Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
SISTEM PENGUKURAN DIMENSI PANJANG OBJEK
BERBASIS MATLAB MENGGUNAKAN METODE FAST
FOURIER TRANSFORM (FFT)
SKRIPSI
WIDYA ARIANTI
130801074
DEPARTEMEN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
UNIVERSITAS SUMATERA UTARA
SISTEM PENGUKURAN DIMENSI PANJANG OBJEK BERBASIS
MATLAB MENGGUNAKAN METODE FAST FOURIER TRANSFORM
(FFT)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar
Sarjana Sains
WIDYA ARIANTI
130801074
DEPARTEMEN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : Sistem Pengukuran Dimensi Panjang Objek Berbasis
Matlab Menggunakan Metode Fast Fourier
Transform
Kategori : Skripsi
Naman : Widya Arianti
Nomor Induk Mahasiswa : 130801074
Program Studi : Sarjana (S1) Fisika
Departemen : Fisika
Fakultas : Matematika dan ilmu pengetahuan alam
(MIPA) – Universitas Sumatera Utara
Disetujui di
Medan, Januari 2018
Komisi Pembimbing
Pembimbing II Pembimbing I
Lukman Hakim, S.Si, M.Si Tua Raja Simbolon, S.Si, M.Si
NIP.198108222015041001 NIP.197211152000121001
Disetujui Oleh
Departemen Fisika FMIPA USU
Ketua
Dr. Perdinan Sinuhaji, MS
NIP.19590301987031002
UNIVERSITAS SUMATERA UTARA
LEMBAR PENGESAHAN
SISTEM PENGUKURAN DIMENSI PANJANG OBJEK BERBASIS
MATLAB MENGGUNAKAN METODE FAST FOURIER TRANSFORM
(FFT)
OLEH:
WIDYA ARIANTI
NIM. 130801074
DISETUJUI OLEH:
Komisi Pembimbing
Pembimbing 2 Pembimbing 1
Lukman Hakim, S.Si, M.Si Tua Raja Simbolon, S.Si, M. Si
NIP.198108222015041001 NIP. 197211152000121001
Diketahui Oleh
Departemen Fisika FMIPA USU
Ketua,
Dr. Perdinan Sinuhaji, M.S
NIP. 195903101987031002
UNIVERSITAS SUMATERA UTARA
xiii
PERNYATAAN
SISTEM PENGUKURAN DIMENSI PANJANG OBJEK BERBASIS
MATLAB MENGGUNAKAN METODE FAST FOURIER TRANSFORM
(FFT)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri. Kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya
Medan, Januari 2018
WIDYA ARIANTI
130801074
UNIVERSITAS SUMATERA UTARA
PENGHARGAAN
Puji syukur penulis panjatkan kehadirat Allah SWT atas segala anugerah dan
karunia-Nya, sehingga penulis dapat menyelesaikan skripsi yang berjudul “SISTEM
PENGUKURAN DIMENSI PANJANG OBJEK BERBASIS MATLAB
MENGGUNAKAN METODE FAST FOURIER TRANSFORM (FFT)”. Skripsi
ini disusun sebagai syarat akademis dalam menyelesaikan studi program Sarjana (S1)
Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Sumatera Utara.
Penulis menyadari bahwa selama proses hingga terselesaikannya penyusunan
skripsi ini banyak mendapatkan kontribusi dari berbagai pihak. Dengan segala
kerendahan hati, penulis ingin menyampaikan rasa terimakasih yang sebesar-
besarnya atas segala bantuan, dukungan serta saran yang telah diberikan. Oleh karena
itu dalam kesempatan ini penulis menyampaikan terimakasih kepada:Allah SWT
yang senantiasa memberikan saya kesehatan dan ide-ide dalam penyelesaian skripsi
ini.Bapak Dr. Kerista Sebayang, MS selaku Dekan Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Sumatera Utara.Bapak Tua Raja Simbolon, S.Si,
M.Si selaku dosen pembimbing yang dengan sabar dan bijaksana memberikan
bimbingan serta saran sehingga penulis dapat menyelesaikan skripsi ini dengan
baik.Bapak Lukman Hakim, S.Si, M.Si selaku dosen wali yang telah banyak
membantu penulis selama menempuh pendidikan di Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Sumatera Utara.Segenap Dosen Fakukltas
Matematika dan Ilmu Pengetahuan Alam yang telah mendidik dan memberikan ilmu
pengetahuan yang bermanfaat bagi penulis.Kedua orang tua tercinta Bapak Rahman
dan Ibu Kamariah Harahap, abang saya tersayang Chandra Ariansyah yang
senantiasa memberikan penulis motivasi-motivasi untuk tetap semangat dalam
mengerjakan skripsi ini, opung Tambat Harahap yang telah banyak membantu dan
memberi dukungan penuh terhadap penulis, sehingga saya dapat menyelesaikan
skripsi ini.Sahabat-sahabat seperjuangan, Widya Nazri Afrida, Rut Airin Lamtiur
Sibarani, Gibson Hutagalung, J.S Maniur Purba, Gibson Hutagalung, Sherly
Tambunan, Almizan Ridho dan Berthianna Nurcresia yang telah banyak membantu
penulis memberikan ide-ide dan masukan kepada penulis, sehingga penulis mampu
UNIVERSITAS SUMATERA UTARA
xiii
menyelesaikan skripsi ini.Abang senior Rusell Ong, yang telah banyak memberikan
penulis masukan dan dukungan sehingga penulis dapat menyelesaikan skripsi
ini.Teman satu kamar kosan, Intan Mayasari yang telah mengukir kenangan selama
masa perkuliahan.Teman-teman ngumpul, Indah Nur Islamiyah dan Linda Anggraini
Lubis yang telah mengukir kenangan selama masa perkuliahan.Seluruh pihak yang
tidak dapat disebutkan satu per satu, terimakasih atas semua bantuannya dalam
penyelesaian skripsi ini.Penulis menyadari bahwa dalam skripsi ini masih terdapat
banyak kekurangan. Oleh karena itu, penulis mohon maaf apabila terdapat banyak
kekurangan dan kesalahan. Akhir kata, penulis berharap semoga skripsi ini dapat
memberikan manfaat bagi penulis maupun orang lain yang membacanya. Amin.
Medan, Januari 2018
Penulis,
WidyaArianti
NIM 130801074
UNIVERSITAS SUMATERA UTARA
SISTEM PENGUKURAN DIMENSI PANJANG BERBASIS MATLAB
MENGGUNAKAN METODE FAST FOURIER TRANSFORM (FFT)
ABSTRAK
Telah dilakukannya Pengukuran Dimensi Panjang Objek Berbasis MATLAB
menggunakan metode Fast Fourier Transform (FFT), secara komputasi. MATLAB
merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tinggi
pengembangan dan analisisnya. Dalam hal ini adalah menganalisis panjang objek
yang terdapat dalam sebuah gambar(citra) dengan menggunakan metode Fast
Fourier Transform (FFT) dan pemrograman MATLABsebagai pengeksekusi. Dalam
penelitian ini menggunakan metode ImageJ sebagai metode pembanding dari metode
Fast Fourier Transform (FFT). Pengolahan citra merupakan proses mengolah piksel-
piksel dalam citra digital untuk tujuan tertentu. Proses pengolahan citra ini dimulai
dari pengambilan citra dan perbaikan kualitas citra. Pengolahan citra dianalisis
dengan menggunakan metode FFT, dimana data tersebut diinputkan dan dianalisis
dengan menggunakan bantuan program MATLAB. Setelah dilakukan komputasi
pengolahan citra, kemudian dilakukan perhitungan manual dengan memanfaatkan
data keluaran dari hasil komputasi citra sebelumnya. Kemudian dianalisis juga
menggunakan metode pembandingnya yaitu metode ImageJ dan dihitung secara
manual menggunakan rumus DFT (Discrete Fourier Transform). Hasil analisis untuk
metode Fast Fourier Transform (FFT) secara komputasi maupun secara manual
adalah sama yaitu 8 dan 6. Sementara pada analisis hasil menggunakan metode
ImageJ menghasilkan panjang yaitu 8.5 cm dan 6.322 cm. Hasil analisis pada kedua
metode menunjukkan hasil yang berbeda. Dengan selisih antara kedua sampel yaiu
0.5 cm dan 0.322 cm.
Kata kunci : Fast Fourier Transform(FFT), ImageJ, MATLAB, Pengolahan citra
UNIVERSITAS SUMATERA UTARA
xiii
DIMENSIONAL MEASUREMENT SYSTEM BASED ON MATLAB OBJECT
USING FAST FOURIER TRANSFORM (FFT) METHOD
ABSTRACT
MATLAB Based Dimension Length Measurement Measurement using Fast Fourier
Transform (FFT) method, computationally. MATLAB is a device option to research
the productivity of high development and analysis. In this case is analyzed the lenght
of the object contained in a picture (image) using the Fast Fourier Transform
(FFT)and programming MATLAB as execution. In this study using ImageJ as a
method comparison of the method Fast Fourier Transform (FFT). Image processing
is the process of pixels in digital image to a particular purpose. Process of the image
processing in the analysis using assistance program MATLAB after computing
image processing later calculate manual by utilizing output data from the results of
computing image before then in the analysis also using comparison the method
ImageJ and calculated manually using the formula Descrete Fourier Transform
(DFT), analysis for the method Fast Fourier Transform (FFT) the computing and
manual is the same is 8 and 6. While at the analysis using ImageJ produce long 8.5
centimeters and 6.322 centimeters. Analysis on both methods show different result
with the difference between the two sampels is 0.5 centimeters and 0.322
centimeters.
Keyword : Fast Fourier Transform (FFT), ImageJ, image processing and MATLAB
UNIVERSITAS SUMATERA UTARA
DAFTAR ISI
Halaman
PERSETUJUAN i
LEMBAR PENGESAHAN ii
PERNYATAAN iii
PENGHARGAAN iv
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL ix
DAFTAR GAMBAR x
DAFTAR LAMPIRAN xi
DAFTAR SINGKATAN xii
BAB I PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Permasalahan 2
1.3. Hipotesis 3
1.4. Tujuan penelitian 3
1.5. Manfaat Penelitian 3
1.6. Sistematika Penulisan 3
BAB 2 TINJAUAN PUSTAKA 5
2.1. Citra 5
2.1.1. Format File Citra JPEG 5
2.1.2. Citra Analog 6
2.1.3. Citra Digital 6
2.2. Jenis – Jenis Citra Digital 9
2.3. Elemen-Elemen Citra Digital 9
2.4. Pengolahan Citra Digital 10
2.5. Transformasi Citra 11
UNIVERSITAS SUMATERA UTARA
xiii
2.6. Deret Fourier 12
2.7. Transformasi Fourier 12
2.8. Metode Transformasi Fourier 14
2.8.1. Fast Fourier Transform (FFT) 16
2.8.2. Descrete Fourier Transform (DFT) 17
2.9. Aplikasi ImageJ 18
2.10. MATLAB 19
BAB 3 METODE PENELITIAN 23
3.1. Tempat dan waktu Penelitian 23
3.2. Peralatan dan Bahan 23
3.3. Diagram Alir 24
3.3.1 Diagram Alir Pengolahan Citra Metode Image-J 24
3.3.2 Diagram Alir Pengolahan Citra metode FFT 25
3.3.2.1 Diagram Alir Filter Domain Frekuensi 26
3.3.3 Diagram Alir Perhitungan Citra Secara Manual 27
3.4. Prosedur Penelitian 28
3.4.1 Proses Pengolahan Citra dengan Metode Image-J 28
3.4.2 Proses Pengolahan Citra dengan Metode FFT 32
3.4.2.1 Proses Pengolahan Filter Domain Frekuensi Citra 36
3.4.3 Proses Perhitungan Panjang Secara Manual 38
BAB 4 HASIL DAN PEMBAHASAN 39
4.1. Pengolahan Citra Metode Image-J 39
4.1.1 Hasil Analisa Pengolahan Citra Metode Image-J Sampel 1 39
4.1.2 Hasil Analisa Pengolahan Citra Metode Image-J Sampel 2 39
4.2. Hasil Pengolahan Citra Metode FFT 40
4.2.1 Hasil Citra Sampel I yang Dikenai FFT 40
4.2.2 Hasil Citra Sampel II yang Dikenai FFT 44
4.2.3 Hasil Filtering Domain Frekuensi Citra 47
4.3. Hasil Analisis Perhitungan Manual Panjang Objek 49
UNIVERSITAS SUMATERA UTARA
BAB 5 KESIMPULAN DAN SARAN 52
5.1. Kesimpulan 52
5.2. Saran 52
DAFTAR PUSTAKA 54
LAMPIRAN 1 58
LAMPIRAN 2 69
UNIVERSITAS SUMATERA UTARA
xiii
DAFTAR TABEL
Nomor Tabel Judul Halaman
1 Hasil Perhitungan Manual Sampel 1 49
2 Hasil Perhitungan Manual Sampel 2 50
UNIVERSITAS SUMATERA UTARA
DAFTAR GAMBAR
Nomor Judul Halaman
Gambar
1 Citra Kontinu (analog) disampling oleh array sensor kuantisasi 7
2 Citra asli (a) Citra diplot pada suatu permukaan (b) 7
3 Ilustrasi representasi kanal warna RGB pada citra 8
4 Proses Pengolahan Citra 11
5 Proses Transformasi 15
6 Proses Transformasi Balik 15
7 Tampilan Program ImageJ 18
8 Diagram Alir Proses Pengolahan Citra Metode ImageJ 25
9 Diagram Alir Proses Pengolahan Cira Metode FFT 26
10 Diagram Alir Proses Filter Domain Frekuensi Citra 27
11 Diagram Alir Perhitungan Manual dengan Metode FFT 28
12 (a) Citra sampel 1 (b) Citra sampel 2 29
13 Membuka file pada aplikasi Image J 30
14 Memulai untuk mengukur skala 30
15 Proses pengaturan skala gambar 30
16 Menentukan proses panjang objek 31
17 Menentukan nilai panjang obje 31
18 Membuka file pada aplikasi ImageJ 31
19 Memulai pengukuran pengaturan skala 32
20 Proses pengaturan skala gambar 32
21 Menentukan proses panjang objek 32
22 Menentukan nilai panjang objek 33
23 Proses pembacaan citra 1 33
24 Proses pembacaan citra 2 34
25 Citra 1 diubah ke bentuk Transformasi Fourier 34
26 Citra 2 diubah ke bentuk Transformasi Fourier 34
UNIVERSITAS SUMATERA UTARA
xiii
27 Proses Pemfilteran citra 1 35
28 Proses Pemfilteran citra2 35
29 Citra 1 diubah kebentuk DFT 36
30 Citra 2 diubah kebentuk DFT 36
31 Citra 1 diubah kebentuk invers 36
32 Citra 2 diubah kebentuk invers 36
33 Citra 1 diubah kebentuk real 37
34 Citra 2 Diubah kebentuk real 37
35 Proses pengolahan citra 1 domain frekuensi 38
36 Proses Pengolahan citra 2 domain frekuensi 39
37 Hasil analisis panjang citra 1 40
38 Hasil analisis panjang citra 2 41
39 Citra yang telah dikenai FFT 41
40 Perbesara Citra 42
41 Citra yang telah difilter 42
42 Citra filter mendapatkan perbesaran 43
43 Citra yang telah diubah kebentuk DFT 43
44 Citra DFT setelah diperbesar 44
45 Hasil Citra yang telah di invers 44
46 Citra Real 45
47 Citra sampel 2 yang telah dikenai FFT 45
48 Perbesaran citra sampel 2 45
49 Citra sampel 2 yang telah difilter 46
50 Perbesaran citra setelah difilter pada sampel 2 46
51 Citra yang diubah kebentuk DFT 47
52 Perbesaran citra DFT pada sampel 2 47
53 Invers citra sampel 2 48
54 Citra real dari sampel 2 48
55 Citra yang telah difilter 49
56 Perbesaran Citra setelah di filter 49
57 Hasil output citra 1 setelah difilter 49
58 Hasil output cira 2 setelah difilter 50
UNIVERSITAS SUMATERA UTARA
DAFTAR LAMPIRAN
Nomor Judul Halaman
Lamp
Lampiran 1 Perhitungan Manual Panjang Objek dengan metode FFT 56
Lampiran 2 Program Pengolahan Citra dengan Metode FFT 66
UNIVERSITAS SUMATERA UTARA
xiii
DAFTAR SINGKATAN
FFT = Fast Fourier Transform
DFT = Discrete Fourier Transform
TF = Transformasi Fourier
RGB = Red Green Blue
UNIVERSITAS SUMATERA UTARA
1
BAB I
PENDAHULUAN
1.1.Latar Belakang
Data atau informasi saat ini tidak hanya disajikan dalam bentuk teks semata, tetapi
juga dapat disajikan dalam bentuk lain misalnya gambar (images), suara (audio),
maupun video. Situs web (website) yang kita jumpai di internet biasanya dibuat
semenarik mungkin dengan menyertakan gambar. Beberapa waktu lalu istilah SMS (
short message service) begitu populer bagi pengguna telepon genggam (handphone)
saat ini sudah bergerak MMS (multimedia message service) yang banyak melibatkan
gambar maupun video. Berdasarkan uraian diatas dapat dilihat bahwa teknologi
digital saat ini mengalami perkembangan yang sangat pesat. Banyak peralatan digital
yang dapat ditemui dalam kehidupan sehari-hari seperti komputer, kamera digital dan
sebagainya.(Danang, 2012)
Bidang pengolahan citra digital mulai berkembang pesat sejak ditemukannya
foto digital. Kemajuan ini tidak terlepas dengan ada semakin canggihnya teknologi
digital yang menunjang pengolahan citra pada gambar diam dan gambar bergerak.
