2.6. Discrete Fourier TransformDFT
DFT merupakan perluasan dari transformasi fourier yang berlaku untuk sinyal- sinyal diskrit dengan panjang yang terhingga. Semua sinyal periodik terbentuk dari
gabungan sinyal-sinyal sinusoidal yang menjadi satu, yang dirumuskan pada persamaan 2.5 [11]. Proses ektraksi ciri DFT ditunjukan oleh gambar 2.14.
Persamaan matematis DFT: ∑
2.5 dengan, n=0, 1,…, N-1, dan k = 0, 1, 2, …, N-1
Xk adalah keluaran dalam domain frekuensi, x adalah masukkan dalam domain waktu dan N adalah runtun masukkan diskrit.
e = natural number 2.7182818284…
n = indeks dalam domain frekuensi 0, 1, 2, …, N-1
k = indeks dalam domain waktu 0,1,2, …, N-1
j = konstanta fourrier
Gambar 2.14. Proses Ektraksi Ciri
2.7. Segment Averaging
Segment averaging merupakan metode untuk mengurangi jumlah data dengan cara mengelompokannya dalam rentang segment tertentu yang kemudian dicari rata-ratanya
pada tiap segment. Tujuan segment averaging ini untuk mengurangi jumlah data ektraksi ciri yang memiliki ukuran panjang menjadi ukuran kecil. Lebar segment ditentukan dari
banyak data berdasarkan perhitungan 2
n
, ukuran banyaknya segment yang terbentuk didapat dari pembagian seluruh data terhadap lebar segment [10]. Proses segment
averaging ditunjukan oleh gambar 2.15., dengan lebar segment 64 dan mengahasilkan pembagian 4 frame.
Gambar 2.15. Proses Segment Averaging
2.8. Klasifikasi k-NN
Algoritma yang disebut aturan tetangga terdekat atau biasanya dikenal dengan k- nearest neighbour k-NN. Misal ada vektor x yang tidak diketahui, maka[10]:
Dari vektor pelatihan N, identifikasi k tetangga terdekat, dengan mengabaikan label
kelas. Untuk masalah 2 kelas dipilih nilai k yang ganjil. Secara umum nilai k ini bukan kelipatan dari jumlah kelas M.
Dari sampel K tersebut, identifikasi jumlah vektor, ki, yang termasuk masuk dalam
kelas i
,i = 1,2,......,M. Dinyatakan dengan
k iki
.
Tetapkan x ke kelas i
berdasarkan jumlah ki terbanyak dari sampel.
2.9. Template Matching