KERNEL WAVELET

Oleh :
Fitriani Agustina
Jurusan Pendidikan Matematika FPMIPA UPI-Bandung


ABSTRAK

Kernel wavelet adalah suatu fungsi yang didefinisikan oleh Mayer (1990) sebagai

e
=
Z k
k j k j j
v u v u E ) ( ) ( ) , (
, ,
| | dengan ) 2 ( 2 ) ( , ) 2 ( 2 ) (
2
1
2
1
, ,
k v v k u u
j
k j
j
k j
= = | | | | adalah
fungsi-fungsi yang diperoleh dengan cara melakukan dilasi 2
j
dan translasi k/2
j
terhadap sebuah
fungsi tunggal | yang disebut fungsi skala (father wavelet). Kernel wavelet dapat juga dinyatakan
dalam bentuk

e
=
Z k
j j j
j
k v k u v u E ) 2 ( ) 2 ( 2 ) , ( | | .
Seperti halnya fungsi-fungsi kernel, kernel wavelet juga dapat digunakan untuk estimasi statistik
nonparametrik, misalnya estimasi fungsi densitas, estimasi fungsi regresi, estimasi fungsi hazard.

Kata kunci : kernel wavelet


1. Pendahuluan
Dalam makalah ini akan diperkenalkan suatu fungsi yang didefinisikan oleh Mayer (1990) yang
dikenal dengan sebutan kernel wavelet. Untuk lebih memahami tentang pengertian kernel wavelet beserta
sifat-sifatnya, penulis mencoba menguraikan terlebih dahulu secara singkat tentang beberapa pengertian
dan teori-teori yang ada kaitannya dengan kernel wavelet, seperti : pengetian dan macam-macam fungsi
kernel; kernel smoothing; teori wavelet yang meliputi : wavelet ortogonal, analisis multiresolusi (AMR);
dan diakhiri dengan memperlihatkan beberapa hasil simulasi komputer untuk fungsi-fungsi kernel.
Seperti halnya fungsi-fungsi kernel, kernel wavelet juga dapat digunakan dalam estimasi fungsi
statistika nonparametrik, misalnya untuk estimasi fungsi densitas (lihat Ogden (1997)); estimasi fungsi
regresi (lihat Antoniadis (1997)); dan estimasi fungsi hazard dalam analisis data uji hidup (lihat
Martadiputra (1999)).

2. Fungsi-Fungsi Kernel
Definisi 2.1
Fungsi kernel K : R R adalah fungsi yang simetik terhadap titik pusat O dan mempunyai sifat :

}

=1 dx ) x ( K ... (2.1)

Dari definisi di atas, jika K adalah fungsi nonnegatif maka K dapat juga diartikan sebagai suatu
fungsi padat peluang (fungsi densitas).
Fungsi-fungsi kernel K(.) mempunyai support hingga, yaitu [-1,1] dan memenuhi syarat-syarat
berikut :
(1)
}

1
1
K(u) du = 1, (2)
}

1
1
uK(u) du = 0, (3)
}

1
1
u
2
K(u)du = o = 0, (4)
}

1
1
K
2
(u)

du <
(dalam Eubank (1988) , h.111) ... (2.2)
Berikut adalah beberapa macam fungsi kernel yang telah dikenal dan sering digunakan estimasi
statistika nonparametrik.

Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

2
2
1. Uniform : K(u) = (1/2) I(|u|s 1)
2. Triangle : K(u) = (1 - |u|) I(|u| s 1)
3. Epanechnikov : K(u) = (3/4)(1 - u
2
) I(|u| s 1)
4. Quartic : K(u) = (15/16) (1 - u
2
)
2
I(|u| s 1) ... (2.3)
5. Triweigh : K(u) = (35/32) (1 - u
2
)
3
I(|u| s 1)
6. Gaussian : K(u) = (1/\2t) exp(-(1/2) u
2
)
7. Cosinus : K(u) = (t/4) cos (tu/2) I(|u| s 1)
(dalam Hardle(1991), h.45)

Hasil simulasi fungsi kernel dengan menggunakan program SPSS dapat dilihat pada gambar
berikut.
Case Number
21 19 17 15 13 11 9 7 5 3 1
V
a
l
u
e

