FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
PROGRAM STUDI PENDIDIKAN TEKNOLOGI INFORMASI
Ketua Redaksi
: Ir. Muhammad Taufiq, M.Kom
Editor/ Penyunting
: Sulidar Fitri, M.Sc
Milah Nurkamilah, M.Pd
Artistik/ Publisher
: Taofik Muhammad, M.Kom
Cecep Riki, M.M.Kom
Tata Usaha
: Alfadl Habibi, M.Ag
Mitra Bestari
: Falahah Suprapto (Widyatama Bandung)
Ayi Purbasari (Universitas Pasundan)
Savitri Galih (Widyatama Bandung)
Setiadi Yazid (Fasilkom UI)
Toni Dwi Susanto (Ketua Aisindo)
Yudi Prayudi (UII Yogyakarta)
Pelindung :
BPH Universitas Muhammadiyah Tasikmalaya
Rektor Universitas Muhammadiyah Tasikmalaya
Pembina :
Dekan Fakultas Keguruan dan Ilmu Pendidikan
Ka Prodi Pendidikan Teknologi Informasi
Alamat Redaksi:
Prodi PTI FKIP Universitas Muhammadiyah Tasikmalaya, Jl. Tamansari km 2,5 Kota
Tasikmalaya, Jawa Barat, 46196, Telpon: / Fax: 0265
–
235092, email:
[email protected]
PENGANTAR REDAKSI
Jurnal PRODUKTIF merupakan jurnal ilmiah yang diterbitkan oleh Jurusan
Pendidikan Teknologi Informasi FKIP-UMTAS (Universitas Muhammadiyah Tasikmalaya).
Maksud dan tujuan diterbitkannya Jurnal PRODUKTIF adalah sebagai sarana pertukaran ilmu
pengetahuan dan informasi yang berkaitan dengan ilmu computer, informasi dan aplikasi.
Jurnal ini diharapkan dapat menumbuhkan kreatifitas dan pertukaran gagasan diantara para
akademisi, kalangan industri dan institusi swasta maupun negeri di Indonesia pada bidang
ilmu komputer dan informasi. Jurnal PRODUKTIF berisi pokok-pokok permasalahan baik
dalam pengembangan kerangka teoritis, implementasi maupun kemungkinan pengembangan
system secara keseluruhan. Dalam Vol. 1, Juli 2017 Jurnal PRODUKTIF memuat 6 buah
tulisan ilmiah. Diharapkan setiap naskah yang diterbitkan didalam jurnal ini memberikan
kontribusi yang nyata bagi peningkatan sumberdaya penelitian didalam bidang ilmu computer
dan informasi. Tim redaksi membuka komunikasi lebih lanjut baik kritik, sarana dan
pembahasan. Semoga jurnal PRDUKTIF dapat bermanfaat bagi kita semua.
Tertanda,
Tim Redaksi
Pengantar Redaksi
DENOISING PADA CITRA GRAYSCALE MENGGUNAKAN
METODE FRAKTAL
1 - 12
Janoe Hendarto
PENENTUAN POSISI OBJEK DALAM GEDUNG
MENGGUNAKAN RSS FINGERPRINT BERDASARKAN
TEKNOLOGI GSM
DAN IEEE 820.11g
13 – 20
Hani Rubiani
KUALITAS GAMBAR DAN SUARA APLIKASI MULTIMEDIA
PADA GADGET ANDROID
21 - 24
R. Hennry Poerwanto Brotoatmodjo
PREPARASI DATA DALAM SIMULASI PERILAKU
RESERVOIR LAPANGAN MINYAK IKAN PARI di NATUNA
25 - 34
Muhmmad Taufiq
PERANCANGAN LEARNING MANAGEMENT SYSTEM
MENGGUNAKAN KONSEP COMPUTER SUPPORTED
COLLABORATIVE LEARNING
35 - 48
Taofik Muhammad
PENYUSUNAN SOP CHANGE REQUEST PENGEMBANGAN
SISTEM MENGACU PADA STANDARD ISO/IEC 27001
DAN ITIL
47 - 60
Falahah
DENOISING PADA CITRA GRAYSCALE MENGGUNAKAN METODE FRAKTAL
Janoe Hendarto
Departemen Ilmu Komputer dan Elektronika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Gadjah Mada email : [email protected]
Abstraksi
Citra seringkali rusak karena adanya noise baik karena faktor alat pengambil gambarnya maupun karena proses transmisi, sehingga diperlukan proses denoising. Denoising merupakan teknik penghilangan noise pada citra dan mempertahankan informasi yang penting. Denoising citra dapat dilakukan dengan berbagai macam metode, misalnya dengan proses filtering, analisa wavelet, dan metode fraktal. Yang menjadi permasalahan pada penelitian ini adalah bagaimana metode fraktal untuk mereduksi noise pada citra grayscale dan bagaimana efisiensinya. Denoising citra dengan metode fraktal adalah pengkodean citra ke dalam bentuk kode fraktal, pada penelitian ini, pengkodean fraktalnya digunakan partisi seragam. Pertama, dirancang algoritma untuk menentukan kode fraktal dari suatu citra, kemudian disusun algoritma untuk menghilangkan noise. Akhirnya dibangun program komputer untuk penghilangan noise dan diuji dengan beberapa citra grayscale standar yang bernoise Gaussian. Hasil uji program komputer menunjukkan dapat mereduksi noise pada citra dengan rerata penurunan RMSE sebesar 6,45 dan rerata kenaikan nilai PSNR sebesar 4,02 dengan rerata nilai PSNR adalah 27,28.
Kata Kunci :
Denoising, Noise, Grayscale, Partisi seragam, FraktalAbstract
An image is often corrupted by noise in its acquisition and transmission, hence, noise reduction is required. Denoising is the technique of noise removal on image and retain important information. Denoising the image can be done by various methods, for example by the process of filtering, wavelet analysis and fractal method. The problem in this research are how the fractal method for reducing noise in grayscale image and how it's efficiency. Fractal image denoising method is encoding the image into the fractal code, in this research, the fractal encoding used is a uniform partitioning. First, the algorithm is designed to determine the fractal code of an image, then build the algorithm to Eliminate noise. Finally develope the computer program for denoising and tested with several standard grayscale images that given Gaussian noise. The test results showed the computer program can reduce noise in the image with the avarage of decreasing RMSE of 6.45 and the avarage of increasing PSNR of 4.02 with the mean value of PSNR is 27.28.
Keywords :Denoising, Noise, Grayscale, Uniform partitioning, Fractal
Pendahuluan
Pengurangan noise (denoising) adalah bagian penting dan mendasar dalam pengolahan citra digital. Pengolahan citra digital merupakan salah satu elemen penting dalam analisis citra. Salah satu permasalahan yang dihadapi pada pengolahan citra digital adalah adanya noise. Noise selain muncul karena proses pengambilan gambar dengan camera, juga bisa muncul dalam proses pengiriman informasi pada setiap sistem komunikasi. Hal ini mengakibatkan informasi yang diterima sering mengalami gangguan sehingga hasilnya tidak sesuai dengan yang diharapkan. Noise juga menyebabkan sebuah nilai intensitas piksel tidak mencerminkan nilai intensitas piksel yang sebenarnya. Denoising merupakan teknik penghilangan noise yang terdapat pada citra dan mempertahankan informasi yang penting. Denoising citra dapat dilakukan dengan berbagai macam metode, misalnya dengan proses filtering, analisa wavelet, dan metode fraktal [2].
Fraktal adalah bidang geometri yang mengupas dan dapat menjelaskan hal-hal yang alamiah (natural), yang mana semakin hari semakin berkembang seiring perkembangan teknologi komputer dan keinginan manusia untuk
mengungkap rahasia alam semesta. Dengan menggunakan fraktal dapat dirancang/dibuat gambar-gambar tiruan objek alam seperti manusia, pohon, gunung, batuan, awan, permukaan bumi/planet dan lain-lainnya. Denoising
citra menggunakan metode fraktal pada dasarnya adalah menemukan kode fraktalnya dan kemudian merekonstruksi atau menggambar ulang berdasar kode fraktalnya.
Pada penelitian ini dielaborasi dan dikaji (a). Bagaimana metode fraktal untuk mereduksi noise (denoising) pada citra grayscale; (b). Bagaimana program komputer untuk melakukan denoising pada citra grayscale dengan metode fraktal dan bagaimana efisiensi metodenya. Sedangkan tujuan Penelitian ini adalah mengetahui bagaimana metode fraktal untuk mereduksi noise pada citra grayscale dan seberapa efisien dapat mengurangi noise pada citra grayscale.
Hasil tinjauan pustaka tentang denoising citra dengan metode fraktal dapat dilihat pada Tabel 1.
TABEL 1 TABEL HASIL TINJAUAN PUSTAKA
Peneliti Topik Penelitian, Metode yang digunakan Kekurangan/kelemahan
Barnsley, M., 1988 Pengkodean fraktal dengan sistem fungsi iterasi (SFI), dimana citra adalah atraktor dari suatu SFI.
Belum memberikan proses denoisingnya
Falconer, K., 1990 Pengkodean fraktal dengan SFI untuk proses kompresi citra.
