BAB 2

LANDASAN TEORI

Teorema Shannon-Nyquist menyatakan agar tidak ada informasi yang hilang

ketika pencuplikan sinyal, maka kecepatan pencuplikan harus minimal dua kali dari
lebar pita sinyal tersebut. Pada kebanyakan aplikasi, termasuk kamera digital video dan
citra, nilai Nyquist-rate sangat tinggi sehingga menghasilkan jumlah data yang banyak
sehingga pemampatan sangat diperlukan sebelum data disimpan atau dikirimkan. Pada
aplikasi-aplikasi lain seperti pencitraan medis dan high-speed ADC meningkatkan
kecepatan pencuplikan memerlukan biaya yang sangat mahal.

2.1

Representasi dan Aproksimasi

Representasi adalah bagaimana menyatakan suatu sinyal dalam basis
pembentuknya. Representasi sinyal satu dimensi adalah menyatakan suatu sinyal
satu dimensi dalam basis pembentuknya. Representasi tidak mengubah banyak
data sinyal asli. Representasi dilakukan dengan harapan suatu sinyal dinyatakan
dalam basis pembentuk yang tepat sehingga menghasilkan pemampatan atau
sparsity. Dengan sparsity maka hanya sebagian nilai koefisien yang besar yang
memuat sebagian besar informasi dari sinyal. Sedangkan sebagian besar lainnya
memiliki nilai koefisien yang kecil yang tidak memuat informasi dari sinyal
sehingga dapat dihilangkan.

8
Rumus representasi adalah sebagai berikut:
f = i i (1)
iI

Dimana :
f

: suatu sinyal

: koefisien

: basis
Basis dalam suatu transformasi berguna untuk merepresentasikan sebuah

sinyal dan nilai. Misalkan pada fourier transform yang memiliki basis sinus
maka dapat dikatakan bahwa sinyal yang dihasilkan akan berbentuk sinus dan
memiliki nilai-nilai tertentu. Basis sinus digunakan juga pada teorema sampling
yang dapat merepresentasikan setiap fungsi yang dibatasi (finite function) dan
prosesnya dapat diselesaikan dengan sampel-sampel. Selain itu basis juga
berpengaruh dalam aproksimasi. Basis yang berbeda dapat memberikan nilai
aproksimasi yang berbeda pula.
Aproksimasi merupakan pendekatan dalam mengambil suatu data. Data
yang diambil hanya sebagian sedangkan sisa datanya dijadikan nol. Ketika
melakukan aproksimasi maka akan terdapat selisih antara data asli dengan data
yang diaproksimasi. Selisih ini yang dikenal dengan sebutan norm error. Berikut
adalah bentuk persamaannya [7]:

f (t ) fN (t )

= f (t ) fN (t ) dt

1/ 2

(2)

9
Aproksimasi dapat dibedakan menjadi dua jenis yaitu:

Aproksimasi linier
Pada aproksimasi linier sebagian data yang diambil adalah data yang
terletak di bagian depan sedangkan sisanya dijadikan nol. Banyak
data yang diambil tergantung dari persentase data yang diinginkan.
Contohnya dapat dilihat di bawah ini:

Misalkan terdapat data sinyal input: - 0,03 - 0,01 - 0,07 - 0,02

0,12 0,01 0,08 - 0,43 - 0,27 0,09
Bila persentase data yang diinginkan adalah 20 % maka data yang
diambil adalah sebanyak 2 data. Hal ini didapat dari 20 % dikalikan
dengan banyaknya jumlah data sinyal input. Dari contoh di atas
jumlah data sinyal input adalah sebanyak 10 data. Jadi data yang
diambil = 20 % x 10 = 2 data.
Sehingga data sinyal input akan menjadi: - 0,03 - 0,01 0 0 0 0 0 0
0 0

Aproksimasi nonlinier
Pada aproksimasi nonlinier sebagian data yang diambil adalah data
yang paling besar setelah data-data tersebut diabsolutkan. Data-data
yang tidak diambil dijadikan nol. Sama seperti aproksimasi linier
banyak data yang diambil pada aproksimasi nonlinier tergantung dari

10
persentase data yang diinginkan. Contohnya dapat dilihat di bawah
ini:

Misalkan terdapat data sinyal input: - 0,03 - 0,01 - 0,07 - 0,02

0,12 0,01 0,08 - 0,43 - 0,27 0,09

Berikut adalah data sinyal input di atas yang telah diabsolutkan:

