TEORI KONVOLUSI DAN TRANSFORMASI FOURIER

PADA PENGOLAHAN CITRA

Disusun oleh
Revan Muhammad Dafa (09021181722081)
Abeng Andika Putra (09021181722069)
Moh Ardiansyah R. (09021281722083)

Program Studi Teknik Informatika Universitas Sriwijaya

Fakultas Ilmu Komputer
Univeritas Sriwijaya
 Kata Pengantar

Dengan menyebut nama Allah yang Maha Pengasih lagi Maha

Penyayang. Puji syukur kita ucapkan kehadiran Allah yang telah
melimpahkan rahmat, hidayah, dan inayah-Nya kepada saya,
sehingga saya dapat menyelesaikan makalah yang berjudul “TEORI
KONVOLUSI DAN TRANSFORMASI FOURIER CITRA”
dengan sebaik- baiknya. Makalah ini telah saya susun dengan
maksimal dan berisi tentang informasi judul tersebut dan juga
implementasinya dalam kasus yang ada pada dunia pekerjaan.
Terlepas semua itu, saya menyadari bahwa makalah ini jauh dari
kata sempurna, untuk itu saya menerima segala bentuk saran dan
kritik yang membangun sebagai bahan perbaikan agar penulisan
berikutnya jauh lebih baik. Akhir kata, saya berharap semoga
makalah ini dapat bermanfaat bagi saya maupun pihak pembaca.

Indralaya, 10 Oktober 2019

Penulis
 DAFTAR ISI

KATA PENGANTAR...................................................................

DAFTAR ISI..................................................................................

BAB I. PENDAHULUAN

1.1 Latar Belakang ...............................................................................

1.2 Rumusan Masalah..........................................................................

1.3 Tujuan Penelitian ...........................................................................

1.4 Manfaat Penelitian .........................................................................

BAB II. PEMBAHASAN

2.1 Teori Konvolusi Pada Pengolahan Citra........................................

2.2 Kernel Pada Operasi Konvolusi.....................................................

2.3 Konvolusi pada Fungsi Dua Dimensi.............................................

2.4 Konvolusi Diskrit pada Citra.........................................................

2.5 Konvolusi pada Fungsi Dua Dimensi.............................................

2.6 Implementasi Operasi Konvolusi pada Citra.................................

2.7 Definisi dan Gagasan Transformasi Fourier..................................

2.8 Transformasi Fourier Kontinu 1 Dimensi.....................................

2.9 Transformasi Fourier Kontinu 2 Dimensi......................................

2.10 Transformasi Fourier Diskrit 1 Dimensi.....................................

 2.11 Transformasi Fourier Diskrit 2 Dimensi.......................................

2.12 Transformasi Fourier Cepat (FFT)...............................................

2.13 Implementasi Transfomrasi Fourier pada Citra...........................

BAB III. PENUTUP

A. Kesimpulan.....................................................................................

B. Saran...............................................................................................
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Operasi konvolusi dan transformasi fourier menjadi operasi
paling dasar yang sering digunakan nantinya pada proses
pengolahan citra. Aplikasi dari operasi konvolusi banyak
digunakan seperti pada peningkatan kualitas citra, penghilangan
derau, penajaman citra, dll. Operasi konvolusi memudahkan kita
dalam melakukan proses pengolahan citra dengan menggunakan
mask yang akan dikonvolusikan pada citra.

Operasi konvolusi memiliki kelemahan yaitu kompleksitas

waktu dan memorinya yang lebih lama karena kita harus
mengaskes dan memproses nilai dari setiap pikselnya yang ada
pada domain spasial. Oleh karena itu kita juga perlu mempelajari
transfomrasi fourier untuk mempermudah dan juga
mengoptimalkan proses agar lebih cepat dan efisien.

1.2 Rumusan Masalah

Adapun yang dijadikan rumusan masalah dalam makalah ini
adalah :
1. Bagaimana teori konvolusi pada citra ?
2. Bagaimana mengkonvolusi citra dengan sebuah mask/kernel ?
3. Bagaimana cara kerja transformasi fourier ?
4. Bagaimana transformasi fourier ?
5. Bagaimana mentransformasikan sebuah citra pada bidang 1
dimensi dan 2 dimensi ?
6. Bagaimana implementasi dari transformasi fourier pada
 pengolahan citra ?

