Anda di halaman 1dari 13

Nizarrachman Hadi

1113097000020

TRANSFORMASI WAVELET
Kebutuhan akan resolusi tinggi dalam analisis sinyal non-stasioner telah mengakibatkan perkembangan
berbagai sarana (tools) yang ampuh untuk menganalisis data-data sinyal non-stasioner.
Metode Transformasi berbasis Wavelet merupakan salah satu sarana yang dapat digunakan untuk
menganalisis (meneliti) sinyal-sinyal non-stasioner. Dalam beberapa tahun terakhir ini, metode ini telah
dibuktikan kegunaannya dan sangat populer di berbagai bidang ilmu. Analisis Wavelet dapat digunakan
untuk menunjukkan kelakukan sementara (temporal) pada suatu sinyal, misalya dalam bidang geofisika
(sinyal seismik), fluida, medik dan lain sebagainya. Metode Transformasi Wavelet ini dapat digunakan
untuk menapis data atau meningkatkan mutu kualitas data; dapat juga digunakan untuk mendeteksi
kejadian-kejadian tertentu serta dapat digunakan untuk pemampatan data (Foster dkk., 1994).
Selain itu Transformasi Wavelet juga dapat digunakan untuk analisis sinyal-sinyal non-stasioner (yaitu
sinyal yang kandungan frekuensinya bervariasi terhadap waktu), karena berkaitan dengan kemampuannya
untuk memisah-misahkan berbagai macam karakteristik pada berbagai skala (Anant dan Dowla, 1997).
Konsep Transformasi Wavelet telah dirumuskan sejak awal 1980-an oleh beberapa ilmuwan seperti
Morlet, Grosmann, Daubechies dan lain-lain. Sejak itu Wavelet kemudian dikembangkan dalam beberapa
area disiplin ilmu atau aplikasi seperti matematika, fisika, pemrosesan citra, analisis numerik, pengolahan
data citra dan data geofisika. Transformasi Wavelet merupakan transformasi yang terpadu menggunakan
kernel terintegrasi yang dinamakan wavelet. Wavelet ini digunakan dalam dua cara:
1. Sebagai kernel terintegrasi untuk analisis serta mengekstraksi informasi suatu data, dan
2. Sebagai suatu basis penyajian atau karakterisasi suatu data. Hal ini akan membawa kita kepada 2
(dua) pertanyaan berikut:
1. informasi apakah yang dapat diekstraksi menggunakan wavelet ? dan
2. bagaimana cara kita memperoleh suatu penyajian atau deskripsi suatu data menggunakan
wavelet ?
Jawaban untuk pertanyaan yang pertama terletak pada sifat terpenting dari wavelet yaitu lokalisasi waktufrekuensi (time-frequency localization). Kelebihan dari analisis sinyal menggunakan wavelet adalah
bahwa dapat dipelajarinya karakteristik sinyal secara lokal dan detil, sesuai dengan skala-nya. Sifat ini
sangat berguna untuk sinyal-sinyal non-stasioner atau memiliki komponen transien dengan waktu-hidup
(lifetime) yang pendek atau memiliki karakteristik yang berbeda pada skala-skala yang berbeda atau
memiliki singularitas. Sedangkan jawaban untuk pertanyaan yang kedua didasarkan pada cara
memandang wavelet sebagai blok pembangun dalam proses penguraian (decomposition) atau ekspansi
deret. Jadi, suatu penyajian data menggunakan wavelet dilakukan dengan cara ekspansi tak-berhingga
dari wavelet yang diulur atau dilated dan digeser atau translated (Kumar dan Foufoula-Georgiou, 1994).
Wavelet merupakan fungsi matematik yang membagi-bagi data menjadi beberapa komponen frekuensi
yang berbeda-beda, kemudian dilakukan analisis untuk masing-masing komponen menggunakan resolusi
yang sesuai dengan skalanya (Graps, 1995). Kepentingan penggunaan Transformasi Wavelet ini

berdasarkan fakta bahwa dengan Transformasi Wavelet akan diperoleh resolusi waktu dan frekuensi yang
jauh lebih baik daripada metode-metode lainnya seperti Transformasi Fourier maupun Transformasi
Fourier Waktu Pendek (STFT=Short Time Fourier Transform), selain itu analisis data pada kawasan
waktu dan frekuensi penting dan harus dilakukan untuk mempelajari perilaku sinyal-sinyal non-stasioner,
selain itu juga dapat dilakukan analisis data pada kawasan waktu dan amplitudo serta kawasan frekuensi
dan daya (spektrum).
Berikut ini beberapa bidang aplikasi yang dapat ditangani menggunakan wavelet:

Audio denoising, Pesan yang disampaikan melalui telepon internasional mengandung banyak
derau. Bagaimana menghilangkan derau ini sedemikian hingga pesan menjadi jelas?