Belum membahas untuk proses denoising Ghazel, M. dkk, 2002 Fractal-Wavelet Image Denoising dengan partisi
quadtree dan melakukan perbandingan beberapa metode,Fractal wavelet (FW), quadtree FW dan quadtree fractal denoising
Tidak membahas metode partisi seragam dan tidak memberikan algoritma dan programnya
Wang, H.K.S., 2003 Analisis koefisien wavelet dari Shannon entropy untuk sinyal fraktal dan white noise
Tidak membahas denoising citra grayscale Buades, A. dkk.., 2005 Metode Non-Local Means (NL Means) untuk
menangani pelestarian struktur dalam sebuah citra digital
Error atau nilai RMSE agak tinggi
Ghazel, M. dkk, 2005 Denoising dan interpolasi fraktal. Deoising citra dilakukan dengan memprediksi kode fraktal dari citra yang bebas noise berdasarkan statistik dari observasi noise
Tidak membahas metode partisi seragam dan tidak memberikan algoritma dan programnya
Ghazel, M., 2006 Fractal-Wavelet Image Denoising Revisited, menggunakan metode prediksi parent dari wavelet subtree pada citra, kemudian membandingkan beberapa skema yaitu partisi tetap dan partisi quadtree dan prediktif fractal dan prediktif fraktal wavelet.
Tidak membahas metode partisi seragam dan tidak memberikan algoritma dan programnya
Malviya, A., 2008 Denoising citra dengan metode fraktal berbasis domain spasial. Membahas metode fractal coding baik
untuk keperluan denoising maupun kompresi citra
Hanya menggunakan partisi quadtree belum menyinggung partisi seragam
Handoko, W.dkk., 2011 Penghilangan noise (additive Gaussian noise dan additive Laplacian noise), Metode yang digunakan adalah wavelet tresholding analysis. wavelet yang digunakan adalah wavelet daubchiess, coiflet dan symlet
Tidak membahas denoising citra dengan metode fraktal
Gayathri, R. dan Sabeenian, R.S., 2013
Analisis beberapa prosedure denoising dengan menunjukkan ukuran efisiensinya dalam
meningkatkan kualitas citra, Order dari noise juga dianalisis untuk menentukan tipe algoritma yang mana yang cocok
Tidak membahas denoising citra dengan metode fraktal
Meng, F., 2015 Denoising sinyal seismic dengan metode filtering. Metode menggunakan hukum konservasi fraktal, yaitu menggunakan persamaan diferensial parsial sederhana yang dimodifikasi.
Fraktal digunakan untuk denoising sinyal seismic bukan pada citra
Berdasarkan analisis terhadap hasil penelitian sebelumnya maka dapat dilihat bahwa permasalahan yang belum banyak diteliti adalah penghilangan noise dengan metode fraktal menggunakan partisi seragam pada proses pengkodean citranya, selain metode partisi seragam tidak terlalu rumit, juga diharapkan dapat memberikan tingkat perbaikan citra yang tinggi.
Penggambaran objek dengan metode fraktal dilakukan dengan menggunakan beberapa transformasi sederhana yang disebut sistem fungsi iterasi ( iterated function system) yang disingkat SFI, titik tetap/atraktor dari sistem fungsi iterasi inilah yang berupa gambar kompleks yang bisa berbentuk objek alam yang mirip sebenarnya [1].
Suatu transformasi f : X X pada suatu ruang metrik (X, d) disebut suatu pemetaan kontraksi jika terdapat suatu konstan 0≤ s <1 sedemikian hingga
d(f(x),f(y)) ≤ s . d(x,y) untuk setiap x,y X. (1)
s disebut faktor kontraksi untuk f.
Sistem fungsi iterasi (SFI) adalah suatu sistem yang terdiri dari suatu ruang metrik lengkap (X,d) bersama dengan himpunan berhingga dari pemetaan kontraksi wi : X X dengan faktor kontraksi masing-masing adalah si, untuk i=1,2,…,N. Dan biasanya diberi notasi {X; wi, i=1,2,…,N}.
Sedangkan yang dimaksud dengan Atraktor dari suatu sistem fungsi iterasi adalah suatu titik tetap (fixed point) A yang merupakan himpunan bagian kompak dari X yang memenuhi
A = W(A) = w1(A) w2(A) … wN(A), (2)
yaitu A = Lim n Wn(B) , untuk sembarang B himpunan bagian kompak dari X, dimana
W1(B)=W(B),W2(B)=W(W(B)), W3(B)=W(W2(B)),…, Wn(B)=W(Wn-1(B)). (3)
Semua citra merupakan atraktor, yang menjadi permasalahannya adalah bagaimana menemukan SFI dari suatu citra, dimana SFI tersebut bisa dijadikan sebagai kode fraktal dari citranya. Dengan menggunakan kode fraktal diharapkan dapat digunakan untuk menghilangkan atau mengurangi noise pada suatu citra.
Citra hasil denoising apakah sudah mengalami perbaikan atau belum serta seberapa tingkat perbaikan citranya, diperlukan ukuran-ukuran antara lain [7] :
a. Root Mean Square Error (RMSE)
RMSE dari 2 citra grayscale Z dan Y (0 ≤ Zi,j,Yi,j≤ 255) yang masing-masing berukuran n x n pixel ( n = 256 ) dihitung menggunakan rumus berikut :
n
Y
Z
RMSE
ij n j i j i
0 , 1 2 , ,)
(
(4)b. Peak Signal to Noise Ratio (PSNR)
PSNR dari 2 citra grayscale Z dan Y (0 ≤ Zi,j, Yi,j≤ 255) dihitung menggunakan rumus berikut : PSNR = 20 log10 ( 255 / RMSE)
(5)
Metode Penelitian
Langkah-langkah yang dilakukan dalam penelitian ini adalah :
1. Studi pustaka, mulai dari referensi buku hingga mempelajari paper-paper mengenai denoising citra digital dan metodenya termasuk dengan metode fraktal.
2. Analisis permasalahan dan analisis terhadap metode penghilangan noise dari citra grayscale dengan metode fraktal.
3. Perancangan algoritma untuk melakukan penghilangan noise dari citra grayscale dengan menggunakan metode fraktal, secara garis besar algoritmanya dapat dinyatakan dengan diagram alir pada Gambar 1. Dimana pembuatan citra grayscale bernoise menggunakan citra grayscale standar seperti Lena, Barbara dll. yang diberi noise gaussian dengan parameter tertentu.
4. Mengimplementasikan algoritma dalam bentuk program, dengan menggunakan bahasa pemrograman Delphi. 5. Menguji kebenaran dan efisiensi dari algoritma dan program yang dibuat dengan menggunakan citra uji berupa
beberapa citra grayscale standar dan kemudian menganalisis hasilnya dengan menghitung Root Mean Square Error (RMSE) dan Peak Signal to Noise Ratio (PSNR) dari masing-masing citra uji.
Gambar 1 Diagram Alir Penghilangan Noise Citra Grayscale dengan Metode Fraktal
Untuk menguji kebenaran algoritma dan program penghilangan noise pada citra grayscale dengan metode fraktal, diperlukan citra grayscale standar yaitu citra Lena, citra Barbara, citra mandrill, citra lake dan citra rumahku. Dalam penelitian ini, digunakan citra berukuran 256 x 256 piksel dengan warna grayscale 8 bit. Citra-citra tersebut dapat dilihat pada Gambar 2.
Mulai
Selesai Baca Citra Grayscale
standar
Lakukan Fractal Encoding
Restorasi dan Prediksi kode fraktal
Citra Grayscale tanpa noise
Pembuatan Citra Grayscale bernoise
Gambar 2 Citra uji yang digunakan
Hasil dan Pembahasan
Pertama akan dibahas tentang algoritma dan program tentang penghilangan noise pada citra grayscale dengan metode fraktal dan kemudian dibahas analisis hasil programnya.
1. Algoritma dan Program Denoising
Konsep dari denoising pada citra grayscale dengan metode fraktal adalah pertama dilakukan pengkodean citra ke dalam bentuk kode fraktal berupa sistem fungsi iterasi. Kemudian dengan menggunakan kode fraktal tersebut dilakukan rekonstruksi citra, yang diharapkan dapat melakukan restorasi citra yaitu berkurangnya noise pada citra. Pembuatan gambar dengan metode fraktal dilakukan dengan iterasi terus menerus dari suatu SFI dan gambar merupakan atraktor dari SFI. Pengkodean fraktal adalah merupakan inverse problem, yaitu bagaimana mencari SFI (SFI parsial) dari suatu citra yang diberikan. Algoritma pengkodean fraktal dari suatu citra menggunakan partisi seragam adalah sebagai berikut :
Algoritma 1. Fractal_Encoding Input : Citra grayscale G
Output : Data domain Di dan transformasi2nya
Begin
- Baca data citra (G[0..255,0..255] : citra grayscle berukuran 256 x 256 titik)
- Buat partisi citra G menjadi 64 x 64 blok domain (D) berukuran 4 x 4 titik
Citra Lena Citra Barbara
( sumber http://www.bilsen.com/aic/tests/lena/lena.bmp ) ( sumber : http://decsai.ugr.es/cvg/CG/base.htm)
Citra Mandril Citra Lake Citra Rumahku ( sumber : http://decsai.ugr.es/cvg/CG/base.htm) (Camera HPnokia 6233)
- Buat Partisi gambar G menjadi 128 x 128 blok range (R) berukuran 2 x 2 titik
- Untuk setiap range Ri :
o Lakukan pencarian blok domain Di yang ”mirip” dengan blok range Ri { nilai_jumlahan harga mutlak dari selisih pixel kedua blok Di dan
Ri adalah minimum }
o Simpan data domain Di yang mirip dengan Ri beserta transformasi yang dilakukan ( data ini merupakan hasil pengkodean fraktal).