1.3 Tujuan Penelitian

Untuk mengetahui operasi konvolusi dan transformasi fourier
sebagai landasan yang baik untuk memahami proses pengolahan
citra dengan menggunakan metode tersebut.

1.4 Manfaat Penulisan

Pembaca dan Penulis diharapkan mampu menguasai proses
pengolahan citra dengan menggunakan operasi konvolusi dan
transformasi fourier.
 BAB II

PEMBAHASAN

2.1 Teori Konvolusi Pada Pengolahan Citra

Menurut kamus besar berbahasa Indonesia (KBBI), konvolusi merupakan
perubahan bentuk gelombang hasil lewatnya isyarat melalui saringan linear.

Operasi konvolusi pada citra merupakan perkalian antara sebuah citra dengan
sebuah kernel atau mask. Kernel atau mask merupakan matriks yang nantinya
dikonvolusikan pada sebuah citra seperti sebuah saringan pada citra tersebut.
Kernel umumnya berukuran lebih kecil dari citra tersebut dan nilai pada kernel
adalah nilai yang mempunyai pengaruh terhadap proses operasi citra yang
dilakukan. Definisi matematis dari operasi konvolusi dalam fungsi kontinu
adalah sebagai berikut :

untuk fungsi diskritnya, operasi konvolusi didefinisikan sebagai

keterangan :
tanda * : menyatakan operator konvolusi
a : menyatakan peubah bantu
g(x) : sebuah kernel yang dioperasikan secara bergeser pada f(x)
f(x) : sebuah citra atau sinyal input
h(x) : hasil operasi konvolusi

2.2 Kernel pada Operasi Konvolusi

Kernel menggunakan konsep piksel tetangga, dimana matriks kernel dibuat
dengan asumsi bahwa nilai sebuah piksel bisa dipengaruhi oleh piksel piksel
tetangganya.
 Piksel tetangga merupakan sejumlah piksel yang bersebelahan langsung dengan
sebuah piksel pusat

2.3 Konvolusi pada Fungsi Dua Dimensi

Konvolusi untuk fungsi kontinu adalah sebagai berikut :

Konvolusi untuk fungsi diskrit adalah sebagai berikut :

2.4 Konvolusi Diskrit pada Citra

Konvolusi diskrit adalah operasi geser dan kalikan (shift and multiply), dimana
kernel digeser sepanjang permukaan citra dan mengalikan elemenya dengan
nilai intensitas piksel pada citra

Konvolusi dilakukan sampai semua piksel citra input terkena perhitunga

konvolusi
 Maka akan menghasilkan citra baru hasil konvolusi sebagai berikut :

Nilai piksel yang tidak dapat diperoleh dengan perhitungan konvolusi dapat
diperoleh dengan menyalin nilai tersebut. Terutama pada bagian padding
umumnya nilai tersebut disalin kembali ke citra hasil supaya semua input dapat
terpenuhi.

2.5 Konvolusi Diskrit pada fungsi Dua Dimensi

Misalkan citra f(x,y) yang berukuran 5 x 5 dan sebuah kernel atau mask yang
berukuran 3 x 3 masing masing adalah sebagai berikut :

1. Tempatkan kernel pada sudut kiri atas, kemudian hitung nilai pixel pada
posisi (0,0) dari kernel :
2. Geser kernel satu pixel ke kanan, kemudian hitung nilai pixel pada posisi
(0,0) dari kernel :

3. Geser kanan satu pixel ke kanan, kemudian hitung nilai pixel pada posisi
(0,0) dari kernel
4. Selanjutnya, geser kernel satu pixel ke bawah, lalu mulai lagi melakukan
konvolusi dari sisi kiri citra. Setiap kali konvolusi, geser kernel satu pixel ke
kanan