Signal compression, isu penyimpanan dan distribusi data-data multimedia melalui jaringan
merupakan dasar dari berbagai macam penelitian pemampatan data. Adakah cara memampatkan
data sedemikian rupa sehingga rasio pemampatan sebesar-besarnya tanpa banyak kehilangan
informasi akibat proses pemampatan tersebut?

Object detection, Bagaimana kita bisa mendeteksi adanya sebuah objek dalam sebuah gambar
yang begitu kompleks?

Fingerprint compression, FBI memiliki lebih dari 25juta sidik jari, andaikata data sidik jari
disimpan tanpa proses pemampatan, maka diperlukan lebih dari 250 terabyte. Adakah cara
pemampatan data sidik jari tersebut dengan rasio yang besar tanpa banyak kehilangan data
aslinya? (atau kalau perlu 100% reversible, artinya data asli dan hasil pemampatan bisa
dikembalika seperti semula 100% sama)

Image denoising, Citra yang diperoleh dari mikroskop elektron dan sinar laser banyak
mengandung derau, apakah derau ini bisa dihilangkan? Sehingga gambar menjadi lebih jelas?

Image enhancement, Kalau sebuah foto menjadi buram, bagaimana cara untuk memfokuskan
kembali?

Image recognition, Bagaimana manusia bisa mengenal wajah? Apakah ini bisa dilakukan melalui
komputer? Robot?

Diagnosing heart or brain trouble, Apakah ada cara untuk mendeteksi detak jantung atau detak
otak yang abnormal?

Speech recognition, Faktor-faktor apa saja yang membedakan antara bunyi konsonan dan vokal?
Bagaimana manusia bisa mengenali ucapan? Dengan berbagai macam manusia?

Perbedaan Transformasi Fourier dengan Transformasi Wavelet


Transformasi fourier dapat menangkap informasi apakah suatu sinyal memiliki frekuensi tertentu ataukah
tidak, tapi tidak dapat menagkap dimana frekuensi itu terjadi.
Misal kita punya dua sinyal berbeda . dimana keduanya mempunyai komponen spectral yang sama. Katakan
sinyal pertama memiliki 4 frekuensi yang muncul bersamaan sedangkan yang satunya mempunyai 4
frekuensi yang muncul bergantian. Transformasi Fourier keduanya sama sebagai mana yang ditunjukan oleh
gambar berikut.

Dari gambar diatas dapatdilihat bahwa tranformasi fourier tidak sesuai bila digunakan terhadap sinyal
yang non stationer.
Untuk itu kini telah dikembangkan transformasi wavelet yang merupakan perbaikan dari transformasi
Fourier. Hal ini karena memang transformasi Fourier hanya dapat menagkap informasi apakah suatu
sinyal memiliki frekuensi tertentu tetapi tidak bisa menagkap dimana frekuensi itu terjadi. Sebagai contoh
ilustrasi pada konser musik. Transformasi fourier hanya bisa mengatakan apakah suatu nada muncul
tetapi tidak dapat mengatakan kapan nada itu muncul dan berapa kali. Hal ini berbeda dengan
transformasi wavelet yang mapu 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, karena pasti akan mempengaruhi
posisi aslinya.
Pada konsep pengolahan citra kita harus merubah suatu citra dari suatu domain ke domain lainnya.
Perubahan ini bertujuan untuk mempermudah pengkodean. Dari kedua jenis transformasi diatas
transformasi yang paling cocok untuk kompresi dalah transformasi wavelet. Hal ini dikarenakan jika kita
melakukan kompresi pada bagian detail , citra invers atau citra hasil rekonstruksi tidak terlalu berbeda
dengan citra awal.
Sumber:
1. http://agfi.staff.ugm.ac.id/blog/index.php/2008/11/perkembangan-aplikasi-transformasi-wavelet/
2. http://agfi.staff.ugm.ac.id/blog/index.php/2008/12/analisis-sinyal-menggunakan-waveletpendahuluan/
3. http://roniruliansyah.blog.uns.ac.id/2010/10/17/perbedaan-transformasi-fourier-dan-transformasiwavelet-pada-citra/

