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 waktu-
frekuensi (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-wavelet-
pendahuluan/
3. http://roniruliansyah.blog.uns.ac.id/2010/10/17/perbedaan-transformasi-fourier-dan-transformasi-
wavelet-pada-citra/
 Aplikasi Transformasi Wavelet Untuk Menghilangkan Derau
Pada Sinyal Peluahan Sebagian
Swastiti Vinana Sari1, Achmad Hidayatno2, Abdul Syakur2
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.
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
1
1. Mahasiswa Teknik Elektro UNDIP
2. Dosen Teknik Elektro UNDIP
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.
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.
II. DASAR TEORI
2.1 Derau (Noise)[1]
Penerimaan sinyal dalam suatu sistem dapat
dirusak oleh derau (noise), yang mungkin berasal dari
bermacam-macam sumber. Misalnya, sistem alat ukur
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.
2.2 Peluahan Sebagian (Partial Discharge Atau PD )[2]
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.
2.3 Teori Wavelet [6]
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.
2.4 Tipe Wavelet[7]
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.
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.
Gambar 2.2 Wavelet Daubechies
2
2.4.3 Wavelet Coiflet
Wavelet Coiflet memiliki nama pendek Coif,
dan untuk orde N dituliskan dengan CoifN. Panjang tapis
Wavelet Coiflet adalah 6N.
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
2.5 Pengambangan (Thresholding)[18]
Dua aturan umumnya digunakan untuk
thresholding koefisien Wavelet adalah thresholding lunak
dan keras. Bila λ menyatakan ambang/threshold maka
sinyal threshold hard ( keras) adalah:
(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 low- pass
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:
u[m] = ∑∼ ∼ {yHP(k). g[2k − m] + yLP(k). h[2k − m]}….(2.3)
III. PERANCANGAN PROGRAM
3.1 Diagram Alir
Secara garis besar perangkat lunak yang akan
dirancang memiliki diagram alir seperti
yang ditunjukkan pada Gambar 3.1.

3

Mulai
Masukkan
sinyal PD
Pilih Wavelet
dekomposisi
Masukkan
nilai
threshold
Apakah sinyal PD
Tidak
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.
3.3 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 kasus-per-
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 menyebabkan hasil
denoising yang tidak memuaskan atau distorsi yang
cukup besar.
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
4
dengan sinyal hasil denoising. Berikut rumus perbandingan
daya sinyal terhadap daya derau:
S/N = 10 log 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
adalah 8 level dan untuk Wavelet Coif3 dengan level
dekomposisi maksimalnya adalah 7 level.
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 4.1 Sinyal 5kv90_11 berderau
Dapat dilihat pada gambar di atas sinyal PD sebelum di-
denoising masih berderau.
Dekomposisi level 1
Langkah berikutnya dilakukan denoising dengan
Wavelet Haar dengan dekomposisi level 1 dengan nilai
thresholding 3927.
Gambar 4.2 Dekomposisi Haar level 1
Denoising dengan Wavelet Haar dengan dekomposisi
level 1 tampak derau sudah mulai berkurang.
Dekomposisi Level 2 Dekomposisi Level 6
Dekomposisi pada level 2 dengan nilai threshold Dekomposisi pada level 6 dengan nilai threshold
2099, menghasilkan sinyal sebagai berikut. 1137, 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 4.7 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 4.4 Dekomposisi Haar level 3 Gambar 4.8 Dekomposisi Haar level 7

Dekomposisi Level 8
Dekomposisi pada level 3 memperlihatkan derau yang Dekomposisi pada level 8 dengan nilai threshold
semakin berkurang dibandingkan dengan dekomposisi 1044, menghasilkan sinyal sebagai berikut.
level 2.

Dekomposisi Level 4
Dekomposisi pada level 4 dengan nilai threshold
1531, 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 4.5 Dekomposisi Haar level 4

Dekomposisi pada level 4 memperlihatkan derau yang

semakin berkurang dibandingkan dengan dekomposisi
level 3.
Gambar 4.10 Dekomposisi Haar level 9
Dekomposisi Level 5
Dekomposisi pada level 5 dengan nilai threshold Dekomposisi Level 10
1065, menghasilkan sinyal sebagai berikut. Dekomposisi pada level 10 dengan nilai
threshold 437, menghasilkan sinyal sebagai berikut.

Gambar 4.11 Dekomposisi Haar level 10

Gambar 4.6 Dekomposisi Haar level 5
Pada dekomposisi level 5 sinyal sudah semakin halus.

