Anda di halaman 1dari 18

MAKALAH RESUME SEISMOLOGI

Introduction of Wavelet
Dosen Pengampu: Sukir Maryanto, Ph. D.

Disusun Oleh:
Rendi Pradila Hab Sari (115090700111016)

PRODI GEOFISIKA-JURUSAN FISIKA


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
2013

KATA PENGANTAR

Assalamualaikum Warrahmatullahi Wabarrokatuh.


Puji syukur kita panjatkan kehadirat Allah SWT yang telah memberikan rahmat serta
hidayahnya sehingga Makalah tentang Introduction of Wavelet ini dapat Penulis selesaikan
sesuai dengan jadwal yang telah ditentukan. Shalawat serta salam semoga senantiasa tercurahkan
kepada junjungan kita, Nabi Muhammad SAW, sebaik-baik hamba Allah, pemimpin orang yang
bertakwa, dan pemilik kasih sayang di antara manusia. Shalawat dan salam semoga tercurah pula
pada segenap keluarganya, para sahabatnya, dan pengikut setianya sampai akhir jaman.
Makalah ini adalah makalah yang disusun untuk memenuhi tugas mata kuliah Seismologi
oleh mahasiswa prodi Geofisika jurusan Fisika FMIPA Universitas Brawijaya dengan dosen
pengampu bapak Sukir Maryanto, Ph. D. Didalamnya membahas tentang pengenalan wavelet
dalam metode seismik yang diambil dari presentasi Barak Hurwitz berjudul sama yang
disampaikan pada seminar Wavelet bersama Dr Hagit Hal-or. Selain itu beberapa kutipan, kami
ambil pula dari beberapa jurnal dan makalah. Semoga dengan hadirnya makalah resume ini dapat
memberikan manfaat serta syafaat bagi siapapun yang membacanya. Aamiin.

Malang, 20 Desember 2013


Penulis

BAB I
PENDAHULUAN

1.1 Latar Belakang


Analisis Fourier adalah analisis gelombang yang mengekspansikan sinyal atau fungsi ke
dalam gelombang sinus (atau exponensial kompleks, yang ekivalen) yang terbukti sangat
berharga dalam metematika, sains dan teknik, terutama untuk fenomena periodik, tak gayut
waktu, atau stasioner. Seperti halnya Transformasi Fourier, Transformasi Wavelet digunakan juga
untuk menganalisis sinyal ataupun data. Transformasi Wavelet (TW) adalah suatu alat untuk
memilah-milah data, fungsi atau operator ke dalam komponen frekuensi yang berbeda-beda,
kemudian mempelajari setiap komponen dengan suatu resolusi yang cocok dengan skalanya.
Dalam beberapa dekade terakhir, perkembangan transformasi wavelet banyak digunakan
untuk aplikasi nyata karena mampu menggambarkan proses nonstasioner secara lebih baik. Jika
dibandingkan dengan transformasi fourier, penggunaan wavelet jauh lebih sederhana, karena
wavelet mampu menganalisis data stasioner maupun nonstasioner. Tranformasi wavelet
merupakan perbaikan dari transformasi Fourier. Transformasi Fourier hanya dapat menangkap
informasi apakah suatu sinyal memiliki frekuensi tertentu ataukah tidak, tapi tidak dapat
menangkap dimana frekuensi itu terjadi. Sebagai ilustrasi seperti pada konser musik. Trasformasi
2 Fourier hanya bisa mengatakan apakah suatu nada tertentu muncul, tapi tidak dapat
mengatakan kapan nada itu muncul dan berapa kali.
Dalam analisis data yang nonstasioner, transformasi fourier kehilangan lokalisasi pada
domain waktu. Analisis dari sinyal seperti itu mungkin dilakukan dengan penggeseran data.
Kekurangan dari pendekatan itu adalah kompleksitas komputasi pada algoritma dekomposisi
(Zaharov dan Fausto, 2002). Jika Transformasi Fourier hanya memberikan informasi tentang
frekuensi suatu sinyal, maka transformasi wavelet memberikan informasi tentang kombinasi
skala dan frekuensi. Selain itu, Transformasi Fourier berdasarkan pada basis sin-cos yang
bersifat periodik dan kontinu, sehingga sulit bagi kita jika ingin melakukan perubahan hanya
pada posisi tertentu (pasti akan mempengaruhi posisi-posisi lainnya)
Keuntungan menggunakan metode wavelet adalah secara otomatis memisahkan tren dari
data dan menunjukkan komponen musiman datanya. Hal tersebut yang membedakannya dengan

metode transformasi fourier yang tidak bisa menganalisis frekuensi dan waktu secara bersamaan.
Dalam makalah ini akan dibahas mengenai pengertian wavelet secara umum, kemudian juga
akan diperkenalkan transformasi wavelet, dekomposisi wavelet serta cara menganalisisnya untuk
wavelet 1D. sementara untuk 2D akan diperkenalkan piramida wavelet.