End.
Sedangkan Algoritma untuk pencarian blok domain Diyang ”mirip” dengan blok range Ri adalah sebagai
berikut :
Algoritma 2. Pencarian_blok_domain Input : Blok range Ri
Output : Blok domain Di yang mirip dengan Ri
- Min = maxlongint;
- Untuk setiap blok domain Di :
o lakukan dilatasi terhadap Di sehingga ukurannya menjadi 2 x 2 titik.
o lakukan transformasi warna grayscale dari Di ke Ri (skala dan ofset)
o Jika blok range Ri sewarna Maka
▪ hitung nilai_jumlahan harga mutlak dari selisih pixel blok Di dan Ri
▪ Jika nilai_jumlahan < min maka min = nilai_jumlahan
o Jika blok range Ri tidak sewarna Maka
▪ Untuk setiap 8 transformasi geometri
(Identitas, Pencerminan terhadap sumbu tengah vertikal, Pencerminan terhadap sumbu tengah horisontal, Pencerminan terhadap diagonal pertama, Pencerminan terhadap diagonal kedua, Rotasi sebesar 900, Rotasi sebesar 1800, Rotasi sebesar - 900)
Lakukan transformasi terhadap Di kemudian hitung nilai_jumlahan harga mutlak dari selisih pixel kedua blok Di dan Ri
Jika nilai_jumlahan < min maka min = nilai_jumlahan End.
Proses denoising citra adalah proses rekonstruksi citra yaitu proses pembuatan citra berdasar SFI (SFI parsial) hasil pengkodean fraktal di atas. Algoritma denoising citra dengan metode fraktal menggunakan partisi seragam adalah sebagai berikut :
Algoritma 3. Denoising_citra
Input : Blok domain dan transformasi (hasil fractal encoding) Output : Citra hasil G (tanpa noise)
Begin
- Buat gambar awal sembarang (G[0..255,0..255]
- Baca data hasil pengkodean fraktal (blok domain dan transformasinya )
- Ulangi
o Buat partisi gambar G menjadi 64 x 64 blok domain D berukuran 4 x 4 titik
o Lakukan transformasi terhadap blok domain dari hasil pengkodean fraktal
o Konstruksikan/susun gambar G dari blok range hasil transformasi Sampai (jumlah iterasi tertentu )
- Gambar G adalah gambar hasil rekonstruksi yang diharapkan dapat memperbaiki citra dengan mengurangi noisenya
Rancangan Tampilan dari program yang dibuat hanya terdiri 1 tampilan utama yang mempunyai fasilitas untuk memberikan noise gaussian pada citra uji (noising) dan fasilitas untuk melakukan pengkodean fraktal (coding) serta fasilitas untuk melakukan rekonstruksi citra dalam rangka mengurangi noise (denoising). Tampilan utama program dapat dilihat pada Gambar 3.
Gambar 3 Rancangan Tampilan Utama
Untuk mengimplementasikan algoritma di atas ke dalam bentuk program komputer diperlukan struktur data. Struktur data (Delphi) untuk program denoising pada citra grayscale menggunakan metode fraktal adalah sebagai berikut :
Struktur data yang digunakan :
const res=256;nr=2;nd=4;{res:resolusi citra,nr:resolusi range,nd:resolusi domain}
type
tuple = record { komponen data hasil pengkodean fraktal }
a,b : 0..res div nr; { untuk menyimpan indek dari blok domain yang mirip}
c : 0..7; { untuk menyimpan nomer transformasi }
s,o : byte; { untuk menyimpan hasil transformasi warna } end;
domain = array[0..nd-1,0..nd-1] of tcolor; range = array[0..nr-1,0..nr-1] of tcolor;
larikD = array[0..res div nd-1,0..res div nd-1] of domain; larikR = array[0..res div nr-1,0..res div nr-1] of range; larik = array[0..res*res div (nr*nr)] of byte;
var
D : larikD; R,R1,R2 : larikR;
ii,i,j,k,m,n,vx,vn: integer; hasil : tuple; namafile:string; bm,bma:tbitmap;u:tcolor; e,f,l,ls,lo : larik; cek : boolean;
3. Analisis Hasil Program Denoising pada Citra Grayscale dengan Metode Fraktal.
Citra hasil denoising apakah sudah mengalami perbaikan atau belum serta seberapa tingkat perbaikan citranya, diukur dengan [7] :
a. Root Mean Square Error (RMSE) b. Peak Signal to Noise Ratio (PSNR)
Pada penelitian ini, pertama citra uji diberikan noise gaussian kemudian diukur RMSE dan PSNR terhadap citra uji asli tanpa noise, kemudian citra bernoise tersebut dilakukan pengkodean fraktal dilanjutkan rekonstruksi citra (denoising) dan citra hasil denoising diukur RMSE dan PSNR terhadap citra uji asli tanpa noise, kemudian dibandingkan keduanya. Gambar 4 menunjukkan citra Lena asli dan citra Lena bernoise, yaitu citra Lena asli yang diberi noise Gaussian dengan nilai varian 625, yang akan dijadikan citra uji program.
Gambar 4 Citra Lena asli dan citra Lena bernoise
Dari citra bernoise yang merupakan masukan dari program kemudian dilakukan proses pengkodean fraktal yang menghasilkan 128 x 128 nilai tuple (a,b,c,s,o) yang merupakan hasil pencarian domain. Proses denoising dimulai dari gambar awal sembarang, gambar putih polos, kemudian dilakukan iterasi dan rekonstruksi citra berdasarkan kode fraktal tersebut, Proses awal rekonstruksi citra untuk beberapa nilai jumlah iterasi dapat dilihat pada Gambar 5.
Proses denoising citra dilakukan dengan cara rekonstruksi citra menggunakan partisi seragam untuk nilai iterasi di atas 25. Gambar 6 menunjukkan hasil denoising untuk beberapa nilai iterasi. Dari Gambar 6 terlihat semakin besar nilai iterasi semakin berkurang noisenya ditunjukkan dengan semakin besar nilai PSNR dan semakin kecil nilai RMSE.
Gambar 5 Proses awal rekonstruksi citra Lena
Citra Lena asli Citra Lena bernoise RMSE = 17,35 ; PSNR = 23,46
Gambar awal Iterasi = 1 Iterasi = 2
Hasil untuk citra uji yang lain dapat dilihat pada Gambar 7 yaitu gambar tampilan hasil program yang berisi citra grayscale (Barbara) bernoise sebagai masukan program dan citra grayscale hasil denoising yang diharapkan terbebas dari noise atau setidaknya noisenya jauh berkurang. Dari gambar tersebut terlihat ada penurunan nilai RMSE dan kenaikan PSNR yang cukup signifikan hal ini menunjukkan program mampu mereduksi noise dan memperbaiki citra. Hasil pengukuran RMSE dan PSNR untuk ke lima citra uji dapat dilihat pada Tabel 2.
Dari Tabel 2 terlihat program komputer yang dibuat dapat mereduksi noise untuk ke lima citra uji dengan rerata penurunan RMSE sebesar 6,45 dan rerata kenaikan nilai PSNR sebesar 4,02 dan rerata nilai PSNR adalah 27,28 dengan nilai terbesar pada citra Lena dan nilai terkecil pada citra rumahku. Sedangkan jumlah iterasi yang dibutuhkan agar noise pada citra dapat berkurang secara optimal adalah sangat bervariasi. Waktu yang dibutuhkan dalam proses pengkodean fraktal hampir sama untuk ke lima citra uji yaitu sekitar 65 detik, sedangkan waktu yang dibutuhkan untuk proses denoising bergantung dari jumlah iterasinya, untuk jumlah iterasi = 25 membutuhkan waktu sekitar 7 detik dan waktunya bertambah secara linear terhadap jumlah iterasi. Waktu pengkodean fraktal lebih besar dibanding waktu denoising hal ini karena algoritma pengkodean fraktal mempunyai kompleksitas waktu O(n4) dengan n adalah ukuran panjang atau lebar citra, Sedangkan algoritma denoising mempunyai kompleksitas waktu O(n2).
