ABSTRAKSI: Dalam pengolahan sinyal digital, suatu proses pencuplikan dimana sinyal analog diubah menjadi sinyal digital (diskrit) mempunyai peranan yang sangat penting. Dimana berdasarkan teorema pencuplikan Shannon terdapat aturan minimal laju pencuplikan agar sinyal dapat direkonstruksi kembali sesuai asalnya, yaitu sebesar dua kali lebar pita dari sinyal tersebut dan kemudian dilakukan kompresi data untuk keperluan pengiriman atau penyimpanan.
Dalam tahapan kompresi data, sebelumnya diambil sejumlah N-cuplikan dari data digital dengan data yang besar yang didapatkan saat proses penginderaan, kemudian N-cuplikan tersebut dibuang. Untuk menghindari ketidakefisienan tersebut digunakan suatu teknik penginderaanTugas Akhir ini menggunakan Discrete Wavelet Transform dengan tipe Daubechies Wavelet sebagai transformasi penjarang (sparsity), dimana objek mengalami pengukuran. Pengukuran tersebut dilakukan menggunakan transformasi proyeksi berdasarkan distribusi Gaussian. Kemudian berdasarkan hasil pengukuran, video grayscale direkonstruksi dengan menggunakan basis pursuit. kompresif (compressive sensing).
Dari hasil pengujian diketahui bahwa transformasi wavelet dapat digunakan sebagai transformasi sparsity untuk membuat komponen citra (frame) bersifat sparse. Jenis transformasi wavelet yang efektif digunakan untuk compressive sensing untuk masing-masing video adalah transformasi dB1 level 2 dengan nilai PSNR ≥ 25 dB. Untuk rata-rata waktu komputasi yang dibutuhkan saat rate 20% antara 769-2072 detik, sedangkan waktu komputasi untuk rate 40%, 60% dan 80% berturut-turut dibutuhkan 3-5 kali, 6-9 kali dan 10-13 kali dari waktu komputasi saat rate 20%.Kata Kunci : compressive sensing, discrete wavelet transform, daubechies wavelet, sparsity, basis pursuit.ABSTRACT: In digital signal processing, a sampling process where the analog signal is converted into digital signal (discrete) has a very important role. Where based on Shannon's sampling theorem there is a rule minimal sampling rate for the signal can be reconstructed according to its origin, that is equal to two times the bandwidth of the signal and then do data compression for transmission or storage.
In the data compression stage, previously taken a number of N samples of digital data with large amounts of data obtained during the process of sensing, then the N-samples are discarded. To avoid these inefficiencies used a technique of compressive sensing.
This final project using the Discrete Wavelet Transform with Daubechies Wavelet as a sparsity transform, where the object of experience measurement.The measurement is done using the projection transformation based on Gaussian distribution. Then based on the measurement results, grayscale videos reconstructed by using the basis pursuit.
From the research result is known that wavelet transforms can be used as a sparsity transform to make the component images (frames) are sparse. Effective type of wavelet transform is used for compressive sensing for each video is a transformation dB1 level 2 with PSNR ≥ 25 dB. For the average computation time required when the rate of 20% between 769-2072 seconds, while the computation time for the rate of 40%, 60% and 80% respectively required 3-5 times, 6-9 times and 10-13 times the computing time when rate of 20%.Keyword: compressive sensing, discrete wavelet transform, daubechies wavelet, sparsity, basis pursuit.