Ini menunjukkan tingkat signifikansi secara perceptual artinya basis fungsi dengan frekuensi rendah memiliki sumbangan lebih besar bagi perubahan penampakan citra
dibandingkan basis fungsi yang memiliki frekuensi tinggi. Nilai konstanta basis fungsi terletak di bagian kiri atas sering disebut sebagai basis fungsi DC, dan DCT koefisien
yang bersesuaian disebut koefisien DC DC coefficient [16]
Gambar 2.4. a Citra Grayscale. b Citra hasil proses DCT
2.5 Zig Zag Scanning
ZigZag scanning berfungsi untuk merepresentasikan Matriks 2-D dari koefisien DCT terkuantisasi dalam bentuk vektor satu dimensi. Setelah kuantisasi, sebagian besar
koefisien frekuensi rendah pojok kiri atas adalah nol. Dengan memanfaatkan menghilangkan nilai frekunsi rendah hasil dari zig-zag scanning.
ZigZag scanning mumungkinkan semua koefisien DC Direct Current dan AC Alternanting Current dengan nilai yang terendah akan diproses terlebih dahulu.
Gambar 2.5 menunjukkan urutan zigzag scanning [11]. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 2.5 Urutan zigzag scanning DCT Blocks Proses yang merubah matriks 8 x 8 hasil proses kuantisasi kedalam vektor 1 x 2
8
, dengan pembacaan secara zig-zag scanning. Pada proses zig-zag scanning ini nilai nol
pada frekuensi tinggi cenderung terbaca secara berurutan. Contoh hasil proses zig-zag scanning yang merubah matrks 8 x 8 hasil proses
kuantisasi ke dalam vector 1 x 64.
Gambar 2.5 Path zigzag scanning PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2.6 Fungsi Cosine Similarity
Proses ini membandingkan peralatan bengkel motor yang dicapture dengan database. Hasil dari perbandingan adalah jarak minimum yang kemudian akan digunakan
dalam proses selanjutnya. Dalam sistem ini yang digunakan adalah fungsi similaritas kosinus Cosine Similarity .
Cosine similarity adalah salah satu metode perhitungan similarity yang paling populer untuk diterapkan pada dokumen teks.
Keterangan : Jika A == B Maka Similaritas Kosinus adalah 1
Jika A == - B Maka Similaritas Kosinus adalah - 1
2.7 Template Matching
Template matching adalah sebuah teknik dalam pengolahan citra digital untuk menemukan bagian-bagian kecil dari gambar yang cocok dengan template gambar.
Template matching merupakan salah satu ide yang digunakan untuk menjelaskan bagaimana otak kita mengenali kembali bentuk-bentuk atau pola-pola. Template dalam
konteks rekognisi pola menunjuk pada konstruk internal yang jika cocok match dengan stimulus penginderaan mengantar pada rekognisi suatu obyek. Atau pengenalan pola
terjadi jika terjadi kesesuaian antara stimulus indera dengan bentuk mental internal. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gagasan ini mendukung bahwa sejumlah besar template telah tercipta melalui pengalaman hidup kita. Tiap-tiap template berhubungan dengan suatu makna tertentu.
Kenggulan Template Matching yaitu : a. Untuk mengenal bentuk, huruf, maupun bentuk visual lainnya diperlukan kontak
dengan bentuk internal. b. Template
matching didasarkan
pada ketepatan
konfigurasi informasi
penginderaan misalnya barcode.
Kelemahan Template Matching yaitu : Jika perbandingan eksternal obyek dgn internal obyek 1:1, maka obyek yang berbeda
sedikit saja dengan template tidak akan dikenali. Oleh karena itu, jutaan template yang spesifik perlu dibuat agar cocok dengan berbagai bentuk geometri yang kita lihat dan
kenal. Jika memang penyimpanan memori di otak seperti ini, otak tentu seharusnya sangat kewalahan dan pencarian informasi akan memakan waktu, padahal pada
kenyataannya tidak demikian. Template Matching dapat dibagi antara dua pendekatan, yaitu : pendekatan
berbasis fitur dan pendekatan berbasis template. Pendekatan berbasis fitur menggunakan fitur pencarian dan template gambar seperti tepi atau sudut, sebagai pembanding
pengukuran matrik untuk menemukan lokasi template matching yang terbagus di sumber gambar[9].