0,03 0,01 0,07 0,02 0,12 0,01 0,08 0,43 0,27 0,09
Bila persentase data yang diinginkan adalah 40 % maka data yang
diambil adalah sebanyak 4 data. Hal ini didapat dari 40 % dikalikan
dengan banyaknya jumlah data sinyal input. Dari contoh di atas
jumlah data sinyal input adalah sebanyak 10 data. Jadi data yang
diambil = 40 % x 10 = 4 data.
Sehingga data sinyal input akan menjadi: 0 0 0 0 0,12 0 0 - 0,43
- 0,27 0,09

2.2

Sparsity
Kebanyakan sinyal alami memiliki representasi yang padat ketika
dinyatakan ke dalam basis yang tepat. Sebagai contoh, pada Gambar 2.1 (a) dan
transformasi wavelet-nya pada Gambar 2.1 (b). Walaupun hampir seluruh
piksel citra memiliki nilai tidak nol, namun kebanyakan koefisien wavelet-nya
bernilai kecil dan hanya sedikit koefisien yang bernilai besar dimana memuat
sebagian besar informasi dari citra.

11

Gambar 2.1
(a) Citra asli berukuran 1 Megapiksel. (b) Koefisien-koefisien wavelet.
(c) Rekontruksi citra yang didapatkan dengan hanya menggunakan 25.000
koefisien wavelet terbesar.

Secara matematik, jika suatu vektor

x n yang direpresentasikan

menggunakan basis orthonormal (misalnya basis wavelet) = [ 1 2 ... N ]

seperti persamaan berikut:
N

x = si i (t ) (3)
i =1

Dimana si adalah koefisien dari x didapatkan dari, si = x, i , biasanya

(3) dituliskan dalam bentuk matriks x = s (dimana adalah matriks N N
sedangkan x dan s berupa vektor kolom N 1 ). Sinyal x dikatakan K-sparse jika
hanya K dari koefisien-koefisien s bernilai tidak nol sedangkan sejumlah (N-K)
koefisien bernilai nol. Jika K << N , maka sinyal x dikatakan compressible

[8]

Dengan hanya mengambil koefisien-koefisien bernilai besar dan mengabaikan

sisanya menjadi prinsip dasar pemampatan data seperti JPEG-2000 dan standar

12
pemampatan data lainnya

[9]

. Teknik pemampatan data seperti di atas disebut

dengan transform-coding, walaupun memberikan pemampatan data yang baik

dan digunakan pada banyak standar pemampatan saat ini, namun memiliki
ketidakefisien-an yaitu pertama jumlah data semula N mungkin sangat besar
walaupun jumlah K kecil, ke-dua seluruh N koefisien transformasi harus dihitung
walaupun nantinya hanya sejumlah K koefisien terbesar yang diambil sedangkan
sisanya dibuang, ke-tiga lokasi dari K koefisien terbesar tersebut harus disimpan,
Gambar 2.2 memperlihatkan ketidakefisien-an tersebut [10].

Gambar 2.2 Blok diagram standar transform-coding yang saat ini digunakan.

2.3

Fourier Transform (Transformasi Fourier)

Diperkenalkan pertama kali oleh Jean Baptiste Joseph Fourier pada tahun
1807. Dia menyatakan bahwa semua sinyal periodik yang kontinu dapat
dinyatakan sebagai jumlah dari sinyal-sinyal sinusoidal dengan frekuensi,
amplitudo, dan fasa yang tertentu

[11][12]

. Dengan fourier transform, suatu sinyal

13
dalam domain waktu dapat direpresentasikan ke dalam domain frekuensi. Nilainilai frekuensi dari sinyal tersebut dapat diketahui setelah direpresentasikan ke
dalam domain frekuensi.
Namun dalam domain frekuensi tidak terdapat informasi waktu kapan
frekuensi-frekuensi tersebut muncul. Karena hal inilah maka fourier transform
hanya cocok untuk sinyal stasioner dan tidak cocok untuk sinyal non-stasioner.
Hal ini disebabkan fourier transform menganalisa sinyal dalam keseluruhan
waktu (dari awal sampling hingga akhir sampling) sehingga muncul asumsi
bahwa informasi frekuensi sinyal tersebut terjadi dalam setiap waktu. Padahal
belum tentu frekuensi-frekuensi tersebut terjadi dalam setiap waktu pada sinyal
tersebut. Inilah yang menjadi kekurangan dari fourier transform dalam
menganalisa suatu sinyal.

