Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
2.7 Transformasi Wavelet
Wavelet adalah fungsi matematika yang menguraikan data atau fungsi menjadi komponen-komponen frekuensi yang berbeda, wavelet memiliki keunggulan dari
fourier dalam menganalisis situasi-situasi fisis dimana sebuah sinyal memiliki diskontinuitas dan bentuk yang tajam. Transformasi wavelet merujuk pada
aproksimasi sinyal menggunakan suatu gelombang singkat yang mengalami translasi dan dilatasi untuk keperluan analisis frekuensi-temporal sinyal. Analisis temporal
menggunakan variasi lokasi gelombang singkat pada waktu tertentu dalam durasi sinyal, sedangkan analisis frekuensi menggunakan variasi dilatasi gelombang singkat
yang sama Misiti, et al., 2004. Formulasi matematika representasi sinyal disebut sebagai transformasi wavelet. Proses transformasi domain citra bertujuan untuk
memunculkan unsur atau karakteristik citra tertentu dapat lebih ditonjolkan. Wavelet didefinisikan sebagai gelombang singkat atau gelombang kejut dengan energi
terkonsentrasi pada domain fisik spasial atau waktu. Berbeda dengan gelombang pada umumnya sinusoid yang memiliki sifat halus, terprediksi, dan durasi tak
terbatas, wavelet dapat berbentuk tidak simetris, irregular, dan memiliki durasi terbatas atau berosilasi menuju nol dengan cepat.
Skala dalam tranformasi wavelet adalah melakukan perenggangan dan pemampatan pada sinyal. Efek dari skala tranformasi wavelet dapat dilihat pada
Gambar 2.6, semakin kecil faktor skala akan menghasilkan induk wavelet yang semakin mampat.
Gambar 2.6. Faktor Skala Wavelet
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
2.8 Metode Gabor Wavelet
Salah satu bentuk teknik feature extraction adalah dengan menggunakan Gabor filter. Fungsi wavelet dan fungsi gabor dikenal sangat variatif dalam menggabungkan
pendapat yang berbeda, namun pada prinsipnya semuanya itu akan menghasilkan fungsi dengan tujuan yang sama. Tujuan utama Gabor Wavelet ini dalam pengolahan
adalah untuk memunculkan ciri-ciri khusus dari gambar yang telah dikonvolusi terhadap kernel. Proses yang berlangsung dalam bidang frekuensi mempengaruhi
kecepatan proses yang terjadi, baik dalam proses gambar maupun saat proses konvolusi.
2.8.1 Nilai Jet
Gabor Wavelet dimotivasi oleh konvolusi kemel dalam bentuk plane wave atau bidang gelombang yang dibatasi oleh sebuah fungsi Gaussian envelope. Kumpulan
dari koefisien-koefisien convolution untuk kemel dari orientasi-orientasi dan frekuensi-frekuensi yang berbeda pada satu image pixel yang dinamakan jet.
Jet merupakan kumpulan dari grey values dalam sebuah garnbar. Ix mengelilingi sebuah pixel yang diberikan x = x,y. Hal ini didasarkan pada wavelet
transformasi, didefinisikan sebagai proses Gabor Kemel, seperti ditunjukkan pada gambar berikut:
Gambar 2.7. Gabor Kernel
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
2.8.2 Pembandingan Jet
Dari semua variasi yang ada, perbandingan jet tidak dapat dilakukan secara langsung karena perubahan kecil pada jarak dalam bidang spatial akan berpengaruh pada
koefisien individual secara drastis. Karena itu dapat digunakan baik hanya nilai magnitude ataupun menganggap
besar terjadinya perubahan phasa terhadap perubahan jarak yang memungkinkan. Karena fase rotasi tersebut, jets dari titik pada gambar yang berjarak hanya beberapa
pixel satu sama lainnya dapat memiliki koefisien yang berbeda walaupun mewakili bentuk-bentuk lokal yang hampir sama. Dengan adanya variasi tersebut, maka harus
digunakan suatu fungsi yang bertujuan untuk mencari koefisien yang benar-henar tepat.
Dengan membandingkan jets dari titik pada gambar, maka didapatkanlah hasil konvulasi dengan menggunakan Gabor Kemel seperti terlihat pada gambar di bawah
ini:
Gambar 2.8 Hasil Konvulasi dengan Gabor Kernel
Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.
BAB 3
PERANCANGAN SISTEM
3.1 Perancangan Sistem