Aplikasi Transformasi Wavelet Untuk Menghilangkan Derau


Pada Sinyal Peluahan Sebagian
1

Swastiti Vinana Sari , Achmad Hidayatno , Abdul Syakur

Jurusan Teknik Elektro, Fakultas Teknik, Universitas


Diponegoro, Jl. Prof. Sudharto, Tembalang, Semarang, Indonesia

Abstrak-Beberapa
teknik
yang
biasa
digunakan untuk menghilangkan derau (denoising)
pada sinyal antara lain analisis sinyal dalam kawasan
waktu (Shanon), kawasan frekuensi (Fourier), STFT
(Gabor). Meskipun dengan STFT telah diperoleh
representasi sinyal dalam domain frekuensi dan waktu
secara bersamaan, namun terdapat masalah ketajaman
(resolution)
yang
dikenal
dengan
prinsip
ketidakpastian. Menurut prinsip ketidakpastian tersebut
tidak dapat diketahui dengan tepat, representasi
frekuensi - waktu dari suatu sinyal, dalam pengertian
tidak dapat diketahui dengan akurat komponen
frekuensi berapa saja yang terdapat pada suatu waktu.
Informasi yang mungkin untuk diketahui adalah
informasi pada rentang waktu yang mana terdapat
rentang frekuensi tertentu. Wavelet dengan analisis
multiresolusi dapat memecahkan permasalahan
resolusi karena kemampuannya dalam menganalisis
sinyal dalam berbagai resolusi, sehingga sinyal dapat
dianalisis lebih detail.
Peluahan sebagian atau yang biasa dikenal
sebagai Partial Discharge (PD) menyebabkan
penurunan isolasi material dan mempengaruhi umur
dari peralatan dan kabel tegangan tinggi. Untuk itu,
sangat penting untuk mengetahui karakteristik
PD
suatu isolasi. Pengukuran yang dipengaruhi
interferensi elektromagnetik akan menjadikan deteksi
sinyal peluahan sebagian menjadi sangat sulit karena
banyak menimbulkan derau.
Dalam tugas akhir ini dibangun sebuah sistem
yang membantu dalam memperbaiki kualitas
pendeteksian peluahan sebagian menggunakan teknik
Wavelet untuk menghilangkan derau yang didapat
selama pengukuran. Kualitas sinyal hasil denoising
dapat dibandingkan dengan mengacu pada SNR,
dimana pada tugas akhir ini SNR terbaik dimiliki oleh
wavelet Haar dan Sym1.
Kata Kunci : Wavelet, derau, peluahan
sebagian.

diharapkan tidak sesuai. Pada dasarnya derau tersebut


dapat dihilangkan. Begitu juga derau yang terdapat dalam
tugas akhir ini yang mengakibatkan penerimaan sinyal
menjadi jelek, hal ini dapat diketahui dari hasil
penerimaan sinyal partial discharge yang masih
berderau sehingga menyulitkan dalam pendeteksiannya.
Secara
umum,
teknik
utama
untuk
menghilangkan derau dari sinyal peluahan sebagian bisa
diwujudkan dengan domain waktu atau dalam domain
frekuensi (dengan menggunakan transformasi Fourier
untuk merekam kejadian peluahan sebagian ketika
peluahan sebagian dan derau dihadirkan dalam
karakteristik frekuensi yang berbeda). Namun ketika
sinyal diproses dalam domain frekuensi, informasi
domain waktu menjadi hilang. Untuk mengatasi
kelemahan tersebut sehingga dikembangkan transformasi
Wavelet yang dapat menyediakan informasi dalam
domain waktu dan frekuensi.

I. PENDAHULUAN
1.1 Latar Belakang
Tujuan mengakuisisi data adalah agar data hasil
akuisisi, dapat dianalisis lebih lanjut. Namun dalam
sistem akuisisi, seringkali ada derau (noise) yang datang
dari berbagai macam sumber yang merusak kualitas data
di penerima, akibatnya seringkali informasi yang

II.
DASAR TEORI
[1]
2.1 Derau (Noise)

1.2 Tujuan
Tujuan
dari
tugas
akhir
ini
ialah
mengaplikasikan program transformasi Wavelet untuk
menghilangkan derau pada sinyal peluahan sebagian.
1.3 Batasan Masalah
Pembuatan tugas akhir ini ditekankan pada hal-hal
berikut:
1. Sumber derau yang dihilangkan berasal dari alat
akuisisi.
2. Tidak membahas peluahan
sebagian/partial
discharge secara mendetail.
3. Tidak membahas teknik-teknik denoising (selain
Wavelet) secara mendetail.
4. Tipe-tipe Wavelet terhadap hasil denoising.
5. Perhitungan SNR.
6. Tidak membahas teknik pengukuran.
7. Tidak membahas stabilitas sistem.
8. Program simulasi ini menggunakan pemrograman
Matlab 7.