K
e
r
n
e
l

U
n
i
f
o
r
m
.6
.4
.2
-.0
-.2
-.4
-.6
Case Number
21 19 17 15 13 11 9 7 5 3 1
V
a
l
u
e

K
e
r
n
e
l

T
r
a
n
g
l
e
1.2
1.0
.8
.6
.4
.2
0.0


Case Number
21 19 17 15 13 11 9 7 5 3 1
V
a
l
u
e

K
e
r
n
e
l

E
p
a
n
e
c
h
n
i
k
o
v
.8
.6
.4
.2
0.0
Case Number
21 19 17 15 13 11 9 7 5 3 1
V
a
l
u
e

K
e
r
n
e
l

Q
u
a
r
t
i
c
1.0
.8
.6
.4
.2
0.0



Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

3
3
Case Number
21 19 17 15 13 11 9 7 5 3 1
V
a
l
u
e

K
e
r
n
e
l

T
r
i
w
e
i
g
h
1.2
1.0
.8
.6
.4
.2
0.0
Case Number
21 19 17 15 13 11 9 7 5 3 1
V
a
l
u
e

K
e
r
n
e
l

G
a
u
s
s
i
a
n
.6
.5
.4
.3


Dalam estimasi statistik nonparametrik menggunakan kernel K(.), biasa digunakan estimator-
estimator kernel dengan pembobotan yaitu
K
b
(x) = (1/b)K(x/b) ... (2.4)
dengan b adalah parameter smoothing yang mengatur tingkat kemulusan untuk kernel smoothers yang
disebut bandwidth b. Jika fungsi kernel K(u) mempunyai support [-1,1] maka fungsi K(u/b) mempunyai
support [-b,b].

3. Teori Wavelet
Ogden (1997) mendefinisikan sebuah wavelet sebagai suatu fungsi gelombang yang
disederhanakan dan dikonstruksi dengan hati-hati sehingga memiliki sifat-sifat matematika yang dapat
dipercaya. Ide dari pengkontruksian wavelet adalah bagaimana memilih suatu fungsi tunggal (yang
disebut wavelet) kemudian dibentuk keluarga fungsi
j,k
` yang diperoleh dengan cara mendelasi dan
mentranslasi sehingga akan diperoleh basis di L
2
(R). Dengan kata lain
j,k
` membangun L
2
(R) dan
setiap feL
2
(R) dapat dinyatakan sebagai kombinasi linear dari
j,k
.
Misalkan adalah fungsi tunggal yang dipilih. Melalui delasi 2
j
dan translasi k/2
j
terhadap (x)
diperoleh keluarga fungsi (2
j
x - k) : j,keZ`. Selanjutnya dengan normalisasi 2
j/2
pada (2
j
x - k) akan
diperoleh (2
j
x - k) akan diperoleh

1 ) k x 2 ( 2
2
j
2
k , j
2
j
= =
... (3.1)
Definisi 3.1
Suatu fungsi e L
2
(R) disebut wavelet ortogonal jika keluarga fungsi
j,k
` yang didefinisikan
sebagai
j,k
(x) = 2
j/2
(2
j
x-k) merupakan basis ortonormal untuk L
2
(R) yaitu :
(a) <
j,k
(x),
m,n
(x)> = o
j,m
o
k,n

1, jika j = k
dengan o
j,k
= j,k,m,neZ (disebut simbol Kronecker) dan
0, jika j = k
(b) setiap feL
2
(R) dapat ditulis dalam bentuk deret wavelet
f(x) =

= k , j
c
j,k

j,k
(x) ... (3.2)
dengan c
j,k
= <f,
j,k
> adalah koefisien wavelet.
Jika suatu wavelet eL
2
(R) telah dikontruksi, maka disarankan untuk mempelajari struktur dari
suatu dekomposisi L
2
(R) yang membangunnya (dalam Chui (1992), h.120).
Definisi 3.2
Keluarga ruang bagian tertutup V
j
:jeZ` dari L
2
(R) yang memenuhi sifat :
(1) Inklusi : V
j
c V
j+1
untuk setiap jeZ.
(2) Maksimalitas :
{ }

N n
j
0 V
e
=


Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

4
4
(3) Densiti : Closure
) R ( L V
2
N n
j
=
)
`

(4) Skala : f(x) e V
j
jika dan hanya jika f(2x) e V
j+1

(5) Basis : terdapat | e V
0
sedemikian sehingga |(. - k) : k e Z` merupakan basis ortonormal
untuk V
0

disebut Analisis Multiresolusi (AMR) pada L
2
(R)
| disebut fungsi skala pada AMR.
Akibat 2.1
Misalkan V
j
: jeZ` adalah AMR pada L
2
(R) dan | e V
0
adalah fungsi skala yang bersesuaian pada
AMR tersebut. Jika didefinisikan |
j,k
(x) = 2
j/2
|(2
j
x-k), j,keZ maka untuk setiap jeZ, |
j,k
; keZ`
merupakan basis ortonormal untuk V
j
.

