PENGOLAHAN CITRA DIGITAL

Tugas Pertemuan 6

Disusun Oleh:

Samuel Beryl Enrico Ritonga

2010631170119

6C

PROGRAM STUDI INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS SINGAPERBANGSA KARAWANG

2023
 TUGAS MODUL

1. Berikan beberapa contoh transformasi yang mengalihkan ke kawasan frekuensi.

2. Terdapat data seperti berikut:
f(x) = (3, 4, 4, 5)
Hitunglah transformasi Fourier F(0) hingga F(3).
3. Jelaskan maksud istilah berikut.
a. Spektrum Fourier
b. Spektrum daya (power spectrum)
4. Apa yang Anda ketahui mengenai FFT?
5. Apa kegunaan fungsi fftshift?
6. Jelaskan yang dimaksud dengan istilah berikut.
a. Filter lolos-rendah
b. Filter lolos-tinggi
7. Apa yang dimaksud dengan wraparound error? Jelaskan cara mengatasinya.
8. Apa yang dimaksud dengan filter-filter berikut?
a. ILPF
b. BLPF
c. GLPF
d. IHPF
e. BHPF
f. GHPF
g. HFE
9. Buatlah fungsi bernama fillrb dengan 4 buah argumen yang secara berturut-turut
menyatakan matriks citra, frekuensi ambang, dan orde filter. Fungsi tersebut
memberikan nilai balik berupa fungsi transfer filter lolos-rendah tipe Butterworth.
Bantuan: modifikasilah berdasarkan blpf.m.
10. Gambarkan fungsi transfer fillrb pada Soal 9 dengan menggunakan f. Sebagai
contoh, gunakan citra boneka2.png, dengan frekuensi sebesar 0,1, dan orde filter
sebesar 1.
Bantuan: Misalkan, H adalah fungsi transfer yang dihasilkan oleh fillrb, maka
Anda bisa menyajikan filter transfer dengan menggunakan perintah berikut:
mesh(fftshift(H)); colormap(jet);
11. Dengan menggunakan fungsi fillrb (Soal 9), bagaimana kalau dikehendaki untuk
memperoleh fungsi transfer filter lolos-tinggi Butterworth?
 JAWABAN TUGAS MODUL
1. Berikut merupakan beberapa contoh transformasi ke domain frekuensi:
a. Transormasi Fourier
b. Transformasi gelombang-singkat (wavelet)
c. Transformasi Radon
d. Transformasi diskrit Cosine
2. Untuk mentransformasikan deret waktu diskrit menjadi deret frekuensi diskrit
menggunakan transformasi Fourier diskrit (DFT), dapat menggunakan rumus berikut:

F(k) = ∑n=0 N-1 f(n) e^(-i 2πnk/N)

di mana f(n) adalah nilai pada waktu diskrit ke-n, N adalah jumlah total sampel, k
adalah nomor koefisien frekuensi dan i adalah satuan imajiner.

Dalam kasus ini, jumlah sampel N adalah 4 karena ada empat nilai dalam rangkaian
waktu diskrit. Oleh karena itu, dapat menghitung transformasi Fourier sebagai
berikut:

F(0) = ∑n=0 3 f(n) e^(-i 2π0n/4) = 3 + 4 + 4 + 5 = 16

F(1) = ∑n=0 3 f(n) e^(-i 2π1n/4) = 3 + 4e^(-iπ/2) - 4 - 5e^(-iπ/2) = -2 - i
F(2) = ∑n=0 3 f(n) e^(-i 2π2n/4) = 3 - 4i - 4 + 5i = 0
F(3) = ∑n=0 3 f(n) e^(-i 2π3n/4) = 3 - 4e^(-i3π/2) + 4 - 5e^(-i3π/2) = -2 + i

Jadi, hasil transformasi Fourier diskrit dari deret waktu diskrit ini adalah F(0) = 16,
F(1) = -2 - i, F(2) = 0, dan F(3) = -2 + i.