Penerimaan sinyal dalam suatu sistem dapat


dirusak oleh derau (noise), yang mungkin berasal dari
bermacam-macam sumber. Misalnya, sistem alat ukur
1

1. Mahasiswa Teknik Elektro UNDIP


2. Dosen Teknik Elektro UNDIP

yang deraunya disebabkan oleh rangkaian alat ukur yang


tidak benar, yang pada prinsipnya bisa diperbaiki.
Begitu juga derau yang terdapat dalam tugas
akhir ini yang mengakibatkan penerimaan sinyal menjadi
jelek, hal ini dapat diketahui dari hasil penerimaan sinyal
partial discharge yang berderau sehingga menyulitkan
dalam pendeteksiannya.

2.4.3 Wavelet Coiflet


Wavelet Coiflet memiliki nama pendek Coif,
dan untuk orde N dituliskan dengan CoifN. Panjang tapis
Wavelet Coiflet adalah 6N.

[2]

2.2 Peluahan Sebagian (Partial Discharge Atau PD )


Definisi dari peluahan sebagian atau partial
discharge yang disingkat PD menurut Dieter Kind,
Herman K, dan Aris Munandar adalah peluahan listrik
yang hanya menjembatani sebagian isolasi di antara
konduktor dan yang mungkin terjadi dekat dengan
konduktor. Sedangkan menurut G.J. Paoleti dan A.
Golubev menyebutkan bahwa partial discharge adalah
pulsa listrik atau peluahan pada void yang berisi gas atau
pada suatu permukaan dielektrik suatu sistem isolasi
padat maupun cair yang hanya sebagian menjembatani
gap antara isolasi fasa ke ground, atau fasa ke fasa
isolasi.

Gambar 2.3 Wavelet Coiflet

2.4.4 Wavelet Symlet


Wavelet Symlet memiliki nama pendek sym,
untuk orde N dituliskan dengan SymN. Wavelet Symlet
memiliki orde N=2,,45. Panjang tapis untuk Wavelet
Symlet adalah 2N.

Gambar 2.4 Wavelet Symlet

[6]

2.3 Teori Wavelet


Kata Wavelet dikemukakan oleh Morlet dan
Grossmann pada awal tahun 1980. Dalam bahasa Prancis
ondelette yang berarti gelombang kecil. Dan setelah itu
dalam bahasa Inggris kata onde diganti menjadi wave
sehingga menjadi Wavelet.

[18]

2.5 Pengambangan (Thresholding)


Dua aturan umumnya digunakan untuk
thresholding koefisien Wavelet adalah thresholding lunak
dan keras. Bila menyatakan ambang/threshold maka
sinyal threshold hard ( keras) adalah:

[7]

2.4 Tipe Wavelet


2.4.1 Wavelet Haar
Wavelet Haar adalah Wavelet yang paling tua
dan sederhana. Wavelet Haar sama dengan Wavelet Db1
(Daubechies orde 1). Panjang tapis Wavelet Haar adalah
2.
(a)

(b)

(c)

Gambar 2.5 (a) Sinyal asli (b) Sinyal hasil thresholding keras (c)
Sinyal hasil thresolding lunak

2.6 Tapis Wavelet


Wavelet dibentuk menggunakan tapis-tapis FIR
low-pass dan high-pass. Keluaran dari tapis-tapis lowpass dan high-pass ini dapat dinyatakan secara matematis
oleh:
y [k] = u[m] . g[2k m]
(2.1)
HP
y [k] = u[m] . h[2k m]
(2.2)
LP
Invers DWT kemudian digunakan untuk
membangun kembali sinyal ke sinyal asli dengan tidak
kehilangan informasi.
Keluaran dari tapis-tapis low-pass dan high-pass
dalam tahap rekonstruksi sinyal dapat dinyatakan oleh:

Gambar 2.1 Wavelet Haar

2.4.2 Wavelet Daubechies


Wavelet Daubechies memiliki nama pendek Db,
dan untuk orde N dituliskan dengan dbN. Orde Wavelet
Daubechies adalah N=1 atau Haar, N=2,, N=45.
Panjang tapis Wavelet daubechies adalah 2N.

u[m] =

{y

HP

(k). g[2k m] + y

LP

(k). h[2k m]}.

