Kontribusi dan Signifikansi Penelitian

DAFTAR ISTILAH

1.6 Kontribusi dan Signifikansi Penelitian

Untuk menjelaskan tentang kontribusi dan signifikansi penelitian

,

akan lebih komprehensif apabila dijelaskan tentang ide dasar yang tidak dapat dipisahkan. Ide dasar dari metoda yang diusulkan dalam disertasi ini adalah berawal dari masalah-masalah pada pengolahan sinyal informasi

,

sehingga ide dasar ini perlu disampaikan walaupun secara sekilas.

Di dalam dunia pertelekomunikasian khususnya pada bidang Pengolahan Sinyal Informasi

,

sinyal dibedakan menjadi 4 hal yaitu

:

(i). sinyal speech (bicara manusia) dimana jangkaun frekuensi sinyal yang diolah hanya sampai 4 kHz

,

(ii). sinyal audio dengan jangkauan frekuensi hingga 20 kHz

,

termasuk sinyal musik di dalamnya

,

(iii). sinyal citra (gambar diam) dan (iv). sinyal video (gambar

bergerak)

,

yang jangkauan frekuensinya hingga 4 MHz. Sinyal video adalah sinyal citra yang bergerak sedemikian pergerakannya sehingga mata manusia tidak dapat membedakan sesungguhnya ada beberapa gambar dalam membuat citra yang bergerak tersebut

,

sehingga gambar tersebut seolah-olah bergerak secara kontinyu padahal sebenarnya secara diskrit. Dengan demikian sesungguhnya ada beberapa buah citra pada setiap satuan waktu pergerakan (spasial). Citra dalam setiap satuan pergerakan ini yang disebut dengan frame (bingkai). Dengan kata lain sinyal video disusun dari beberapa frame sinyal citra. Coarse to Fine Search digunakan pada pengolahan citra baik citra diam seperti deteksi gambar maupun citra bergerak seperti estimator pergerakan gambar.

Salah satu contoh penggunaan Coarse to Fine Search pada persoalan optimasi pengolahan sinyal informasi adalah pada kasus estimator pergerakan sinyal video. Reeba [44] menjelaskan tentang algoritma sederhana untuk hal tersebut. Dalam estimasi suatu pergerakan sinyal video

,

pada umumnya proses pencocokan blok hanya dilakukan pada frame pencahayaan. Ditentukan citra yang akan menjadi obyek sebagai fungsi dari pencahayaan. Setiap frame pencahayaan dibagi dalam blok berukuran N.N piksel dimana piksel adalah bagian terkecil dari gambar. Setiap blok di dalam frame tersebut dicocokkan dengan blok-blok kandidat berukuran N.N di dalam lingkup area pencarian yang berada di dalam frame acuan.

Citra tersebut dibagi menjadi (2p+1)² blok kandidat. Kemudian didefinisikan suatu fungsi penjumlahan selisih absolut (Sum of Absolute Difference

,

SAD). )} , ( ) , ( , {( ) , ( ) , ( ) , ( 1 0 1 0 n m SAD v u vSAD u MV n j m i s j i R n m SAD N i N j      



^    (1.2)

SAD(m

,

n) menyatakan SAD untuk setiap posisi pencarian(m

,

n), dimana (m

,

n) adalah jangkauan pencarian dari {-p

,

p}. MV menyatakan vektor pergerakan dari blok tersebut dengan minimum SAD berada di antara (2p+1)² posisi pencarian.

Kandidat terbaik adalah kandidat yang memiliki SAD terendah di antara semua blok kandidat terpilih dan kandidat inilah yang akan digunakan untuk keperluan selanjutnya. Gambar 1.1 menunjukkan citra dengan blok kandidat yang telah diseleksi.

Pencarian dilakukan pada (2p+1)² blok kandidat untuk menemukan vektor gerak dari blok tertentu. Pada Subsampel Blok Kandidat (Candidate Block Subsampling, CBS), ditentukan terlebih dahulu blok-blok kandidat berdasarkan pola sebagai berikut : pada awalnya dengan pencarian kasar, pencarian dilakukan pada 5x(2p+1)-8 blok dan pada pencarian halus dilakukan pada 8 blok lagi.

Dalam algoritma pencarian cepat, kriteria kesalahan diasumsikan berkurang secara monoton dan mencapai minimal seiring dengan bergeraknya titik pencarian (blok kandidat) ke arah minimum global. Namun, kenyataannya, terdapat kemungkinan bahwa minimum lokal disalahartikan sebagai minimum global sebagaimana ditunjukkan oleh gambar 1.2.

Peningkatan estimasi gerak dilakukan dengan mengurangi jumlah piksel dari suatu blok yang digunakan dalam proses pencocokan. Pendekatan desimasi (pengurangan) piksel tersebut dapat dengan mudah dikombinasikan dengan pendekatan sub sampel blok kandidat sehingga didapatkan piksel yang dipilih seperti ditunjukkan pada pada gambar 1.3.