Gambar 6 Citra Lena hasil denoising untuk beberapa nilai Iterasi
Citra Lena hasil denoising Citra Lena hasil denoising Iterasi=25, RMSE=9,64 ,PSNR=28,45 Iteras =50, RMSE=9,05 ,PSNR=28,96
Citra Lena hasil denoising Citra Lena hasil denoising Iterasi=75, RMSE=8,95 ,PSNR=29,09 Iteras =80, RMSE=8,96 ,PSNR=29,05
Gambar 7 Tampilan hasil program untuk citra Barbara
Tabel 2 Tabel perubahan nilai RMSE dan PSNR
Kesimpulan dan Saran
Dari penelitian yang dilakukan dapat ditarik beberapa kesimpulan sebagai berikut :
1. Telah berhasil disusun algoritma dan program untuk mereduksi noise pada citra grayscale dengan metode fraktal.
2. Proses denoising citra dilakukan dengan pengkodean fraktal (fractal encoding), dalam penelitian ini digunakan partisi seragam, dan dengan rekonstruksi citra (fractal decoding) untuk mendapatkan citra tanpa noise. 3. Uji hasil program menggunakan 5 citra grayscale berukuran 256 x 256 piksel dengan diberikan noise Gaussian
kemudian diukur tingkat perbaikan citranya dengan RMSE dan PSNR.
4. Hasil uji coba menunjukkan program komputer yang dibuat dapat mereduksi noise pada citra dengan rerata penurunan RMSE sebesar 6,45 dan rerata kenaikan nilai PSNR sebesar 4,02 dengan rerata nilai PSNR adalah 27,28. Waktu proses pengkodean fraktal cukup lama yaitu sekitar 65 detik karena algoritma yang digunakan mempunyai kompleksitas waktu O(n4) dan hasil denoising citra bergantung dari jumlah iterasi pada proses rekonstruksi citra.
No. CITRA CITRA BERNOISE CITRA HASIL ITERASI RMSE PSNR RMSE PSNR 1 LENA 17,35 23,46 8,95 29,09 75 2 BARBARA 16,65 23,7 10,13 28,01 100 3 MANDRILL 17,35 23,34 11,7 26,76 80 4 LAKE 18,39 22,83 11,5 26,91 25 5 RUMAHKU 18,12 22,96 13,31 25,64 50
Sedangkan sebagai saran untuk penelitian lebih lanjut adalah sebagi berikut :
1. Untuk meningkatkan tingkat perbaikan citra, nilai PSNR lebih tinggi dan RMSE lebih rendah, perlu dicari algoritma pengkodean fraktal dari suatu citra menggunakan selain partisi seragam.
2.
Perlu dikembangkan algoritma pengkodean fraktal dari suatu citra warna yang tentunya berbeda dengan citra grayscale.Daftar Pustaka
[1] Barnsley, M., 1988, “Fractals Everywhere”, Academic Press, Inc., New York.
[2] Bire dkk., 2012, “Denoising Pada Citra Menggunakan Transformasi Wavelet”, hal. 487-493, ISBN 979-26-0255-0.
[3] Buades, A. dkk, 2005, “A Review Of Image Denoising Algorithms, With A New One”, MULTISCALE MODEL.
SIMUL. Vol. 4, No. 2, pp. 490–530 @2005 Society for Industrial and Applied Mathematics.
[4] Falconer, K., 1990, Fractal Geometry : Mathematical Foundations and Applications, John Wiley & Sons Ltd., New York.
[5] Gayathri, R. dan Sabeenian, R.S., 2013,”A Performance Analysis of Efficient Schemes and Algorithms in Image
Denoising Procedures”, 2013 International Conference on Computer Communication and Informatics (ICCCI -2013), Jan. 04 – 06, 2013.
[6] Ghazel, M. dkk.,2002, “Fractal-Wavelet Image Denoising”,IEEE ICIP 2002, 0-7803-7622-6/02/$17.00 ©2002 IEEE
[7] Ghazel, M. dkk., 2003, “Fractal Image Denoising”, 1057-7149/03/$17.00 ©2003 IEEE.
[8] Ghazel, M. dkk., 2005, “Simultaneous Fractal Image Denoising And Interpolation”, 0-7803-9195-0/05/$20.00 ©2005 IEEE.
[9] Ghazel, M., 2006, “Fractal-Wavelet Image Denoising Revisited”, IEEE Transactions On Image Processing, Vol. 15, No. 9, September 2006.
[10] Handoko, W.T. dkk., 2011, “Analisis Dan Implementasi Image Denoising dengan Metode Normal Shrink sebagai Wavelet
Thresholding Analysis”, Jurnal Teknologi Informasi DINAMIK Volume 16, No.1, Januari 2011 : 5663 ISSN : 08549524.
[11] Malviya, A., 2008, Fractal Based Spatial Domain Techniques for Image De-Noising, 978-1-4244-1724-7/08/$25.00 ©2008 IEEE.
[12] Meng, F., 2015, “A Fractal Conservation Law for Simultaneous Denoising and Enhancement of Seismic Data”, IEEE
Geoscience And Remote Sensing Letters, Vol. 12, No. 2, February 2015.
[13] Wang, H.K.S., 2003,”Study On Denoising Of Fractal Signal Based On Shannon Entropy”, IEEE Int. Conf. Neural Networks &. Signal Processing Nanjing, China, December 14-17, 2003, 0-7803-77
Biodata Penulis
Drs. Janoe Hendarto M.Kom
, dosen
Jurusan Ilmu Komputer dan Elektronika FMIPA UGM Sekip Utara Yogyakarta,
Undergraduate, MIPA, Universitas Gadjah Mada, Indonesia, 08/1981 - 07/1986 . Master, Computer Science, Universitas Indonesia, Indonesia, 08/1989 - 07/1991. Research interest are Algorithm Analysis, Computer Graphic.
PENENTUAN POSISI OBJEK DALAM GEDUNG MENGGUNAKAN RSS
FINGERPRINT BERDASARKAN TEKNOLOGI GSM DAN IEEE 820.11g
Hani Rubiani
Teknik Elektro FT Universitas Muhammadiyah Tasikmalaya email : [email protected]
Abstraksi
Sebagian besar penelitian penentuan posisi objek dalam gedung berdasarkan pada penggunaan Receive Signal Strength (RSS). Salah satu tahapan yang dilakukan adalah fingerprint. Tahap ini merupakan tahap pengumpulan informasi RSS yang diterima oleh instrument pengukur di koordinat tertentu. Tujuan Penelitian ini adalah untuk memperoleh tingkat akurasi di posisi yang presisi dengan menggunakan sensor dalam hal ini sebuah ponsel untuk mendapatkan RSS Sinyal Global System for Mobile Communication (GSM) dan laptop untuk mendapatkan sinyal IEEE 802.11g . Selanjutnya data hasil pengumpulan fingerprint dianalisis dan diuji dengan menggunakan algoritma Naïve Bayes (NB).Hasil percobaan menunjukkan jarak kesalahan rata-rata minimum sebesar 5.11 meter dengan fusion sensor antara GSM dan IEEE 820.11g.
Kata Kunci
:
Penentuan posisi objek dalam gedung, RSS Fingerprint, GSM, IEEE 820.11g, Naive Bayes (NB).
Abstract
Most studies about objects positioning determination in building is based on the use of Receive Signal Strength (RSS). One step that being taken is fingerprint. This stage is the stage of gathering information received by the RSS in particular coordinate measuring instrument. The purpose of this study is to obtain a high degree of accuracy in positioning precision by using sensors in this case is a cell phone to get a signal RSS Global System for Mobile Communication (GSM) and laptops to get a signal IEEE 802.11g. Furthermore, the data collection of fingerprint result is analyzed and tested by using Naïve Bayes (NB) algorithms. The results of the experiment showed an average error distance of a minimum of 5:11 meters with sensor fusion between GSM and IEEE 820.11g.
Keywords: Object positioning determination in building, RSS Fingerprint, GSM, IEEE 820.11g, Naive Bayes (NB).
Pendahuluan
Keakuratan dalam penentuan posisi merupakan bagian yang penting untuk aplikasi-aplikasi dalam kajian ubiquitous computing [3]. Teknologi penentuan posisi yang umumnya dikenal adalah Global Positioning System (GPS). Pada lokasi-lokasi tertentu penerima GPS dapat memberikan informasi posisi yang akurat. Keadaan ini bertolak belakang ketika GPS digunakan di dalam gedung dan lingkungan perkotaan yang padat. Jika digunakan di lokasi-lokasi tersebut tidak memberikan kinerja yang baik. Hal inilah yang mendasari banyaknya penelitian mengenai sistem penentuan posisi dalam gedung dengan menggunakan jaringan radio. Terdapat banyak penelitian yang berkaitan dengan sistem estimasi posisi dalam gedung berdasarkan pada penggunaan jangkauan sinyal pendek. Penelitian-penelitian tersebut diantaranya berdasarkan standar IEEE 802.11 [13], Bluetooth [1], ultra sound [9] dan infrared [12].Peneliti-peneliti tersebut sudah melakukan penelitian mengenai penentuan posisi objek dalam gedung dengan menggunakan sensor yang berbeda-beda diantaranya bluetooth, ultra sound, infrared dan lain sebagainya, untuk penelitian ini menggunakan fusion sensor yaitu gabungan antara GSM dan IEEE 802.11g.