(2.3)

III.
PERANCANGAN PROGRAM
3.1 Diagram Alir
Secara garis besar perangkat lunak yang akan

Gambar 2.2 Wavelet Daubechies

dirancang memiliki diagram alir seperti


yang ditunjukkan pada Gambar 3.1.
dengan sinyal hasil denoising. Berikut
perbandingan daya sinyal terhadap daya derau:

Mulai

Masukkan
sinyal PD

S/N = 10 log

Pilih Wavelet
dekomposisi

rumus

dB

(3.1)
IV.
PENGUJIAN
4.1
Parameter
Level
Dekomposisi
Penentuan level dekomposisi merupakan tahap
coba-coba untuk mendapatkan hasil terbaik, setelah
level dekomposisi ditentukan, langkah selanjutnya
adalah menentukan besar thresholding yang merupakan
tahapan yang kritis jika nilainya terlalu kecil akan
mengakibatkan derau tidak hilang secara sempurna
sedangkan jika nilai yang diberikan terlalu besar akan
mengakibatkan penurunan SNR. Sebagai sinyal uji
akan digunakan sinyal uji 5kv90_11. Metode
pengamatan
yang digunakan adalah dengan
membandingkan SNR terbaik per level dekomposisi.
Pengamatan yang dilakukan adalah dengan
menggunakan dekomposisi maksimal tiap Wavelet
yaitu, untuk Wavelet Haar dengan level dekomposisi
maksimalnya adalah 11 level, untuk Wavelet Db2
dengan level dekomposisi maksimalnya adalah 9 level,
untuk Wavelet Sym3 dengan level dekomposisi
maksimalnya
menyebabkan hasil denoising yang tidak memuaskan
atau distorsi yang cukup besar.

Masukkan
nilai
threshold

Tidak
Apakah sinyal PD
sudah bebas derau?

Ya
Rekonstruksi
sinyal

Selesai

Gambar 3.1 Bagan alir penghilangan derau pada sinyal

3.2
Dekomposisi
Pada proses dekomposisi menggunakan 12
jenis
wavelet yaitu Haar (sama dengan Db1, Db2, Db3,
Db4,
Sym1, Sym2, Sym3, Sym4, Coif1, Coif2, Coif3 dan Coif4.
Level dekomposisi maksimal tiap wavelet berbeda-beda.
Level dekomposisi maksimal tiap wavelet dapat dicari
dengan
perintah
l
=
wmaxlev(s,w).
s
merupakan panjang sinyal dan w merupakan tipe
wavelet.

3.4 Denoising
Proses denoising akan melakukan proses
penghilangan derau, kemudian akan direkonstruksi
kembali sinyal, setelah terlebih dahulu di-thresholding.
3.5 Perhitungan Signal to Noise Ratio (SNR)
Pada Tugas Akhir ini digunakan 2 macam
kriteria penilaian sinyal, yaitu SNR dan membandingkan
sinyal. Pada proses perbandingan kriteria pemilihan
sinyal, sinyal yang dibandingkan adalah sinyal masukan

3.3
Pengambangan
(Thresholding)
Pengambangan dilakukan untuk setiap level
dari
1
sampai
11,
dengan menerapkan dua mode
thresholding yaitu hard thresholding
dan
soft
tresholding. Metode yang dilakukan adalah dengan
mengatur
thresholding
dengan
dasar
kasusper- kasus.
Pemilihan pengambangan ini bersifat
kritis, jika threshold terlalu kecil atau terlalu besar
akan mengakibatkan derau tidak hilang secara
sempurna. Thresholding yang kurang tepat akan

adalah 8 level dan untuk Wavelet Coif3 dengan level


dekomposisi maksimalnya adalah 7 level.

Dapat dilihat pada gambar di atas sinyal PD sebelum didenoising masih berderau.
Dekomposisi level 1
Langkah berikutnya dilakukan denoising
dengan Wavelet Haar dengan dekomposisi level 1
dengan nilai thresholding 3927.

Dekomposisi 11 Level
Wavelet Haar dengan Level Dekomposisi Maksimal
11.
Pertama-tama load sinyal 5kv90_11, kemudian
akan terlihat seperti pada gambar di bawah ini.

Gambar 4.2 Dekomposisi Haar level


1
Gambar 4.1 Sinyal 5kv90_11
berderau

Denoising dengan Wavelet Haar dengan dekomposisi


level 1 tampak derau sudah mulai berkurang.

Dekomposisi
Level 2
Dekomposisi pada level 2 dengan nilai threshold
2099, menghasilkan sinyal sebagai
berikut.

Gambar 4.5 Dekomposisi Haar level 4

Dekomposisi pada level 4 memperlihatkan derau yang


semakin berkurang dibandingkan dengan dekomposisi
level 3.
Dekomposisi
Level 5
Dekomposisi pada level 5 dengan nilai threshold
1065, menghasilkan sinyal sebagai
berikut.

