BAB 1 PENDAHULUAN
1.1
Latar Belakang Sinyal adalah besaran besaran fisik yang berubah – ubah terhadap satu atau beberapa variabel bebas. Representasi sinyal sangat penting untuk sinyal proses, salah satunya adalah untuk proses image denoising. Representasi adalah bagaimana menyatakan suatu sinyal dalam basis pembentuknya yaitu dictionary. Masalah yang muncul adalah bagaimana membuat basis pembentuk / dictionary yang baik untuk melakukan proses image denoising agar menghasilkan nilai noise reduction yang besar. Untuk mendapatkan representasi sinyal yang baik yaitu dengan cara sifat dari sinyal tersebut harus bersifat sparse[3][4][5][6][7]. Sparse yang dimaksud adalah dengan sedikit koefisien yang memiliki nilai bukan nol (nonzero) mampu untuk merekonstruksi image secara efisien. Dalam proses mencari sifat sparse atau disebut sparse decomposition dapat dibagi menjadi 2 bagian yaitu algoritma untuk decomposition / sparse coding dan algoritma dalam pembentukan dictionarynya. Pada sparse coding, untuk penelitian ini menggunakan Orthogonal Matching Pursuit (OMP) yang bersifat greedy algorithm dan untuk dictionary-nya dirancang secara overcomplete learning dan menggunakan algoritma K-Singular Value Decomposition (K-SVD). Overcomplete adalah nilai suatu sinyal yang memiliki nilai lebih dibandingkan ukuran dimensi / ukuran matriksnya. Pada penelitian menggunakan algoritma K-SVD, karena algoritma ini membangun sebuah kamus yang mengarah ke representasi sparse untuk diberikan 1
2 set sinyal training (mudah dipahami dan diimplementasi) dan dengan menggunakan K-SVD, learning dictionary yang tampaknya sulit menjadi mudah dalam mencari nilai dictionarynya. Overcomplete dictionary learning yang dibuat berdasarkan algoritma K-SVD untuk image denoising masih belum sempurna yaitu proses image denoising yang menggunakan K-SVD masih tidak mampu mengatasi sinyal yang berdimensi tinggi (ukuran matriks yang besar)[2]. Algoritma K-SVD untuk pembuatan Dictionary learningnya memiliki beberapa masalah yaitu mengandalkan algortima pursuit untuk proses sparse coding dan Dictionary update yang dilakukan peratom setiap iterasi / pengulangan, sehingga pada saat melakukan proses image denoising membutuhkan waktu yang lama dan penyimpanan data yang besar. Agar mampu memproses image denoising dengan waktu yang lebih singkat, yaitu dengan cara menggunakan algoritma EK-SVD (Enhanced K-SVD). EK-SVD mampu me-scan kolom dictionary yang hanya terdapat nilai non-zero. Proses EKSVD perbedaannya terletak di bagian proses sparse coding dimana menggunakan OMP tetapi mencari representasi sinyalnya berdasarkan konsep Multiple Measurement Vektors (MMV) dimana nilai non-zero di clustered menjadi beberapa kolom / diperkecil kolomnya (pembacaan dictionary learning untuk mendapatkan update dictionary tidak perlu dilakukan per-kolom).
1.2
Ruang Lingkup Ruang lingkup penelitian adalah : - Menggunakan algoritma OMP untuk sparse coding dan menggunakan algoritma K-SVD untuk Dictionary Learning. Untuk pengembangannya (EK-SVD),
3 terletak pada proses sparse coding dimana pengukuran dilakukan secara Multiple Measurement Vektors (OMPMMV) - Menggunakan 2 buah training data / sinyal. Training data yang digunakan adalah training 30 image dan training corrupt image. - Setiap training data baik training 30 image dan
training corrupt image
melakukan 2 proses, secara K-SVD dan EK-SVD - Gambar yang digunakan berupa grayscale - Menggunakan Noise Gaussian White Noise - Menggunakan Noise Salt & Pepper, dan Speckle hanya untuk gambar Boat. - Menggunakan overcomplete Discrete Courier Transform Dictionary untuk penggunaan dictionary awal
1.3
Tujuan dan Manfaat 1.3.1 Tujuan : -
Membangun sistem overcomplete dictionary dengan algoritma EK- SVD untuk proses image denoising
-
Menggunakan overcomplete dictionary dengan algoritma EK-SVD untuk proses image denoising untuk menghasilkan waktu yang lebih cepat dibandingkan pada proses image denoising untuk sistem overcomplete dictionary dengan algoritmta K-SVD.
1.3.2 Manfaat : -
Menghasilkan sebuah overcomplete dictionary learning yang digunakan untuk proses image denoising dengan lama waktu proses komputasi yang lebih cepat.
