Perbandingan Kompresi Citra Metode Five-Modulus dan Kuantisasi dengan Perbaikan Citra Histogram-Equalization
Bibliographic record
Abstract
Kompresi citra merupakan suatu teknik yang dilakukan terhadap citra digital yang bertujuan untuk memperkecil redudansi data pada citra sehingga kapasitas citra menjadi lebih kecil dan efisien dalam transmisi data. Terdapat 2 jenis teknik kompresi yaitu, losssless dan lossy. Teknik kompresi lossless tidak mengakibatkan hilangnya informasi pada citra, sedangkan kompresi lossy kebalikan dari lossless yang menghilangkan sebagian informasi pada citra. Terdapat beberapa teknik kompresi lossy, diantaranya Five Modulus dan Kuantisasi. Namun teknik lossy memiliki kelemahan yaitu, mengalami penurunan kualitas pada citra dan menyebabkan ukuran file citra relatif jauh lebih kecil dibandingkan dengan kompresi lossless. Dari metode kompresi citra tersebut akan dilakukan perbandingan kompresi antara metode Five Modulus dan Kuantisasi, lalu hasil dari kompresi akan diperbaiki dengan Histogram Equalization. Hal ini dilakukan untuk meningkatkan kualitas hasil kompresi. Berdasarkan hasil pengujian dari kompresi menunjukkan bahwa untuk citra RGB, metode Kuantisasi memiliki PSNR dan Rasio Kompresi yang lebih tinggi dibandingkan dengan Five Modulus. Sementara, untuk citra grayscale Five Modulus memiliki PSNR dan Rasio Kompresi yang tidak terlalu tinggi dibandingkan dengan Kuantisasi.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".