Contoh 3.1
Misalkan V
j
= feL
2
(R) |f konstan pada interval [k/2
-j
, (k+1)/2
-j
), keZ`, maka
V
j
`
jeZ
adalah subruang dari L
2
(R) yang memenuhi kelima aksioma analisis multiresolusi. Dalam wavelet
Haar untuk memenuhi aksioma basis, digunakan fungsi skala (father wavelet) Haar |(x) = I
[0,1)
(x).
Selanjutnya dengan menggunakan aksioma skala dan aksioma basis dapat ditunjukkan bahwa
2
j/2
|(2
j
x-k)`
keZ
basis ortonormal untuk V
j
. Tetapi totalitas dari semua basis ortonormal itu memuat suatu
himpunan 2
j/2
|(2
j
x-k)`
j,keZ
yang bukan basis ortonormal untuk L
2
(R) sebab ruang-ruang V
j
tidak saling
mutually ortogonal. Untuk memperbaiki kesulitan ini, diperlukan subruang yang disebut subruang wavelet
dan dinotasikan dengan W
j
.
Misalkan V
j
: jeZ` adalah suatu AMR pada L
2
(R) dan W
0
adalah komplemen ortogonal dari V
0

di dalam V
1
, dengan kata lain W
0
memenuhi persamaan
V
1
= V
0
W
0
... (3.3)
dengan adalah jumlah dari subruang yang saling ortogonal.
Jika untuk setiap jeZ didefinisikan W
j
= f(2
j
.) : keZ` sebagai komplemen ortogonal dari V
j
di dalam V
j+1

maka W
j
memenuhi persamaan
V
j+1
= V
j
W
j
... (3.4)
Karena Closure
) R ( L V
2
N n
j
=
)
`

(aksioma densiti) dan V

j+1
= V
j
W
j
maka diperoleh
L
2
(R) = V
0



=0 j
W
j
... (3.5)
Selanjutnya jika V
0
didekomposisikan dengan cara yang sama, maka peroleh
L
2
(R) =

eZ j
W
j
... (3.6)
Jadi L
2
(R) adalah jumlah ortogonal dari subspace wavelet W
j
.
Lemma 2.4.2
Misalkan e W
0
sedemikian sehingga (. - k) : keZ` merupakan basis ortonormal untuk W
0
. Jika

j,k
(x) = 2
j/2
(2
j
x-k) dengan j,keZ maka
j,k
: j,keZ` merupakan basis ortonormal untuk L
2
(R).

4. Kernel Wavelet E
m
(. , .)
Misalkan heL
2
(R) dan V
j
adalah subruang tertutup dari L
2
(R). Proyeksi dari h pada V
j
dapat
dituliskan sebagai
h E
j
(h)(u) =

eZ k
c
j,k
|
j,k
(u) ... (4.1)
dengan c
j,k
= <h, |
j,k
> =
}
R
h(v) |
j,k
(v) dv.
Misalkan kita perkenalkan proyektor yang berhubungan dengan integral kernel, yaitu
h E
j
(h)(u) =
}
R
E
j
(u ,v)h(v) dv ... (4.2)
yang juga menyatakan proyeksi dari h pada V
j
.

Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

5
5
Dari (3.1) dan (3.2) diperoleh hubungan

}
R
E
j
(u,v)h(v) dv =

eZ k
c
j,k
|
j,k
(u)
=

eZ k
}
R
h(v)|
j,k
(v) dv |
j,k
(u)
=
}
R

eZ k
|
j,k
(u)|
j,k
(v)h(v) dv ... (4.3)
Dari (4.3) diperoleh
E
j
(u,v) =

eZ k
|
j,k
(u) |
j,k
(v) ... (4.4)
yaitu sebuah fungsi yang didefinisikan oleh Mayer (1990) sebagai kernel wavelet.
Karena |
j,k
(u) = 2
j/2
|(2
j
u - k) dan |
j,k
(v) = 2
j/2
|(2
j
v - k) maka kernel wavelet (4.4) dapat juga dinyatakan
dalam bentuk
E
j
(u,v) = 2
j

eZ k
|(2
j
u - k)|(2
j
v - k) ... (4.5)
4.1 Sifat-Sifat Kernel Wavelet E
j
(. , .)

Sifat 1
E
j
(u,v) = 2
j
E
0
(2
j
u,2
j
v) ... (4.1.1)
Bukti :
E
j
(u , v) =

eZ k
|
j,k
(u) |
j,k
(v) =

2
j

eZ k
|(2
j
u-k)|(2
j
v-k)
=

2
j+0

eZ k
|(2
j+0
u-k)|(2
j+0
v-k) =

2
j
(2
0

eZ k
|(2
0
(2
j
u-k)) |(2
0
(2
j
v-k))
= 2
j
E
0
(2
j
u , 2
j
v)
Sifat 2
E
0
(u+k,v+k) = E
0
(u,v) untuk keZ ... (4.1.2)
Bukti :
E
0
(u+k,v+k) =

eZ k
|((u+k)-k)|((v+k)-k) =

eZ k
|((u)|((v)
=

eZ k
|(u-k)|(v-k)
= E
0
(u , v)
Sifat 3
|E
0
(u , v)| s K(u - v) ... (4.1.3)

dengan K(.) adalah fungsi integrabel, terbatas, dan positif (fungsi kernel)
Bukti : (lihat Mayer (1990), h.33)
Sifat 4

v , u
Sup |E
j
(u , v)| s O(2
j
) ... (4.1.4)
Bukti :
Akan ditunjukkan bahwa
1 v , u
lim

|(
v , u
Sup |E
j
(u , v)|)/2
j
| <
u,v1
|(
v , u
Sup | E
j
(u , v)|)/2
j
)| = |[
v , u
Sup |2
j
E
0
(2
j
u , 2
j
v)|]/2
j
|
= |[
v , u
Sup |2
j
||E
0
(2
J
u , 2
J
v)|]/2
j
|
= |
v , u
Sup |E
0
(2
j
u , 2
j
v)||

Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

6
6
s |
v , u
Sup K(2
j
u - 2
j
v)| (sifat 3)

Karena K(.) fungsi terbatas, maka
v , u
Sup K(2
j
u - 2
j
v) juga terbatas.
Sehingga diperoleh

1 v , u
lim

|(
v , u
Sup |E
j
(u , v)|)/2
j
)| < .
Dengan kata lain terbukti bahwa
v , u
Sup |E
j
(u , v)| s O(2
j
)


Sifat 5
Jika fungsi h terletak pada ruang Sobolev H
v
= H
v
(R) maka
(a) Barisan E
j
(h) =
}
R
E
j
(. , y)h(y) dy konvergen kuat ke h pada H
v
untuk |v| s q
dan
(b)
u
) h ( E h
j
= O(2
- ju
) untuk 0 < v < q
dengan
u
. adalah norma yang berasosiasi dengan H
v
... (4.1.5)
Bukti : (lihat Mallat (1989), teorema 3)
Catatan :
q menunjukkan derajat keteraturan dari |.
Ruang Sobolev H
v
adalah suatu ruang dari distribusi-distribusi yang bersifat bahwa transformasi Fourier
terintegralkan kuadrat yang bersesuaian dengan suatu ukuran (1+ |x|2)
v
dx pada R (dalam Antoniadis
(1994), h.1342).
Sifat 6
Kernel wavelet adalah transisi invarians diadik, artinya
E
j
(t+u, .) = E
j
(t,. - u) untuk setiap diadik u berbentuk k/2
j
... (4.1.6)
Bukti :
E
j
(t+u, .) = 2
j
E
0
(2
j
(t+u) , 2
j
(.))
= 2
j
E
0
(2
j
(t+u) - 2
j
u, 2
j
(.) - 2
j
u)) (sifat 2 dengan k = 2
j
u)
= 2
j
E
0
(2
j
t , 2
j
(. - u)) (sifat 1)
= E
j
(t , . - u)
Sifat 7
E
0
(0,-t) adalah suatu kernel K(t) yang mempunyai bandwidth 2
-j
... (4.1.7)
Bukti :
K(t) = E
0
(0,-t) = E
0
(t,0) (sifat 6)
Misalkan t = 2
m
x adalah titik diadik x = t/2
m
, sehingga
K(2
j
x ) = E
0
(2
j
x , 0)
= (1/2
j
) E
j
(2
j
x , 0) (sifat 1)
= 2
j
K(2
j
x )
= K
2
J (x)
Ini adalah fungsi kernel yang mempunyai bandwidth 2
- j