5. Maka hasil citra yang sudah dikonvolusi dengan kernel sehingga menghasilkan
6. Kita perlu memperhatikan nilai intensitas yang dilakukan operasi konvolusi.
Nilai intensitas yang dikonvolusi bisa menghasilkan nilai pixel negatif dan
dapat melebihi batas nilai maksimum dari itensitas citra tersebut. Maka
perlu dilakukan operasi clipping jika nilainya < 0 maka akan dibulatkan ke
nilai 0 dan jika nilainya > batas maksimum itensitas citra maka dibulatkan
ke skala nilai maksimumnya
7. Nilai yang tidak dapat diperoleh dengan pergeseran kernel tersebut dapat
diperoleh dengan menyalin nilai pada citra aslinya. Umumnya padding pada
citra akan disalin kembali pada citra hasil konvolusi

Berikut adalah citra hasil konvolusinya :

Terdapat masalah yang perlu diperhatikan pada operasi konvolusi yaitu

masalah “menggantung” seperti gambar dibawah ini yang selalu terjadi
pada piksel piksel yang berada di pinggiran paling luar suatu citra. Berikut
penyelesaiannya yang dapat digunakan:

1. Pixel-pixel pinggir diabaikan, tidak di-konvolusi. Solusi ini banyak dipakai

di dalam pustaka fungsi-fungsi pengolahan citra. Dengan cara seperti ini,
maka pixel-pixel pinggir nilainya tetap sama seperti citra asal.
 2. Duplikasi elemen citra, misalnya elemen kolom pertama disalin ke kolom
M+1, begitu juga sebaliknya, lalu konvolusi dapat dilakukan terhadap pixel
pixel pinggir tersebut.

3. Elemen yang ditandai dengan “?” diasumsikan bernilai 0 atau konstanta

yanglain, sehingga konvolusi pixel-pixel pinggir dapat dilakukan.

2.6 Implementasi Operasi Konvolusi pada Citra

Konvolusi dapat digunakan pada proses pengolahan citra seperti :
1. Perbaikan kualitas citra
2. Penghilangan derau
3. Mengurangi erotan
4. Penghalusan/pelembutan citra
5. Deteksi tepi, penajaman tepi
6. Dll

Contoh perbaikan kualitas citra dengan operasi konvolusi

Contoh penghilangan derau dengan operasi konvolusi

2.7 Definisi dan Gagasan Transformasi Fourier
Transformasi Fourier adalah suatu model transformasi yang memindahkan
domain spasial atau domain waktu menjadi domain frekuensi.

Transformasi Fourier merupakan suatu proses yang banyak digunakan untuk

memindahkan domain dari suatu fungsi atau obyek ke dalam domain frekuensi.
Di dalam pengolahan citra digital, transformasi fourier digunakan untuk
mengubah domain spasial pada citra menjadi domain frekuensi. Analisa-analisa
dalam domain frekuensi banyak digunakan seperti filtering. Dengan
menggunakan transformasi fourier, sinyal atau citra dapat dilihat sebagai suatu
obyek dalam domain frekuensi.

Umumnya sinyal dinyatakan dalam bentuk amplitudo pada fungsi di bidang

satu dimensi. Pada aplikasi pengolahan sinyal jika kita mentransformasikan
sinyal tersebut dengan transformasi fourier maka kita dapat langsung
melakukan operasi tersebut dengan sebagai bentuk perkalian langsung yang
mana fungsi tersebut sudah ditransformasikan dalam domain frekuensi.
Selain itu di dalam pengolahan citra, transformasi Fourier juga digunakan
untuk menganalisis frekuensi pada operasi seperti perekaman citra, perbaikan
kualitas citra, restorasi citra, pengkodean, dan lain-lain. Dari analisis frekuensi,
kita dapat melakukan perubahan frekuensi pada gambar. Perubahan frekuensi
berhubungan dengan spektrum antara gambar yang kabus kontrasnya samapi
gambar yang kaya akan rincian visualnya. Sebagai contoh, pada proses
perekaman citra mungkin terjadi pengaburan kontras gambar. Pada gambar
yang mengalami kekaburan kontras terjadi perubahan intensitas secara
perlahan, yang berarti kehilangan informasi frekuensi tinggi. Untuk
meningkatkan kualitas gambar, kita menggunakan penapis frekuensi tinggi
sehingga pixel yang berkontras kabur dapat dinaikkan intensitasnya.