Gambar 4.3 Dekomposisi Haar level 2

Dekomposisi pada level 2 memperlihatkan derau yang


semakin berkurang dibandingkan dengan dekomposisi
level 1
Dekomposisi
Level 3
Dekomposisi pada level 3 dengan nilai threshold
1587, menghasilkan sinyal sebagai
berikut.

Gambar 4.6 Dekomposisi Haar level 5

Pada dekomposisi level 5 sinyal sudah semakin


halus.

Gambar 4.4 Dekomposisi Haar level 3

Dekomposisi pada level 3 memperlihatkan derau yang


semakin berkurang dibandingkan dengan dekomposisi
level 2.
Dekomposisi
Level 4
Dekomposisi pada level 4 dengan nilai threshold
1531, menghasilkan sinyal sebagai
berikut.

Dekomposisi Level 6
Dekomposisi pada level 6 dengan nilai threshold
1137, menghasilkan sinyal sebagai berikut.

Gambar 4.9 Dekomposisi Haar


level 8

Dekomposisi Level 9
Dekomposisi pada level 9 dengan nilai threshold
758, menghasilkan sinyal sebagai berikut.

Gambar 4.7 Dekomposisi Haar


level 6

Dekomposisi pada level 6 memperlihatkan sinyal yang


semakin halus dibandingkan level 5.
Dekomposisi Level 7
Dekomposisi pada level 7 dengan nilai threshold
1326, menghasilkan sinyal sebagai berikut.

Gambar 4.10 Dekomposisi Haar


level 9

Dekomposisi Level 10
Dekomposisi pada level 10 dengan nilai
threshold 437, menghasilkan sinyal sebagai berikut.
Gambar 4.8 Dekomposisi Haar
level 7

Dekomposisi Level 8
Dekomposisi pada level 8 dengan nilai threshold
1044, menghasilkan sinyal sebagai berikut.

Gambar 4.11 Dekomposisi Haar level


10

Dekomposisi Level
11
Dekomposisi pada level 11 dengan nilai
threshold 300, menghasilkan sinyal sebagai
berikut.

5
Haar

Dari gambar dapat dilihat bahwa semakin


tinggi level dekomposisinya maka perolehan sinyal hasil
denoising semakin bagus, hal ini juga ditunjukkan oleh
SNRnya.
SNR
terbaik
ditunjukkan
oleh
dekomposisi Haar pada level 11. Berikut tabel
perbandingan SNR.
Tabel 4.1 Perbandingan SNR Wavelet Haar dekomposisi level 1-11
dengan sinyal uji 5kv90_11
SNR
SNR
sebelum
setelah
Mode
Dekomposisi denoising denoising
thresholding
Level ke(dB)
(dB)
Wavelet
-5,3454

-5,1879

-4,1871

-1,4168

0,51794
4,1979

8,325

9,6559

12,2831

10

15,6173

11

15,6173

Jika dibandingkan dengan pengamatan


subyektif hasil yang ditampilkan telah sesuai dengan
perbandingan SNRnya. Yaitu makin tinggi level
dekomposisi maka menghasilkan SNRnya yang
semakin baik. Begitu juga dengan pengamatan
subyektif jika level dekomposisi semakin baik maka
gambar
sinyal
yang dihasilkan semakin baik.
Pengamatan obyektif memberikan hasil terbaik pada
dekomposisi Haar pada level maksimalnya yaitu level
11.

Gambar 4.12 Dekomposisi Haar level 11

Hard

-27,8225

4.2
Parameter
Mode
Threshold
Pemilihan mode threshold yang terbaik
dilakukan dengan mengamati SNR sebelum dan
sesudah denoising. Penentuan besar thresholding
merupakan tahapan yang kritis jika nilainya terlalu
kecil akan mengakibatkan derau tidak hilang secara

sempurna sedangkan jika nilai yang diberikan terlalu


besar akan mengakibatkan nilai SNR berkurang.