Sifat 8
Untuk setiap xe[0,1] berlaku

(a)
}
>
1
0
1 j
Sup |E
j
(x ,y)|dy <
(b)
}
1
0
E
j
(x ,y) dy 1 ... (4.1.8)

Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

7
7
1
(c)
}
1
0
| E
j
(x ,y)|I|x-y|> c` dy 0 , untuk setiap c > 0
(d) Sup
ye[0,1]
|E
j
(x ,y)| = O(2
j
)
Bukti : (lihat Isogi (1990), Mallat (1989)).
Sifat 9
Jika h : R R kontinu pada t maka
j
lim 2
- j
}
R
E
J
2
(t
(j)
,s)h(s) ds = h(t)w
0
2
.
dengan w
0
2
=
}
R
E
0
2
(0,s) ds =

eZ k
|
2
(k) ... (4.1.9)
Bukti :
Karena 2
-j
t
( j)
= [2
j
t] dan E
0
(x+k , y+k) = E
0
(x ,y) untuk setiap keZ, maka
2
-j
}
R
E
j
2
(t
(j)
,s)h(s) ds = 2
j
E
0
2
(2
j
t
(j)
, 2
j
s)h(s) ds = 2
j
E
0
2
(0

, 2
j
s - [2
j
t])h(s) ds
Misalkan u = 2
j
s - [2
j
t] du = 2
j
ds.
Sehingga

2
-j
}
R
E
j
2
(t
(j)
,s)h(s) ds =

}
R
E
0
2
(0,u)h(t
(j)
+ u2
-j
)du h(t)

}
R
E
0
2
(0,u)du bila j
Untuk selanjutnya kernel wavelet dan sifat-sifatnya dapat digunakan untuk estimasi statistik
nonparametrik seperti halnya fungsi-fungsi kernel.

DAFTAR PUSTAKA

Antoniadis, A., Gregoire, G., Mc.Keague, W. (1994). Wavelets Methods for Curve
Estimation. Journal of the American Statistical Association, Dec, Vol.84, No.428, 1340-1353.

Bruce, A., Gao, H. Y. (1996). Applied Wavelet Analysis with S-Plus. New York: Springer -Verlag.

Chui, K. (1992). An Introduction to Wavelet. Boston : Academic Press, Inc.

Eubank, R. L. (1988). Spline Smoothing and Nonparametric Regression. New York: Marcel Dekker.
Inc.

Hardle, W. (1991). Smoothing Techniques with Implementation in S. New York: Springer-Verlag.

Issogi, E. (1990). Nonparametric Estimation of a Regressi Function by Delta Sequences. Ann. Inst.
Statist. Math., 42, 699-708.

Kaiser, G. (1994). A Friendly Guide to Wavelets. Boston : Birkhauser.

Mallat, S. (1989). Multiresolution Approximations and Wavelet Orthonormal Bases of L
2
(R).
Transactions of the American Mathematical Society, 315, 69-87.

Martadiputra, B.A.P. (1999). Estimator Wavelet Untuk Fungsi Hazard. Yogyakarta: Tesis - PPS UGM.

MathSoft. (1993). Users Manual S-Plus, version 3.2. Seattle : Stat Sci, a divition of MathSoft, Inc.

Mayer, Y. (1990). Ondelettes et Operateurs I: Ondelettes. Paris : Hermann.

Ogden, T.R. (1997).Essensial Wavelets for Statistical Application and Data Analysis. Boston:
Birkhauser.

Fitriani Agustina
Jurusan Pendidikan Matematika
UPI

8
8
Schomburg, B. (1990). On the Approximation of the Delta Distribution in Sobolev Spaces of
Negative Order. Applicable Analysis, 36, 89-93.