Gagasan adanya Transformasi Fourier

Pada tahun 1822, Joseph Fourier, ahli matematika dari Prancis menemukan
bahwa: setiap fungsi periodik sinyal dapat dibentuk dari penjumlahan
gelombang-gelombang sinus/cosinus.

Ide ini muncul berawal dari percobaan dimana sinyal yang berbentuk kotak
dapat dibentuk dari penjumlahan fungsi sinus sebagai berikut :

F(x) = sin(x) + sin(3x)/3 + sin(5x)/5 + sin(7x)/7 . . .

Dimana memenuhi persamaan
 Semakin tinggi nilai frekuensi maka bentuk sinyak kotak yang dibentuk juga
akan semakin jelas terlihat.

Transformasi fourier berdasarkan dimensi datanya dibagi menjadi dua yaitu

satu dimensi dan dua dimensi.

Transformasi fourier berdasarkan batasan nilainya dibagi menjadi dua juga

yaitu transformasi fourier diskrit dan transformasi fourier kontinu

2.8 Transformasi Fourier Fungsi Kontinu Satu Dimensi

Transformasi fourier kontinu atau disebut adalah model transformasi fourier
yang dikenakan pada fungsi kontinu, transformasi fourier kontinu juga

menghasilkan output kontinu yang didefinisikan dengan :

Keterangan :
i : representasi dari nilai imajiner
p : nilai frekuensi radial dimana 0 – w atau dapat dituliskan bahwa w = 2 phi f
u : peubah frekuensi
Untuk nilai f(x) real, F(u) adalah fungsi kompleks dan dapat dituliskan sebagai

Nilai spetrum fourier dinyatakan dalam bentuk:

Dengan nilai kesamaan euler adalah :

Contoh 1
Diketahui fungsi f(t) sebagai berikut:

f(t)
3

-1 0 1 t

Transformasi Fourier dari f(t) di atas adalah:

1 1
F ( )   (3)e  jt dt  3  e  jt dt
1 1

1
3  jt
 e
j 1

6 sin(  )

j

3  j
e  e j   

Hasil dari transformasi Fourier untuk w = 0 s/d 2w adalah :

Gambar 4.2. Contoh hasil transformasi fourier

2.9 Transformasi Fourier Fungsi Kontinu Dua Dimensi
Transformasi Fourier kontinu 2D dari suatu fungsi spasial f(x,y) didefinisikan
dengan:
 
 j 1 x 2 y 
F (1 ,  2 )    f ( x, y).e
  
dxdy

Keterangan :
F(w1,w2) adalah fungsi dalam domain frekuensi
f(x,y) adalah fungsi spasial atau citra
w1 dan w2 adalah frekwensi radial 0 – 2 phi f.

Contoh 1
Diketahui fungsi spasial f(x,y) berikut:

f(x,y)
1

1 1
y x

Transformasi fourier dari f(x,y) di atas adalah:

1 1
F 1 ,  2     (1).e
 j 1 x  2 y 
dydx
1 1
1
1
 e  j1x  j2 y  1
sin(  2 )  j1x
   e  dx   e dx
1 
j 2  1 1
2
1
sin(  2 )  e  j1x  sin(  2 ) sin( 1 )
    .
 2  j1  1 2 1
sin(  2 ) sin( 1 )

 21
Hasil dari transformasi fourier untuk 0<w1,w2<2phi, adalah sebagai berikut :
 Gambar 4.3. Contoh hasil transformasi fourier 2D

Gambar 4.4. Hasil transformasi fourier dalam surface

Transformasi Fourier semacam ini disebut dengan continuous fourier transform,

dan sulit dikomputasi karena ada operasi integral dan sifat kontinunya itu
sendiri.

2.10 Transformasi Fourier Fungsi Diskrit Satu Dimensi

Transformasi fourier diskrit atau disebut dengan Discrete Fourier Transform
(DFT) adalah model transformasi fourier yang dikenakan pada fungsi diskrit, dan
hasilnya juga diskrit. DFT didefinisikan dengan :
N
F (k )   f (n).e  j 2knT / N
n 1
DFT 1D
DFT seperti rumus di atas dinamakan dengan DFT 1 dimensi, DFT semacam ini
banyak digunakan dalam pengolahan sinyal digital.