Tabel 4.2 Perbandingan SNR 2


mode
Sinyal
SNR sebelum Mode
denoising (dB)
thresholding
5kv10_1
-38,4523
Hard
Soft
5kv30_60
-39,7805
Hard
Soft
5kv90_11
-27,8225
Hard
Soft

SNR
setelah
denoising (dB)
3,5108
-8,269
-4,4643
-19,0379
9,6559
1,4158

Dapat dilihat dari tabel di atas dapat bahwa


setelah dilakukan denoising untuk 3 sinyal uji
yaitu sinyal 5kv10_1, 5kv30_60, dan 5kv90_11, SNR
pada mode hard memberikan hasil lebih baik, sehingga
disimpulkan bahwa thresholding mode hard lebih baik
daripada mode soft.
4.3
Parameter
Jenis
Wavelet
Dengan sinyal yang uji yang sama yaitu sinyal
5kv30_60, 5kv10_1 dan 5kv90_11, akan dapat dilihat
beberapa pengaruh tipe Wavelet terhadap hasil
denoising. Pengujian dilakukan dengan melihat hasil
denoising beberapa tipe Wavelet yaitu Haar, Db2, Db3,
Db4, Sym1, Sym2, Sym3,Sym4, Coif1, Coif2, Coif3, dan
Coif4.
Sinyal
5kv10_1
Sinyal uji yang digunakan adalah 5kv10_1
kemudian akan dilihat beberapa pengaruh tipe Wavelet
secara visual terhadap hasil denoising. Pengujian
dilakukan dengan melihat hasil denoising dengan
beberapa tipe Wavelet yaitu Haar, Db2, Db3, Db4,
Sym1, Sym2, Sym3, Sym4, Coif1, Coif2, Coif3, dan Coif
4.
Pertama-tama tampak dalam gambar 4.22
sinyal sebelum di-denoising

Gambar 4.13 Sinyal 5kv10_1 sebelum denoising

Sinyal 5kv10_1 akan di-denoising dengan


Wavelet Haar dengan dekomposisi 11 level, sedangkan
Wavelet Db2, Db3, Db4, Sym1, Sym2, Sym3, Sym4, dan
Coif1 akan menggunakan level dekomposisi yang
sama, yaitu 8 level dekomposisi dengan nilai
thresholding yang sama. Wavelet Coif2, Coif3 akan
menggunakan level dekomposisi sebanyak 7 level,
sedangkan Wavelet Coif4 akan menggunakan 6 level
dekomposisi. Hasilnya kemudian akan dibandingkan
pada gambar-gambar di bawah:
Wavelet
Haar

Gambar 4.14 Sinyal 5kv10_1 denoising dengan Wavelet


Haar

Wavelet Db2

Wavelet Coif1

Gambar 4.15 Sinyal 5kv10_1 denoising dengan Wavelet Db2


Gambar 4.22 Sinyal 5kv10_1 denoising dengan Wavelet Coif1

Wavelet Db3

Wavelet Coif2

Gambar 4.16 Sinyal 5kv10_1 denoising dengan Wavelet Db3


Gambar 4.23 Sinyal 5kv10_1 denoising dengan Wavelet Coif2

Wavelet Db4

Wavelet Coif3

Gambar 4.17 Sinyal 5kv10_1 denoising dengan Wavelet Db4


Gambar 4.24 Sinyal 5kv10_1 denoising dengan Wavelet Coif3

Wavelet Sym1

Wavelet Coif4

Gambar 4.18 Sinyal 5kv10_1 denoising dengan Wavelet Sym1


Gambar 4.25 Sinyal 5kv10_1 denoising dengan Wavelet Coif4

Wavelet Sym2

Pada pengamatan hasil denoising pada


gambar- gambar di atas, dapat dilihat bahwa Wavelet
Haar dan Sym1 memberikan hasil yang lebih baik
dibandingkan dengan Wavelet lainnya. Langkah
selanjutnya akan digunakan perbandingan SNR untuk
mengetahui Wavelet mana yang memberikan SNR
terbaik. Berikut SNR masing-masing Wavelet dapat
diringkas dalam tabel berikut:

Gambar 4.19 Sinyal 5kv10_1 denoising dengan Wavelet Sym2

Wavelet Sym3

Tabel 4.3 SNR masing-masing Wavelet untuk sinyal 5kv10_1


Nama
Jenis
Jumlah
SNR
SNR
Sinyal
Wavelet
dekomposisi
sebelum
sesudah
denoising
denoising
(dB)
(dB)
5kv10_1
Haar
11 level
-38,4523
0,078928
Db2
8 level
-12,7042
Db3
8 level
-11,1966
Db4
8 level
-12,2382
Sym1
8 level
-0,97837
Sym2
8 level
-12,7042
Sym3
8 level
-11,1966
Sym4
8 level
-12,7236
Coif1
8 level
-15,6844
Coif2
7 level
-18,7104
Coif3
7 level
-19,3689
Coif4
6 level
-19,3589

Gambar 4.20 Sinyal 5kv10_1 denoising dengan Wavelet Sym3

Wavelet Sym4

Gambar 4.21 Sinyal 5kv10_1 denoising dengan Wavelet Sym4

1
0

Pada tabel 4.1, Sinyal 5kv10_1 yang didenoising dengan Wavelet Haar dengan dekomposisi 11
level memberikan hasil terbaik yaitu 0,078928 dB,
kemudian diikuti dengan Wavelet Sym1 dengan -0,97837
dB, sedangkan SNR untuk Wavelet
lainnya
memberikan hasil yang sangat kecil.

sinyal yang direkonstruksi adalah sinyal PD atau


bukan.

