LANDASAN TEORI
2.1
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:
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:
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.
x n yang direpresentasikan
x = si i (t ) (3)
i =1
[8]
12
pemampatan data lainnya
[9]
Gambar 2.2 Blok diagram standar transform-coding yang saat ini digunakan.
2.3
[11][12]
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
[13]
. DCT
14
2.4.1
(2n 1)(k 1)
n =1
2N
, 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
(2n 1)(k 1)
k =1
2N
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
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.
2.5.1
17
Dimana :
x[n]
: Sinyal asli
g[n]
h[n]
2.5.2
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
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.
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).
2.6
20
Rumus dari perhitungan MSE adalah [17]:
MSE =
1 n
(S S e ) 2 (7)
n i =1
Dimana :
2.7
MSE
: Sinyal sumber
Se
: Panjang sinyal
maksimum sinyal sumber dengan nilai rata-rata kuadrat error (MSE). Nilai
PSNR yang baik adalah tak hingga (PSNR ). PSNR dihitung dalam satuan
21
Rumus dari perhitungan PSNR adalah [18]:
Dimana :
PSNR(dB)
Max Sinyal
MSE