Contoh 1 :
Diketahui f(t) dalam bentuk diskrit f(n) sebagai berikut :

f(t)

t
0 1 2 3

DFT dengan T=1 dari fungsi f(n) di atas adalah :

3 3
F (0)   f (n).e  jn0   f (n)
k=0  n 0 n 0

 1111  4
3
F (1)   f (n).e  j 2n / 4 
n0
k=1  3

 f (n).e
n0
 0.5 jn
0

3 3
k=2  F (2)   f (n).e  j 4 n / 4   f (n).e  jn  0
n 0 n 0

3 3
k=3  F (3)   f (n).e  j 6 nn / 4   f (n).e  j1.5 n  0
n 0 n 0

Hasil dari DFT untuk T (periode sampling) yang berbeda akan juga berbeda.
Sehingga dalam proses perhitungan DFT, penentuan nilai T juga merupakan
perhatian penting. Sebagai acuan dapat digunakan aturan frekuensi Niquist bahwa
frekuensi sampling minimal dua kali frekwensi informasi (data), atau dengan kata
lain periode sampling maksimal setengah kali periode dari nilai fungsinya.

Contoh 2 :
Diketahui f(t) dalam bentuk diskrit f(n) sebagai berikut :
f(t)

t
 0 1 2 3 0 1 2 3

DFT dengan T=1 dari fungsi f(n) di atas adalah :

7 7
F (k )   f (n).e  j 2nk / 8   f (n).e  jnk / 8
n 0 n 0

Hasil DFT fungsi f(t) di atas adalah :

k F(k)
0 12
1 0
2 -2 – 2j
3 0
4 0
5 0
6 -2 +
2j
7 0

Terlihat bahwa hasil dari DFT adalah bilangan komplek, yang terdiri dari unsur
real dan imaginer. Sehingga dapat dipisahkan dalam unsur real dan imaginer
sebagai berikut :
k Real{F(k)} Im{F(k)}
0 12 0
1 0 0
2 -2 -2
3 0 0
4 0 0
5 0 0
6 -2 2
7 0 0
Dan dapat digambarkan sebagai berikut :
 Bagian Real Bagian Imaginer
Gambar 4.5. Contoh DFT real dan imaginer

Atau dapat dinyatakan dalam magnitude dan phase dengan definisi sebagai
berikut :

Magnitude : F (k )  Re f (k )2  Im f (k )2

ImF (k )
Phase : ArgF (k ) 
ReF (k )

Magnitude Phase
Gambar 4.6. Contoh DFT real dan imaginer

Bila DFT dihitung untuk k=0 s/d 15 maka hasilnya adalah:

k F(k) K F(k)
0 12 8 12
1 0 9 0
2 -2 – 10 -2 –
2j 2j
3 0 11 0
4 0 12 0
5 0 13 0
 6 -2 + 14 -2 +
2j 2j
7 0 15 0

Terlihat terjadi pengulangan hasil, hal ini disebabkan proses DFT memang
mengakibatkan terjadinya periodik. Ini sebagai akibat dari adanya unsur radial 2
dalam bentuk transformasi fourier. Sehingga dalam proses perhitungan DFT,
perhitungan cukup dilakukan sampai 1/2 periodik saja. Dan perhitungan inilah
yang dinamakan dengan FFT (Fast Fourier Transform).

2.11 Transformasi Fourier Fungsi Diskrit Dua Dimensi

Transformasi Fourier Diskrit (DFT) 2 Dimensi adalah tranformasi fourier diskrit
yang dikenakan pada fungsi 2D (fungsi dengan dua variabel bebas), yang
didefinisikan sebagai berikut :
N1 N2
F ( k1 , k 2 )    f (n , n
n1  0 n2  0
1 2 ).e  j 2T ( k1n1 / N1  k2 n2 / N 2 )

DFT 2D ini banyak digunakan dalam pengolahan citra digital, karena data citra
dinyatakan sebagai fungsi 2D.
Contoh 1:
Diketahui f(x,y) adalah sebagai berikut :
0 1 1 1 1 0
1 1 0 0 1 1
1 1 0 0 1 1
0 1 1 1 1 0
Bila digambarkan hasilnya adalah sebagai berikut :