Metode pengukuran berdasarkan kekuatan sinyal untuk keperluan navigasi dapat direalisasikan berdasarkan pada :Time of Arrival (TOA), Time Difference of Arrival (TDOA), Angle of Arrival (AOA), dan Received Signal Strength (RSS). Tiga metode pertama memiliki kekurangan yang terkait dengan informasi waktu, oleh karena itu beberapa penelitian sebelumnya mengusulkan pengamatan unit pada posisi tetap yang menerima semua sinyal dari pemancar di daerah tersebut. Selain itu untuk mengekstrak informasi waktu dan arah, diperlukan perangkatkeras tertentu dengan antena multidirectional [4]. Teknik posisi yang terakhir berdasarkan estimasi posisi RSS dan
pemodelan sinyal propagasi. Terdapat beberapa keuntungan menggunakan RSS dalam penentuan posisi dalam gedung. Pertama, dapat diimplementasikan dalam sistem komunikasi nirkabel dengan sedikit bahkan tanpa penambahan atau perubahan perangkat keras, yang diperlukan hanyalah kemampuan untuk memperoleh dan membaca RSS. Keuntungan kedua adalah tidak perlu adanya sinkronisasi antara pemancardan penerima [2]. Ada dua pendekatan umum untuk penentuan posisi nirkabel menggunakan teknik RSS: Sinyal pemodelan propagasi dan lokasi fingerprinting. Untuk yang pertama tidak termasuk dalam penelitian ini.Fingerprinting memiliki dua tahap : training dan positioning. Basis data posisi tergantung pada parameter yang dikumpulkan di titik referensi yang dihasilkan dalam tahap training, dan dalam tahap positioning, algoritma yang berbeda dapat digunakan untuk memperkirakan posisi pengguna [6].
Posisi dalam gedung dengan teknik fingerprinting pada penelitian ini direpresentasikan dalam koordinat (x,y). Koordinat tersebut merupakan lokasi dalam gedung yang berada di tengah-tengah luasan dengan ukuran 2 m2 dan 1 m2. Algoritma yang kompleks berdasarkan metode probabilistik dapat dilakukan untuk meningkatkan keakurasian [7] salah satu algoritma tersebut yaitu Naïve Bayes (NB). NB merupakan salah satu algoritma pembelajaran induktif yang paling efektif dan efisien untuk machine learning dan data mining [11]. Kesederhanaan dan kecepatannya yang tinggi dalam proses training dan klasifikasi membuat algoritma tersebut menarik untuk digunakan sebagai salah satu metode klasifikasi [10]. Kelebihan NB adalah sederhana namun memiliki nilai akurasi yang cukup tinggi.
Teknologi penentuan posisi objek dalam gedung dengan single mode mempunyai keterbatasan dalam akurasi dan ketahanan. Untuk mendapatkan akurasi yang lebih tinggi, pada penelitian ini melakukan percobaan dengan fusion antara GSM dan IEEE 802.11g.
Metode Penelitian
Ada beberapa tahapan atau langkah dalam penelitian ini, secara garis besar dalam tahapan metodologi dan perancangan sistem dibagi menjadi 4 tahapan utama. Tahapan sistem penentuan posisi objek dalam gedung diantaranya persiapan lokasi penelitian dengan membuat denah area lokasi penelitian dan membentuk luasan-luasan, kemudian lokasi fingerprinting yang dibagi menjadi 2 tahap yaitu tahap training dan tahap positioning, dalam tahap positioning termasuk di dalamnya yaitu proses testing dengan pemodelan metode. Posisi diprediksi dan dapat dihitung jarak kesalahan seperti ditunjukkan pada Gambar 1.
Kajian Pustaka Identifikasi Masalah Metodologi dan Perancangan Sistem Analisis Mulai Penulisan Laporan Selesai Persiapan lokasi penelitian Tahap Training Tahap Positioning
Hitung jarak kesalahan rata-rata minimum
Gambar 2. Titik-titik referensi untuk luasan 1m2
Gambar 3. Tampilan TEMS 8.0.3 pada laptop
Gambar 4. Tampilan NetSurveyor
Pada pemodelan yang ditunjukkan pada Gambar 8. untuk NB dengan menggunakan RapidMiner yaitu untuk mencari prediksi posisi sehingga dapat dihitung jarak kesalahan rata-rata minimumnya. Dalam penelitian ini menggunakan Rapid Miner dikarenakan merupakan freeware dan dapat dijalankan pada berbagai sistem operasi juga merupakan sebuah solusi untuk melakukan analisis terhadap data mining, text mining dan analisis prediksi.
Data yang dimasukkan berupa data training yang berisi atribut dan klasifikasi. Atribut dalam penelitian ini yaitu Cell-ID dan AP yang mana nilai dari atribut tersebut berupa nilai kekuatan sinyal yang terbaca pada tiap-tiap titik referensi dan klasifikasi menunjukkan koordinat (x,y) dari titik-titik referensi. Data testing hanya berisi atribut saja. Semua format data menggunakan format *csv ( ) dalam perangkat lunak excel.
GAMBAR 5.PEMODELAN NB DENGAN MENGGUNAKAN RAPIDMINER
Metode NBadalah suatu probabilistik simpel yang berdasarkan pada teorema Bayes pada umumnya,
inferensi Bayes khususnya dengan asumsi independensi yang kuat (naive). Dalam prosesnya, NB
mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang sama.
(1) | | 1 2 2 2 exp 2 2 1 | P i l i D l i M i S l i D l S P ) 2 ( 1 n n i l i RSS l i M ) 3 ( 1 1 ) ( n n i l i M l i RSS l i D dengan :
S lP | = Probabilitas posterior kekuatan sinyal pengamatan terhadap posisi l
l posisi di IDi -Cell dari sinyal kekuatan rata -Rata = l i M l posisi di IDi -Cell dari deviasi Standar = l i D ID -Cell Jumlah =
|
|
P
Penentuan posisi objek dalam penelitian ini adalah posisi telepon seluler dan laptop dan posisi pada penelitian yaitu titik referensi yang direpresentasikan dengan koordinat fisik berupa (x, y). Jarak kesalahan rata-rata minimum diperoleh dari perbandingan antara pengukuran RSS secara nyata yaitu data testing dengan pengukuran sebelumnya yang telah tersimpan dalam fingerprint. Prediksi posisi didapat dari tahapan positioning dengan menggunakan algoritma yang telah dimodelkan NB. Dari hasil prediksi posisi setiap data testing yang menjadi target yang terlewati dalam pengukuran data testing dapat dihitung nilai jarak kesalahan rata-rata minimumnya
dengan menggunakan persamaan (4). Perhitungan metode Naïve Bayes sendiri sudah otomatis dibantu dengan adanya Rapid Miner. Akan tetapi tetap dilakukan perhitungan secara manual supaya bisa membandingkan hasil antara menggunakan Rapid Miner dengan hasil perhitungan secara manual
) 4 ( 2 ' 2 ' 1 min n i y i y i x i x n i rata rata erorr dengan :
n = Jumlah titik yang diamati xi dan yi = posisi sebenarnya xi’ dan yi’ = posisi prediksi
Hasil dan Pembahasan
Percobaan penentuan posisi objek dalam gedung berdasarkan GSM dengan metode Naïve Bayes (NB) dilakukan di koridor lantai 3 gedung JTETI UGM. Gedung JTETI UGM merupakan sebuah bangunan dengan konstruksi beton dan mempunyai 3 lantai dengan luas 302 m2. Pada lantai ketiga terdapat 3 lorong dengan lebar sebesar 2 meter dan 3 meter untuk lorong utama. Pembuatan fingerprint untuk lorong lantai 3 dibagi menjadi 2 tahap yaitu tahap training dan tahap positioning. Pada tahap training dilakukan pengukuran RSS yang diterima oleh telepon seluler yang sudah dihubungkan dengan laptop pada masing-masing titik referensi yang telah ditentukan yaitu 1 meter. Pengambilan data training dilakukan selama ± 1.5 menit di setiap titik referensi yang menghasilkan 300 data set, pengukuran dilakukan selama ± 3 menit yang menghasilkan 700 data set, dan pengambilan data dari sinyal IEEE 820.11g dilakukan selama ± 2 menit yang menghasilkan 48 data set setiap titik referensi. Pada tahap positioning dilakukan pengukuran data testing dengan cara berjalan di sepanjang koridor, kemudian dengan menggunakan Naïve Bayes (NB) diperoleh hasil prediksi. Dengan hasil prediksi yang diperoleh dari pemodelan tersebut maka jarak kesalahan rata-rata minimum akan diketahui. Metode yang digunakan merupakan metode dengan pendekatan supervised learning yaitu pendekatan yang melakukan proses learning terlebih dahulu kemudian melakukan proses testing. Data yang digunakan dalam proses learning adalah data fingerprint pada koridor lantai 3 yang diperoleh dari pengukuran kekuatan sinyal pada tahap training dengan skenario yang dilakukan adalah sebagai berikut :
a. Pengukuran kekuatan sinyal fingerprint dengan penetapan luasan 1 m2 pada koridor lantai 3.
b. Skenario dilakukan dengan menggunakan Provider XL Axiata, menggunakan 3 Cell-ID dan 300 data set setiap klasifikasi yang dinamakan dengan koordinat yang akan dijadikan sebagai acuan posisi objek. Data set dikumpulkan dengan cara diam tepat di tengah-tengah luasan selama ±1.5 menit di setiap luasan yang meliputi seluruh area koridor) dan dibandingkan dengan pengukuran kekuatan sinyal IEEE 802.11g yang diukur selama ±2 menit menghasilkan 48 data set dan menggunakan 3 AP, kemudian digabungkan antara pengukuran kekuatan sinyal GSM dengan kekuatan sinyal IEEE 802.11g
c. Skenario percobaan yang diusulkan dengan tujuan memperoleh tingkat akurasi yang lebih baik yaitu pengukuran kekuatan sinyal fingerprint tidak hanya berdasar GSM tetapi menambahkan dengan kekuatan sinyal fingerprint berdasar IEEE 802.11g.