Kemampuan alat bantu komputer dalam menyelesaikan masalah sangat berperan
untuk mendeteksi objek gambar yang diamati.( Ardhianto, 2013)
Pengolahan citra atau Image Processing adalah suatu sistem dimana proses
dilakukan dengan masukan (input) berupa citra (image) dan hasilnya dengan (output)
juga berupa citra (image). Sebuah citra dapat didefenisikan sebagai fungsi dua
dimensi f(x,y), dimana x dan y adalah koordinat sapsial dan amplitudo dari
f.(Hasan,2015)
Transformasi Fourier merupakan salah satu dasar penting dalam pengolahan
citra, dapat memproses dengan efisien dan lebih cepat. Transformasi Fourier
memungkinkan pengolahan dengan cara mengisolasi satu frekuensi tertentu pada
citra. Metode Fats Fourier Transform (FFT) bekerja secara rekrusif dengan membagi
vektor asli menjadi dua bagian, menghitung Fast Fourier Transform (FFT) masing-
masing bagian, dan kemudian menggabungkannya (Susilawati, 2009)
UNIVERSITAS SUMATERA UTARA
2
Transformasi Fourier (TF) dikenal sebagai alat yang handal untuk
menganalisis sinyal termasuk untuk pengolahan gambar. Performasi frekuensi suatu
sinyal fungsi dapat dipelajari karena Transformasi Fourier (TF) melakukan
transformasi dari domain atau kawasan waktu ke domain frekuensi.Transformasi
Fourier (TF) memerankan suatu bagian yang sangat penting dalam teori beberapa
cabang ilmu sains dan teknologi. Transformasi berarti mengubah sesuatu,
transformasi Fourier merupakan alat matematik yang sangat penting untuk
pengolahan sinyal, meliputi analisis sinyal, pengolahan sinyal, serta menguraikan
sinyal (domain waktu) menjadi komponen – komponen sinusoida (domain
frekuensi). (David, 2003)
Fast Fourier Transform (FFT) adalah suatu algoritma yang digunakan untuk
mempresentasikan sinyal dalam domain waktu diskrit dan domain frekuensi.
Membahas mengenai Fast Fourier Transform (FFT) tentunya tidak dapat dilepaskan
dari Discrete Fourier Transform (DFT). Fast Fourier Transform (FFT) merupakan
turunan dari persamaan Discrete Fourier Transform (DFT) dimana jumlah
perhitungan digital pada Discrete Fourier Transform(DFT) dapat dikurangi secara
signifikan sehingga dengan adanya penemuan Fast Fourier Transfor(FFT) maka
perhitungan digital terhadap spektrum-spektrum frekuensi dapat diwujudkan secara
sederhana dan implementasi. (Safaat,2016)
Transformasi Fourier merupakan salah satu dasar penting dalam pengolahan
citra, dapat memproses dengan efisien dan lebih cepat. Transformasi Fourier
memungkinkan pengolahan dengan cara mengisolasi satu frekuensi tertentu pada
citra. Metode Fast Fourier Transform (FFT) bekerja secara rekrusif dengan membagi
vektor asli menjadi dua bagian, menghitung Fast Fourier Transform (FFT) masing-
masing bagian, dan kemudian menggabungkannnya.(Susilawati,2009)
Berdasarkan latar belakang diatas, maka penulis mengangkat permasalah dengan
judul “SISTEM PENGUKURAN DIMENSI PANJANG OBJEK BERBASIS
MATLAB MENGGUNAKAN METODE FAST FOURIER TRANSFORM”
UNIVERSITAS SUMATERA UTARA
3
1.2.Perumusan Masalah
Adapun yang menjadi rumusan masalah pada penelitian ini adalah :
1. Bagaimana mengukur dimensi panjang sebuah gambar suatu objek dengan
menggunakan metode FFT (Fast Fourier Transform) ?
2. Bagaimana membuat rancangan program untuk menyelesaikan pengukuran
dimensi panjang dari objek berbasis MATLAB menggunakan metode Fast Fourier
Transform ?
1.3. Batasan Masalah
Untuk membatasi masalah yang akan dibahas dalam penelitian ini, maka diberikan
batasan masalah sebagai berikut :
1. Sampel yang digunakan adalah gambar balok kayu.
2. Pengukuran dilakukan pada benda yang diam.
3. Analisis perhitungan menggunakan metode Fast Fourier Transform (FFT),
sebagai pembanding metode menggunakan metode Image-J
1.4.Tujuan Penelitian
Adapun tujuan penelitian sebagai berikut :
1. Mengetahui panjang objek dari suatu citra (gambar) secara komputasi.
2. Memahami penerapan metode Fast Fourier Transform (FFT) dalam mengolah
citra.
1.5.Manfaat Penelitian
Manfaat yang dapat di ambil dari penelitian ini sebagai berikut :
1. Memberikan pengetahuan yang luas tentang pengolahan citra menggunakan
metode Fast Fourier Transform (FFT)
2. Penulis dapat mengetahui bagaimana menghitung dan memvisualisasikan sebuah
citra digital sehingga dapat disimpan atau ditransmisikan secara efisien
UNIVERSITAS SUMATERA UTARA
4
1.6.Sistematika Penulisan
Sistematika penulisan pada masing-masing bab adalah sebagai berikut :
BAB 1 PENDAHULUAN
Bab ini mencakup latar belakang penelitian, batasan masalah yang
akan diteliti, tujuan penelitian, manfaat penelitian dan sistematika
penulisan.
BAB 2 TINJAUAN PUSTAKA
Bab ini membahas tentang landasan teori yang menjadi acuan untuk
proses pengambilan data, analisa data serta pembahasan.
BAB 3 METODOLOGI PENELITIAN
Bab ini membahas tentang peralatan dan bahan penelitian, diagram
alir penelitian, prosedur penelitian, dan pengujian sampel.
BAB 4 HASIL DAN PEMBAHASAN
Bab ini membahas tentang data hasil penelitian dan analisa data yang
diperoleh dari penelitian.
BAB 5 KESIMPULAN DAN SARAN
Bab ini berisikan tentang kesimpulan yang diperoleh dari penelitian
dan sara-saran untuk penelitian selanjutnya.
UNIVERSITAS SUMATERA UTARA
5
BAB 2
TINJAUAN PUSTAKA
2.1. Citra
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek.
Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto,
bersifat analog berupa sinyal-sinyal video seperti pada monitor televisi, atau bersifat
digital yang dapat langsung disimpan pada suatu media penyimpanan.(Sutoyo,2009)
Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (2
dimensi). Ditinjau dari sudut pandang sistematis, citra merupakan fungsi continue
dari intensitas cahaya pada bidang dwimatra (2D). Ada dua jenis citra yaitu : citra
diam dan citra bergerak. Citra diam adalah citra tunggal yang tidak bergerak,
sedangkan citra bergerak adalah rangkaian citra diam yang ditampilkan secara
sekuensial. Sedangkan citra digital merupakan citra yang tersusun dalam bentuk
raster (grid / kisi).(Danang,2012)
Ditinjau dari bidang matematika citra merupakan fungsi kontinu dari
intensitas cahaya pada bidang dwimatra (2D). Sumber cahaya menerangi objek,
objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya
ditangkap oleh alat-alat optik, misal mata kita, kamera pemindai (scanner), dan
sebagainya sehingga bayangan objek yang disebut citra tersebut terekam. Citra
sebagai keluaran dari suatu sistem perekaman data dapat bersifat :
(Nurrahardjo,2011)
1. Optik berupa foto
2. Analog berupa sinyal video seperti gambar pada monitor televisi.
3. Digital yang dapat langsung disimpan pada suatu pita magnetik.
2.1.1 Format File Citra JPEG
Format file Join Photographic Exprest Group (JPEG) atau yang biasa disingkat JPG
meningkat pesan penggunanya. Format ini terkenal karena ukurannya yang mini
dibandingkan dengan format-format citra lainnya. JPG mendukung mode warna
RGB, CMYK, dan Grayscale, tetapi tidak mampu menampilkan citra dengan latar
UNIVERSITAS SUMATERA UTARA
6
belakang transparan. Format JPG menterjemahkan informasi tersebut menjadi
komponen Luminace (komponen cahaya) dan 2 komponen Chromatic ( komponen
perubahan warna dari hijau ke merah dan biru kekuning ). (Lestari,2009)
2.1.2 Citra Analog
Citra analog adalah citra yang bersifat kontinu, seperti pada gambar monitor televisi,
foto sinar-X, foto yang tercetak dikertas foto, lukisan, pemandangan alam, hasil CT
scan, gambar-gambar yang terekam pada pita kaset, dan lain sebagainya. Citra
analog tidak dapat direpresentasikan dalam komputer sehingga tidak bisa di proses di
komputer secara langsung. Oleh sebab itu, agar citra ini dapat di proses di komputer,
proses konversi analog ke digital harus dilakukan terlebih dahulu. Citra analog
dihasilkan dari alat-alat analog, seperti video kamera analog, kamera foto analog,
WebCam, Ct. Scan, sensor ultrasound pada sistem USG, dan lain-lain.(Sutoyo,2009)
2.1.3 Citra Digital
Menurut kamus Webster, citra adalah suatu representasi, kemiripan, atau imitasi dari
suatu objek atau benda. Citra dapat dikatakan sebagai citra digital jika citra tersebut
disimpan dalam format digital (dalam bentuk file). Hanya citra digital yang dapat
diolah menggunakan komputer. Jenis citra lain jika akan diolah dengan komputer
harus diubah dulu menjadi citra digital.(Ardhianto,2013)
Citra digital adalah citra yang dapat diolah oleh komputer. Sebuah citra
grayscale ukuran 150 x 150 piksel (elemen terkecil dari sebuah citra)diambil
sebagian (kotak kecil). Namun, yang disimpan dalam memori komputer hanyalah
angka-angka yang menunjukkan besar intensitas pada masing-masing piksel
tersebut.(Sutoyo,2009).
Secara umum pengolahan citra digital menunjuk pada pemrosesan gambar
dua dimensi menggunakan komputer. Dalam konteks yang lebih luas, pengolahan
citra digital mengacu pada pemrosesan setiap data dua dimensi. Citra digital
merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang
direpresentasikan dengan deretan tertentu. Suatu citra dapat didefenisikan sebagai
fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat
spasial, dan amplitudo f di titik koordinat (x,y) adan nilai amplitudo f secara
UNIVERSITAS SUMATERA UTARA
7
keseluruhan berhingga (finite)dan bernilai diskrit maka dapat dikatakan bahwa citra
tersebut adalah citra digital.(Putra,2010)
Suatu citra (gambar) analog dengan ukuran panjang kali lebar, dapat
didigitalisasi dengan mengambil sampling berupa matriks berukuran m kali n,
dengan m adalah jumlah sampling untuk panjang, dan n adalah jumlah sampling
untuk lebar. Setiap sampling adalah berukuran bujur sangkar kecil. Semakin kecil
ukuran sampling tersebut, semakin baik representasi citra kedalam bentuk digital,
dan semakin halus tepian (edge) gambar yang dihasilkan. Gambar 1 dibawah ini
menunjukkan contoh suatu gambar yang didigitalisasi dengan ukuran sampling yang
masih cukup besar, sehingga tepian gambar akan berbentuk kasar (kotak-kotak).
Gambar 1 : Citra kontinu (analog) disampling oleh array sensor kuantisasi
(Sumber, Gonzales, 2008).
Sampling tersebut (selanjutnya disebut piksel, atau dalam bahasa inggris adalah
picture elemen = pictel menjadi pixel) yang terkecil dinyatakan dengan dot (atau
berbentuk titik) karena ukuran yang sangat kecil. Matriks dot yang dihasilkan
menyatakan derajat keabuan dari nilai sampling tersebut, untuk citra 8 bit bernilai 0
sampai 255. Untuk lebih jelas, citra digital seperti gambar 2 yang berbentuk suatu
derajat keabuan (gray scale) dapat diplot pada grafik untuk memperlihatkan dilevel
mana derajat keabuannya berada pada setiap piksel.
UNIVERSITAS SUMATERA UTARA
8
Gambar 2: Citra asli (a) Citra diplot pada suatu permukaan (b),
Sumber (Gonzalez, 2008)
F(x,y) merupakan representasi dari nilai piksel pada setiap titik koordinat (x,y),
dengan titik origin dari matriks citra adalah (0, 0) di mana x dan y masing-masing
adalah baris dan kolom. Untuk memudahkan penulisan matematis, maka matriks
citra tersebut dapat dituliskan dalam bentuk persamaan (2.1) berikut ini.
𝐹 𝑥, 𝑦 = 𝐴𝑥 ,𝑦 =
𝑎0,0𝑎0,1 … 𝑎0 , 𝑁 − 1
𝑎1,0
⋮𝑎1,1
⋮ … 𝑎1, 𝑁 − 1
𝑎𝑛 = 1,0 𝑎𝑚 = 1,1 … 𝑎𝑚−1,𝑁 − 1
. . . (2.1)
Secara umum pengolahan citra digital menunjuk pada pemrosesan gambar
dua dimensi menggunakan komputer. Dalam konteks yang lebih luas, pengolahan
citra digital mengacu pada pemrosesan setiap data dua dimensi. Citra digital
merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang
direpresentasikan dengan deretan tertentu. Bila citra adalah citra berwarna, maka
warna direpresentasikan oleh kanal-kanal RGB (red-green-blue) seperti gambar 2.3,
dengan setiap kanal dinyatakan dengan derajat keabuan dengan rentang 0 - 255.
Misalnya untuk red, 0 menyatakan paling merah (pekat) dan 255 menyatakan paling
pudar (putih). Demikian juga untuk kanal green (hijau) dan blue (biru). Sehingga
matriks citra akan berdimensi (m x n x o ) dengan m dan n adalah dimensi panjang
dan lebar atau dimensi baris dan kolom pada matriks, dan adalah dimensi untuk
kanal warna, yaitu 1 untuk kanal RED (merah), 2 untuk GREEN (hijau) dan 3 untuk
BLUE (biru). (Basuki, 2005)
UNIVERSITAS SUMATERA UTARA
9
Gambar 3: Ilustrasi representasi kanal warna RGB pada citra Sumber (M.Hakiki,
2013)
2.2. Jenis – Jenis Citra Digital
Ada banyak cara untuk menyimpan citra digital di dalam memori. Cara penyimpanan
menentukan jenis citra digital yang terbentuk. Beberapa jenis citra digital yang sering
digunakan adalah citra biner, citra grayscale dan citra warna.(Sutoyo,2009)
1. Citra Biner (Monokrom)
Banyaknya dua warna, yaitu hitam dan putih. Dibutuhkan 1 bit di memori untuk
menyimpan kedua warna ini.
2. Citra Grayscale (Skala Keabuan)
Banyaknya warna tergantung pada jumlah bit yang disediakan di memori untuk
menampang kebutuhan warna ini. Citra 2 bit mewakili 4 warna, citra 3 bit mewakili
8 warna, dan seterusnya. Semakin besar jumlah bit warna yang disediakan di
memori, semakin halus gradiasi warna yang terbentuk.
3. Citra Warna (True Color)
Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari tiga
warna dasar (RGB = Red Green Blue). Setiap warna dasar menggunakan
penyimpanan 8 bit = 1 byte, yang berarti setiap warna mempunyai gradasi sebanyak
255 warna.
2.3 Elemen – elemen Citra Digital
Berikut adalah elemen-elemen yang terdapat pada citra digital : (Sutoyo,2009)
1. Kecerahan (Brightness). Brightness merupakan intensitas cahaya yang
dipancarkan piksel dan citra yang dapat ditangkap oleh sistem penglihatan.
UNIVERSITAS SUMATERA UTARA
10
Kecerahan pada sebuah titik (piksel) di dalam citra merupakan intensitas rata-
rata dari suatu area yang melingkupinya.
2. Kotras (Contrast). Kontras menyatakan sebaran terang dan gelap dalam sebuah
citra yang baik, komposisi gelap dan terang tersebar merata.
3. Kontur (Contour). Kontur adalah keadaan yang ditimbulkan oleh perubahan
intensitas pada piksel-piksel yang bertetangga. Karena adanya perubahan
intensitas inilah mata mampu mendeteksi tepi-tepi objek dalam citra.
4. Warna (Colour). Warna sebagahi persepsi yang ditangkap sistem visual
terhadap panjang gelombang cahaya yang dipantulkan oleh benda.
5. Bentuk (Shape). Shape adalah properti intrinsik dari objek 3 dimensi, dengan
pengertian bahwa bentuk merupakan properti utama untuk sistem visual
manusia.
6. Tekstur (Texture). Tekstur dicirikan sebagai distribusi spasial dari derajat
keabuan di dalam sekumpulan piksel-piksel yang bertetangga. Tekstur adalah
sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah yang cukup besar,
sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah tersebut.
Tekstur adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-
piksel dalam citra digital. Informasi tekstur dapat digunakan untuk membedakan
sifat-sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar
dan halus, juga sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tadi,
yang sama sekali terlepas dari warna permukaan tersebut.
2.4. Pengolahan Citra Digital
Pengolahan citra digital dimulai sekitar awal tahun 1920-an dari dunia pemberitaan
media cetak, dimana sebuah citra dikirim melalui kabel bawah laut dari London
menuju New York. Proses transmisi ini menghemat waktu pengiriman dari seminggu
menjadi kurang dari tiga jam. Sebelum dikirim, citra terlebih dahulu dikodekan dan
setelah diterima citra direkonstruksi ulang. Contoh ini sebenarnya masih kurang tepat
digunakan sebagai awal mula pengolahan citra digital karena dalam prosesnya belum
menggunakan teknologi komputer. Pengolahan citra digital sebenarnya mulai dari
sekitar tahun 1960-an ketika saat itu diluncurkan komputer yang mampu melakukan
pengolahan citra. Komputer tersebut adalah pemicu cepatnya perkembangan
UNIVERSITAS SUMATERA UTARA
11
teknologi pengolahan citra berupa perbaikan kualitas citra bulan dari distorsi di
laboraturium Jet Propulsion.(Putra,2010)
Pengolahan citra digital adalah sebuah disiplin ilmu yang mempelajari hal-hal
yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi
warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi
geometrik), melakukan pemilihan citra ciri (feature image) yang optimal bertujuan
untuk analisis, melakukan proses penarikan informasi atau deskripsi objek atau
pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data
tujuan penyimpanan data, transmisi data, dan waktu proses data. Input dari
pengolahan citra adalah citra, sedangkan output-nya adalah citra hasil
pengolahan.(Sutoyo,2009)
Pengolahan citra (image processing) merupakan proses mengolah piksel-
piksel di dalam citra digital untuk tujuan tertentu. Pada awalnya pengolahan citra ini
dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia
komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan
proses komputer serta munculnya ilmu-ilmu komputasi yang memungkinkan
manusia dapat mengambil informasi dari suatu citra.
Proses pengolahan citra secara diagram dimulai dari pengambilan citra, perbaikan
kualitas citra, sampai dengan pernyataan representatif citra yang dicitrakan sebagai
berikut:
3
4
5
Gambar 4 : Proses Pengolahan Citra
Dalam perkembangan lebih lanjut, image processing dan computer vision
digunakan sebagai mata manusia, dengan perangkat input image capture seperti
kamera dan scanner dijadikan sebagai mata dan mesin komputer (program
komputasinya), dijadikan sebagai otak yang mengolah informasi. Sehingga muncul
beberapa pecahan bidang yang menjadi penting dalam komputer vision, antara lain :
pattern recognition (pengenalan pola), biometric pengenalan identifikasi manusia
Akusisi citra (pengambilan citra)
Perbaikan
kualitas citra
Proses
representatif citra
UNIVERSITAS SUMATERA UTARA
12
berdasarkan ciri-ciri biologis yang tampak pada badan manusia, contend based image
and video retrieval (mendapatkan kembali citra atau video dengan informasi
tertentu), video editing, dan lain-lain.(Basuki,2005)
2.5 Transformasi Citra
Secara harfiah, transformasi atau alih ragam citra dapat diartikan sebagai perubahan
bentuk tersebut dapat berupa perubahan geometri pixel seperti perputaran (rotasi),
pergeseran (translasi), penskalaan dan lain sebagainya atau dapat juga berupa
perubahan ruang (domain) citra ke domain lainnya, seperti transformasi Fourier yang
mengubah suatu citra dari domain spasial menjadi domain frekuensi.
Transformasi citra merupakan pokok bahasan yang sangat penting dalam pengolahan
citra. Citra hasil proses transformasi dapat dianalisis kembali, diinterpretasikan, dan
dijadian acuan untuk pemrosesan selanjutnya. Tujuan diterapkan transformasi citra
adalah untuk memperoleh informasi yang lebih jelas yang terkandung dalam suatu
citra. Melalui proses transformasi, suatu citra dapat dinyatakan sebagai kombinasi
liner dari sinyal dasar yang sering disebut dengan fungsi basis. ( Putra, 2010)
2.6 Deret Fourier
Salah satu alat analisis matemateka yang paling berguna adalah deret Fourier,
dinamai menurut matematikan matematik Jean Baptiste Joseph Fourier (1768-1830).
Analisis Fourier ada di mana-mana di hampir semua bidang fisik ilmu. Pada tahun
1822, Fourier dalam karyanya tentang alirang panas membuat pernyataan yang luar
biasa bahwa setiap fungsi f(x) dengan periode 2π dapat diwakili oleh sebuah
trigonometri rangkaian tak terhingga bentuknya:
𝑓 𝑥 =1
2𝑎0 + (𝑎𝑛 cos 𝑛𝑥 + 𝑏𝑛 sin 𝑛𝑥)∞
𝑛=1 (2.2)
Sekarang kita tahu bahwa, dengan sangat sedikit pembatasan fungsi, ini adalah
benar-benar terjadi. Tak terbatas serangkaian formulir ini disebut deret Fourier. Pada
saat ini deret Fourier adalah alat yang penting untuk analisis dari semua bentuk jenis
gelombang, mulai dari pemrosesan sinyal ke kuantum partikel
gelombang.(Kwong,2006)
UNIVERSITAS SUMATERA UTARA
13
2.7 Transformasi Fourier
Transformasi Fourier bersifat kontinu, oleh karena itu sulit untuk dilakukan
komputasi karena ada operasi integral dan sifat kontinu itu sendiri. Untuk kebutuhan
pengolahan citra, fungsi yang akan ditransformasi haruslah fungsi diskrit.
Transformasi Fourier Diskrit atau disebut dengan Discrete Fourier Transform (DFT)
adalah Transformasi Fourier yang dikenakan pada fungsi diskrit, dan hasil
transformasinya juga merupakan fungsi diskrit. DFT 1D didefenisikan sebagai:
(Zuni,2010)
Transformasi Fourier dari f(x). Didefenisikan sebagai berikut :
𝐹 𝑢 = 𝑓 𝑥 exp −𝑗2𝜋𝑢𝑥 𝑑𝑥∞
−∞ (2.3)
Dimana
𝑗 = −1
Sebaliknya, jika diketahui F(u), maka f(x)dapat diperoleh dengan inverse
Transformasi Fourier berikut :
𝑓 𝑥 = 𝐹 𝑢 exp 𝑗2𝜋𝑢𝑥 𝑑𝑢∞
−∞ (2.4)
Jika f(x) dijadikan diskrit maka persamaan transformasi fourier diskrit adalah :
𝑓 𝑥 =1
𝑁 𝐹 𝑢 . exp −𝑗
2𝜋 .𝑢 .𝑥
𝑁 𝑁−1
𝑥=0 (2.5)
Dan
𝑓 𝑥 = 𝐹 𝑢 . exp 𝑗2𝜋 .𝑢 .𝑥
𝑁 𝑁−1
𝑥=0 (2.6)
Karena pada pengolahan citra digital, data yang digunakan berbentuk
digital/diskrit maka dapat digunakan kedua persamaan diatas untuk melakukan
transformasi dan inverse transformasi Fourier.(Setyo,2005)
Dimana u = 0,1,2,......N-1
x = 0,1,2,......N-1
UNIVERSITAS SUMATERA UTARA
14
Proses perubahan fungsi dari ranah spasial ke ranah frekuensi dilakukan
melalui Transformasi Fourier. Sedangkan perubahan fungsi dari ranah frekuensi ke
ranah spasial dilakukan melalui Transformasi Fourier Balikan (invers).
Dimana nilai u diatas disebut dengan domain frekuensi. Masing-masing dari M buah
dari F(u) disebut komponen frekuensi dari transformasi. Euler Formula‟s pada DFT
1-Dimensi yaitu: (Zidny,2015)
𝑒𝑖𝜃 = 𝑐𝑜𝑠𝜃 + 𝑖 𝑠𝑖𝑛𝜃
𝑒−𝑖𝜃 = 𝑐𝑜𝑠𝜃 − 𝑖 𝑠𝑖𝑛𝜃
Karena : exp −𝑗2𝜋𝑢𝑥 = 𝑐𝑜𝑠2𝜋𝑢𝑥 − 𝑗𝑠𝑖𝑛2𝜋𝑢𝑥
Maka :
𝐹 𝑢 =1
𝑁 𝑓(𝑥)exp[−𝑗2𝜋𝑢𝑥/𝑁]
𝑁−1
𝑥=0
=1
𝑁 𝑓 𝑥 (cos
2𝜋𝑢𝑥
𝑁 − 𝑗𝑠𝑖𝑛(
2𝜋𝑢𝑥
𝑁))]𝑁−1
𝑥=0 (2.7)
2.8 Metode Transformasi Fourier
Transformasi Fourier sudah sejak lama dikenal sebagai salah satu alat analitis yang
serba guna, artinya transformasi ini dapat dipakai untuk menyelesaikanpersoalan
dalam banyak bidang, antar lain bidang elektronika, zat mampat, mekanika struktur,
mekanika gelombang, dan mekanika kuantum.(Lasijo,2000)
Analisis Fourier klasik menyatakan signal direpresentasikan oleh
trigonometri transformasi fourier yang mana merupakan salah satu tool yang paling
luas dalam sinyal dan pengolahan gambar. Transformasi secara matematis digunakan
untuk mengetahui informasi sinyal didalamnya. Pada prakteknya sinyal berada dalam
domain waktu, sehingga sinyal selalu dinyatakan dalam fungsi waktu. Spektrum
frekuensi sinyal menunjukkan macam-macam frekuensi yang terdapat dalam sinyal.
Transformasi fourier pertama kali diusulkan untuk menyelesaikan PDE seperti
Laplace, persamaan Heat Wave, aplikasi untuk fisika, teknik, dan kimia. Beberapa
aplikasi transformasi fourier termasuk :
1. Komunikasi : penting untuk memahami bagaimana prilaku sinyal ketika melewati
saluran penyaringan, amplifier, dan komunikasi.
UNIVERSITAS SUMATERA UTARA
15
2. Pengolahan gambar : representasi dan pengodean untuk menghaluskan dan
mempertajam gambar.
3. Analisis data : sebagai penyaring high-pass, low-pass, band-pass. Dapat juga
memperkirakan sinyal dan kebisingan dengan pengodean time-series.
Transformasi fourier mempunyai peranan penting dalam aplikasi pengolahan
citra, dapat memberikan kontribusi untuk peningkatan mutu citra, analisis data citra
seperti menganalisis kelakuan fungsi gelombang, mengestimasi regresi non-
parametric, restorasi citra dan kompresi data citra. Transformasi fourier merupakan
metode pilihan, karena biasanya hasil yang diperoleh berasal dari komputasi yang
minimal, bersifat efisien karena mendukung berbagai bentuk seperti (kurva sudut
tangen, jarak koordinat kompleks, jarak sentroid, dst). Dengan transformasi fourier,
citra dapat di filter melalui sinyal yang kompleks (atau pada pola pinggiran citra).
Dari metode diatas secara singkat dapat dievaluasi melalui diagram blok dibawah ini
:
Gambar 5.Proses Transformasi
Pada gambar 5 terjadinya proses transformasi melalui masukan citra yang
kawasan ruangannya disimbolkan dalam f(x,y) kemudian dianalisis dan
menghasilkan keluaran citra berupa citra kawasan frekuensi yang disimbolkan
𝐹(𝜉1, 𝜉2) sedangkan untuk transformasi balik (invers) dapat dilihat pada gambar
berikut ini :
Gambar 6. Proses Transformasi Balik
Dari proses ini terjadi balikan, dimana masukan berupa citra kawasan
frekuensi kemudian di transformasikan menjadi citra kawasan ruang. Setiap metode
UNIVERSITAS SUMATERA UTARA
16
yang dikembangkan pasti terdapat keunggulan maupun kerugian, demikian pula
dengan metode ini. Adapun keuntungannya adalah dapat direkonstruksi kembali
(recovery) sepenuhnya melalui proses reserve tanpa kehilangan informasi.
Sedangkan kerugiannya adalah waktu komputasi yang panjang.(Eni,2015)
Keunggulan proses kompresi data citra menggunakan metode Fast Fourier
Transform (FFT) dan Discrete Fourier Transform (DCT) adalah sebagai berikut :
1. Aplikasi ini memperlihatkan proses kompresi data citra dengan menggunakan dua
metode yaitu Fast Fourier Transform (FFT) dan Discrete Fourier Transform
(DCT)
2. Aplikasi ini dapat melakukan kompresi citra dengan format BMP, JPG, maupun
PNG.
3. Aplikasi ini dapat melakukan kompresi citra terhadap 3 jenis citra, yaitu citra
biner (monokorom), citra grayscale (skala keabuan)dan citra warna (true color).
4. Kemudahan dalam penggunaan aplikasi yang dapat dimengerti atau dipahami oleh
user.
Penemuan Fast Fourier Transform oleh JW Cooley dan John Turkey pada
tahun 1965, dikenal sebagai algoritma Cooly-Turkey pada saat itu, merupakan
trobosan besar. FFT telah ditemukan sebelumnya, bisa dibilang tahun 1805 oleh
Gauss, tetapi diabaikan. Dampak dari FFT sangat besar. FFT membuka segala
macam kemungkinan dalam pemrosesan sinyal, pengolahan gambar. Dalam bidang
pengolahan citra digital, peran FFT juga sangat penting, untuk mengetahui
kemunculan intensitas piksel dalam sebuah citra diperlukan sebuah FFT. Misalnya
dalam mengenali objek menggunakan template matching sebagai klasifikasinya,
sedangkan FFT digunakan untuk ekstraksi cirinya. Dengan demikian prosesnya akan
lebih cepat karena membutuhkan komputasi yang sedikit. Hal ini lebih baik daripada
murni menggunakan bagian dari template matching seperti jarak Euclidean untuk
mencari kedekatan antara template dengan masukan.
Hal ini pernah juga dilakukan untuk objek dengan ragam bentuk. Sehingga
FFT tampak begitu berguna dan menyenangkan ketika kita sudah mengerti makna
dan manfaatnya. Penggunaan FFT bisa saja digunakan untuk kompresi citra, tapi
teknik ini sangat sederhana sehingga mungkin informasi yang terbuang akan banyak.
Namun, kejelian dari seorang researcher akan menentukan hasil akhir dari
UNIVERSITAS SUMATERA UTARA
17
penggunaan teknik ini. Bisa saja hasilnya memang memuaskan hanya dengan
menggunakan teknik yang sangat sederhana.(Jans Henry,2012)
2.8.1 Fast Fourier Transform (FFT)
Salah satu jenis Transformasi Fourier (TF) adalah Fast Fourier Transform (FFT).
Fast Fourier Transform (FFT) merupakan algoritma yang efisien sehingga banyak
digunakan dalam pengolahan citra, komunikasi, estimasi, sinyal, dll. (Annike, 2015).
Fast Fourier Transform (FFT) adalah suatu transformasi yang mengubah data
digital ke domain frekuensi. Fast Fourier Transfrom (FFT) merupakan salah satu
algoritma yang paling sering digunakan dalam menganalisis dan manipulasi data
digital. Penelitian menunjukkan bahwa Fast Fourier Transform (FFT) dapat
diterapkan untuk banyak hal, seperti elektroakustik musik, pengolahan sinyal audio,
pengolahan citra, medical imaging, dan lain-lain. Citra pada umumnya digambarkan
dalam dimensi spasial dua dimensi. Dalam operasi analisis citra, seringkali dilakukan
operasi konvolusi pada matriks (citra) yang berdimensi besar. (Nurhidayah, 2016).
Algoritma Fast Fourier Transform (FFT) adalah suatu algoritma untuk
menghitung Discrete Fourier Transform (DFT) yang digunakan untuk menghitung
spektrum frekuensi sinyal dan Fast Fourier Transform (FFT) merupakan prosedur
perhitungan Discrete Fourier Transform (DFT) yang efisien sehingga akan
mempercepat proses perhitungan Discrete Fourier Transform (DFT) yang secara
substansial dapat lebih menghemat waktu dari dari pada metode yang konvensional.
(Nandra, 2011)
2.8.2 Discrete Fourier Transform (DFT)
Discrete Fourier Transform (DFT) adalah metode untuk mentransformasikan sinyal
dari domain waktu ke domain frekuensi. Persamaan Discrete Fourier Transform
(DFT) dapat ditulis sebagai berikut.
𝑋 𝑘 =1
𝑁 𝑋[𝑘]𝑒𝑗2𝜋𝑘𝑛 /𝑁𝑁−1
𝑛=0 (2.8)
Dengan :
N = banyak piksel citra
x = nilai piksel
UNIVERSITAS SUMATERA UTARA
18
e = natural number (2.718281828459045...)
k = indeks dalam domain frekuensi = 0, 1, ..., N-1
n = indeks dalam domain waktu = 0, 1, ..., N-1
j = konstanta fourier
sedangkan Invers Discrete Fourier Transform (IDFT) diberikan seperti persamaan
𝑋 𝑘 =1
𝑁 𝑋[𝑛]𝑒𝑗2𝜋𝑘𝑛 /𝑁𝑁−1
𝑛=0 (2.9)
Dalam pengolahan citra digital lebih dikenal sebagai 2D-DFT (2 Dimensional
Discrete Fourier Transform) karena citra suatu bentuk dua dimensi. Sehingga 2D-
DFT dalam pengolahan citradigital memindahkan suatu informasi citra dari domain
spasial kedalam domain frekuensi, yaitu dengan mempresentasikan citra spasial
sebagai magnitude dan phase. Magnitude mempresentasikan seberapa banyak
komponen frekuensi dalam citra tersebut. Sedangkan phase merepresentasikan letak
dimana frekuensi tersebut dalam citra tersebut. (Rima, 2009)
2. 9 MATLAB
MATLAB adalah bahasa canggih untuk pemrograman komputer yang di
produksi oleh The Mathworks.Inc. Secara umum, MATLAB dapat digunakan untuk :
1. Matematika dan komputasi
2. Pengembangan algoritma
3. Pemodelan, simulasi dan pembuatan prototipe
4. Analisa data, eksplorasi dan visualisasi
5. Pembuatan aplikasi, termasuk pembuatan antar muka grafis
Prosedur perhitungan, visualisasi dan pemrograman dengan MATLAB sangat
mudah dilakukan karena variabelnya dinyatakan dalam notasi matematika biasa.
Penamaan variabel dalam MATLAB dilakukan secara langsung tanpa melalui
deklarasi seperti pada PASCAL, DELPHI, dan FORTRAN. Basis data dalam bentuk
sintak tidak perlu dinyatakan secara khusus, sehingga mempermudah perhitungan
dalam waktu yang lebih singkat.(Aminuddin,2008)
Menurut Dr. Talib Hasan,MATLAB didefenisikan sebagai bahasa
pemrograman yang digunakan untuk mengerjakan oprasi matematika atau oprasi
UNIVERSITAS SUMATERA UTARA
19
aljabar matriks. MATLAB merupakan sistem interaktif yang data dasarnya adalah
matriks. Matriks dianggap data dasar dalam MATLAB karena semua masukan di
MATLAB dapat ditulis dalam bentuk matriks.
Banyak masalah yang dapat diselesaikan dengan bantuan MATLAB terutama
yang bisa di formulasikan dalam bentuk matriks dan vektor. Dalam hal penulisan
program, dengan MATLAB kita bisa menghemat banyak waktu jika dibandingkan
penulisan dalam bahasa C atau Fortran. MATLAB juga memungkinkan inteface
dengan C, C++ dan Fortran untuk mempercepat proses komputasi.(Santosa,2007)
Selain sebagai software yang handal dalam bidang pengolahan numerik,
MATLAB pun handal di bidang pengolahan citra digital. Matlab dapat digunakan
untuk membuat aplikasi pengolahan citra digital (Digital Images
Processing).(Aris,2006)
Dalam lingkungan perguruan tinggi, Matlab merupakan perangkat standar
untuk memperkenalkan dan mengembangkan penyajian materi matematika,
rekayasadan keilmuan. Di industri, MATLAB merupakan perangkat pilihan untuk
penelitian dengan produktifitas yang tinggi pengembangan dan analisanya. Fitur-fitur
MATLAB sudah banyak dikembangkan, dan lebih dikenal dengan nama toolbox.
Sangat penting bagi seorang pengguna Matlab, toolbox mana yang mendukung untuk
learn dan apply teknologi yang sedang dipelajarinya. Toolbx-toolbox ini merupakan
kumpulan dari fungsi-fungsi MATLAB (M-files) yang telah dikembangkan ke suatu
lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas partikular.
Area-area yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan
sinyal, sistem kontrol, neural network, fuzzy logic, waveles, dan lain-lain. Sebagai
sebuah sistem, MATLAB tersusun dari 5 bagian utama yaitu : (Muhammad,2009)
1. Development Environment
Merupakan sekumpulan perangkat dan fasilitas yang membantu anda untuk
menggunakan fungsi-fungsi dan file-file MATLAB. Beberapa perangkat ini
merupakan sebuah graphical user interface (GUI). Termasuk didalamnya adalah
MATLAB desktop dan Command Window, Comman History, Workspace, files,dan
search path.
UNIVERSITAS SUMATERA UTARA
20
2. MATLAB Mathematical Function Library.
Merupakan sekumpulan algoritma komputasi mulai dari fungsi-fungsi dasar seperti
sum, sin, cos, dan complex arithmetic, sampai dengan fungsi-fungsi yang lebih
komplek seperti matriks inverse, matriks eigenvalues, Bessel function, Fast fourier
transform.
3. MATLAB Language.
Merupakan suatu high-level matrix/array language dengan control flow statements,
function, data structures, input/output, dan fitur-fitur object-oriented programming.
Ini memungkinkan bagi kita untuk melakukan kedua hal baik “pemrograman dalam
lingkup sederhana” untuk memperoleh hasil-hasil dan aplikasi yang komplek.
4. Graphic.
MATLAB memiliki fasilitas untuk menampilkan vektor dan matriks sebagai suatu
grafik. Didalamnya melibatkan high-level function (fungsi-fungsi level tinggi) untuk
visualisasi data dua dimensi dan data tiga dimensi, image processing, animation, dan
persentation graphics. Ini juga melibatkan fungsi level rendah yang memungkinkan
bagi anda membiasakan diri untuk memunculkan grafik mulai dari bentuk yang
sederhana sampai dengan tingkatan graphical user interface (GUI) pada aplikasi
MATLAB.
5. MATLAB Aplication Program Interface (GUI)
Merupakan suatu library yang memungkinkan program yang telah anda tulis dalam
bahasa C dan Fortran mampu berinteraksi dengan MATLAB. Ini melibatkan fasilitas
untuk pemanggilan MATLAB sebagai sebuah computational engine dan untuk
membaca dan menuliskan MAT-files.
Berikut beberapa fungsi matematika yang terdapat dalam MATLAB yang dapat kita
gunakan untuk oprasi matematika beserta penjelasan sebagai berikut : (Teguh,2005)
1. Ans : jawaban terakhir yang tersimpan oleh variabel / digunakan untuk
menyimpan hasil perhitungan pertama
2. Clear : membersihkan variabel
3. Abs : menghitung nilai absolut dari x yaitu |x|
UNIVERSITAS SUMATERA UTARA
21
4. Plot : plot grafik 2 dimensi
5. Subplot : membagi figure yang ada menjadi subplot
6. Figure : menciptakan atau memunculkan suatu figure
7. Clc : membersihkan tampilan command window
8. Fft,ifft : transformasi Fourier
9. Hist, bar : histogram dan diagram batang
10. Log(x) : logaritma naturan dari x yaitu ln x
11. Exp : pangkat natural dari x
12. Xlabel : memberi label pada sumbu x
13. Ylabel : memberi labe pada sumbu y
14. Title : memberi judul diatas area plot
Beberapa bagian dari window MATLAB : (Firmansyah,2003)
a. Current Directory
window ini menampilkan isi dari direktori kerja saat menggunakan matlab. Kita
dapat mengganti direktori ini sesuai dengan tempat direktori kerja yang
diinginkan. Default dari alamat direktori berada dalam folder works tempat
program files Matlab berada.
b. Command Histori
Window ini berfungsi menyimpan perintah-perintah apa saja yang sebelumnya
dilakukan oleh pengguna terhadap Matlab.
c. Command Window
Window ini adalah window utama dari Matlab. Disini adalah tempat untuk
menjalankan fungsi, mendeklarasikan variabel, menjalankan proses-proses, serta
melihat isi variabel.
UNIVERSITAS SUMATERA UTARA
22
2.10 Aplikasi Image – J
Gambar 7. Tampilan program ImageJ
ImageJ adalah domain publik, program pengolahan gambar berbasis java
dikembngkan di National Institutes of Health. ImageJ dirancang dengan arsitektur
terbuka yang menyediakan kemampuan diperpanjang melalui plugin Java dan makro
yang dapat direkam. Custom akusisi, analisis dan pengolahan plugin dapat
dikembangkan menggunakan ImageJ‟s built in editor dan kompiler java. Plugin yang
ditulis pengguna memungkinkan untuk memecahkan banyak pemrosesan gambar dan
masalah analisis, dari pencitraan sel hidup tiga dimensi hingga pengolahan citra
radiologis, perbandingan data sistem pencitraan ganda terhadap sistem hematologi
otomatis. Arsitektur plugin ImageJ dan lingkungan pengembangan built-in telah
menjadikannya platform yang populer untuk pengajaran pemrosesan gambar. ImageJ
dapat dijalankan sebagai applet oline, aplikasi yang dapat di download, atau pada
komputer manapun dengan mesin virtual Java 5 atau yang lebih baru. Download
distro tersedia untuk Microsoft Windows, Mac OS klasik, macos, Linux, dan PDA
Sharp Zaurus. Kode sumber untuk ImageJ tersedia secara bebas. Pengembang
proyek, Wayne Rusband, yang pensiun dari Lembaga Penelitian Pelayanan
Kesehatan Mental Nasional tahun 2010, namun terus mengembangkan perangkat
lunaknya. Sebelum merilis ImageJ pada tahun 1997, sebuah progran analisis citra
freeware serupa yang dikenal dengan NIH Image telah dikembangkan di Object
Pascal untuk komputer Macintosh yang menjalankan sistem operasi pra-Os X.
Perkembangan selanjutnya dari kode ini berlanjut dalam bentuk SXM, varian yang
disesuaikan untuk penelitian fisik pemindaian gambar mikroskop. Versi Windows
yang diporting oleh Scion Corparation ( sekarang sudah tidak berfungsi lagi ),
disebut Scion Image of Windows juga dikembangkan. Kedua versi masih tersedia tapi
berbeda dengan NIH Image. ImageJ dapat menampilkan, menganalisis, mengedit,
memproses, menyimpan, dan mencetak warna 8-bit dan grayscale, integer 16-bit, dan
UNIVERSITAS SUMATERA UTARA
23
gambar floating poitn 32-bit. Ini dapat membaca banyak format file gambar,
termasuk TIFF, PNG, GIF, JPEG, BMP, DICOM, dan FITS, serta format mentah.
ImageJ mendukung tumpukan gambar, serangkaian gambar yang berbagi satu
jendela, dan multithreaded, sehingga operasi yang memakan waktu dapat dilakukan
secara paralel pada perangkat keras multi CPU. ImageJ dapat menghitung statistik
nilai area dan piksel dari pilihan yang ditetapkan pengguna dan objek intensitas
ambang batas. Ini bisa mengukur jarak dan sudut. Hal ini dapat membuat histogarm
kepadatan dan plot profil lini. Ini mendukung fungsi pengolahan citra standar seperti
operasi logika dan aritmatika antara gambar, manipulasi kontras, konvolusi, analisis
Fourier, penajaman, perataan, deteksi tepi, dan penyaringan median. Program ini
mendukung sejumlah gambar secara bersamaan, hanya dibatasi oleh memori yang
tersedia. ( Schneider CA, 2012 )
UNIVERSITAS SUMATERA UTARA
24
BAB 3 METODOLOGI PENELITIAN
3.1 Tempat dan Waktu Penelitian
Penelitian dimulai pada tanggal 06 Juni 2017 sampai tanggal 25 Oktober 2017.
Penelitian dilakukan di Perpustakaan Universitas Sumatera Utara, Medan.
3.2 Peralatan dan Bahan
3.2.1 Peralatan
1. Kamera Handphone (HP)
Berfungsi sebagai pengakusisi citra awal (pengambilan gambar sampel)
2. Kabel USB
Berfungsi memindahkan file citra yang ada di Handphone (HP) ke Laptop
3. LAPTOP
Berfungsi untuk mengolah data yang akan dianalisis
3.2.2 Bahan
1. Balok kayu
Berfungsi sebagai bahan untuk diukur panjang aslinya menggunakan metode Fast
Fourier Transform (FFT).
UNIVERSITAS SUMATERA UTARA
25
3.2. Diagram Alir
3.2.1 Pengolahan Citra Metode Image-J
Gambar 8: Diagram Alir Proses Pengolahan Citra Metode Image-J
Mulai
Akusisi citra menggunakan kamera
handphone (HP)
Save citra di laptop dengan bantuan kabel USB
Save citra dalam bentuk JPG
Buka program Image-J
Lakukan pengolahan citra
Tentukan skala pengukuran
Atur skala background
Proses pengolahan
output
Selesai
UNIVERSITAS SUMATERA UTARA
26
3.2.2 Pengolahan Citra dengan Metode Fast Fourier Transform (FFT)
Gambar 9: Diagram Alir Proses Pengolahan Citra Metode Fast Fourier Transform
Mulai
Akusisi Citra menggunakan kamera handphone
(HP)
Save citra di Laptop menggunakan kabel USB
Save citra dalam bentuk JPG
Buka program MATLAB
Lakukan pengolahan citra
visualisai citra ke FFT
Baca matriks citra
Filter citra dengan FFT
Ubah citra ke dalam bentuk DFT
Perbesar piksel sebanyak 6 kali
Invers citra
MATLAB memproses citra untuk diubah ke bentuk real
Selesai
Ubah citra ke Real
UNIVERSITAS SUMATERA UTARA
27
3.2.2.1 Filter Domain Frekuensi Citra
Gambar 10: Diagram Alir Proses Filter Domain Frekuensi Citra
Mulai
Buka program
MATLAB
Input F=fft2(f)
Proses MATLAB
Output berupa kumpulan kotak
piksel dengan RGB telah diketahui
dan pada axis y mengalami
pengurangan
Input M=2 N=8 (sampel I) dan M=2 N=6 (sampel II)
Lakukan perbesaran sebanyak 6
kali
Selesai
UNIVERSITAS SUMATERA UTARA
28
3.2.3 Diagram Proses Perhitungan Panjang Citra Menggunakan Metode Fast
Fourier Transform (FFT)
Gambar 11. Diagram Alir Perhitungan Manual dengan Metode FFT
Gunakan data hasil keluaran dari metode FFT
menggunakan MATLAB
Gunakan rumus FFT sebagai acuan dalam
perhitungan
𝐹 𝑢 = 𝑓 𝑥 exp −𝑗2𝜋𝑢𝑥
8
𝑁−1
𝑥=0
Kesimpulan
Hasil
Input N= 8 dan N=6
Output Berupa Nilai Real dan Imajiner
Ambil nilai real nya saja kemudian jumlahkan
output
Selesai
Mulai
UNIVERSITAS SUMATERA UTARA
29
3.3. Prosedur Penelitian
Pengukuran sampel uji dilakukan dengan cara mengolah gambar (citra) dengan
tiga metode, yang nantinya akan dibandingkan ketiga metode tersebut, guna
mengethaui bahwa metode Fast Fourier Transform (FFT) adalah metode yang tepat
dalam pengukuran panjang objek citra. Pengolah dilakukan terlebih dahulu dengan
menggunakan bantuan program MATLAB. Kemudian dihitung secara manual.
Tahap yang dilakukan dalam pengukuran panjang objek citra tersebut yaitu dengan
pengolahan citra terlebih dahulu kemudian menghitungnya. Tahap tersebut terdiri
atas proses pengolahan citra, proses konvolusi, dan perhitungan manual. Pengukuran
dilakukan oleh dua sampel dengan ukuran yang berbeda. Pada sampel I berukuran 8
cm, dengan ukuran citra 949 Kb. Citra diakusisi pada jarak 20 cm, dengan indeks
180◦ dan resolusi citra sebesar 2560 x 1440. Sedangkan pada sampel II berukuran 6
cm, dengan ukuran citra 898 Kb. Citra diakusisi pada jarak 20 cm, dengan indeks 0◦,
dan resolusi citra sebesar 2560 x 1440. Adapun tahap- tahap dalam pengolahn citra
tersebut akan dijelaskan sebagai berikut.
3.3.1 Proses Pengolahan Citra dengan Metode Fast Fourier Transform (FFT)
Sampel di photo dengan menggunakan kamera handphone (HP), kemudian
citra yang telah diakusisi dipindahkan ke laptop dengan menggunakan bantuan kabel
USB. Save citra di laptop dalam format jpg, kemudian dibuka program MATLAB
dan mulai lakukan pengolahan citra.
1. Dilakukan pembacaan file citra terlebih dahulu. Berikut kode program yang
dimasukkan dalam pengolahan citra
Sampel I
f = imread („citra1.jpg‟);
figure,imshow (f)
Gambar 23. Proses pembacaan citra 1
UNIVERSITAS SUMATERA UTARA
30
Sampel II
f = imread („citra2.jpg‟);
figure,imshow (f)
Gambar 12. Proses pembacaan citra 2
2. Citra diubah kedalam bentuk transformasi Foruier. Berikut kode program yang
dimasukkan untuk mengubah citra tersebut :
Sampel I
F = fft2(f);
Figure,imshow(F);
Gambar 13. Citra 1 diubah ke bentuk Transformasi Fourier
Sampel II
F = fft2(f);
Figure,imshow(F)
Gambar 14. Citra 2 diubah kebentuk Transformasi Fourier
UNIVERSITAS SUMATERA UTARA
31
Setelah didapatkan output, kemudian di identifikasi nilai RGB (Red Green Blue)
yang dihasilkan oleh citra dengan titik acuan x = 86
3. Citra difilter menggunakan transformasi Fourier. Berikut kode program yang
dimasukkan untuk memfilter citra tersebut:
Sampel I
F = fft2(f,P,Q);
F = fft2 (f,128,128);
Figure,imshow(F);
Gambar 15. Proses Pemfilteran citra 1
Sampel II
F = fft2(f,P,Q);
F = fft2(f,128,128);
Figure,imshow (F);
Gambar 16. Proses Pemfilteran citra 2
Setelah output didapatkan, kembalai dianalisis hasil output citra yaitu, analisis nilai
RGB (Red Green Blue) nya, analisis RGB citra pada titik x = 86. Kemudian lakukan
perbesaran sebanyak 6 kali, lalu kembali di analisis nilai RGB (Red Green Blue)nya
setelah dilakukan perbesaran.
4. Setelah citra difilter, kemudian citra diubah kedalam bentuk Descrete Fourier
Transform (DFT). Berikut kode program yang dimasukkan untuk mengubah citra ke
dalam bentuk Descrete Fourier Transform (DFT) sebagai berikut.
S = abs (F)
F = S.*exp(i*phi);
Figure, imshow (S);
Figure, imshow (F)
UNIVERSITAS SUMATERA UTARA
32
Gambar 17. Citra 1 diubah ke bentuk DFT
Kode program diatas sama dilakukan untuk sampel yang ke II. Kemudian
setelah hasil output didapatkan, kembali dianalisis nilai RGB yang dihasilkan dari
pemfilteran citra ke DFT, analisis nilai RGB pada titik x = 86 . Kemudian dilakukan
perbesaran sebanyak 6 kali.
Gambar 18. Citra 2 diubah kebentuk DFT
5. Citra hasil DFT kemudian diubah kedalam bentuk citra invers melalui metode
Transformasi Fourier. Berikut kode program yang dimasukkan untuk mengubah citra
DFT kedalam bentuk citra invers sebagai berikut.
F = fft2(f);
g = ifft2(F);
figure,imshow (g);
Gambar 19. Citra 1 diubah kebentuk invers
kode program diatas sama dilakukan untuk sampel yang ke II
Gambar 20. Citra 2 diubah kebentuk invers
6. Setelah citra diubah kedalam bentuk invers, kemudian citra diubah kedalam
bentuk citra real. Berikut kode program yang dimasukkan kedalam pengolahan citra
untuk mengubah citra kedalam bentuk real sebagai berikut.
f = real (ifft2(F));
figure,imshow(f)
UNIVERSITAS SUMATERA UTARA
33
Gambar 21. Citra 1 diubah kebentuk real
kode program diatas sama dilakukan untuk sampel yang ke II
Gambar 22. Citra 2 diubah kebentuk real
3.3.2.1 Proses Pengolahan Filter Domain Frekuensi Citra
Setelah selesai dilakukan pencitraan terhadap sampel selanjutnya dilakukan proses
pemfilteran terhadap domain frekuensi citra. Berikut kode program yang dimasukkan
untuk pengolahan filter domain frekuensi citra sebagai berikut.
Sampel I
f = imread („citra1.jpg‟);
figure,imshow(f);
F = fft2(f);
Figure,imshow(F);
Sig = 10;
H = fspecial („gaussian‟,[M,N],sig);
G = imfilter (F,H,‟same‟);
Figure,imshow(G,[]);
H = real(ifft2(H));
Figure,imshow(h);
Selanjutnya dimasukkan M = 2 dan N=8 kedalam program, berikut proses
pengolahan programnya.
f = imread(„citra1.jpg‟);
F = fftt2(f);
sig = 10;
H = fspecial („gaussian‟,[2,8],sig);
UNIVERSITAS SUMATERA UTARA
34
G = imfilter (F,H,‟same‟);
Figure,imshow(G);
h = real (ifft2H));
figure,imshow (h);
Gambar 23. Proses pengolahan citra 1 domain frekuensi
Sampel II
f = imread („citra2.jpg‟);
figure,imshow(f);
F=fft2(f);
Figure,imshow(F);
Sig = 10;
H = fspecial („gaussian‟,[M,N],sig);
G = imfilter (F,H,‟same‟);
Figure,imshow(G,[]);
H = real(ifft2(H));
Figure,imshow(h);
Selanjutnya dimasukkan M = 2 dan N=6 kedalam program, berikut proses
pengolahan programnya.
f = imread(„citra1.jpg‟);
F = fftt2(f);
sig = 10;
H = fspecial („gaussian‟,[2,6],sig);
G = imfilter (F,H,‟same‟);
Figure,imshow(G);
UNIVERSITAS SUMATERA UTARA
35
h = real (ifft2H));
figure,imshow (h);
Gambar 24. Proses pengolahan citra 2 domain frekuensi
3.3.2 Proses Perhitungan Panjang Objek Citra Secara Manual Menggunakan
Metode Fast Fourier Transform (FFT)
Setelah semua proses pengolahan citra secara komputasi selesai dilakukan,
selanjutnya dilakukan perhitungan secara manual dengan menggunakan nilai dari
hasil proses komputasi sebelumnya sebagai patokan dalam menghitung
menggunakan metode Fast Fourier Transform (FFT). Pada citra sampel 1 dan 2
dihitung panjang objek citra dengan menggunakan rumus Fast Fourier Transform
(FFT). setelah didapatkan hasil dari perhitungan jumlahkan bilangan real dari
masing-masing citra. Kemudian samakan hasilnya dengan pengolahan citra
menggunakan MATLAB.
3.3.3 Proses Pengolahan Citra Metode Image-J
Sampel di photo menggunakan kamera handphone (HP), dengan background
adalah kotak-kotak, kemudian save citra yang ada di handphone ke dalam laptop
dengan menggunakan bantuan kabel USB. Simpan citra dalam bentuk file JPG.
Kemudian buka program Image-J, selanjutnya dilakukan pengolahan citra terhadap
kedua sampel. Berikut adalah sampel image (citra) yang akan diolah menggunakan
metode Image- J
UNIVERSITAS SUMATERA UTARA
36
(a) (b)
Gambar 25. (a) Citra Sampel 1 (b) Citra Sampel 2
Sampel 1
Buka file yang akan diukur panjangnya, kemudian pilih menu open. Selanjutnya
tentukan terlebih dahulu skala dari pengukuran. Kemudian image di zoom.
Selanjutnya pilih menu straigh. Setelah itu pilih analyze, lalu set scale. Kemudian
buka kembali analyze, lalu pilih ROI manager kemudian tentukan panjang objek.
Gambar 26. Membuka file pada aplikasi Image-J
Gambar 27. Memulai untuk mengukur skala
UNIVERSITAS SUMATERA UTARA
37
Gambar 28. Proses pengaturan skala gambar
Gambar 29. Menentukan proses panjang objek
Gambar 30. Menentukan nilai panjang objek
UNIVERSITAS SUMATERA UTARA
38
Sampel II
Gambar 31. Membuka file pada aplikasi Image-J
Gambar 32. Memulai pengukuran pengaturan skala
Gambar 33. Proses pengaturan skala gambar
UNIVERSITAS SUMATERA UTARA
39
Gambar 34. Menentukan proses panjang objek
Gambar 35. Menentukan nilai panjang objek
UNIVERSITAS SUMATERA UTARA
40
BAB 4 HASIL DAN PEMBAHASAN
4.1 Hasil Pengolahan Citra Dengan Menggunakan Metode Fast Fourier
Transform (FFT)
DFT (Discrete Fourier Transform) dan inversnya dapat kita peroleh dengan
menggunakan algoritma dari Fast Fourier Transform (FFT). Fast Fourier Transform
(FFT) dari suatu citra (gambar) dimisalkan citra tersebut dinamakan sebagai f. Citra
f dapat kita olah menggunakan metode Fast Fourier Transform (FFT) . Citra akan
dianalisis pikselnya dengan menggunakan metode Fast Fourier Transform(FFT)
untuk mengetahui jumlah piksel dari citra tersebut secara rinci dilihat dari warna
RGB(Red Green Blue). Berikut hasil yang telah dianalisis pada pengolah citra
menggunakan metode Fast Fourier Transform (FFT) sebagai berikut.
4.2.1 Citra yang Telah Dikenai Fast Fourier Transform (FFT)
Dilakukan analisis terhadap citra dengan mengubah citra tersebut kedalam bentuk
Fast Fourier Transform (FFT), dan didapatkan hasil sebagai berikut.
Gambar 36. Citra yang Telah Dikenai Fast Fourier Transform (FFT)
Pada gambar diatas didapatkan hasil dari nilai RGB (Red Green Blue) yaitu
ketika citra dikonversi ke Fast Fourier Transform (FFT) maka terjadi perubahan nilai
piksel RGB (Red Green Blue). Jika diambil data cursor yang sama dengan
pengolahan citra yang sebelumnya yaitu x = 86 maka nilai piksel RGB (Red Green
Blue) yang dihasilkan berbeda dengan nilai piksel yang diolah secara biasa. Pada
pengolah citra menggunakan metode Fast Fourier Transform(FFT) ini didapakan
hasil piksel RGB (Red Green Blue) sebesar (0, 0, 0). Jika ukuran piksel diperbesar
maka akan terlihat seperti pada gambar dibawah ini :
UNIVERSITAS SUMATERA UTARA
41
Gambar 37. Perbesaran Citra
Pada gambar diatas dilakukan perbesaran citra sebanyak 6 kali. Pada
perbesaran ini terlihat semakin jelas warna dari piksel citra yang dianalisis. Dan
semakin sedikit pula jumlah kotak piksel setelah dilakukannya perbesaran piksel
sebanyak 6 kali. Dalam hal jangkauan x dan y semakin kecil, dan informasi warna
serta nilai RGB (Red Green Blue) dari piksel terlihat jelas. Pada gambar tersebut
diambil x = 86 dengan RGB (Red Green Blue) adalah sebesar (1, 1 , 1)
Pada fungsi inilah menghasilkan matriks baru yang berukuran M x N. Jika citra
tersebut kembali di filtering dengan menggunakan metode Fast Fourier Transform
(FFT) tersebut maka akan didpatkan hasil sebagai berikut.
Gambar 38. Citra yang Telah Difilter
Setelah citra di filter terdapat pengurangan ukuran yang jaug lebih kecil dari
ukuran citra sebelumnya, yang belum dikenai penyaringan. Dalam hal ini tingkat
noise yang terdapat pada citra semakin kecil. Dan ketika citra tersebut mendapatkan
perbesaran sebanyak 6 kali, maka piksel citra tersebut seperti gambar dibawah ini.
UNIVERSITAS SUMATERA UTARA
42
Gambar 39. Citra Filter Mendapatkan Perbesaran
Dan ketika citra tersebut mengalami perbesaran sebanyak 6 kali, maka nilai
dari piksel RGB (Red Green Blue) yang dihasilkan hanya terdapat 2 kotak saja dan
hanya terdiri dari 2 warna piksel saja. Ini menandakan bahwa citra yang telah diflter
jika dilakukan perbesaran akan menghasilkan warna RGB (Red Green Blue) yang
lebih sedikit. Dan terjadi pengurangan piksel pada saat terjadinya penyaringan citra
tersebut. Dan jika citra tersebut di konversi kembali kedalam bentuk Descrete
Fourier Transform (DFT), maka hasil yang diberikan adalah sebagai berikut.
Gambar 40. Citra yang Telah Diubah ke Bentuk Descrete Fourier Transform (DFT)
Jika citra tersebut dilakukan perbesaran sebanyak 6 kali maka citra hasil DFT
tersebut akan menghasilkan nilai piksel RGB (Red Green Blue) sebagai berikut.
Gambar 41. Citra Descrete Fourier Transform (DFT) setelah Diperbesar
Hasil citra yang dikenai penyaringan sebelum diubah kedalam bentuk
Descrete Fourier Transform (DFT) yaitu masih dikawasan bentuk Fast Fourier
UNIVERSITAS SUMATERA UTARA
43
Transform (FFT) memiliki warna piksel yang berbeda dengan warna piksel yang
telah dikenai Descrete Fourier Transform (DFT). Dan menghasilkan nilai RGB (Red
Green Blue) yang berbeda. Jika citra yang telah dikenai Descrete Fourier
Transform(DFT) tersebut diubah kedalam bentuk invers nya maka hasil invers dari
citra tersebut seperti berikut :
Gambar 42. Hasil Citra yang Telah Di Invers
Gambar diatas adalah real, invers dari input ini adalah real. Akan tetapi
terkadang input dari ifft2 ini memiliki komponen imajiner yang kecil yaitu hasil dari
pembulatan saat perhitungan, untuk menghasilkan bagian real nya saja, maka
digunakan beberapa kode program MATLAB yang setelah digunakan menghasilkan
gambar sebagai berikut.
Gambar 43. Citra Real
4.2.2 Citra (Sampel II) yang Telah Dikenai Fast Fourier Transform (FFT)
Dilakukan analisis terhadap citra untuk sampel II dengan mengubah citra
tersebut kedalam bentuk Fast Fourier Transform (FFT), dan didapatkan hasil sebagai
berikut.
UNIVERSITAS SUMATERA UTARA
44
Gambar 44. Citra Sampel II yang Telah Dikenai Fast Fourier Transform (FFT)
Citra dikonversi ke Fast Fourier Transform (FFT) maka terjadi perubahan
nilai piksel RGB (Red Green Blue). Jika diambil data cursor yang sama dengan
pengolahan citra yang sebelumnya yaitu x = 86 dan y = 2474 maka nilai piksel RGB
(Red Green Blue) yang dihasilkan berbeda dengan nilai piksel yang diolah secara
biasa. Pada pengolahan citra menggunakan metode Fast Fourier Transform (FFT) ini
didapatkan hasil piksel RGB (Red Green Blue) sebesar (0, 0, 0). Jika ukuran piksel
diperbesar maka akan terlihat hasil seperti pada gambar berikut.
Gambar 45. Perbesaran Citra Sampel II
Gambar diatas dilakukan perbesaran citra sebanyak 6 kali. Pada perbesaran
ini terlihat semakin jelas warna dari piksel citra yang dianalisis. Dan semakin sedikit
pula jumlah kotak piksel setelah dilakukannya perbesaran piksel. Dalam hal
jangkauan x dan y semakin kecil. Informasi warna serta nilai RGB (Red Green Blue)
dari piksel terlihat jelas. Pada gambar tersebut diambil x = 8 dan y = 2045
dikarenakan axis y mengalami pengurangan piksel, maka nilai axis yang tertinggi
saat dilakukan perbesaran yang diambil dengan RGB (Red Green Blue) (0, 0 , 1).
Pada fungsi ini menghasilkan matriks baru yang berukuran M x N. Jika citra
tersebut kembali di filtering dengan menggunakan metode Fast Fourier Transform
(FFT) maka didpatkan hasil sebagai berikut :
UNIVERSITAS SUMATERA UTARA
45
Gambar 46. Citra Sampel II yang Telah Difilter
Gambar diatas adalah citra yang telah di filter. Terlihat jelas bahwa setelah
citra di filter terdapat pengurangan ukuran yang jauh lebih kecil dari ukuran citra
sebelumnya, yang belum dikenai penyaringan (filter). Dalam hal ini tingkat noise
yang terdapatkan pada citra semakin kecil. Dan ketika citra tersebut mendapatkan
perbesaran sebanyak 6 kali, maka piksel citra tersebut akan menghasilkan gambar
sebagai berikut.
Gambar 47. Perbesaran Citra Setelah Difilter Pada Sampel II
Dan ketika citra tersebut mengalami perbesaran sebanyak 6 kali, maka nilai
piksel RGB (Red Green Blue) yang dihasilkann hanya terdapat 4 kotak saja dan
hanya terdiri dari 3 warna piksel saja. Ini menandakan bahwa citra yang telah diflter
jika dilakukan perbesaran akan menghasilkan warna RGB (Red Green Blue) yang
lebih sedikit. Dan terjadi pengurangan piksel pada saat terjadinya penyaringan citra
tersebut.
Berikut diberikan hasil Descrete Fourier Transform (DFT) dari citra yang telah
dianalisis.
UNIVERSITAS SUMATERA UTARA
46
Gambar 48. Citra Yang Diubah Kebentuk DFT
Jika citra tersebut dilakukan perbesaran sebanyak 6 kali maka citra hasil
Descrete Fourier Transform (DFT) tersbut akan menghasilkan piksel citra RGB (Red
Green Blue) sebagai berikut.
Gambar 49. Perbesaran Citra Descrete Fourier Transform (DFT) pada Sampel II
Citra yang dikenai penyaringan sebelum Descrete Fourier Transform (DFT)
yang masih dikawasan Fast Fourier Transform (FFT) memiliki warna piksel yang
berbeda dari warna piksel yang telah dikenai Descrete Fourier Transform (DFT).
Dan menghasilkan nilai RGB (Red Green Blue) yang berbeda. Jika citra yang telah
dikenai Descrete Fourier Transform (DFT) tersebut diubah kedalam bentuk invers
maka hasil invers dari citra adalah sebagai berikut.
Gambar 50. Inver Citra Sampel II
UNIVERSITAS SUMATERA UTARA
47
Jika gambar diatas adalahs real, invers dari input ini adalah real. Akan tetapi
terkadang input dari ifft2 ini memiliki komponen imajiner yang kecil yaitu hasil dari
pembulatan saat perhitungan, untuk menghasilkan bagian real nya saja, maka
digunakan beberapa kode program MATLAB yang setelah digunakan menghasilkan
gambar sebagai berikut.
Gambar 51. Citra real dari Sampel II
4.2.3 Hasil Filtering In The Frequency Domain
Setelah citra selesai diolah dalam Fast Fourier Transform (FFT), kemudian
yang tidak lepas dari pemfilteran citra selanjutnya yaitu penyaringan domain
frekuensi dari citra tersebut. Dalam hal ini tampilan piksel citra lebih diperhalus,
lebih dipertajam sehingga didapatkan sebuah output yaitu berupa titik hitam. Yang
nantinya hasil output akhir ini yang digunakan untuk mendapatkan nilai dari
konvolusi citra yang akan di analisis secara manual. Berikut hasil citra yang telah
mendapatkan domain filter.
Gambar 52. Citra Yang Telah Difilter
Jika citra tersebut mendapatkan perbesaran piksel sebanyak 6 kali maka
tampilan citra tersebut akan menghasilkan citra sebagai berikut
UNIVERSITAS SUMATERA UTARA
48
Gambar 53. Perbesaran Citra Setelah Difilter
Nilai piksel RGB (Red Green Blue) setelah dilakukan perbesaran adalah
sama dengan nilai RGB (Red Green Blue) yang dilakukan pada proses Fast Fourier
Transform(FFT), akan tetapi jumlah piksel pada axis y semakin berkurang kotak
pikselnya. Ini membuktikan bahwa terjadi penyaringan terhadap kotak piksel axis y
yang semakin berkurang. Pada dasarnya kotak-kotak piksel yang terdapat pada citra
tersebut adalah bentuk dari M x N dimana M,N tersebut adalah ukuran dari citra
tersebut. Disini peneliti mengambil ukuran citra yang akan dianalisis dengan M = 2
dan N= 6,yang mana diasumsikan disini bahwa M adalah lebar piksel tersebut dan N
adalah panjang dari piksel itu sendiri. Dan jika ukuran tersebut di visualisasikan ke
dalam MATLAB akan menghasilkan citra sebagai berikut.
Gambar 54. Hasil output Citra I setelah difilter
Gambar 55. Hasil output citra II setelah difilter
UNIVERSITAS SUMATERA UTARA
49
4.3 Hasil Analisis Perhitungan Panjang Objek dengan Menggunakan Metode
Fast Fourier Transform (FFT)
Setelah dilakukannya analisis citra secara komputasi untuk menentukan panjang
objek. Untuk membuktikan bahwa panjang yang dihasilkan tersebut adalah benar
secara komputasi maka dilakukan perhitungan secara manual menggunakan metode
yang sama yaitu Fast Fourier Transform (FFT). Dengan rumus sebagai berikut.
𝐹 𝑢 = 𝑓 𝑥 exp −𝑗2𝜋𝑢𝑥
8
𝑁−1
𝑥=0
1. Analisis perhitungan yang dilakukan secara manual menggunakan metode Fast
Fourier Transform (FFT) yaitu dengan menjumlahkan hasil dari bilangan real yang
didapatkan selama proses perhitungan. Nilai-nilai real dan imajiner tersebut disajikan
dalam bentuk tabel sebagai berikut.
Tabel 1. Hasil Perhitungan Sampel 1
F (n – 1) Bilangan Real Bilangan Imajiner
F(0) 12 0
F(1) 0 0
F(2) -1 -2J
F(3) -1 -1/2 𝟐𝑱
F(4) 0 0
F(5) 0 0
F(6) -2 2J
F(7) 0 0
Dari tabel diatas, bilang real tersebut dijumlahkan terlebih dahulu untuk mengetahui
hasil dari panjang objek pada sampel 1. Berikut penjumlahan dari bilangan real yang
disajikan pada tabel diatas.
UNIVERSITAS SUMATERA UTARA
50
F(BR) = F(0) + F(1) + F(2) + F(3) + F(4) + F(5) + F(6) + F(7)
= 12 + 0 + (-1) + (-1) + 0 + 0 + (-2) + 0
= 12 + (-4)
= 12 – 4
= 8
Dengan F(BR) adalah panjang objek total “Bilangan Real” maka dari penjumlahan
bilang real diatas didapatkan hasil sebesar 8, dan hasil tersebut menunjukkan bahwa
panjang dari objek benda yang diteliti adalah 8. Dalam penelitian ini panjang diberi
satuan cm. Maka hasil pengukuran menunjukan panjang dari objek bendanya adalah
8 cm.
2. Analisis perhitungan yang dilakukan secara manual menggunakan metode Fast
Fourier Transform (FFT) pada sampel yang ke 2 sama perlakuannya dengan
perhitungan pada sampel yang pertama yaitu dengan menjumlahkan hasil dari
bilangan real yang didapatkan selama proses perhitungan. Nilai-nilai real dan
imajiner tersebut disajikan dalam bentuk tabel sebagai berikut.
Tabel 2. Hasil Perhitungan Sampel 2
F (n – 1) Bilangan Real Bilangan Imajiner
F(0) 9 0
F(1) ½ − 𝟑𝑱
F(2) -1 ½ 1/2 𝟑𝑱
F(3) -1 0
F(4) -1 ½ − 𝟑𝑱
F(5) ½ 𝟑𝑱
Dari tabel diatas, bilang real tersebut dijumlahkan terlebih dahulu untuk mengetahui
hasil dari panjang objek pada sampel 2. Berikut penjumlahan dari bilangan real yang
disajikan pada tabel diatas.
UNIVERSITAS SUMATERA UTARA
51
F(BR) = F(0) + F(1) + F(2) + F(3) + F(4) + F(5)
= 9 + ½ + (-1 ½) + (-1) + (-1) + (-1 1/1) + (1/2)
= 9 + ( -3)
= 9 - 3
= 6
Dengan F(BR) adalah panjang objek total “Bilangan Real” maka dari penjumlahan
bilang real diatas didapatkan hasil sebesar 6, dan hasil tersebut menunjukkan bahwa
panjang dari objek benda yang diteliti adalah 6. Dalam penelitian ini panjang diberi
satuan cm. Maka hasil pengukuran menunjukan panjang dari objek bendanya adalah
6 cm.
4.3 Pengolahan Citra Metode Image-J
Dilakukan pengukuran untuk menentukan panjang dari suatu objek menggunakan
metode Image-J. Metode image-J digunakan sebagai metode pembanding dari
pengukuran yang dilakukan menggunakan metode Fast Fourier Transform (FFT).
Hasil dari metode pembanding tersebut nantinya akan dibandingkan dengan metoe
Fast Fourier Transform (FFT) dan akan diketahui pula selisih antara hasil dari kedua
metode tersebut. Dan telah didapatkan hasil sebagai berikut.
4.3.1 Hasil Analisa Pengolahan Citra Metode Image-J Pada Sampel I
Dari hasil analisa yang telah dilakukan didapatkan hasil pengukuran menggunakan
metode Image-J yaitu sebagai berikut
Gambar 56. Hasil analisis panjang citra 1
UNIVERSITAS SUMATERA UTARA
52
Dari gambar diatas dihasilkan panjang objek yang dianalisis menggunakan metode
Image-J yaitu sebesar 8.500 cm
4.3.2 Hasil Analisa Pengolahan Citra Metode Image-J Pada Sampel II
Dari hasil analisa yang telah dilakukan didapatkan hasil pengukuran menggunakan
metode Image-J pada sampel II yaitu sebagai berikut
gambar 57. Hasil analisis panjang citra 2
Dari gambar diatas dihasilkan panjang objek yang dianalisis menggunakan metode
Image-J yaitu sebesar 6.322 cm
UNIVERSITAS SUMATERA UTARA
53
BAB 5 KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Penelitian “Sistem Pengukuran Dimensi Panjang Objek Berbasis Matlab
Menggunakan Metode Fast Fourier Transform (FFT)” yang telah dilakukan dapat
ditarik beberapa kesimpulan yang diuraikan berikut ini:
1. Pengujian Sistem Pengukuran Dimensi Panjang Objek Citra secara komputasi
menggunakan pemrograman MATLAB dengan metode Fast Fourier Transform
(FFT) menghasilkan Panjang objek sebesar 8 untuk analisis sampel 1 dan 6 untuk
analisis sampel 2.
2. Dalam pengukuran menggunakan metode Image-J sebagai metode pembanding
dari metode Fast Fourier Transform (FFT) menghasilkan nilai panjang 8.500 cm
untuk analisis sampel 1 dan 6.322 untuk analisis sampel 2.
3. Selisih antara hasil analisis metode Fast Fourier Transform (FFT) dengan metode
ImageJ adalah 0.500 cm untuk sampel 1 dan 0.322 untuk sampel 2
5.2 SARAN
Pada sistem pengukuran dimensi panjang berbasis Matlab dengan metode Fast
Fourier Transform (FFT) ini tentunya masih banyak kekurangan. Oleh karena itu
perlu dilakukan perbaikan dan pengembangan agar sistem pengukuran panjang
dengan metode FFT ini semakin baik. Adapun saran dari penulis kepada peneliti
selanjutnya yaitu:
1. Karena sebelumnya penulis hanya menggunakan 2 parameter saja, agar peneliti
selanjutnya dapat menggunaka lebih dari 2 parameter untuk menentukan panjang
dari suatu objek berdasarkan citra (gambar).
2. Dapat menghitung panjang objek citra yang bergerak menggunakan metode Fast
Fourier Transform (FFT)
UNIVERSITAS SUMATERA UTARA
54
DAFTAR PUSTAKA
Aminuddin, Jamrud. 2008. Dasar-Dasar Fisika Komputasi Menggunakan MATLAB.
Yogyakarta.Gava Media.
Annike, Marleni. 2015. Analisa Pengolahan Citra Menggunakan Metode
Transformasi. Kupang. Stikom Artha Buana.
Ardhianto, Eka. 2013. Implementasi Metode Image Substracting dan Metode
Regionprops untuk Mendeteksi Jumlah Objek Berwarna RGB Pada File
Video. Universitas Stikubank.
Basuki, Achmad. 2005. Metode Numerik dan Algoritma Komputasi. ANDI.
Yogyakarta.
Danang, Yosga S.P. 2012. Mengimplementasikan Kompresi Citra Dengan Metode
Fast Fourier Transform (FFT). Universitas Muhammadiyah Surakarta.
Firmansyah, Ahmad. 2003. Dasar-Dasar Pemrograman MATLAB. Jakarta.
Gonzales. R.C. Woods. 2004. Digital Image Processing Using Matlab. NJ: Prentice
Hall
Lasijo. R.S. 2000. Perhitungan Transformasi Fourier Cepat 1-Dimensi Dengan
Radiks Gabungan Empat dan Dua Serta Contoh Penggunaannya. BATAN.
Bandung.
Lestari, Risma. 2009. Analisis dan Perancangan Perangkat Lunak Kompresi Citra
Menggunakan Algoritma FFT. Universitas Sumatera Utara. Medan.
UNIVERSITAS SUMATERA UTARA
55
Nuraharjo, Eddy. 2011. Implementasi Morphology Concept and Technique dalam
Pengolahan Citra Digital Untuk Menentukan Batas Objek dan Latar
Belakang Citra. Semarang. Universitas Stikubank.
Nurhidayah. 2016. Implementasi Perbaikan Sisi Citra Menggunakan Metode
Transformasi Fourier dan Fast Fourier Transform (FFT). Medan.
Hasan, Irvan. 2015. Aplikasi Pengenalan Objek untuk Lengan Robot Pemisah Benda
Berdasarkan Bentuk Benda. Yogyakarta. Universitas Sanata Darma.
Hendry, J. 2012. Signal Processing Fourier Transform. UGM.
Kusumanto, RD. 2011. Pengolahan Citra Digital Untuk Mendeteksi Obyek
Menggunakan Pengolahan Warna Model Normalisasi RGB. Palembang.
Politeknik Negeri Sriwijaya.
Iqbal, Muhammad. 2009. Dasar Pengolahan Citra Menggunakan MATLAB. Institut
Pertanian Bogor.
Nana, Asep H. 2014. Segmentasi Citra Untuk Deteksi Objek Warna Pada Aplikasi
Pengambilan Bentuk Rectangle. Institut Teknologi Nasional Bandung.
Nugroho, Setyo. 2005. Penerapan Metode Transformasi Fourier untuk penerapan
citra digital. STIKOM. Balikpapan.
Pradipta, Nandra. 2011. Implementasi Algoritma FFT (Fast Fourier Transform)
pada Digital Signal Processor (Dsp) Tms 320c542. Universitas Diponegoro.
Putra, Darma. 2010. Pengambilan Citra Digital. Andi Offset. Yogyakarta
Riyanto, Sugeng. 2009. Algoritma Fast Fourier Transform (FFT) Decimation in the
Ttime (DIT) Dengan Resolusi 1/10 Hertz. Universitas Negeri Yogyakarta.
UNIVERSITAS SUMATERA UTARA
56
Santosa, Budi. 2007. Data Mining Terapan Dengan MATLAB. Graha Ilmu.
Yogyakarta.
Saputra, Yulian. (2009). Analisis Perbandingan Kinerja Metode Fast Fourier
Transform (FFT) dan Metode Discrete Cosine Transform (DCT) untuk
Kompresi Citra Pada Aplikasi Kompresi Data. Yogyakarta.
Schuler, A.Charles. 2003. Elektronics Principles and Aplication 6th
ed. Singapore.
Mc Graw Hill
Sigit, Riyanto. 2005. Step By Step Pengolahan Citra Digital. Edisi kesatu.
Yogyakarta. Andi Offset.
Susilawati, Indah. (2009). Step By Step Pengolahan Citra Digital. Edisi Kesatu.
Yogyakarta. Andi Offset
Sutoyo, T. 2009. Teori Pengolahan Citra Digital. Yogyakarta. Universitas Mercu
Buana.
Suyanto, Muhammad. 2005. Pengantar Teknologi Informasi Untuk Bisnis.
Yogyakarta. ANDI OFFSET.
Tan, Li. 2008. Digital Signal Processing Fundamentals and Aplications. Singapore.
Elsevier dan Academic Press.
Tin, Tang Kwong. 2007. Mathematical Methods for Engineers and Scientists 3. New
York.
Widiarsono, Teguh. 2005. Tutorial Praktik Belajar MATLAB. Jakarta
UNIVERSITAS SUMATERA UTARA
57
Yusuf, M.Taufik. 2011. Membedakan Objek Menggunakan Metode Thresholding
dan Transformasi Morfologi. Universitas Indonesia. Depok.
Zidny, Muhammad. 2015. Teknik Pengolahan Citra di Kawana Frekuensi
(Transformasi Fourier). Telkom.
Zuni, Erna. 2010. Transformasi Fourier Untuk Peningkatan Kualitas Citra. Fakultas
Ilmu Komputer UDINUS. Semarang.
UNIVERSITAS SUMATERA UTARA
58
LAMPIRAN 1
PERHITUNGAN MANUAL PENENTUAN PANJANG OBJEK
MENGGUNAKAN METODE FAST FOURIER TRANSFORM (FFT)
1. Perhitungan Manual pada Sampel 1
untuk U = 0
𝐹 𝑢 = 𝑓 𝑥 exp −𝑗2𝜋𝑢𝑥
8
𝑁−1
𝑥=0
𝐹 0 = 𝑓 𝑥 exp −𝑗2𝜋. 0. 𝑥
8
7
𝑥=0
𝐹 0 = 𝑓 𝑥 exp 0
7
𝑥=0
𝐹 0 = 𝑓(𝑥)
7
𝑥=0
𝐹 0 = 𝑓 0 + 𝑓 1 + 𝑓 2 + 𝑓 3 + 𝑓 4 + 𝑓 5 + 𝑓 6 + 𝑓(7)
𝐹 0 = 1 + 2 + 2 + 1 + 1 + 2 + 2 + 1
𝐹 0 = 12
Untuk u = 1
𝐹 1 = 𝑓 𝑥 . exp −𝑗2𝜋. 1. 𝑥
8
7
𝑥=0
𝐹 1 = 𝑓 𝑥 . 𝑒𝑥𝑝
7
𝑥=0
−𝑗2𝜋𝑥
8
𝐹 1 = 𝑓 𝑥 . 𝑒𝑥𝑝
7
𝑥=0
−𝑗𝜋𝑥
4
UNIVERSITAS SUMATERA UTARA
59
𝐹 1 = 𝑓 0 exp 0 + 𝑓 1 exp −𝑗𝜋
4 + 𝑓 2 exp −𝑗
2𝜋
4 + 𝑓 3 exp −𝑗
3𝜋
4
+𝑓 4 exp −𝑗4𝜋
4 + 𝑓 5 exp −𝑗
5𝜋
4 + 𝑓 6 exp −𝑗
6𝜋
4
+ 𝑓(7)exp[−𝑗7𝜋
4]
𝐹 1 = 1.1 + 2 cos 45 − 𝑗𝑠𝑖𝑛 45 + 2 cos 90 − 𝑗𝑠𝑖𝑛 90 + 1{cos 135 −
𝑗𝑠𝑖𝑛(135)} + 1{cos 180 − 𝑗𝑠𝑖𝑛(180)} + 2{cos 225 − 𝑗𝑠𝑖𝑛(225)} +
2 cos 270 − 𝑗𝑠𝑖𝑛 270 + 1{cos 315 − 𝑗𝑠𝑖𝑛 315 }
𝐹 1 = 1 + 2 − 2𝑗 + 0 − 2𝑗 + −1
2 2 −
1
2 2𝑗 + −1 − 0𝑗 + (− 2 +
2𝑗) + 0 + 2𝑗 + (1
2 2 +
1
2 2𝑗)
𝐹 1 = 0
Untuk u = 2
𝐹 2 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 2. 𝑥
8
7
𝑥=0
𝐹 2 = 𝑓 𝑥 . exp −𝑗4𝜋𝑥
8
7
𝑥=0
𝐹 2 = 𝑓 𝑥 . exp −𝑗𝜋𝑥
4
7
𝑥=0
𝐹 2 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗𝜋
4 + 𝑓 2 . exp −𝑗
2𝜋
4
+ 𝑓 3 . exp −𝑗3𝜋
4 + 𝑓 4 . exp −𝑗
4𝜋
4 + 𝑓 5 . exp −𝑗
5𝜋
4
+ 𝑓 6 . exp −𝑗6𝜋
4 + 𝑓 7 exp −𝑗
7𝜋
4
UNIVERSITAS SUMATERA UTARA
60
𝐹 2 = 1.1 + 2 𝑐𝑜𝑠 90 − 𝑗𝑠𝑖𝑛 90 + 2 cos 180 − 𝑗𝑠𝑖𝑛 280 + 1{cos 270
−𝑗𝑠𝑖𝑛(180)} + 1{cos 360 − 𝑗𝑠𝑖𝑛(360)} + 2{cos 450 − 𝑗𝑠𝑖𝑛(450)} +
2 cos 540 − 𝑗𝑠𝑖𝑛 540 + 1{cos 630 − 𝑗𝑠𝑖𝑛 630 }
𝐹 2 = 1 + 0 − 2𝑗 + −2 − 0𝑗 + 0 + 𝑗 + 2 − 0𝑗 + 0 − 2𝑗 + −2 − 0𝑗
+ (0 + 1𝑗)
𝐹 2 = −1 − 2𝑗
Untuk u = 3
𝐹 3 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 3. 𝑥
8
7
𝑥=0
𝐹 3 = 𝑓 𝑥 . exp −𝑗6𝜋𝑥
8
7
𝑥=0
𝐹 3 = 𝑓 𝑥 . exp −𝑗3𝜋
4
7
𝑥=0
𝐹 3 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗3𝜋
4 + 𝑓 2 . exp −𝑗
6𝜋
4 + 𝑓 3 . exp −𝑗
9𝜋
4
+ 𝑓 4 . exp −𝑗12𝜋
4 + 𝑓 5 . exp −𝑗
15𝜋
4 + 𝑓 6 . exp −𝑗
18𝜋
4 + 𝑓 7 .