1.2 Rumusan Masalah


Dari makalah ini, rumusan masalah yang akan dibahas antara lain:
a) Apa yang dimaksud dengan wavelet?
b) Apa yang dimaksud dengan transformasi wavelet? Kenapa kita harus menggunakan
transformasi wavelet?
c) Apa komponen dasar dari wavelet?
d) Apa contoh dari wavelet?
e) Apa keuntungan menggunakan transformasi wavelet?
1.3 Tujuan
Tujuan dibuatnya makalah ini adalah untuk mengenalkan pembaca pada wavelet,
bagaimana transformasi, analisis dan dekomposisinya, keuntungannya dan contoh aplikasinya.
1.4 Manfaat
Setelah membaca makalah ini diharapkan pembaca dapat mengetahui tentang pengertian
wavelet, transformasi, analisis dan dekomposisinya, keuntungannya dan contoh aplikasinya.

BAB II
PEMBAHASAN

2.1 Transformasi Fourier


Bagaimana transformasi Fourier bekerja? Transformasi Fourier mendekomposisi sinyal
ke bentuk fungsi eksponensial dari frekuensi yang berbeda-beda. Caranya adalah dengan
didefinisikan ke dalam dua persamaan berikut:

Dalam persamaan tersebut, t adalah waktu dan f adalah frekuensi. x merupakan notasi
sinyal dalam ruang waktu dan X adalah notasi untuk sinyal dalam domain frekuensi.
Persamaan (1) disebut Transformasi Fourier dari x(t) sedangkan persamaan (2) disebut Invers
Transformasi Fourier dari X(f), yakni x(t). Persamaan (1) dapat juga ditulis sebagai :
Cos(2_ft)+jSin(2_ft).........................................(3)
Transformasi Fourier dapat menangkap informasi apakah suatu sinyal memiliki
frekuensi tertentu ataukah tidak, tapi tidak dapat menangkap dimana frekuensi itu terjadi.

Gambar 0. Noise yang muncul pada spektrum Fourier


Misalnya kita punya dua sinyal yang berbeda. Misalkan pula keduanya mempunyai
komponen spektral yang sama. Katakan sinyal pertama mempunyai 4 frekuensi muncul
bersamaan, dan yang satu lagi mempunyai 4 frekuensi muncul bergantian. Transformasi

Fourier keduanya sama sebagaimana ditunjukkan pada gambar 1 dan gambar 2. Contoh: 4
frekuensi pada sinyal muncul Transformasi Fouriernya bersamaan.

Dari sini dapat dilihat bahwa Transformasi fourier tidak sesuai bila digunakan terhadap sinyal
yang non stasioner. (Krisnawati, tanpa tahun)
2.2 Wavelet
Istilah wavelet pertama kali digunakan tahun 1909 yang tertulis dalam thesis milik
Alfred Haar. Bentuk teoritis wavelet dikemukakan oleh Jean Morlet (dkk) di Marseille
Theoretical Physics Center.
Wavelet merupakan fungsi basis yang diisolasi dengan mengacu pada lokasi spasial
atau waktu, dan frekuensi atau angka gelombang. Setiap wavelet memiliki karakteristik
lokasi dan skala (Arobone, tanpa tahun). Basis wavelet berasal dari sebuah fungsi penskalaan
atau dikatakan juga sebuah scaling function. Scaling function memiliki sifat yaitu dapat