Tahap Training
Langkah awal pengukuran kekuatan sinyal IEEE 802.11g pada skenario yang dilakukan dengan menetapkan luasan-luasan berukuran 1 m2 pada koridor lantai 3 dengan luas ±302 m2. Luasan yang terbentuk berjumlah 286, di setiap tengah-tengah luasan dilakukan perekaman data kekuatan sinyal dengan menggunakan laptop. Perekaman data dilakukan selama ± 2 menit dengan jumlah data sebanyak 48 setiap luasan, sehingga jumlah data yang terekam keseluruhan berjumlah 13728 data untuk fingerprint berdasar IEEE.820.11g dengan menggunakan 3 AP. Data fingerprint berdasar GSM dari data pada skenario percobaan dengan mengambil 48 data set setiap klasifikasi. Hasil visualisasi peta fingerprint pada masing-masing Cell-ID ditunjukkan pada gambar 6, 7, 8 dan untuk visualisasi masing-masing AP ditunjukkan pada Gambar 9, 10 dan 11.
Gambar 6, 7 dan 8 Visualisasi RSS Cell-ID1 , Cell-ID2 dan Cell-ID3
GAMBAR 9,10 DAN 11VISUALISASI RSSAP1,AP2 DAN AP3
Tahap Testing
Pada tahap testing dilakukan pengujian terhadap nilai kekuatan sinyal yang terukur secara real time dengan cara berjalan di sepanjang koridor. Nilai kekuatan sinyal real time disimpan dan diolah ke dalam microsoft excel yang kemudian akan dilakukan estimasi posisi dengan menggunakan metode NB dengan menggunakan pemodelan yang ada pada tool RapidMiner.
GAMBAR 12.HASIL PREDIKSI GSM DAN IEEE802.11G GAMBAR 13.HASIL LINTASAN PREDIKSI GSM DAN IEEE802.11G
GAMBAR 14. HASIL JARAK KESALAHAN DENGAN METODE NAÏVE BAYES UNTUK GSM+IEEE802.11G TABEL 1.PENGARUH FUSIONGSM DAN IEEE802.11G TERHADAP JARAK KESALAHAN RATA-RATA MIN (METER)
Sumber Radio Naïve Bayes (NB) GSM 15.25 IEEE 802.11g 6.03 GSM+ IEEE 802.11g 5.11
Dari Gambar 15 dapat dilihat adanya pengaruh akibat dari penggabungan kekuatan sinyal fingerprint berdasar GSM dan kekuatan sinyal fingerprint berdasar IEEE 802.11g yang hasilnya lebih baik daripada tanpa penggabungan. Dari hasil penelitian memperlihatkan dengan adanya fusion data GSM dan IEEE 802.11g memberikan peningkatan terhadap hasil akurasi.
Kesimpulan dan Saran
KesimpulanDari hasil penelitian yang telah dibahas maka dihasilkan beberapa kesimpulan sebagai berikut:
Penentuan posisi objek dalam gedung dengan metode Naïve Bayes (NB) berdasarkan GSM dan IEEE 820.11g berhasil dilakukan.
Dari hasil penelitian dengan adanya fusion kekuatan sinyal fingerprint berdasar GSM dan kekuatan sinyal fingerprint berdasar IEEE 802.11g hasilnya lebih baik daripada tanpa adanya fusion. Dari hasil penelitian tersebut memperlihatkan dengan adanya fusion data GSM dan IEEE 802.11g memberikan peningkatan terhadap hasil akurasi.
Saran
Dari penelitian yang telah dilakukan didapatkan keterbatasan, sehingga ada beberapa saran diantaranya ; 1. Dalam pengambilan data training tidak hanya menggunakan 3 Cell-ID. Semakin banyak Cell-ID yang
digunakan dapat mempengaruhi tingkat akurasi yang dihasilkan.
2. Algoritma probabilistik yang kompleks misalnya partikel filter dapat digunakan untuk mengarah ke perbaikan akurasi.
3. GSM Fingerprinting dapat dilakukan dengan lebih dari dua Provider.
4. Perlu adanya penelitian khusus mengenai fusion terutama berdasarkan kekuatan sinyal GSM dan kekuatan sinyal IEEE 802.11g dalam penentuan posisi objek dalam gedung.
J a ra k K esa la ha n (m et er )
ke-Daftar Pustaka
[1] Aalto, L., Gothlin, N., Korhonen, J., Ojala, T., 2004 “Bluetooth and WAP push based location-aware mobile advertising
system”, in Proc. 2ndInternational Conference on Mobile Systems, Applications, andServices, Boston, pp. 49–58. [2] Caffery, J. (2000). Wireless Location in CDMA Cellular Radio Systems, Kluwer Academic Publishers
[3]
F
ox, D., Hightowerand, J., Liao, L., Schulz, D. and Borriello, G., 2003“Bayesian filtering for location estimation,” IEEE Pervasive Computing, vol. 02, no.3,pp. 24–33.[4] Fang, B., 1990. “Simple solution for hyperbolic and related position fixes,” IEEE Trans. Aerosp. Electron. Syst., vol. 26, no. 5, pp. 748–753.
[5] Kanaan, M. and Pahlavan, K., 2004. “A comparison of wireless geolocation algorithms in the indoor environment,” in Proc. IEEE Wireless Commun.Netw. Conf., 2004, vol. 1, pp. 177–182.
[6] Li, B., 2006. “Terrestrial mobile user positioning using TDOA and fingerprinting techniques,” PhD thesis, School of Surveying & Spatial Information Systems, University of New South Wales, Sydney, Australia.
[7] Liu, H., Darabi, H., Banerjee, P., Liu, J., 2007“Survey of Wireless Indoor Positioning Techniques and Systems” in IEEE Transactions on System, Man and Cybernetics Vol, 37, No, 6.
[8] Otsason, V., Varshavsky, A., LaMarca, A. and de Lara, E., 2005. “Accurate GSM indoor localization” in Proceedings of
the International Conference on Ubiquitous Computing (UbiComp ’05), Ed., pp. 141–158, Springer, Berlin, Germany. [9] Priyantha, N.B., Chakraborty, A. and Balakrishnan, H., 2000. “The cricket location support system”. In Mobile Computing
and Networking, pages 32–43.
[10]Pramsistya, Y., 2009. “Optimasi Penempatan BTS Dengan Menggunakan Algoritma Genetika”. Jurusan Matematika FMIPA, Institut Teknologi Surabaya.
[11]Shadiq, M.Ammar. (2009). Keoptimalan Naïve Bayes Dalam Klasifikasi. Bandung: Jurnal Universitas Pendidikan Indonesia
[12]Ward, A., Jones, A. and Hopper, A., 1997. A new location technique for the active office. In IEEE Personnel Communications, 4(5), pages 42–47.
[13]Yang, Q., Pan, S.J., Wenchen Zheng, V., 2008. “Estimating Location Using Wi-Fi”,IEEE Intelligent Systems, vol. 23, no. 1, pp. 8–13, Jan/Feb.
[14]Zhou, J., Chu, K.M. and -Y. Ng, J.K., 2005. “Providing location services within a radio cellular network using ellipse
propagation model,” in Proc. 19thInt. Conf. Adv. Inf. Netw. Appl, pp. 559–564.
Biodata Penulis
Hani Rubiani, memperoleh gelar Sarjana Teknik (S.T), Program Studi Teknik Elektro dan Teknologi Informasi FT UGM, lulus tahun 2010. Tahun 2012 memperoleh gelar Magister of Engineering (M.Eng) dari Program Studi Teknik Elektro dan Teknologi Informasi FT UGM. Saat ini sebagai Staf Pengajar program Studi Teknik Elektro FT Universitas Muhammadiyah Tasikmalaya (UMTAS).
KUALITAS GAMBAR DAN SUARA APLIKASI MULTIMEDIA PADA GADGET
ANDROID
R. Hennry Poerwanto Brotoatmodjo
Jurusan Sistem Informasi, STMIK AMIKOM Yogyakarta. Jalan Ring Road Utara, Condong Catur, Depok, Sleman, Yogyakarta
email : [email protected])
Abstraksi
Perkembangan teknologi hardware dan software semakin berkembang pesat. Kemudahan perancangan antarmuka dengan berbagai fitur dan persaingan pasar membuat proses alih teknologi menyentuh sampai tingkat pedesaan. Orang tidak canggung lagi menggunakan produk lokal, karena mementingkan penggunaan fitur pada gadget bukan dari kualitas fitur. Penelitian ini membahas kualitas gambar dan suara terkait dengan sensor yang digunakan sebagai antarmuka masukan tablet android, pengolahan datanya berbentuk kualitas dan kuantitas. Kuantitas mengacu persamaan numerik yang dihasilkan dalam perbandingan dan persamaan khusus standar gambar dan suara.
