TUGAS RESUME WAVELED

PENGOLAHAN SINYAL DIGITAL

Oleh:
EKA SETIA BUDI SANTOSA
NIM.17720251009
Kelas PTEI A

PENDIDIKAN TEKNIK ELEKTRONIKA DAN INFORMATIKA

PASCA SARJANA
UNIVERSITAS NEGERI YOGYAKARTA
2018
 Pendahuluan

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. 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. (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 Î 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 1. 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)
1. 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 2 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 3. 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.
2. 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 4 (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 4. Proses Multi-level decomposition

 Pada transformasi DWT terdapat proses pengembalian kembali komponen-
komponen 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 5. Proses rekonstruksi pada transformasi DWT (IDWT: Invers Discrete Wavelet
Transform)

Gambar 6. (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 7. 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 8. Keuntungan dari analisis wavelet adalah untuk menganalisis area local di
sinyal yang lebih besar (gambar lingkaran)

Gambar 9. 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 b y
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 sub-
sub 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 10. Jenis-jenis piramida 2D

E. Contoh Wavelet 1D dan 2D

Gambar 11. Wavelet 1D

Gambar 12. Wavelet 2D

 Daftar Pustaka

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