2.4

Discrete Cosine Tansform (DCT)

Discrete Cosine Transform (DCT) merupakan suatu teknik yang digunakan

untuk melakukan konversi sinyal ke dalam komponen frekuensi pembentuknya
dengan cara memperhitungkan nilai riil dari hasil transformasinya. Dari
namanya dapat diketahui bahwa DCT hanya menggunakan gelombang cosinus
(cosine waves). DCT merupakan transformasi yang berhubungan dengan fourier

transform, namun DCT hanya menggunakan bilangan-bilangan riilnya

dapat dikelompokkan menjadi dua yaitu DCT maju dan DCT balik.

[13]

. DCT

14
2.4.1

Discrete Cosine Transform Maju (Forward DCT)

Persamaan forward DCT yang digunakan yaitu:
N

(2n 1)(k 1)

n =1

2N

y (k ) = w(k ) x(n) cos

, k = 1,..., N

.(4)

Dimana

w(k ) =

1
N

, k =1

2
, 2k N
N

(5)

N adalah panjang dari x(n), x(n) adalah nilai sinyal asli, y(k) adalah nilai dari
forward DCT, x(n) dan y(k) mempunyai ukuran yang sama.

2.4.2

Discrete Cosine Transform Balik (Inverse DCT)

Pada inverse DCT dilakukan proses rekonstruksi yaitu mengembalikan

komponen frekuensi menjadi komponen sinyal semula. Persamaan yang
digunakan yaitu:
N

(2n 1)(k 1)

k =1

2N

x(n) = w(k ) y (k ) cos

Dimana

w(k ) =

1
N

, k =1

2
, 2k N
N

, n = 1,..., N

(6)

15
N adalah panjang dari y(k), y(k) adalah nilai dari forward DCT, x(n) adalah nilai

dari inverse DCT, x(n) dan y(k) mempunyai ukuran yang sama.

2.5

Wavelet Transform (Transformasi Wavelet)

Dengan berkembangnya teknik-teknik analisa sinyal maka muncullah suatu

konsep baru yang dapat mengatasi kekurangan dari fourier transform dan teknik
analisa sinyal tersebut dinamakan dengan Wavelet Transform. Wavelet transform
mulai diperkenalkan pada tahun 1980-an oleh Morlet dan Grossman sebagai
fungsi matematis untuk merepresentasikan data atau fungsi sebagai alternatif
transformasi-transformasi matematika yang lahir sebelumnya untuk menangani
masalah resolusi. Sebuah wavelet merupakan gelombang singkat (small wave)
yang energinya terkonsentrasi pada suatu selang waktu untuk memberikan
kemampuan analisis transien, ketidakstasioneran, atau fenomena berubah
terhadap waktu (time varying). Karakteristik dari wavelet antara lain adalah
berosilasi singkat, translasi (pergeseran), dan dilatasi (skala).
Wavelet transform memiliki kemampuan untuk menganalisa suatu data

dalam domain waktu dan domain frekuensi secara bersamaan. Analisa data pada
wavelet transform dilakukan dengan mendekomposisikan suatu sinyal ke dalam

komponen-komponen frekuensi yang berbeda-beda dan selanjutnya masingmasing komponen frekuensi tersebut dapat dianalisa sesuai dengan skala
resolusinya atau level dekomposisinya. Hal ini seperti proses filtering, dimana
sinyal dalam domain waktu dilewatkan ke dalam low-pass filter (LPF) dan high-

16
pass filter (HPF) untuk memisahkan komponen frekuensi tinggi dan frekuensi

rendah [14]. Tahap pertama analisis wavelet adalah menentukan tipe wavelet atau
mother wavelet yang akan digunakan. Hal ini perlu dilakukan karena fungsi
wavelet sangat bervariasi. Beberapa contoh mother wavelet adalah Haar,
Daubechies, Biortoghonal, Coiflets, Symlets, Morlet, Mexican Hat, dan Meyer.

Setelah pemilihan mother wavelet, tahap selanjutnya adalah membentuk basis

wavelet yang akan digunakan untuk mentransformasikan sinyal.

Berdasarkan jenis sinyal yang diprosesnya, wavelet transform dapat dibagi

menjadi dua bagian besar, yaitu Continuous Wavelet Transform (CWT) dan
Discrete Wavelet Transform (DWT).