Kata Kunci :
Android, Hardware, Software, Multimedia, Teknologi. AbstractThe development of hardware and software technology is growing rapidly. Ease of design interface with a variety of features and market competition makes the technology transfer process touch to the village level. People no longer awkward to use local products, as concerned with the use of features in the gadget instead of quality features. This study discusses the quality of pictures and sound associated with a sensor that is used as an input interface tablet android, processing of data in the form of quality and quantity. Quantity refers to numerical equations resulting in a comparison of standard and special equation image and sound.
Keywords :
Android, Hardware, Software, Multimedia, Technology.Pendahuluan
Dunia gadget memang menarik untuk diikuti, namun jika perkembangan gadget senantiasa diikuti dengan sifat konsumerisme, maka banyak biaya yang harus dikeluarkan, hanya untuk mengikutinya karena fitur gadget akan selalu berkembang seiring perkembangan pasar.
Pasaran gadget banyak menjamur dan ada di mana - mana. Persaingan vendor membuka banyak peluang untuk selalu mencari pasaran yang bermutu. Pengelolaan pasaran sangat kurang, melihat banyak orang tidak memperhatikan kualitas dari gadget yang hendak mereka beli. Pementingan terhadap aspek fitur dan kebutuhan yang mereka cari, bukan aspek kualitas terkait dengan sinyal, mutu bahan, kualitas kinerja, tampilan, konsumsi daya dan lain sebagainya. Inilah yang kemudian menjamurnya gadget, terutama gadget buatan cina. Produk Cina di pasaran menguasai pasaran, walaupun banyak orang mengetahui kualitas produk Cina ini. Namun fitur yang dimiliki oleh produk Cina memenangkan fitur dari semua gadget, baik dari fitur wireless, televisi, radio, dual-sim, quad-sim, radio, internet 3G / HSDPA / HSUPA, bluetooth, geo-positioning system (GPS), portabilitas dan lain sebagainya. Pemanfaatan fitur ini membuat orang ingin mencapai fungsi efektifitas dan efisiensi fitur dalam satu gadget saja. Hal inilah yang kemudian banyak diburu di pasaran, namun semakin lama banyak orang yang sadar dan sebagian dari mereka akan membeli merk gadget yang berkualitas karena banyak gadget Cina yang mengalami masalah dalam operasi hardware-nya, terutama pengelolaan dan konsumsi daya yang begitu boros dan sparepart yang susah dicari ketika mengalami kerusakan. Walaupun demikian sebagian orang yang mempunyai anggaran untuk beli gadget yang terbatas akan lebih memilih produk gadget buatan Cina karena fiturnya. Pemilihan kebutuhan fitur dan biaya yang terbatas, banyak orang yang menjadikannya sebagai standard konsumsi gadget. Peneltian ini memfokuskan pada kualitas gambar dan suara aplikasi multimedia pada tablet Android. Pengolahan data yang dihasilkan dalam pengambilan kesimpulan dapat digunakan sebagai referensi respon aplikasi sebuah suara menggunakan software yang berjalan pada Android dan kualitas gambar yang dihasilkan oleh suatu tablet android. Software android yang terinstal suatu aplikasi akan mengolah sumber suara yang masuk melalui
microphone yang terdapat pada perangkat android untuk kemudian di analisis dan ditampilkan pada keluaran visual. Analisis yang ditampilkan menggunakan metode numerik untuk mengetahui tingkat kualitas penggunaan tablet android sebagai media pembelajaran.
Metode Penelitian
ANDROID, Android adalah sistem operasi dalam piranti mobile yang bebas dan open-source dan mudah digunakan. Kemampuan pemrosesan multimedia android saat ini sangat dibatasi dengan OpenCore mesin multimedia android yang tidak dapat berpengaruh pada format audio dan video yang digunakan. Beberapa pendekatan untuk kelanjutan kemampuan pemrosesan multimedia dan metode berbasis Gstreamer diharapkan mampu menampilkan kinerja yang lebih baik. Walaupun demikian, kemampuan framework pemrosesan multimedia masih kurang cukup baik, sehingga menurunkan kinerja aplikasi. Framework berbasis Gstreamer mampu meningkatkan kemampuan pemrosesan multimedia dalam hal efisiensi, kompatibilitas, kemudahan dan keumumannya [1].
Kecanggihan teknologi mobile, perangkat komputing smart mobile telah mencapai keberlangsungan usaha peningkatan dan berdaya guna, seiring dengan peningkatan pemakai smart mobile dan bandwidth yang digunakan. Multimedia streaming dalam penggunaan perangkat mobile telah berkembang luas, namun aplikasi multimedia dikenal memakan banyak resource dan cukup padat. Sehingga banyak layanan operator yang kemudian mencoba mengatasi laju lalu lintas data pada teknologi jaringan akses radio [2]. Salah satu tantangan yang muncul adalah lingkungan layanan nirkabel yang heterogen untuk diakses kapan saja dan dimana saja. Penggunaan kualitas, fungsi pemetaan bandwidth yang diterima pengguna smart-phone menghantarkan pada aplikasi multimedia streaming telah diteliti oleh Trestian, et al. [5], dengan cara memetakan pada perangkat mobile Android Google Nexus One dan divalidasi menggunakan uji obyektif dan subyektif.
Penelitian Hak et al. [7] memaparkan kekuatan sumber suara G ( kekuatan bunyi-Sound Strength G ) merupakan parameter akustik ruang yang digunakan untuk menyelidiki distribusi suara di aula atau membandingkan kenyaringan antar ruang yang berbeda. ISO 3382-1 menjelaskan beberapa metode untuk mengukur G. Keakuratan dari pengukuran G tergantung pada akurasi dimana tingkat kekuatan sumber suara dapat ditentukan atau sistem pengukuran yang dapat dikalibrasi. Dalam penelitian suara yang berbeda terdapat metode kalibrasi yang telah dibandingkan menggunakan omnidirectional standar (dodecahedron) sumber suara [3]. Untuk metode 2, intensitas pengukuran menurut ISO 9614-3 telah dilakukan menggunakan white noise saat memindai suara. Sumber permukaan dengan dua probe mikrofon. Untuk metode 3, metode langsung dan metode perbandingan sesuai dengan standar ISO 3741 telah digunakan untuk menentukan tingkat kekuatan suara menggunakan white noise [4].
Penelitian Wang [6] telah mengembangkan algoritma pencarian audio untuk kebisingan dan distorsi suara dengan komputasi yang efisien, dan terskala. Sehingga, mampu dengan cepat mengidentifikasi segmen singkat musik melalui mikrofon ponsel pada suara latar depan dan kebisingan dominan lainnya, dan melalui kompresi codec suara, keluar dari database lebih dari satu juta lagu. Algoritma menggunakan analisis waktu-frekuensi konstelasi combinatorially hash dari audio, menghasilkan sifat yang tidak biasa seperti transparansi, di mana beberapa track dicampur, sehingga masing-masing dapat diidentifikasi. Selain itu, untuk aplikasi seperti pemantauan radio, pencarian perintah dapat tercapai beberapa milidetik per permintaan, bahkan pada database musik besar.
SPL (sound pressure level) meter menggunakan microphone digunakan untuk mengukur volume suara dalam desiBel (dB) dan untuk menunjukkan nilai referensi. Microphone smartphone mampu menangkap suara manusia (300-3400 Hz, 40-60dB). Sehingga nilai maksimum tergantung pada vendor yang digunakan. Suara yang sangat keras (lebih dari 100 dB) tidak dapat dikenali. Moto Droid mempunyai batas maksimum 100 dB, Galaxy S3 maksimumnya 81 dB, Galaxy Note maksimumnya 91 dB dan Galaxy S2 mempunyai batas maksimum 98 dB. (https://play.google.com).
Penelitian ini menggunakan perangkat tablet android untuk menganalisa kualitas dan kuantitas suatu aplikasi multimedia dalam suara dan video. Analisa yang dihasilkan harapannya mampu mengukur kualitas dari kesesuaian penggunaan aplikasi untuk pembelajaran multimedia.
Hasil dan Pembahasan
Konsumen cenderung memilih gadget dengan fitur dan spesifikasi yang tidak kalah jauh dengan produk gadget yang mahal. Dukungan prosesor dan random access memory (RAM) yang memadai dan tingkat performa yang bisa ditingkatkan (upgrade). Tablet yang murah menjadi sebuah solusi bagi para konsumen dengan kemampuan beli yang terbatas. Kebutuhan tersebut menjadi pertimbangan bagi banyak vendor dalam menempuh teknologinya dan pengadaan produk yang dijual di pasaran. Kompetisi di pasaran menjadikan harga jual tablet (gadget) menjadi semakin terjangkau. Beberapa hal yang senantiasa para konsumen lakukan dalam memilih gadget adalah pemakaian prosesor yang diimplementasikan dalam perangkat tersebut. Beberapa konsumen memilih prosesor
Qualcomm, yang mempunyai harga murah namun kualitasnya memadai; sistem operasi yang digunakan untuk menentukan kinerja dari suatu tablet. Kinerja tablet menurut sistem mempunyai beberapa tingkatan diantaranya middle-low, middle, dan middle-high. Tablet yang terjangkau kelas middle-low banyak menggunakan sistem operasi Android Froyo. Walaupun demikian sistem operasi ini bisa di-upgrade ke versi sistem operasi Gingerbread; Kapasitas random access memory (RAM) juga menjadi perhatian dalam membeli sebuah gadget. Semakin besar kapasitas RAM-nya, semakin bagus kinerjanya. Ketiga hal tersebut merupakan kriteria umum dalam pemilihan sebuah gadget (tablet).