disusun dari sejumlah salinan dirinya yang telah didilasikan, ditranslasikan dan diskalakan.
Menurut Sydney (1998), Wavelet merupakan gelombang mini (small wave) yang mempunyai
kemampuan mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil
koefisien, sedangkan kelompok koefisien lainnya hanya mengan-dung sedikit energi yang
dapat dihilangkan tanpa mengurangi nilai informasinya. (dari Sutarno, 2010)
Wavelet dibagi menjadi 2 berdasarkan ruang dan waktu yaitu wavelet 1D (Waktu) dan
2D (Ruang). Pengertian waktu di sini adalah untuk gelombang 1D, kita memulai point
shifting dari sumber menuju akhir, sedangkan pengertian ruang di dalam wavelet 2D, point
shifting-nya 2 dimensi.
A) Wavelet Families
Wavelet merupakan keluarga fungsi yang dihasilkan oleh wavelet basis y(x)
disebut mother wavelet. Dua operasi utama yang mendasari wavelet adalah:
1) penggeseran, misalnya y(x-1), y(x-2), y(x-b), dan
2) penyekalaan, misalnya y(2x), y(4x) dan y(2jx).
Kombinasi kedua operasi inilah menghasilkan keluarga wavelet. Secara umum, keluarga
wavelet sering dinyatakan dengan formula:

dengan:
a,b R; a _ 0 (R = bilangan nyata),
a adalah paremeter penyekalaan (dilatasi),
b adalah perameter penggeseran posisi (translasi) pada sumbu x, dan a adalah normalisasi
energi yang sama dengan energy induk. Wavelet induk diskalakan dan digeser melalui
pemisahan menurut frekuensi menjadi sejumlah sub-sub bagian. Untuk mendapatkan
sinyal kembali dilakukan proses rekonstruksi wavelet. Beberapa contoh keluarga wavelet
adalah Haar, Daubechies, Symlets, Coiflets, dan lain sebagainya (Lihat gb. 3). (sutarno,
2010)

Gambar 3 Contoh keluarga wavelet


Ciri-ciri Wavelet Haar memiliki scaling function dengan koefisien c0 = c1 = 1.
Sedangkan Wavelet Daubechies dengan 4 koefisien (DB4) memiliki scaling function
dengan koefisien c0 = (1+3)/4, c1 = (3+3)/4, c2 = (3-3)/4, c3 = (1-3)/4.
Bagian dari keluarga wavelet ini adalah Mother wavelet, Father wavelet dan
Daughter wavelet. Father wavelet merupakan sebuah fungsi skala, mother wavelet
merupakan fungsi dari wavelet itu sendiri sedangkan daughter wavelet merupakan
turunan dari mother wavelet. Secara umum father wavelet dinyatakan sebagai:

Dari persamaan father wavelet tersebut, wavelet yang pertama (mother wavelet)
dapat dibentuk sebagai persamaan:

Dari persamaan di atas, dapat dibentuk wavelet berikutnya,

dan

seterusnya) dengan cara memampatkan dan meregangkan serta menggeser-geser mother


wavelet.
B) Wavelet Transform
Transformasi merupakan proses pengubahan data atau sinyal ke dalam bentuk lain
agar lebih mudah dianalisis, seperti transformasi fourier yang mengubah sinyal ke dalam
beberapa gelombang sinus atau cosinus dengan frekuensi yang berbeda, sedangkan
transformasi wavelet (wavelet transform) mengubah sinyal ke dalam berbagai bentuk

wavelet basis (mother wavelet) dengan berbagai pergeseran dan penyekalaan (Kadir,
1998 dari Sutarno, 2010).
Transformasi wavelet merupakan pengubahan sinyal ke dalam berbagai wavelet
basis dengan berbagai pergeseran dan penyekalaan, oleh karena itu koefisien wavelet dari
beberapa skala atau resolusi dapat dihitung dari koefisien wavelet pada resolusi tinggi
berikutnya. Hal ini memungkinkan mengimplementasikan transformasi wavelet
menggunakan struktur pohon yang dikenal sebagai algoritma pyramid (pyramid
algorithm).
Transformasi wavelet merupakan suatu proses pengubahan data dalam bentuk lain
agar lebih mudah dianalisis. Proses transformasi wavelet dapat dilakukan dengan
konvolusi atau dengan proses pererataan dan pengurangan secara berulang. Proses ini
banyak digunakan pada proses dekomposisi, deteksi, pengenalan (recognition),
pengambilan kembali citra (image retrieval), dan lainnya yang masih dalam penelitian
(Zhang dkk., 2004 dari Sutarno, 2010).
Ada berbagai jenis transformasi wavelet, akan tetapi pada bagian ini lebih
menitikberatkan pada transformasi diantaranya Continyu Wavelet Transform dan
transformasi Discrete Wavelet Transform (DWT) 1-dimensi (1-D), dan transformasi
wavelet 2-dimensi (2-D). Transformasi wavelet 1-D membagi sinyal menjadi dua bagian,
frekuensi tinggi dan frekuensi rendah berturut-turut dengan tapis lolos-rendah (low-pass
filter) dan tapis lolostinggi (high-pass filter). Frekuensi rendah dibagi kembali menjadi
frekuensi tinggi dan rendah. Proses diulang sampai sinyal tidak dapat didekomposisi lagi
atau sampai pada level yang memungkinkan. Sinyal asli dapat dipulihkan kembali
melalui rekonstruksi dari sinyal yang telah didekomposisi dengan menerapkan Inverse
Discrete Wavelet Transform (IDWT). (sutarno, 2010)
a) CWT (Continu Wavelet Transform)
Cara kerja transformasi ini adalah dengan menghitung konvolusi sebuah sinyal
dengan sebuah jendela modulasi pada setiap waktu dengan tiap skala yang
diinginkan. Jendela modulasi yang mempunyai skala fleksibel inilah yang biasa
disebut induk wavelet atau fungsi dasar wavelet. (Reza, 2013)
Untuk langkah-langkah transformasinya dapat diperlihatkan pada gambar (4) di
bawah ini.