5
 Tabel 4.2 Perbandingan SNR 2 mode
Dekomposisi Level 11 Sinyal SNR sebelum Mode SNR setelah
Dekomposisi pada level 11 dengan nilai denoising (dB) thresholding denoising (dB)
threshold 300, menghasilkan sinyal sebagai berikut. 5kv10_1 -38,4523 Hard 3,5108
Soft -8,269
5kv30_60 -39,7805 Hard -4,4643
Soft -19,0379
5kv90_11 -27,8225 Hard 9,6559
Soft 1,4158
Dapat dilihat dari tabel di atas dapat bahwa setelah
Gambar 4.12 Dekomposisi Haar level 11 dilakukan denoising untuk 3 sinyal uji yaitu sinyal
5kv10_1, 5kv30_60, dan 5kv90_11, SNR pada mode hard
Dari gambar dapat dilihat bahwa semakin tinggi memberikan hasil lebih baik, sehingga disimpulkan bahwa
level dekomposisinya maka perolehan sinyal hasil thresholding mode hard lebih baik daripada mode soft.
denoising semakin bagus, hal ini juga ditunjukkan oleh
SNRnya. SNR terbaik ditunjukkan oleh dekomposisi 4.3 Parameter Jenis Wavelet
Haar pada level 11. Berikut tabel perbandingan SNR. Dengan sinyal yang uji yang sama yaitu sinyal
5kv30_60, 5kv10_1 dan 5kv90_11, akan dapat dilihat
Tabel 4.1 Perbandingan SNR Wavelet Haar dekomposisi level 1-11 beberapa pengaruh tipe Wavelet terhadap hasil denoising.
dengan sinyal uji 5kv90_11
SNR SNR Pengujian dilakukan dengan melihat hasil denoising
sebelum setelah beberapa tipe Wavelet yaitu Haar, Db2, Db3, Db4, Sym1,
Mode Dekomposisi denoising denoising Sym2, Sym3,Sym4, Coif1, Coif2, Coif3, dan Coif4.
Wavelet thresholding Level ke- (dB) (dB)
1 -5,3454 Sinyal 5kv10_1
2 -5,1879
Sinyal uji yang digunakan adalah 5kv10_1
kemudian akan dilihat beberapa pengaruh tipe Wavelet
3 -4,1871 secara visual terhadap hasil denoising. Pengujian dilakukan
4 -1,4168 dengan melihat hasil denoising dengan beberapa tipe
Wavelet yaitu Haar, Db2, Db3, Db4, Sym1, Sym2, Sym3,
5 0,51794
Haar Hard -27,8225 Sym4, Coif1, Coif2, Coif3, dan Coif 4.
6 4,1979 Pertama-tama tampak dalam gambar 4.22 sinyal
7 8,325 sebelum di-denoising
8 9,6559
9 12,2831
10 15,6173
11 15,6173
Gambar 4.13 Sinyal 5kv10_1 sebelum denoising
Jika dibandingkan dengan pengamatan subyektif
hasil yang ditampilkan telah sesuai dengan perbandingan Sinyal 5kv10_1 akan di-denoising dengan
SNRnya. Yaitu makin tinggi level dekomposisi maka Wavelet Haar dengan dekomposisi 11 level, sedangkan
menghasilkan SNRnya yang semakin baik. Begitu juga Wavelet Db2, Db3, Db4, Sym1, Sym2, Sym3, Sym4, dan
dengan pengamatan subyektif jika level dekomposisi Coif1 akan menggunakan level dekomposisi yang sama,
semakin baik maka gambar sinyal yang dihasilkan yaitu 8 level dekomposisi dengan nilai thresholding yang
semakin baik. Pengamatan obyektif memberikan hasil sama. Wavelet Coif2, Coif3 akan menggunakan level
terbaik pada dekomposisi Haar pada level maksimalnya dekomposisi sebanyak 7 level, sedangkan Wavelet Coif4
yaitu level 11. akan menggunakan 6 level dekomposisi. Hasilnya
kemudian akan dibandingkan pada gambar-gambar di
4.2 Parameter Mode Threshold bawah:
Pemilihan mode threshold yang terbaik Wavelet Haar
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.
Gambar 4.14 Sinyal 5kv10_1 denoising dengan Wavelet Haar

6
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

Wavelet Sym1 Gambar 4.24 Sinyal 5kv10_1 denoising dengan Wavelet Coif3

Wavelet Coif4

Gambar 4.18 Sinyal 5kv10_1 denoising dengan Wavelet Sym1

Wavelet Sym2 Gambar 4.25 Sinyal 5kv10_1 denoising dengan Wavelet Coif4

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
Gambar 4.19 Sinyal 5kv10_1 denoising dengan Wavelet Sym2 mana yang memberikan SNR terbaik. Berikut SNR
Wavelet Sym3 masing-masing Wavelet dapat diringkas dalam tabel
berikut:
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
Gambar 4.20 Sinyal 5kv10_1 denoising dengan Wavelet Sym3 Db2 8 level -12,7042
Db3 8 level -11,1966
Wavelet Sym4 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
Gambar 4.21 Sinyal 5kv10_1 denoising dengan Wavelet Sym4 Coif3 7 level -19,3689
Coif4 6 level -19,3589

7
 Pada tabel 4.1, Sinyal 5kv10_1 yang di- denoising
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.
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 sinyal yang
direkonstruksi adalah sinyal PD atau bukan.
8
DAFTAR PUSTAKA
1. Roddy, Dennis, Coolen, John, dan Idris, Kamal,
“Komunikasi
Elektronika”,Erlangga.Ciracas.Jakarta.1984.
2. 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.
3. Burrus, C. Sidney, Gopinath, Ramesh A. dan
Guo, Haitao, “Introduction to Wavelets and
Wavelet Transfoem”, Prentice Hall, New Jersey,
1998.
4. Sugiharto, Aris, “Pemrograman GUI dengan
MATLAB”,Andi Offset. Yogyakarta. 2006.
5. User’s Guide“Signal Processing Toolbox” The.
Mathworks.2002
6. , http://www.wikipedia.org
7. Rahmawati, Indah, “Pemampat Data Citra
Digital Aras Keabuan dengan Alihragam
Wavelet Paket Melalui Penyandian Huffman
Menggunakan Delphi” Tugas Akhir S-1,
Universitas Diponegoro, Semarang, 2005.
8. User’s 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
9