Gambar Contoh citra dalam f(x,y)

DFT dari fungsi f(x,y) di atas adalah :
4 6
F (k1 , k 2 )    f (n , n
n1 0 n2 0
1 2 ).e  j 2T ( k1n1 / 4 k2n2 / 6)

Hasil dari DFT adalah sebagai berikut :

16 0 -2 - 0 -2 + 0
3.46i 3.46i
0 -1.27 - 0 0 0 4.73 -
4.73i 1.27i
0 0 0 0 0 0
0 -4.73+ 0 0 0 1.27 +
1.27i 4.73i

Secara Grafis dapat ditunjukkan bahwa :

Bagian Real Bagian Imaginer

Hasil DFT dalam bentuk magnitude dan phase adalah sebagai berikut :

Magnitude =
16.0000 0 4.0000 0 4.0000 0
0 4.8990 0 0 0 4.8990
0 0 0 0 0 0
0 4.8990 0 0 0 4.8990
Phase =
0 0 -2.0944 0 2.0944 0
0 -1.8326 0 0 0 -2.8798
0 0 0 0 0 0
0 2.8798 0 0 0 1.8326

Secara grafis dapat digambarkan sebagai berikut :

Magnitude Phase
Gambar hasil DFT 2D dalam magnitude dan phase

2.12 Transformasi Fourier Cepat (FFT)

FFT (Fast Fourier Transform) adalah teknik perhitungan cepat dari DFT. Untuk
pembahasan FFT ini, akan dijelaskan FFT untuk 1D dan FFT untuk 2D. Dimana
FFT 2D adalah pengembangan dari DFT 2D.

FFT 1D

FFT adalah DFT dengan teknik perhitungan yang cepat dengan memanfaatkan
sifat periodikal dari transformasi fourier. Perhatikan definisi dari DFT :

N
F (k )   f (n).e  j 2knT / N
n 1

Atau dapat dituliskan dengan :

N N
F (k )   f (n) cos( 2nkT / N )  j  f (n) sin( 2nkT / N )
n 1 n 1

Perhatikan fungsi cosinus berikut ini :

 Gambar 4.10. Gambar fungsi cosinus 1 periode

Pada gambar tersebut, dapat dilihat bahwa nilai fungsi cosinus untuk setangah
bagian bila dilihat dari kiri dan setengah bagian dari kanan akan sama, atau dapat
dikatakan bahwa nilai fungsi cosinus untuk setengah periode adalah kebalikan
horisontal (shift) dari nilai setengah periode sebelumnya, atau dapat dituliskan
bahwa ;

cos(T/2-x) = -cos(x), untuk 0<x<T/2

Perhatikan fungsi sinus berikut ini :

Gambar 4.11. Gambar fungsi sinus 1 periode

Pada gambar tersebut, dapat dilihat bahwa nilai fungsi sinus untuk setengah
periode adalah kebalikan dari nilai setengah periode sebelumnya, atau dapat
dituliskan bahwa ;

sin(x+T/2) = -sin(x), untuk 0<x<T/2

Dari kedua sifat di atas, maka perhitungan DFT dapat disederhanakan dengan
cukup menghitung setengah periode saja, sedangkan setengah periode berikutnya
dapat dihitung dengan menggunakan :

F(x+T/2) = Real{F(T/2-x)} - j Im{F(x)}

Contoh 1:
Perhatikan pada contoh 4.3, hasil dari DFT adalah sebagai berikut :

k F(k) k F(k)

0 12 5 0

1 0 6 -2 +
2j

2 -2 – 7 0
2j

3 0 8 12

4 0

Untuk menghitung hasil tersebut diperlukan 8x8 = 64 kali perhitungan (looping).

Bila dihitung dengan menggunakan FFT seperti diatas, maka akan diperoleh ( 5x8
+ 4 ) = 44 kali perhitungan, hal ini terlihat sangat meng/hemat perhitungan.
Tentunya dengan bertambahnya ukuran data, maka perbedaan kecepatan
perhitungannya akan semakin terasa.