3. Berikut merupakan penjelasannya:

a. Spektrum Fourier adalah representasi dari sinyal dalam domain frekuensi.
Transformasi Fourier mengubah sinyal dari domain waktu ke domain
frekuensi, memetakan informasi sinyal ke komponen magnitudo dan fase
frekuensi masing-masing.
b. Spektrum daya (power spectrum) adalah representasi dari distribusi daya
sinyal di sepanjang frekuensi. Sering dijumpai transformasi Fourier dikonversi
ke spektrum daya, yang besarnya masing-masing komponen frekuensi kuadrat.
4. FFT (Fast Fourier Transform) adalah metode yang dirancang untuk meningkatkan
kecepatan komputasi dari transformasi Fourier. Dibandingkan dengan kompleksitas
DFT (Discrete Fourier Transform) yang sebesar O(N^2), FFT memiliki kompleksitas
yang lebih rendah yaitu O(N log^2 N). Sebagai contoh, jika N adalah 256, maka
kompleksitas DFT adalah 65.536 sedangkan kompleksitas FFT hanya 2048. Ini berarti
bahwa FFT 32 kali lebih cepat daripada DFT untuk ukuran citra tersebut. Keuntungan
ini akan semakin terasa pada transformasi berdimensi dua.
5. Kegunaan fungsi fftshift adalah untuk mengatur agar komponen frekuensi nol
diletakkan di tengah-tengah spektrum.
6. Berikut merupakan penjelasannya:
 a. Filter lolos-rendah (Low-pass filter) adalah filter yang hanya melewatkan
frekuensi yang lebih rendah dari frekuensi cut-off (fc). Di atas frekuensi
tersebut, outputnya mengecil (idealnya tidak ada). Filter ini juga berfungsi
untuk menghilangkan noise frekuensi tinggi.
b. Filter lolos-tinggi (High-pass filter) adalah filter yang mempunyai sifat dapat
melewatkan frekuensi tinggi dan menghalangi yang berfrekuensi rendah. Efek
filter ini berguna untuk mendapatkan tepi objek dalam citra atau menajamkan
citra.
7. Wraparound error (atau juga disebut leakage error) terjadi ketika sinyal dengan
frekuensi tidak tepat (atau tidak berada pada grid frekuensi) disampel secara digital.
Ketika sinyal tersebut diolah melalui transformasi Fourier diskrit (DFT), terdapat
kemungkinan energi sinyal yang tersebar ke dalam beberapa koefisien frekuensi di
sekitar frekuensi yang seharusnya. Hal ini terjadi karena DFT mengasumsikan sinyal
berulang secara periodik, sehingga sinyal asli dan sinyal berulangannya (alias) saling
mempengaruhi satu sama lain. Wraparound error dapat menyebabkan hasil analisis
sinyal yang tidak akurat, karena energi sinyal yang seharusnya berada pada frekuensi
tertentu tersebar ke beberapa koefisien frekuensi lainnya. Hal ini dapat mengaburkan
spektrum frekuensi dan menghasilkan informasi yang salah tentang sinyal yang
dianalisis.
Ada beberapa cara untuk mengatasi wraparound error, antara lain:
a. Windowing: teknik ini melibatkan pengurangan amplitudo sinyal di tepi
jendela sinyal (signal window) untuk mengurangi efek aliasing. Windowing
tidak sepenuhnya menghilangkan wraparound error, namun dapat mengurangi
dampaknya terhadap hasil analisis sinyal.
b. Zero-padding: teknik ini melibatkan menambahkan nol ke ujung sinyal
sebelum diolah melalui DFT. Zero-padding tidak menyelesaikan masalah
wraparound error sepenuhnya, namun dapat memperluas resolusi frekuensi
yang tersedia untuk analisis dan memungkinkan sinyal untuk lebih baik
diinterpolasi.
c. Interpolasi spektral: teknik ini melibatkan menghitung kembali spektrum
frekuensi dari sinyal yang telah di-sampel secara digital, dengan
memperkirakan energi sinyal yang seharusnya terkonsentrasi pada frekuensi
tertentu. Interpolasi spektral dapat menghasilkan representasi spektral yang
lebih akurat, terutama jika sinyal asli tidak berulang secara periodik dan
memiliki energi frekuensi yang berdekatan.
8. Berikut adalah penjelasan singkat untuk masing-masing filter:
a. ILPF (Ideal Low-Pass Filter) adalah filter frekuensi yang memungkinkan
sinyal dengan frekuensi rendah untuk melewati filter, sementara sinyal dengan
frekuensi tinggi diblokir sepenuhnya. Filter ini memiliki fungsi transfer yang
ideal dan merupakan filter yang paling tajam, tetapi dalam praktiknya sulit
untuk direalisasikan karena membutuhkan tak terbatas jumlah koefisien filter.
b. BLPF (Butterworth Low-Pass Filter) adalah filter frekuensi yang
memungkinkan sinyal dengan frekuensi rendah untuk melewati filter,
sementara sinyal dengan frekuensi tinggi diblokir secara bertahap. Filter ini
 memiliki fungsi transfer yang lebih halus daripada ILPF dan lebih mudah
direalisasikan.
c. GLPF (Gaussian Low-Pass Filter) adalah filter frekuensi yang menghaluskan
sinyal dengan menghilangkan frekuensi tinggi. Filter ini menggunakan fungsi
Gauss sebagai dasar, dan semakin besar nilai sigma, semakin halus hasil filter.
d. IHPF (Ideal High-Pass Filter) adalah filter frekuensi yang memungkinkan
sinyal dengan frekuensi tinggi untuk melewati filter, sementara sinyal dengan
frekuensi rendah diblokir sepenuhnya. Filter ini memiliki fungsi transfer yang
ideal dan merupakan filter yang paling tajam, tetapi dalam praktiknya sulit
untuk direalisasikan karena membutuhkan tak terbatas jumlah koefisien filter.
e. BHPF (Butterworth High-Pass Filter) adalah filter frekuensi yang
memungkinkan sinyal dengan frekuensi tinggi untuk melewati filter,
sementara sinyal dengan frekuensi rendah diblokir secara bertahap. Filter ini
memiliki fungsi transfer yang lebih halus daripada IHPF dan lebih mudah
direalisasikan.
f. GHPF (Gaussian High-Pass Filter) adalah filter frekuensi yang
mempertahankan komponen frekuensi tinggi dari sinyal dan menghilangkan
frekuensi rendah. Filter ini menggunakan fungsi Gauss sebagai dasar, dan
semakin besar nilai sigma, semakin halus hasil filter.
g. HFE (Homomorphic Filtering Enhancement) adalah filter yang digunakan
untuk memperbaiki kontras dalam citra dengan memanipulasi intensitas citra
dalam domain logaritmik. Filter ini umumnya digunakan dalam aplikasi
pengolahan citra medis.
9. Kode program fillrb.m:
10. Command:

Hasil/plot:
11. Kode program:

Command:
Hasil/plot:
 TUGAS PRAKTIKUM
● Mencoba blpf.m
Kode program:

Command:

Hasil/plot: