ABSTRAKSI: Teorema sampling yang dikemukakan oleh Harry Nyquist dan Claude Shannon menyatakan bahwa sinyal dapat direkonstruksi sempurna jika frekuensi pencuplikan sinyal lebih dari dua kali frekuensi maksimum sinyal asli. Namun pernyataan teorema ini sangat lemah jika digunakan dalam aplikasi dunia nyata karena sinyal yang memiliki bandwidth terbatas sangat tidak mungkin ditemukan. Sinyal yang memiliki bandwith terbatas merupakan sinyal murni sinusoidal yang terbatas pada suatu frekuensi.
Berbeda dengan pencuplikan klasik, kandungan informasi dari sinyal di dalam penginderaan kompresif (compressive sensing) tidak lagi ditentukan oleh jumlah komponen frekuensi sinyal, melainkan dari tingkat sparsity atau derajat kebebasan K. Efek kompresi terjadi karena sinyal yang semula terdiri dari N cuplikan kemudian direkonstruksi dengan cuplikan yang sebanding dengan log(N). Dalam Tugas Akhir ini diimplementasikan batas sparsity Donoho-Huo dan Elad-Bruckstein Border untuk menentukan jumlah cuplikan yang diperlukan.
Hasil yang diperoleh dari pengujian sistem adalah nilai rata-rata PSNR terbesar diperoleh saat pencuplikan menggunakan batas DHB-EBB WHUP, yaitu pada citra berukuran 16x16 piksel sebesar 62,51 dB, pada citra 32x32 piksel sebesar 27,71 dB, dan pada citra berukuran 64x64 piksel sebesar 31,32 dB. Dalam hal waktu komputasi penggunaan pemodelan matriks implisit lebih efektif dan efisien jika ukuran citra yang digunakan semakin besar.Kata Kunci : sampling, compressive sensing, sparsity, Donoho-Huo dan Elad-BrucksteinABSTRACT: Sampling theorem proposed by Harry Nyquist and Claude Shannon stated that the signal can be reconstructed perfectly if the signal sampling frequency is more than twice the maximum frequency of the original signal. But the statement of this theorem is very weak when used in real world applications because the signal has a limited bandwidth is not likely to be found. Signal which has a limited bandwidth is a pure sinusoidal signal at a frequency limited.
In contrast to classical sampling, the information content of the signal in the compressive sensing is no longer determined by the number of signal frequency components, but from the level of sparsity or degrees of freedom K. Compression effect occurs because the signal was originally consisting of N samples can be reconstructed with sampling that is proportional to log (N). This Final Project implemented Donoho-Huo and Elad-Bruckstein Border as sparsity bounds on image compressive sensing.
The results obtained from the analysis is the largest average value of PSNR obtained when sampling is using DHB-EBB WHUP border, on image with 16x16 pixels is 62.51 dB, 32x32 pixels is 27.71 dB, and 64x64 pixels is 31.32 dB. In terms of computing time, use of implicit matrix modeling is more effective and efficient when larger size of the image is used.Keyword: sampling, compressive sensing, sparsity, Donoho-Huo and Elad-Bruckstein