V.
PENUTUP
5.1
Kesimpulan
Berdasarkan hasil penelitian mengenai
aplikasi
transformasi Wavelet untuk menghilangkan derau pada
sinyal partial discharge dapat disimpulkan beberapa
hal sebagai berikut:
1. Penentuan level dekomposisi merupakan tahap
coba-coba untuk mendapatkan hasil terbaik.
Secara umum, semakin tinggi level
dekomposisinya menghasilkan SNR yang
semakin baik.
2.
Penentuan
besar
thresholding
merupakan tahapan yang kritis jika nilainya
terlalu kecil akan mengakibatkan derau tidak
hilang secara sempurna sedangkan jika nilai
yang
diberikan
terlalu
besar
akan
mengakibatkan nilai SNR berkurang
3. Secara umum thresholding mode hard
memberikan hasil SNR yang lebih baik
dibandingkan thresholding mode soft.
4.
Jenis wavelet terbaik didapat dari jenis
wavelet yang memberikan SNR terbaik.
Dari ketiga sinyal uji yang memberikan hasil
yang paling baik adalah Haar dan Sym1.
5.2
Saran
Berikut ini beberapa saran bagi para
pembaca
yang berminat untuk mengembangkan penelitian
tentang
denoising
menggunakan
teknik
Wavelet.
1. Untuk ke depan sebaiknya meluaskan metode
penelitian yaitu dalam hal pengambilan data
dan teknik pengukuran.
2. Pada waktu pengambilan data sebaiknya
melakukan kalibrasi yang tepat sehingga
akuisisi datanya tepat juga sehingga
menghasilkan data yang valid.
3.
Perlu adanya pengambilan data
berupa sinyal referensi dan noise referensi
pada waktu pengukuran, hal ini berguna untuk
menguji kesamaan dua buah sinyal dengan
metode cross correlation.
4. Mengingat belum adanya penelitian tentang
kevalidan data maka untuk yang akan datang
dilakukan uji coba menggunakan PD
calibrator yang berguna untuk membuktikan

1
1

DAFTAR PUSTAKA
1.

2.

3.

4.

5.

6.
7.

Roddy, Dennis, Coolen, John, dan Idris,


Kamal, Komunikasi
Elektronika,Erlangga.Ciracas.Jakarta.19
84.
Santoro,
Karakteristik
Peluahan
Sebagian Pada Model Void Berdasarkan
Fungsi Waktu Dalam Polyvinyl Chloride
(PVC) Menggunakan Elektroda Metode II
CIGRE, Tugas Akhir S-1, Universitas
Diponegoro, Semarang 2007.
Burrus, C. Sidney, Gopinath, Ramesh
A. dan Guo, Haitao, Introduction to
Wavelets and Wavelet Transfoem,
Prentice Hall, New Jersey,
1
9
9
8
.
Sugiharto, Aris, Pemrograman GUI
dengan
MATLAB,Andi Offset. Yogyakarta.
2006.
Users GuideSignal Processing Toolbox
The.
Mathwork
s.2002
, http://www.wikipedia.org
Rahmawati, Indah, Pemampat Data
Citra

8.

Digital Aras Keabuan dengan Alihragam


Wavelet Paket Melalui Penyandian Huffman
Menggunakan Delphi Tugas Akhir S-1,
Universitas Diponegoro, Semarang, 2005.
Users Guide MATLAB 7, .
BIOGRAFI PENULIS
Penulis yang bernama lengkap
Swastiti
Vinana Sari lahir di Klaten, 4
Februari
1985. Menjalani jenjang pendidikan
di
SDN 9 Ampenan,Mataram, SMPN
1
Denpasar, SMUN 1 Denpasar. Dan
sekarang tengah menyelesaikan
pendidikan Strata Satu di Jurusan
Teknik Elektro, Fakultas Teknik,
Universitas Diponegoro, Semarang,
Konsentrasi
Elektronika
Telekomunikasi.

Sumber:
http://eprints.undip.ac.id/25455/1/makalah_
L2F003543.pdf

1
2