Untuk n buah data, DFT memerlukan n2 kali perhitungan, dan FFT memerlukan
(n/2 + 1)xn + n/2 kali perhitungan. Misalkan jumlah data n=100 maka dengan
menggunakan DFT diperlukan 100x100 = 10.000 kali perhitungan, dengan
dengan menggunakan FFT cukup dilakukan (51x100 + 50) = 5150 kali
perhitungan.
 FFT 2D

FFT 2D adalah DFT 2D dengan teknik perhitungan yang cepat dengan

memanfaatkan sifat periodikal dari transformasi fourier. Seperti halnya FFT 1D,
maka dengan menggunakan sifat fungsi sinus dan cosinus, algoritma dari FFt 2D
ini adalah :
(1) Hitung FFT 2D untuk n1 = 1 s/d N1/2 dan n2 = 1 s/d N2/2 menggunakan rumus
DFT.

(2) Untuk selanjutnya digunakan teknk konjugate 2D.

Contoh 1 :

Perhatikan contoh 4.4. dengan fungsi f(x,y) sebagai berikut :

0 1 1 1 1 0

1 1 0 0 1 1

1 1 0 0 1 1

0 1 1 1 1 0

DFT dari fungsi ini adalah sebagai berikut :

16 0 -2 - 0 -2 + 0
3.46i 3.46i

0 -1.27 0 0 0 4.73
- -
4.73i 1.27i

0 0 0 0 0 0

0 - 0 0 0 -
4.73+ 1.27
1.27i +
4.73i
 Jumlah perhitungan DFT di atas adalah (4x6)2 = 576 kali.

Dengan menggunakan FFT, maka perhitungannya adalah :

(1) Hitung DFT untuk ukuran 4x4 sehingga diperoleh :

F(0,0) = 16 F(0,1) = 0

F(0,2) = -2 – 3.46i F(0,3) = 0

F(1,0) = 0 F(1,1) = -1.27 – 4.73i

F(1,2) = 0 F(1,3) = 0

F(2,0) = 0 F(2,1) = 0

F(2,2) = 0 F(2,3) = 0

F(3,0) = 0 F(3,1) = -4.73 + 1.27i

F(3,2) = 0 F(3,3) = 0

(2) Dengan cara konjugate dapat diperoleh :

F(0,4) = conjugate(F(0,2)) = -2 + 3.46i

F(0,5) = conjugate(F(0,1)) = 0

F(1,4) = conjugate(F(3,2)) = 0

F(1,5) = conjugate(F(3,1)) = -4.73 – 1.27i

F(2,4) = conjugate(F(2,2)) = 0

F(2,5) = conjugate(F(2,1)) = 0

F(2,4) = conjugate(F(1,2)) = 0

F(2,5) = conjugate(F(1,1)) = -1.27 + 4.73i

Jumlah perhitungan dari FFT adalah (4x4x4x6) + 2x4 = 392 kali.

2.13 Implementasi Transfomrasi Fourier pada Citra

Citra dari transformasi yang ditampilkan adalah logaritma dari spektum
fouriernya. Contohnya adalah sebagai berikut :
Implementasi pada filtering gambar dengan transformasi fourier

Implementasi pada dunia forensik

Jika nilai transformasi tersebut di rotasi maka citra hasil selanjutnya juga akan
mengalami rotasi seperti gambar berikut ini
 BAB 3
PENUTUP

3.1 Kesimpulan

Dalam makalah ini kita mengetahui bahwa dengan menggunakan

filtering citra menggunakan operasi konvolusi maka kita dapat
melakukan operasi pengolahan citra seperti peningkatan kualitas
citra, penajaman citra, dan lain lain. Selain itu untuk mendapatkan
optimalisasi dalam prosesnya kita dapat menggunakan transformasi
fourier pada citra tersebut. Transformasi fourier menjadikan sebuah
fungsi pada dimensi spasial menjadi fungsi dalam dimensi frekuensi.

3.2 Saran

Saya menyarankan untuk menerapkan operasi operasi tersebut dan

membuktikannya secara langsung menggunakan bahasa
pemrograman java. Untuk implementasi mudah bagi yang ingin
mengtahui outputnya dapat menggunakan matlab langsung atau
menggunakan library python.