𝑒𝑥𝑝 −𝑗21𝜋
4
𝐹 3 = 1.1 + 2 cos 135 − 𝑗𝑠𝑖𝑛 135 + 2 cos 270 − 𝑗𝑠𝑖𝑛 270 + 1{
cos(405) − 𝑗𝑠𝑖𝑛(405)} + 1{cos 540 − 𝑗𝑠𝑖𝑛(540)} + 2{cos 675 − 𝑗𝑠𝑖𝑛
575 + 2 cos 810 − 𝑗𝑠𝑖𝑛 810 + 1{cos 945 − 𝑗𝑠𝑖𝑛 945 }
𝐹 3 = 1 + − 2 − 2𝑗 + 0 + 2𝑗 + 1
2 2 −
1
2 2𝑗 + −1 −
1
2 2𝑗 + (−1 −
UNIVERSITAS SUMATERA UTARA
61
0𝑗) + 2 + 2𝑗 + 0 − 2𝑗 + (−1
2 2 +
1
2 2𝑗)
𝐹 3 = −1 −1
2 2𝑗
Untuk u = 4
𝐹 4 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 4. 𝑥
8
7
𝑥=0
𝐹 4 = 𝑓 𝑥 . exp −𝑗8𝜋𝑥
8
7
𝑥=0
𝐹 4 = 𝑓 𝑥 . exp[−𝑗𝜋𝑥]
7
𝑥=0
𝐹 4 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗𝜋 + 𝑓 2 . exp −𝑗2𝜋 + 𝑓 3 . −j3π
+𝑓 4 . exp −𝑗4𝜋 + 𝑓 5 . exp −𝑗5𝜋 + 𝑓 6 . exp −𝑗6𝜋 + 𝑓 7 .
𝑒𝑥𝑝 [−𝑗7𝜋]
𝐹 4 = 1.1 + 2 cos 180 − 𝑗𝑠𝑖𝑛 180 + 2 cos 360 − 𝑗𝑠𝑖𝑛 360 +
1 cos 540 − 𝑗𝑠𝑖𝑛 540 + 1{cos 720 − 𝑗𝑠𝑖𝑛 720 + 2{cos
(900) − 𝑗𝑠𝑖𝑛(900)} + 2{cos 1080 − 𝑗𝑠𝑖𝑛(1080)} + 1{cos 1260
−𝑗𝑠𝑖𝑛(1260)}
𝐹 4 = 1 + −2 − 0𝑗 + 2 − 0𝑗 + 1 + 0𝑗 + 1 − 0𝑗 + −2 − 0𝑗 + 2 − 0𝑗
+ (−1 − 0𝑗)
𝐹 4 = 0
UNIVERSITAS SUMATERA UTARA
62
Untuk u = 5
𝐹(5) = 𝑓 𝑥 . exp −𝑗2. 𝜋. 5. 𝑥
8
7
𝑥=0
𝐹 5 = 𝑓 𝑥 . exp −𝑗10𝜋𝑥
8
7
𝑥=0
𝐹 5 = 𝑓 𝑥 . exp[−𝑗5𝜋𝑥
4]
7
𝑥=0
𝐹 5 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗5𝜋
4 + 𝑓 2 . exp −𝑗
10𝜋
4
+𝑓 3 . exp −𝑗15𝜋
4 + 𝑓 4 . exp −𝑗
20𝜋
4 + 𝑓 5 . exp −𝑗
25𝜋
4 +
𝑓 6 . exp −𝑗30𝜋
4 + 𝑓 7 . 𝑒𝑥𝑝 −𝑗
35𝜋
4
𝐹 5 = 1.1 + 2{cos 225 = 𝑗𝑠𝑖𝑛 225 + 2 cos 450 − 𝑗𝑠𝑖𝑛 450 +
1{cos 675 − 𝑗𝑠𝑖𝑛(675)} + 1{cos 900 − 𝑗𝑠𝑖𝑛(900)}
+2{cos 1125 − 𝑗𝑠𝑖𝑛(1125)} + 2 cos 1350 − 𝑗𝑠𝑖𝑛 1350
+1{cos 1575 − 𝑗𝑠𝑖𝑛 1575
𝐹 5 = 1 + − 2 + 2𝑗 + 0 − 2𝑗 + 1
2 2 +
1
2 2𝑗 + −1 − 0𝑗 + ( 2
− 2𝑗) + 0 + 2𝑗 + (−1
2 2 −
1
2 2𝑗)
𝐹 5 = 0
UNIVERSITAS SUMATERA UTARA
63
Untuk u = 6
𝐹 6 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 6. 𝑥
8
7
𝑥=0
𝐹 6 = 𝑓 𝑥 . exp −𝑗12𝜋𝑥
8
7
𝑥=0
𝐹 6 = 𝑓 𝑥 . exp −𝑗3𝜋𝑥
2
7
𝑥=0
𝐹 6 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗3𝜋
2 + 𝑓 2 . exp −𝑗
6𝜋
2 +
+𝑓 3 . exp −𝑗9𝜋
2 + 𝑓 4 . exp −𝑗
12𝜋
2 + 𝑓 5 . exp −𝑗
15𝜋
2
+ 𝑓 6 . exp −𝑗18𝜋
2 + 𝑓 7 . 𝑒𝑥𝑝 −𝑗
21𝜋
2
𝐹 6 = 1.1 + 2 cos 270 − 𝑗𝑠𝑖𝑛 270 + 2 cos 540 − 𝑗𝑠𝑖𝑛 540 +
+1{cos 810 − 𝑗𝑠𝑖𝑛(810)} + 1{cos 1080 − 𝑗𝑠𝑖𝑛(1080)}
+2 cos 1350 − 𝑗𝑠𝑖𝑛 1350 + 2 cos 1620 − 𝑗𝑠𝑖𝑛 1620 +
1{cos 1890 − 𝑗𝑠𝑖𝑛 1890 }
𝐹 6 = 1 + 0 + 2𝑗 + −2 − 0𝑗 + 0 − 1𝑗 + 1 − 0𝑗 + 0 − 2𝑗 + −2 − 0𝑗
+(0 − 1𝑗)
𝐹 6 = −2 + 2𝑗
Untuk u = 7
𝐹 7 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 7. 𝑥
8
7
𝑥=0
UNIVERSITAS SUMATERA UTARA
64
𝐹 7 = 𝑓 𝑥 . exp −𝑗14𝜋𝑥
8
7
𝑥=0
𝐹 7 = 𝑓 𝑥 . exp −𝑗7𝜋𝑥
4
7
𝑥=0
𝐹 7 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗7𝜋
4 + 𝑓 2 . exp −𝑗
14𝜋
4 +
𝑓 3 . exp −𝑗21𝜋
4 + 𝑓 4 . exp −𝑗
28𝜋
4 + 𝑓 5 . exp −𝑗
35𝜋
4
+ 𝑓 6 . exp −𝑗42𝜋
4 + 𝑓 7 . 𝑒𝑥𝑝 −𝑗
49𝜋
4
𝐹 7 = 1.1 + 2 cos 315 − 𝑗𝑠𝑖𝑛 315 + 2 cos 630 − 𝑗𝑠𝑖𝑛 630
+1{cos 945 − 𝑗𝑠𝑖𝑛(945)} + 1{cos 1260
−𝑗𝑠𝑖𝑛(1260)} + 2{cos 1575 − 𝑗𝑠𝑖𝑛(1575)}
+2 cos 1890 − 𝑗𝑠𝑖𝑛 1890 + 1{cos 2205 − 𝑗𝑠𝑖𝑛 2205 }
𝐹 7 = 1 + 2 + 2𝑗 + 0 + 2𝑗 + −1
2 2 +
1
2 2𝑗 + −1 − 0𝑗 + (− 2 −
2𝑗) + 0 − 2𝑗 + (1
2 2 −
1
2 2𝑗)
𝐹 7 = 0
2. Perhitungan Manual Sampel II
Untuk u = 0
𝐹 0 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 0. 𝑥
6
5
𝑥=0
𝐹 0 = 𝑓 𝑥 exp[0]
5
𝑥=0
UNIVERSITAS SUMATERA UTARA
65
𝐹 0 = 𝑓(𝑥)
5
𝑥=0
𝐹 0 = 𝑓 0 + 𝑓 1 + 𝑓 2 + 𝑓 3 + 𝑓 4 + 𝑓(5)
𝐹 0 = 1 + 2 + 2 + 1 + 1 + 2
𝐹 0 = 9
Untuk u=1
𝐹 1 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 1. 𝑥
6
5
𝑥=0
𝐹 1 = 𝑓 𝑥 . exp −𝑗2𝜋𝑥
6
5
𝑥=0
𝐹 1 = 𝑓 𝑥 . exp −𝑗𝜋
3
5
𝑥=0
𝐹 1 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗𝜋
3 + 𝑓 2 . exp −𝑗
2𝜋
3 + 𝑓 3 . exp
−𝑗3𝜋
3 + 𝑓 4 . exp −𝑗
4𝜋
4 + 𝑓 5 . exp −𝑗
5𝜋
4
𝐹 1 = 1.1 + 2 cos 60 − 𝑗𝑠𝑖𝑛 60 + 2 cos 120 − 𝑗𝑠𝑖𝑛 120 + 1{
cos 180 − 𝑗𝑠𝑖𝑛 180 + 1{cos 240 − 𝑗𝑠𝑖𝑛 240 + 2{cos(300)
−𝑗𝑠𝑖𝑛(300)}
𝐹 1 = 1 + 1 − 3𝑗 + −1 − 3𝑗 + −1 − 0𝑗 + −1
2+
1
2 3𝑗 +
(1 +1
2 3𝑗)
𝐹 1 = 0.5 − 3𝑗
Untuk u=2
𝐹 2 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 2. 𝑥
6
5
𝑥=0
UNIVERSITAS SUMATERA UTARA
66
𝐹 2 = 𝑓 𝑥 . exp −𝑗4𝜋𝑥
6
5
𝑥=0
𝐹 2 = 𝑓 𝑥 . exp −𝑗2𝜋𝑥
3
5
𝑥=0
𝐹 2 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗2𝜋
3 + 𝑓 2 . exp −𝑗
4𝜋
3 + 𝑓 3 . exp
−𝑗6𝜋
3 + 𝑓 4 . exp −𝑗
8𝜋
3 + 𝑓 5 . exp −𝑗
10𝜋
3
𝐹 2 = 1.1 + 2 cos 120 − 𝑗𝑠𝑖𝑛 120 + 2 cos 240 − 𝑗𝑠𝑖𝑛 240 + 1{
cos 360 − 𝑗𝑠𝑖𝑛(360)} + 1{cos 480 − 𝑗𝑠𝑖𝑛 480 + 2{cos(600)
− 𝑗𝑠𝑖𝑛(600)}
𝐹 2 = 1 + −1 − 3𝑗 + −1 + 3𝑗 + 1 − 0𝑗 + −1
2−
1
2 3𝑗 + (−1
+ 3𝑗)
𝐹 2 = 1.5 +1
2 3𝑗
Untuk u=3
𝐹 3 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 3. 𝑥
6
5
𝑥=0
𝐹 3 = 𝑓 𝑥 . exp −𝑗6𝜋𝑥
6
5
𝑥=0
𝐹 3 = 𝑓 𝑥 . exp[−𝑗𝜋𝑥]
5
𝑥=0
𝐹 3 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗𝜋 + 𝑓 2 . exp −𝑗2𝜋 +
𝑓 3 exp[−𝑗3𝜋]+𝑓 4 exp −𝑗4𝜋 +𝑓 5 . exp[−𝑗5𝜋]
𝐹 3 = 1.1 + 2{cos 180 − 𝑗𝑠𝑖𝑛 180 + 2 cos 360 − 𝑗𝑠𝑖𝑛 360
UNIVERSITAS SUMATERA UTARA
67
+1{𝑐𝑜𝑠 540 − 𝑗𝑠𝑖𝑛(540)} + 1{cos 720 − 𝑗𝑠𝑖𝑛(720)} + 2{cos 900
− 𝑗𝑠𝑖𝑛(900)}
𝐹 3 = 1 + −2 − 0𝑗 + 2 − 0𝑗 + −1 − 0𝑗 + 1 − 0𝑗 + (−2 − 0𝑗)
𝐹 3 = −1
Untuk u=4
𝐹 4 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 4. 𝑥
6
5
𝑥=0
𝐹 4 = 𝑓 𝑥 . exp −𝑗8𝜋𝑥
6
5
𝑥=0
𝐹 4 = 𝑓 𝑥 . exp −𝑗4𝜋𝑥
3
5
𝑥=0
𝐹 4 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗4𝜋
3 + 𝑓 2 . exp −𝑗
8𝜋
3 + 𝑓 3 . exp
−𝑗12𝜋
3 + 𝑓 4 exp −𝑗
16𝜋
3 + 𝑓 5 exp −𝑗
20𝜋
3
𝐹 4 = 1 + −1 + 3𝑗 + −1 − 3𝑗 + 1 −1
2 3𝑗 + −
1
2− 0𝑗 + (−1
− 3𝑗)
𝐹 4 = −1.5 − 3𝑗
Untuk u=5
𝐹 5 = 𝑓 𝑥 . exp −𝑗2. 𝜋. 5. 𝑥
6
5
𝑥=0
𝐹 5 = 𝑓 𝑥 . exp −𝑗10𝜋𝑥
6
5
𝑥=0
𝐹 5 = 𝑓 𝑥 . exp −𝑗5𝜋
3
5
𝑥=0
UNIVERSITAS SUMATERA UTARA
68
𝐹 5 = 𝑓 0 . exp 0 + 𝑓 1 . exp −𝑗5𝜋
3 + 𝑓 2 . exp −𝑗
10𝜋
3 + 𝑓 3 . exp
−𝑗15𝜋
3 + 𝑓 4 −𝑗
20𝜋
3 + 𝑓 5 . exp −𝑗
25𝜋
3
𝐹 5 = 1.1 + 2 cos 300 − 𝑗𝑠𝑖𝑛 300 + 2 cos 600 − 𝑗𝑠𝑖𝑛 600 + 1.
cos 900 − 𝑗𝑠𝑖𝑛 900 + 1 cos 1200 − 𝑗𝑠𝑖𝑛 1200 + 2{𝑐𝑜𝑠
1500 − 𝑗𝑠𝑖𝑛(1500)}
𝐹 5 = 1 + 1 + 3𝑗 + −1 + 3𝑗 + −1 − 0𝑗 + −1
2+
1
2 3𝑗 +
(1 −1
2 3𝑗)
𝐹 5 =1
2+ 3𝑗
UNIVERSITAS SUMATERA UTARA
69
LAMPIRAN 2
PROGRAM PENGOLAHAN CITRA DENGAN METODE FFT
UNIVERSITAS SUMATERA UTARA
70
UNIVERSITAS SUMATERA UTARA