Gambar 4 langkah-langkah transformasi wavelet kontinyu (CWT)


Pada CWT, skala dan frekuensi yang lebih tinggi berkorespondensi dengan
wavelet yang paling renggang. Wavelet yang lebih renggang merupakan sinyal
kasaran utama yang diukur oleh koefisien wavelet (Gambar 5). (Hurwitz, tanpa
tahun)

Gambar 5. Hubungan tinggi rendahnya skala dengan frekuensi


Pada gambar 5 diatas, diketahui bahwa: untuk skala rendah, sinyal wavelet
mengalami pemampatan dan dia berkorespondensi dengan frekuensi yang tinggi,
sedangkan untuk skala tinggi, perubahannya kasar dan lambat sebagai bukti dia
berkorespondensi dengan frekuensi yang rendah.
b) DWT (Discrete Wavelet Transform)
Discrete Wavelet Transform (DWT) adalah salah satu transformasi wavelet yang
merepresentasikan sinyal dalam domain waktu dan frekuensi. DWT memiliki
keunggulan di antaranya mudah diimplementasikan dan efisien dalam hal waktu
komputasi. Analisis sinyal dengan DWT dilakukan pada frekuensi yang berbeda
dengan resolusi yang berbeda pula dengan mendekomposisi sinyal menjadi

komponen detail dan komponen aproksimasi. Pada transformasi ini terjadi filterisasi
dan down sampling, yaitu pengurangan koefesien pada fungsi genap (Gambar 6).

(a)
(b)
Gambar 6 (a) Komponen aproksimasi (Skala tinggi, komponen sinyal ber-frekuensi
rendah (LPF)), komponen Detail (Skala rendah, frekuensi tinggi (HPF). (b) Proses
filterisasi dan down sampling.
Dibandingkan dengan CWT, transformasi DWT dianggap relatif lebih mudah
pengimplementasiannya.

Prinsip

dasar

dari

DWT

adalah

bagaimana

cara

mendapatkan representasi waktu dan skala dari sebuah sinyal menggunakan tekhnik
pemfilteran digital dan operasi sub-sampling (Reza, 2013). DWT biasanya digunakan
untuk menghitung koefisien wavelet di segala skala yang memungkinkan. DWT ini
juga menghasilkan jumlah data yang sangat besar. Untuk menaksirkan sinyal hasil
transformasi ini dibentuk filter Low Pass dan High Pass. Keluaran dari High-pass dan
Low-pass ini bisa dilihat pada bentuk persamaan di bawah ini:

Prosesnya adalah sebagai berikut: Pada tahap pertama, sinyal (S) dilewatkan pada
rangkaian high pass filter dan low pass filter, kemudian setengah dari masing-masing
keluaran diambil sebagai sampel melalui operasi sub-sampling. Proses ini disebut
sebagai proses dekomposisi satu tingkat. Keluaran dari low pass filter digunakan
sebagai masukan diproses dekomposisi tingkat berikutnya. Proses ini diulang sampai
tingkat proses dekomposisi yang diinginkan. Gabungan dari keluaran-keluaran high
pass filter dan low pass yang terakhir, disebut sebagai koefisien wavelet, yang berisi
informasi sinyal hasil transformasi yang telah terkompresi (Gambar 7).