Masalah ini diperbaiki dengan memilih blok-blok kandidat sebagaimana ditunjukkan oleh gambar 1.1. Selama proses pencarian kasar, kesalahan dihitung untuk 77 blok terpilih dan dipilih yang akan menjadi blok dengan kesalahan minimum, yaitu blok yang paling dekat dengan minimum global. Kemudian di dalam proses pencarian halus, kesalahan dihitung untuk 8 blok yang mengelilingi blok kandidat terpilih. Di dalam proses ini, blok yang akan menjadi blok dengan kesalahan minimum adalah titik minimum global. Dengan demikian, dapat dipastikan tidak ada kemungkinan penyalahartian suatu minimum lokal sebagai minimum global.

Dari uraian di atas

,

Coarse to Fine Search pada kasus pengolahan sinyal video maka citra referensinya sudah ditentukan

,

sedangkan dalam hal metoda yang diusulkan dalam disertasi ini

,

fungsi kendala dari beberapa pembangkit yang terlibat itulah sebagai referensinya

,

sehingga fungsi kendala itulah yang akan

membentuk area yang mungkin (feasible area). Adapun parameter SAD dalam pengolahan sinyal video maka di dalam metoda yang diusulkan dalam disertasi ini menggunakan biaya operasional pembangkit yang minimum. Kandidat dalam pengolahan sinyal video adalah berupa bagian gambar dengan ukuran tertentu yang diperkecil

,

sedangkan kandidat dalam metoda yang diusulkan berupa titik sejumlah N yang pada awalnya berjarak rata-rata relatif besar antara satu dengan yang lainnya. Kemudian dengan feasible area yang diperkecil

,

sementara jumlah kandidatnya sama maka kepadatan kandidat akan tinggi atau dengan kata lain jarak antar kandidat akan semakin kecil

,

begitu seterusnya hingga pada suatu titik yang dapat dianggap sebagai titik konvergensi.

Metoda Coarse to Fine Search memiliki keunggulan dalam menyelesaikan persoalan optimasi yaitu lebih sederhana

,

tingkat konvergensinya tinggi dan dapat berkerja pada fungsi differentiable maupun fungsi non-differentiable. Namun metoda Coarse to Fine Search ini baru digunakan pada persoalan optimasi sinyal citra diam ataupun citra bergerak (video) maka penerapannya hanya terbatas pada persoalan 2 dimensi (2-D) atau 3 dimensi (3-D) saja. Sedangkan persoalan economic dispatch dalam sistem tenaga mempunyai lebih dari tiga unit pembangkit

,

yang disebut multi dimensi.

Terpilih

Gambar 1-2 Plot dari SAD^[44]

Gambar 1-3 Perbaikan pemilihan piksel^[44]

Berdasarkan uraian di atas maka kontribusi utama dari penelitian ini adalah

:

(i). pengembangan metoda Coarse to Fine Search yang selama ini hanya digunakan pada ranah dua dimensi atau tiga dimensi yaitu pada pengolahan citra dijital menjadi multidimensional yaitu pada sistem tenaga dengan N pembangkit yang artinya bekerja pada N dimensi. (ii). Metoda yang diusulkan ini bekerja berdasarkan pengecilan (kompresi) feasible area secara terus menerus hingga didapatkan suatu daerah terkecil dimana didalamnya ada solusi terbaik (iii).

Metoda Multi Dimension of Coarse to Fine Search (MD-CFS) ini mampu menyelesaikan masalah economic dispatch baik secara simulasi maupun secara aplikasi yang diuji dengan sistem tenaga riil yaitu Sistem Jawa-Bali

,

500 kV

,

25 bus

,

8 pembangkit maupun Sistem berskala besar yaitu Sistem Jawa-Bali

,

500kV

,

63bus

,

47 pembangkit. (iv). Metoda ini mampu menyelesaikan masalah economic dispatch dengan fungsi obyektif differentiable maupun non-differentiable seperti fungsi tangga dan optimasi selalu konvergen

,

tidak jatuh pada harga minimum lokal. Hal ini tentunya sebagai perbaikan dari salah satu kendala dari metoda Particle Swarm Optimization yang memiliki kelemahan mudah jatuh pada titik optimal local dalam ruang berdimensi tinggi dan memiliki tingkat konvergensi yang rendah dalam proses iteratifnya[42]. Jaminan konvergensi dapat dijelaskan sebagai berikut :

 Pembentukan feasible area S⁽⁰⁾,yang dibatasi oleh fungsi obyektif yang ada dan ditebar sejumlah kandidat sebagai solusi yang mungkin, dan ditentukan satu kandidat terbaik.

 Feasible area diperkecil di sekitar kandidat terbaik sehingga didapat feasible area yang baru S⁽¹⁾ dan ditebar sejumlah kandidat yang sama, apabila ada bagian dari S⁽¹⁾ yang berada di luar daerah S⁽⁰⁾, sebut sebagai

S^(ext) maka kandidat yang berada pada S^(ext) tidak akan menjadi kandidat

terbaik walaupun kandidat-kandidat tersebut berada di dalam S⁽¹⁾. Hal inilah yang membedakan metoda MD-CFS dengan metoda lain yang sejenis, dan sekaligus merupakan jaminan konvergensi dari metoda yang diusulkan.