2.5.1

Discrete Wavelet Transform (Transformasi Wavelet Diskrit)

Discrete wavelet transform (DWT) secara umum merupakan dekomposisi

sinyal pada frekuensi subband sinyal tersebut. Komponen subband wavelet

transform dihasilkan dengan cara penurunan level dekomposisi. Implementasi
DWT dapat dilakukan dengan cara melewatkan sinyal melalui sebuah LPF dan
HPF serta melakukan downsampling pada keluaran masing-masing filter seperti

yang ditunjukkan pada Gambar 2.3 [15].

17

Gambar 2.3 Proses DWT.

Dimana :
x[n]

: Sinyal asli

g[n]

: Low-Pass Filter (LPF)

h[n]

: High-Pass Filter (HPF)

Keluaran dari LPF merupakan koefisien aproksimasi dari DWT dan

keluaran dari HPF merupakan koefisien detail dari DWT. DWT yang digunakan
dalam penelitian ini adalah Lifting Wavelet Transform (LWT).

2.5.2

Lifting Wavelet Transform (Transformasi Wavelet Lifting)

Lifting wavelet transform (LWT) adalah salah satu bagian dari DWT yang

dikenalkan oleh Wim Sweldens. LWT ini kemudian disebut sebagai generasi
kedua DWT. Pada DWT dilakukan proses beberapa filter secara terpisah,
sedangkan dengan LWT operasi proses dibagi dan diproses secara bersamaan [16].
Proses pada LWT dinamakan dengan Predict (P) dan Update (U).

18

Gambar 2.4 Proses LWT.

Dapat dilihat pada Gambar 2.4 bahwa pada proses LWT, proses Predict
(P) dan Update (U) dibagi menjadi dua bagian dan diproses secara bersamaan.
Cara kerja LWT seperti inilah yang membuat teknik ini lebih efisien
dibandingkan dengan DWT. Dalam penelitian ini, tipe wavelet atau mother
wavelet yang akan digunakan adalah jenis Biortoghonal 4.4.

2.5.2.1 Lifting Wavelet Transform Maju (Forward LWT)

Gambar 2.5 Skema Lifting Wavelet Transform Maju.

Proses forward LWT adalah dengan membagi (split) sinyal Sj yang masuk
ke dalam 2 tahap yaitu untuk ganjil (evenj+1) dan genap (oddj+1). Dimana pada

19
tahap ganjil (evenj+1) diambil nilai sinyal dari S0 sampai (S/2)-1, sedangkan pada
tahap genap (oddj+1) diambil nilai sinyal dari (S/2)-1 sampai Sj-1. Tahap ganjil
dilakukan dengan koefisien Predict (P) sedangkan tahap genap dilakukan dengan
koefisien Update (U).

2.5.2.2 Lifting Wavelet Transform Balik (Inverse LWT)

Gambar 2.6 Skema Lifting Wavelet Transform Balik.

Inverse LWT adalah proses rekonstruksi yaitu mengembalikan komponen

frekuensi menjadi komponen sinyal semula.

2.6

Mean Square Error (MSE)

Mean Square Error (MSE) merupakan ukuran kontrol kualitas yang

digunakan untuk mengetahui kualitas dari suatu proses. MSE menghitung

seberapa besar pergeseran data antara sinyal sumber dan sinyal hasil keluaran,
dimana sinyal sumber dan sinyal hasil keluaran memiliki ukuran yang sama.
Nilai MSE yang baik adalah mendekati nol (MSE 0).

20
Rumus dari perhitungan MSE adalah [17]:

MSE =

1 n
(S S e ) 2 (7)
n i =1

Dimana :

2.7

MSE

: Mean Square Error

: Sinyal sumber

Se

: Sinyal Hasil Keluaran

: Panjang sinyal

Peak Signal to Noise Ratio (PSNR)

Peak Signal to Noise Ratio (PSNR) adalah perbandingan antara nilai

maksimum sinyal sumber dengan nilai rata-rata kuadrat error (MSE). Nilai
PSNR yang baik adalah tak hingga (PSNR ). PSNR dihitung dalam satuan

desibel (dB). Desibel adalah satuan yang seringkali digunakan dalam

menyatakan perbedaan relatif kekuatan sinyal. Desibel dinyatakan sebagai
logaritmik basis 10 yang merupakan rasio dari dua sinyal.

21
Rumus dari perhitungan PSNR adalah [18]:

PSNR (dB) = 10 x log10

Max sinyal 2 (8)

MSE

Dimana :

PSNR(dB)

: Peak Signal to Noise Ratio dalam desibel

Max Sinyal

: Nilai maksimum sinyal sumber

MSE

: Mean Square Error