Kualitas gambar dari sebuah gadget dapat dilihat dari tampilan grafis 2-dimensi dan 3-dimensi dari sebuah gadget. Penelitian ini menggunakan aplikasi AnTuTu versi 3.3 untuk menampilkan kualitas gambar grafik dari sebuah gadget. Gadget yang dipakai dalam penelitian ini adalah Sony Ericsson Xperia Mini Pro yang pada gambar 1 dituliskan sebagai My device. Gambar 1 menunjukkan perbandingan antara beberapa gadget dalam segi kualitas RAM, CPU Integer, CPU float-point, 2D graphics, 3D graphics, database, SD write, dan SD read.
Gambar 1 Kualitas fitur dari gadget android
Hasil yang didapatkan bahwasanya kualitas yang terbaik dari perbandingan gadget android adalah Samsung Galaxy SLV, kemudian Google Nexus 4 dan seterusnya. Grafis 2D dan 3D dari gadget Sony Ericsson Xperia Mini Pro lebih bagus daripada gadget Samsung Galaxy S. Nilai benchmark dari kualitas grafis 2-dimensi dan 3-dimensi dari gadget Sony Ericsson Xperia Mini Pro secara berurutan adalah 626 dan 2858. Sedangkan hasil yang berbeda diperoleh dari aplikasi quadrant hasil grafis 2-dimensi sekitar 1051 dan 3-dimensi sekitar 1614. Kualitas tersebut tetap masih di bawah gadget Samsung Nexus S.
Kualitas suara merupakan jernih atau tidaknya suara yang bisa diperdengarkan. Kualitas suara/audio dipengaruhi oleh derau (noise) yang ditimbulkan oleh mikrofon dan keluaran speaker. Selain itu pengaruh kualitas dari suara juga dihasilkan dari nilai sample rate dan bit depth. Sample rate adalah jumlah sinyal suara yang diambil dalam satu detik, sedangkan bit depth merupakan resolusi suara atau jumlah tingkat suara. Tingkat suara terdiri dari 8-bit, 16-bit, dan 32-bit. Tingkat suara 8-bit maksudnya bahwa ada 256 tingkatan atau 28. Uji kualitas suara terhadap perangkat gadget ini menggunakan aplikasi android Z-Device Test. Hasilnya didapatkan bahwa mikrofon yang digunakan oleh Sony Ericsson Xperia Mini Pro mempunyai format suara PCM 16-bit dengan konfigurasi channel mono, ukuran buffer minimal 4096 byte dan sample rate sebesar 44,1 KHz. Kualitas suara untuk ukuran ini masihnormal berada pada posisi pertengahan dari tingkat suara.
Kesimpulan dan Saran
Teknologi gadget khususnya tablet android dalam memenuhi pasaran kebutuhan dunia digital sangat berkembang pesat. Komitmen vendor gadget dalam penawaran kualitas fitur gadget dengan harga terjangkau menjadi nomor satu bagi sebagian orang, melihat perkembangan dunia gadget tidak akan habis dan teknologinya semakin berkembang. Pikiran untuk berganti gadget dengan teknologi fitur yang meningkat membuat banyak orang cenderung memilih gadget tersebut. Makin besar sample rate dan bit depth suatu suara maka kualitasnya semakin baik.
Daftar Pustaka
[1] Hai Wang, Fei Hao, Chunsheng Zhu, Joel, J.P.C.R, Laurence, T.Y., An Android Multimedia Framework Based on Gstreamer, Proceedings of 1st International Conference, GreeNets 2011, pp. 51-62.
[2] Paul white, 1999, basic microphone, sanctuary publishing [3] Paul white, 2003, basic sampling, sanctuary publishing
[4] Richard, H., Tom R., Yvonne, R., Abigail, S. (2008) Being Human: Human-Computer Interaction in The Year 2020. Report, Microsoft Corporation.
[5] Trestian, R., Moldovan, A.N., Muntean, C.H., Ormond, O., dan Muntean, G.M., 2012, Quality Utility Modelling for Multimedia Applications for Android Mobile Devices, Proceedings of Broadband Multimedia Systems and Broadcasting (BMSB).
[6] Wang, A.L.C., An Industrial-Strength Audio Search Algorithm, unpublished.
[7] Hak, C.C.J.M, Wenmaekers, R.H.C., Hak, J.P.M., van Luxemburg, L.C.J., dan Gade, A.C., 2010, Sound Strength Calibration Methods, Proceedings of 20th International Congress on Acoustics.
https://play.google.com/store/apps/details?id=kr.sira.sound (diakses pada tanggal 25 September 2012)
Biodata Penulis
R. Hennry Poerwanto Brotoatmodjomemperoleh gelar Insinyur, dari Jurusan Teknik Arsitektur FT UGM, lulus tahun 1984. Tahun 1998 memperoleh gelar Magister Manajemen (MM) dari Program Magister Manajemen Universitas Islam Indonesia Yogyakarta, memperoleh gelar Magister Komputer (M.Kom) dari Jurusan Teknik Informatika STTI BenArif Indonesia, lulus tahun 1998. Saat ini sebagai Staf Pengajar KOPERTIS Wilayah V DPK pada STMIK AMIKOM Yogyakarta.
PREPARASI DATA DALAM SIMULASI PERILAKU RESERVOIR LAPANGAN
MINYAK IKAN PARI di NATUNA
Muhammad Taufiq
Pendidikan Teknologi Informasi FKIP Universitas Muhammadiyah Tasikmalaya [email protected]
Abstraksi
Simulasi reservoir merupakan metode membuat model reservoir (cadangan minyak) berdasarkan model fisik maupun model matematik yang dapat memberikan ilustrasi dari bentuk model reservoir yang sesungguhnya, adapun tujuan inti dari simulasi reservoir dapat meramalkan (predict) atau memberikan kisaran tentang perilaku reservoir terhadap berbagai metode operasi produksi, adapun keakuratan dalam simulasi ini sangat bergantung pada data lapangan dan history matching, sedangkan tahapan kerja dalam melakukan simulasi reservoir meliputi preparasi data, matching (penyelarasan) dan prediksi
Tahap preparasi data meliputi segala sesuatu persiapan data yang dibutuhkan selama proses simulasi berlangsung, sedangkan data – data yang dibutuhkan dapat dikelompokkan data fluida, data batuan, data produksi, data mekanik, data ekonomi dan data lainnya, untuk tahap matching dibagi atas in place matching serta history matching, dimana in place matching merupakan penyelarasan terhadap cadangan inisial (mula-mula) hidrocarbon yang dihitung model terhadap perhitungan secara volumetrik, adapun history matching merupakan penyelarasan kumulatif produksi GOR dan WOR (GOR: Gas Oil Ratio, WOR: Water Oil Ratio) serta penyelarasan tekanan sebagai fungsi waktu yang dihitung model terhadap data – data hasil lapangan
Didalam melakukan proses simulasi reservoir dibagi kedalam grid – grid yang berbentuk sel, dan setiap sel yang ada harus tersedia data dimana data – data ini dipengaruhi oleh heterogenitas reservoir serta kondisi pengukuran, untuk itu nilai data yang akan dimasukkan perlu dievaluasi secara detail agar proses matching untuk prediksi kondisi reservoir dapat dilakukan dengan baik.
Kata Kuci: Simulasi, Reservoir, Model, Preparasi Data Abstract
Reservoir simulation is a method of making a model reservoir (oil reserves) based on physical models or mathematical models that can provide an illustration of the shape model of the reservoir that is real, while the core purpose of the reservoir simulation can predict (predict) or give a range of reservoir behavior of the various methods of production operations , while the accuracy of the simulation is very dependent on field data and history matching, whereas the stages of work in performing reservoir simulation includes the preparation of data, matching (alignment) and prediction
Phase preparation of data includes everything the preparation of the required data during the simulation process takes place, while the data - the data required can be grouped data is fluid, rock data, production data, the data mechanical, economic data and other data, for phase matching is divided into in place matching and history matching, where in place matching an alignment on the reserve initials (initial) hidrocarbon computed model of the calculation of volumetric, as for history matching the alignment of cumulative production GOR and WOR (GOR: Gas Oil Ratio, WOR: Water Oil Ratio) as well as the alignment of pressure as a function of time calculated the model to the data - a data field results
In the process of reservoir simulation is divided into a grid - a grid-shaped cells, and each cell that is to be provided the data where the data - this data is affected by the heterogeneity of the reservoir as well as the measurement conditions, to the value of data to be included need to be evaluated in detail so that the matching process for predictions of reservoir conditions to do well