Gambar 7. Proses Multi-level decomposition


Pada transformasi DWT terdapat proses pengembalian kembali komponenkomponen yang telah kita gunakan. Invers Discrete Wavelet Transform (IDWT)
merupakan kebalikan dari transformasi wavelet diskrit (DWT). Pada transformasi ini
dilakukan proses rekonstruksi sinyal, yaitu mengembalikan komponen frekuensi
menjadi komponen sinyal semula. Transformasi dilakukan dengan proses up
sampling dan pemfilteran dengan koefisien filter invers. Sehingga dalam satu sistem
transformasi wavelet menggunakan empat macam filter, yaitu low pass filter dan high
pass filter dekomposisi, dan low pass filter dan high pass filter rekonstruksi.

Gambar 8 Proses rekonstruksi pada transformasi DWT (IDWT: Invers Discrete Wavelet
Transform)

Gambar 9 (a) proses DWT dan (b) proses invers dari DWT menggunakan data wavelet
db2.
C) Wavelet Analysis
Analisis wavelet merupakan sebuah tekhnik penjendelaan variable (variable
windowing technique) dan mengijinkan penggunaan interval waktu yang panjang dimana
kita menginginkan informasi frekuensi rendah yang lebih tepat, dan daerah/ wilayah yang
lebih pendek dimana kita menginginkan komponen-komponen frekuensi yang lebih
tinggi (Reza, 2013)
Analisis wavelet mampu menunjukkan informasi sinyal yang tidak dimiliki oleh
analisis sinyal yang lain, seperti kecenderungan, titik yang putus, dan kemiripan. Karena
kemampuannya melihat data dari berbagai sisi, wavelet mampu menyederhanakan dan
mengurangi noise tanpa memperlihatkan penurunan mutu. Di bawah ini terdapat gambar
10 dimana ketika interval waktu gelombangnya panjang maka frekuensinya
gelombangnya pasti rendah, sedangkan jika waktu gelombangnya lebih pendek, maka
frekuensinya tinggi.

Gambar 10 analisis wavelet berdasarkan waktu panjang gelombang dengan


frekuensi

Keuntungan utama dari analisis wavelet ini adalah untuk menganalisis area lokal
pada sinyal yang lebih besar. Contohnya menganalisis area local seperti pada gambar di
bawah ini:

Gambar 11 Keuntungan dari analisis wavelet adalah untuk menganalisis area local
di sinyal yang lebih besar (gambar lingkaran)

Gambar 12 Perbedaan antara koefisien Fourier dan koefisien wavelet, pada


koefisien Fourier tidak bisa mendeteksi sinyal lokal akibat efek diskontinyu sinyal (kiri),
sedangkan pada wavelet bisa terdeteksi (kanan).

D) Wavelet 2D
Transformasi wavelet 2-dimensi (2-D) merupakan generalisasi transformasi
wavelet satu-dimensi. Persamaan umum untuk transformasi wavelet 2D ditunjukkan pada
rumus berikut:

a , bx , by x , y

1
a

x bx
a

y by
a

DWT untuk 2D pada citra x(m,n) dapat digambarkan sama dengan implementasi
DWT 1-D, untuk setiap dimensi m dan n secara terpisah dan membagi citra ke dalam subsub bidang frekuensi, sehingga menghasilkan struktur piramid. Jenis-jenis piramida yang
sering digunakan adalah :
-

Gaussian,
Laplacian
Wavelet

Pada gambar 13 diperlihatkan gambar piramida dan comparisonnya.

Gambar 13 Jenis-jenis piramida 2D

E) Contoh Wavelet 1D dan 2D

Gambar 14 Wavelet 1D

Gambar 15 Wavelet 2D

BAB III
DAFTAR PUSTAKA

Arobone, Eric. Tanpa tahun. PPT: Introduction of Wavelet. Tanpa tempat: Tanpa penerbit
Hurwitz, Barak. Tanpa tahun. Introduction of Wavelet. Disampaikan pada presentasi wavelet
bersama Dr Hagit Hal-or
Krisnawati. Tanpa tahun. TRANSFORMASI FOURIER DAN TRANSFORMASI WAVELET PADA
CITRA. Tanpa tempat: tanpa penerbit
Reza, Candra. 2013. Teknik Potensi Diferensial pada Transformator Daya Tiga Fasa dengan
Menggunakan Transformasi Wavelet. Universitas Pendidikan Indonesia
Sutarno. 2010. Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah.
JURNAL GENERIC. Vol.5 No.2