4 1.4
Metodologi Penulisan Dalam penelitian, menggunakan dua metodologi penelitian meliputi metode studi pustaka dan metode perancangan sistem. 1.4.1 Metode Studi Pustaka Tahapan – tahapan dalam metode studi pustaka adalah tinjauan terhadap literatur – literatur dan jurnal yang berkaitan untuk pembuatan skripsi, terutama literatur yang menjadi dasar untuk
penelitian image
denoising menggunakan K-SVD dan EK-SVD, seperti teori dasar tentang representasi dan sparsity. Algoritma yang akan dipakai dan tahapan prosesnya,
seperti
proses
dalam
mencari
sparsity
(proses
sparse
decomposition atau sparse coding) dengan menggunakan OMP (Orthogonal Matching Pursuit), OMPMMV (Orthogonal Matching Pursuit Multiple Measurement Vektor) untuk image denoising EK-SVD, dan proses dictionary learning dengan menggunakan algoritma K-SVD (K-Singular Value Decomposition). 1.4.2 Metode Perancangan Sistem Metode perancangan sistem pada penelitian adalah perancangan lunak, dimana proses perancangan membuat simulasi program berupa Matlab. Ada beberapa tahap dalam proses perancangan sistem perangkat lunak pada penelitian : 1. Proses patch training, agar gambar dapat dibaca nilai matriksnya dan pembacaan nilai sudah bukan per-pixel melainkan per-patch / dibagi menjadi beberapa blok.
5 2.
Menggunakan algoritma OMP dan OMPMMV untuk proses sparse coding. 3. Menggunakan algoritma K-SVD untuk proses dictionary learning yang hasilnya digunakan untuk update dictionary. 4. Menggunakan nilai koefisien dan dictionary yang telah diupdate untuk rekonstruksi gambar sehingga menghasilkan gambar yang telah didenoising .
1.5
Sistematika Penulisan Dalam penulisan, sistematika penulisan yang digunakan sebagai berikut: BAB 1 PENDAHULUAN Bab ini menuliskan latar belakang, tujuan, manfaat, ruang lingkup sistem, metodologi penelitian yang digunakan dan sistematika penulisan dari penelitian ini. latar belakang berisi bagaimana mendapatkan representasi yang baik untuk proses image denoising, perkembangan dictionary yang digunakan, hingga tujuan penelitian untuk membuat overcomplete dictionary yang menggunakan algoritma K-SVD untuk proses image denoising. Algoritma yang menggunakan K-SVD masih memiliki beberapa kelemahan oleh karena itu dikembangkan dengan menggunakan algoritma EK-SVD. Tujuan dan manfaat langsung membahas proses image denoising dengan algoritma K-SVD yang sudah dikembangkan (EK-SVD). Ruang lingkup berisi parameter atau batasan sistem yang akan dirancang, dan algoritma yang digunakan. Metodologi berisi tahapan dalam mencari bahan atau
6 dasar teori yang mendukung penulisan. Sistem penulisan berupa ringkasan singkat setiap bab.
BAB 2 LANDASAN TEORI Pada bab ini hanya menuliskan teori - teori dasar yang digunakan sebagai landasan dalam penelitian yang dilakukan. Teori – teori tersebut antara lain penjelasan umum akan sparsity dan representasi agar lebih mengerti tentang topik skripsi ini dan penjelasan tentang algoritma yang akan digunakan.
BAB 3 PERANCANGAN SISTEM Pada bab ini menguraikan gambaran umum mengenai perancangan sistem yang akan dibuat ditinjau dari sisi perangkat lunak, karena perangkat keras yang digunakan hanya berupa PC (Personal Computer) yang digunakan untuk menjalankan perangkat lunak yang dirancang. Pada perangkat lunak dijelaskan proses kerja mencari sparse coding, proses OMP, proses K-SVD, proses EK-SVD, dan proses image denoising
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini, berisi data – data penelitian, hasil implementasi dan juga evaluasi yang dilakukan dalam penelitian. Hasil data berupa proses image denoising menggunakan K-SVD & EK-SVD yang setiap prosesnya menggunakan data training image yang berbeda. Menggunakan training image 30 buah gambar dimana proses patchnya setiap 8 pixel dengan pergeseran per-patch dan yang satu lagi menggunakan training corrupt image. dimana pada training corrupt image
7 hanya menggunakan satu gambar yaitu gambar yang diberi noise dan proses patchnya setiap 8 pixel dengan pergeseran per-pixel (overlap). Setiap penelitian menggunakan 3 buah gambar yaitu gambar Lena, gambar Boat, dan gambar Barbara. Noise yang digunakan adalah Gaussian white noise. Pada penelitian untuk mencari nilai PSNR dengan menggunakan variasi noise yaitu menggunakan gambar Boat dan diberikan tipe noise yang berbeda yaitu, Gaussian White Noise, Salt & Pepper, dan Speckle Tujuan utama pengambilan data pada penelitian : - Membandingkan lamanya waktu proses image denoising secara keseluruhan pada proses K-SVD dan EK-SVD (hasil EK-SVD prosesnya lebih cepat dibandingkan K-SVD) Pada analisa penelitian juga menganalisa faktor – faktor lain seperti, apakah hasil image denoising yang didapat pada EK-SVD lebih baik? jika dibandingkan dengan noise yang berbeda dan gambar yang berbeda apakah hasilnya tetap sama? Parameter diubah bagaimana pengaruhnya?
BAB 5 : KESIMPULAN DAN SARAN Pada bab ini menuliskan kesimpulan keseluruhan dari penelitian yang dibuat dan saran yang nantinya dapat digunakan untuk penelitian selanjutnya agar kedepannya sistem ini bisa dikembangkan dan juga didapatkan alternatif yang semakin mudah.
