ABSTRAKSI: Multimedia merupakan salah satu hal yang berkembang paling pesat sekarang ini. Citra adalah yang merupakan salah satu unsurnya juga tidak hilang dari perhatian. Sebanding dengan usaha untuk mendapatkan citra yang bagus, diperlukan tempat (storage) yang besar juga. Penginderaan kompresif (comporessive sensing) merupakan teknik terbaru untuk menghilangkan ketidakefisienan saat pengumpulan data dan kompresi. Dalam penginderaan kompresif akan dilakukan dua jenis transformasi, yaitu transformasi penjarang untuk mencari komponen sparse sinyal dan transformasi proyeksi untuk operasi pengukuran dan pengamatan. Proses kompresi itu sendiri mengacu kepada kelemahan mata manusia untuk melihat dan membedakan perubahan yang terjadi diantara pixel-pixel tersebut, tanpa mengurangi informasi penting yang terdapat di dalamnya.
Sistem compressive sensing memiliki beberapa blok utama, yaitu: transformasi sparsity, transformasi proyeksi, dan rekonstruksi. Transformasi diskrit wavelet Haar level 1 dan level 2 digunakan pada bagian transformasi sparsity, transformasi proyeksi Bernoulli dengan peluang kejadian sukses sebesar 0,5 dan 0,75 digunakan pada bagian transformasi proyeksi, dan Basis Pursuit digunakan pada bagian rekonstruksi sebagai kamus referensi. Selain itu, digunakan parameter MR (Measurement Rate) yang berbeda-beda, yakni: 20%, 40%, 60%, 80%, dan 90%. Citra yang digunakan sebagai masukan adalah 3 jenis citra dengan karakteristik berbeda yang masing-masing memiliki dimensi piksel 32x32 dan 64x64. Skenario percobaan diatas diproses pada sistem compressive sensing, selanjutnya dilakukan analisis terhadap keluaran sistem khususnya pada bagian blok transformasi proyeksi.
Pada Tugas Akhir ini telah dirancang dan direalisasikan sistem compressive sensing dengan menggunakan transformasi proyeksi Bernoulli. Didapatkan hasil PSNR yang baik (>25dB) saat menggunakan citra beresolusi 64x64, MR=60%, DHWT level 2, dan p=0.5 atau p=0.75. Perbedaan nilai p pada transformasi proyeksi Bernoulli tidak terlihat berpengaruh pada nilai PSNR, tetapi semakin besar ukuran dimensi piksel citra masukan maka akan dihasilkan PSNR yang lebih besar.Kata Kunci : compressive sensing, bernoulli projection transform, spasity, basisABSTRACT: Multimedia is the one of the fastest growing things, as image is one element of it. It will need more larger storage, where more good image quality is wanted. Compressive sensing is one of the newest technique for reduce both sensing and compressing inefficiency process. Compressive sensing system have two transformation type to process, that is sparsity transformation which prove the sparse signal component, and projection transformation to operate measurement and sighting. Compression process based on the limited humans eye to look and observe the pixels changes, without to obliterate importance information in it.
Compressive sensing system has several main block, first sparsity transform, projection transform, and the last recontruction. First level and second level of discrete haar transformation wavelet are used both in sparsity transformation bloc, while bernoulli projection transformation with p=0,5 and p=0,75 is used for projection transformation block, and recontruction block use basis pursuit as dictionary reference. Moreover, the scenario is using different measurement rate condition that is 20%, 40%, 60%, 80%, and 90%. There are three image with different characteristic and differnt pixel dimension that is 32x32 and 64x64 which are used as input for the sistem. Different experiment scenarios above will be processed in compressive sensing system. Furthermore, the output system will be analyzed especially for projection transformation block.
In this final assessment, Compressive sensing system has been designed and implemented with using Bernoulli as projection transformation. The system can achieve good PSNR result (>25dB) while use 64x64 pixel image testing image, MR=60%, Second level DHWT, and p=0.5 or p=0.75. Difference value of p doesn’t affect PSNR value, whereas the bigger size of image pixel dimension give more bigger PSNR in the result.Keyword: compressive sensing, bernoulli projection transform, spasity, basis