Sparse Representation (SR), beberapa tahun terakhir, merupakan salah satu topik hangat dalam komunitas peneliti/perekayasa bidang pengolahan sinyal. Berbagai makalah baik itu mengenai pengembangan teoritis metode SR maupun aplikasinya dapat ditemukan di berbagai sumber seperti IEEE-Explore, Scincedirect, Elesevier dan sebagainya.
Apa itu SR? SR merupakan sebuah metode dekomposisi sinyal yang mendefisikan sebuah sinyal baik domain waktu maupaun frekuensi menjadi jumlahan beberapa sinyal basis (atom) terbebani. Seara matematis,sparse representation pada sinyal domain waktu x(t) dapat didefinisikan sebagai berikut,
Dalam penyelesaian permasalahan SR ini (NP-Hard problem), dikenal beberapa pendekatan solusi yang bisa digunakan yaitu l0, l1, l2 dan lp. Dan dalam penyelesaiannya ini ada beberapa teknik populer yang biasa digunakan seperti K-SVD, Matching Pursuit (MP), Basis Matching Pursuit, Orthognal Matching Pursuit (OMP) dsb.
Hingga artikel ini ditulis, banyak sekali aplikasi pemanfaatan konsep SR dari sintesis sinyal, denoising, kompresi sinyal, klasifikasi sinyal dan sebagianya. Khusus untuk artikel ini kita akan membahas tentang klasifikasi sinyal menggunakan SR. Aplikasi SR untuk klasifikasi sinyal ini dapat ditemui di berbagai makalah penelitian dan salah satunya adalah makalah dari W.Shao et al dengan judul Sparse Representation of GPR Traces With Application to Signal Classification. Makalah ini mengklasifikasi kondisi bantalan jalur kereta dengan sinyal pantulan radar penetrasi tanah menggunakan konsep SR berbasis fungsi gelombang Gabor dengan solusi l0. Kondisi yang diklasifikasi ada 3 yaitu kondisi clean, 50% clay fouling dan 50% coal fouling. Pada makalah ini, ditampilkan hasil dekomposisi sinyal dan performansi klasifikasinya yang cukup prospektif untuk diterapkan pada aplikasi nyata. Berikut adalah gambar hasil dekomposisi dan akurasi klasifikasinya dalam bentuk Normalized Root Mean Square (NRMSE),
Selain itu, makalah dari Xue Mei dan Haibing berjudul Robust Visual Tracking and Vehicle Classification via Sparse Representation pun cukup menarik digunakan sebagai referensi aplikasi SR. Pada makalah ini dibahas aplikasi SR sebagai penjejak dan pengklasifikasi kendaraan. (Untuk lebih detail, pembaca dapat langsung mengacu pada referensi di akhir artikel)
Mendefinisikan Sebuah Kesatuan
Seperti yang dijeaskan sebelumnya tentang klasifikasi sinyal, SR mengklasifikasi sinyal dengan menggunakan parameter sinyal atom dan pembebanannya sebagai ciri/karakter yang mebedakan kondisi/sifat sinyal satu dengan yang lainnya. Secara sederhana, SR menggunakan karakteristik komponen penyusunnya untuk mendefinisikan sebuah sinyal utuh untuk selanjutnya diberi identitas sebagai pembeda dengan sinyal utuh yang lain. SR tidak memecah sebuah sinyal utuh untuk diambil per-bagian namun SR hanya mengkarakteristik sebuah sinyal utuh berdasarkan parameter seluruh komponennya.
Sama halnya dengan sebuah negara, secara analogi, apabila kita mendekomposisi sebuah negara baik itu berdasarkan parameter jumlah penduduk, agama yang dipeluk, ras yang mendiami wilayah negara, partai, golongan-golongan yang ada, dan sebagainya maka kita dapat membedakan suatu negara dengan yang lainnya. Konsep ini juga berlaku untuk negara kita, Indonesia. Jika kita mendekomposisi Indonesia dari berbagai parameter dalam suatu negara, maka kita akan menemukan identitas dan jatidiri bangsa Indonesia sendiri dari karakter semua komponen penyusunnya. Kita tak akan mungkin menemukan karakter hasil dekomposisi tersebut di negara lain bahkan di negara serumpun seperti Malaysia-pun.
Sumber: Wikipedia
Semua perbedaan baik itu suku, ras, agama, antar golongan termasuk partai atau yang lain selayaknya menjadi sebuah identitas dan bukan menjadi pemicu gejolak dalam sebuah negara. Sebuah kesatuan yang kokoh tidaklah harus homogen seutuhnya. Namun dalam sebuah kesatuan adakalanya ada perbedaan dan selayaknya perbedaan tersebut menjadi komponen pendukung sebuah identitas atau bahkan menjadi kekuatan dari kesatuan tersebut.
So, di hari yang baik ini, kami tim Retorika mengucapkan Dirgahayu Republik Indonesia ke 72! Mari bersatu untuk menjadikan Indonesia menjadi lebih baik! <Keilmiahan-PPIJK>
Referensi:
[1] Zhang, Zheng, et al. “A survey of sparse representation: algorithms and applications.” IEEE access 3 (2015): 490-530.
[2] Aharon, Michal, Michael Elad, and Alfred Bruckstein. “K-SVD: An algorithm for designing overcomplete dictionaries for sparse representation.” IEEE Transactions on signal processing 54.11 (2006): 4311-4322.
[3] Shao, Wenbin, Abdesselam Bouzerdoum, and Son Lam Phung. “Sparse representation of GPR traces with application to signal classification.” IEEE transactions on geoscience and remote sensing 51.7 (2013): 3922-3930.
[4] Mei, Xue, and Haibin Ling. “Robust visual tracking and vehicle classification via sparse representation.” IEEE transactions on pattern analysis and machine intelligence 33.11 (2011): 2259-2272.
[5] Agama di Indonesia [https://id.wikipedia.org/wiki/ Agama_di_Indonesia]
Retorika Edisi Sebelumnya:
Retorika – 1 Material Fantastis (Link Online | Link PDF)
Retorika – 2 Tahun 2017, Ingin Kembali ke Masa Lalu? (Link Online | Link PDF)
Retorika – 3 Balada Stem Cell (Link Online | Link PDF)
Retorika – 4 Metamaterial, Metasurface dan Harry Potter Cloak Bag. 1 (Link Online | Link PDF)
Retorika – 5 Metamaterial, Metasurface dan Harry Potter Cloak Bag. 2 (Link Online | Link PDF)
Retorika – 6 Metamaterial, Metasurface dan Harry Potter Cloak Bag. 3, Habis (Link Online | Link PDF)
0 Comments