Perpustakaan Digital ITB

Perkembangan teknologi digital menuntut adanya metode kompresi citra yang efisien dalam menyeimbangkan ukuran data dan kualitas visual. Metode Walsh-Hadamard Discrete Cosine Transform (WDCT) mampu memberikan rasio kompresi yang baik, namun memiliki keterbatasan mendasar berupa "kebutaan semantik". Metode konvensional ini memperlakukan seluruh area citra secara seragam, sehingga memicu pemborosan bit pada latar belakang dan mendegradasi detail pada objek utama (Region of Interest / ROI). Untuk mengatasi masalah tersebut, penelitian ini mengusulkan metode kompresi hibrida adaptif, yaitu ML-Guided WDCT. Penelitian ini memposisikan model Deep Learning U²-Net untuk mengekstraksi peta saliensi, yang kemudian difusi dengan nilai Block Feature Strength (informasi struktural) hasil perhitungan Walsh-Hadamard Transform (WHT). Hasil fusi tersebut diklasifikasikan menggunakan K-Means Clustering untuk membedakan blok ROI dan latar belakang. Selanjutnya, algoritma Discrete Cosine Transform (DCT) mengeksekusi kompresi melalui skema kuantisasi adaptif, di mana area ROI dipertahankan dengan kualitas tinggi dan latar belakang dikompresi secara agresif. Hasil pengujian pada 31 citra uji menunjukkan bahwa metode ML-Guided WDCT berhasil mencapai nilai rata-rata Peak Signal-to-Noise Ratio (PSNR) sebesar 32,46 dB dan Structural Similarity Index (SSIM) 0,8882, mengungguli metode WDCT standar. Meskipun terdapat kompromi berupa sedikit kenaikan Bits Per Pixel (BPP) menjadi 0,8032, nilai tersebut masih tergolong sangat efisien (< 1,0 bpp). Secara keseluruhan, metode usulan terbukti mampu menghilangkan pemborosan bit pada latar belakang serta mempertahankan ketajaman dan integritas visual objek utama yang selaras dengan sistem persepsi manusia.