkan pada Gambar 1. Terlihat angka ‘2’ direpresentasikan dalam baris dan kolom pada ruang-matriks 20 x 10. Agar objek ‘2’ semakin tajam (sharp) dan resolusi, jumlah pixel dalam frame yang sama harus ditambah, sehingga kondisi gambar tidak mengalami kabur (blur) atau pecah; seperti ditunjukkan pada Gambar 2.

Gambar 2.Transisi sebuah gambar dalam kodisi blur

Salah satu metode sederhana untuk meningkatkan ketajaman sebuah gambar dengan menambah ruang matriks pada masing-masing pixel yang diduduki. Seperti ditunjukkan pada Gambar 3, pixel menduduki koordinat pada baris dan kolom, dan bagaimana proses transformasi yang ditunjukkan pada Gambar 4 untuk ukuran frame yang sama dilakukan penambahan baris dan kolom pada pixel, yang disebut dengan pemampatan citra. Ukuran dimampatkan tanpa mereduksi substansi dari image tersebut.

Gambar 3.Representasi gambar dalam ruang matriks

Sumber: Young, I.T. "Fundamentals of Image Processing". Delft University of Technology.

Gambar 4.Pemampatan citra digital pada ruang matriks

Pada Gambar 4 menjelaskan bahwa semakin tinggi kerapatan pixel antar cell-cell yang terbentuk maka image yang ditampilkan semakin jelas dan jernih. Dan apabila dilakukan kompresi pada ukuran images, maka diupayakan agar tidak mengubah substansi dari data, misalkan seperti ditunjukkan pada Gambar 5 bahwa ukuran image direduksi sebesar 21.81%. Secara visual langsung terlihat tidak ada perubahan substansi data, seperti perubahan pada garis wajah, transisi warna bahkan letak objek berubah posisi koordinatnya.

Gambar 5.Transisi reduksi ukuran citra digital pada tingkat kerapatan pixel tertentu

Alhasil, apabila setiap data images bisa direduksi ukurannya tanpa harus ‘mengorbankan’ kualitas gambar tersebut tentu akan mengurangi penyedian ruang-memory pada storage. Saat ini berbagai algoritma kompresi terus dikembangkan untuk memperoleh hasil kompresi data images yang optimal dengan peningkatan kualitas yang signifikan.*

Oleh: S.N.M.P Simamora

Dosen Institut Digital Ekonomi LPKIA Bandung

Alumni Dept. Elektroteknik ITB, Bandung