Claim Missing Document
Check
Articles

Found 2 Documents
Search

Analisis Multiresolusi dengan Dekomposisi Transformasi Wavelet Diskrit Berfilter Wavelet Haar Khomariah, Nurul; Saputro, Dewi Retno Sari
Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2020: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (226.352 KB)

Abstract

Analisis data dengan dimensi tinggi tidak mudah dilakukan bahkan dengan sistem komputer modern sekalipun. Salah satu pendekatan yang digunakan dengan melakukan reduksi dimensi salah satunya dengan wavelet. Wavelet merupakan fungsi transformasi yang secara otomatis memotong data ke dalam komponen berbeda dan memelajari masing-masing komponen dengan resolusi yang sesuai dengan skalanya. Transformasi wavelet diskret (TWD) merupakan salah satu teknik reduksi dimensi dengan teknik dekomposisi multiresolusi untuk mengatasi masalah pemodelan yang menghasilkan sinyal representasi lokal pada domain waktu dan domain frekuensi. Dekomposisi multiresolusi memisahkan tren dari time series. Transformasi ini dapat mengubah data asli ke domain wavelet untuk dianalisis dan dapat mengurai sinyal-sinyal baik pada frekuensi rendah maupun frekuensi tinggi dengan lebih tepat. Pada penelitian ini, dilakukan kajian ulang TWD. Tiga hal penting dalam melakukan transformasi wavelet diskrit terdiri atas menentukan jumlah level multireoslusi, menentukan wavelet apa yang akan digunakan, dan menentukan aturan batasan. Transformasi wavelet diskret menggunakan filter wavelet untuk membagi data ke frekuensi yang berbeda atau komponen skala, dan selanjutnya menganalisis masing-masing komponen dengan suatu resolusi yang sesuai dengan skalanya. Dalam hal ini digunakan wavelet Haar. Hasil dari penelitian ini adalah TWD dengan komponen skala.
Dekomposisi Transformasi Wavelet Kontinu dengan Filter Wavelet Morlet Adzakie, Haabi Luckmanoor; Saputro, Dewi Retno Sari; Sutanto, Sutanto; Widyaningsih, Purnami; Khomariah, Nurul
NUCLEUS Vol 6 No 01 (2025): NUCLEUS
Publisher : Neolectura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37010/nuc.v6i01.2008

Abstract

Analyzing high-dimensional data often presents unique challenges, necessitating dimension reduction methods, one of which is the wavelet approach. Wavelets function as a transformation that automatically separates data into several components, then analyzes each component based on a resolution appropriate to its time scale. The Continuous Wavelet Transform (CWT) is a dimension reduction technique that relies on multiresolution decomposition to address modeling problems by generating local signal representations in the time and frequency domains (scales) continuously. Through multiresolution decomposition, trends in time series data can be separated. This transformation enables the transfer of data from the original domain into the wavelet domain for further analysis, as well as facilitating the separation of signals at both low and high frequencies more accurately. This study revisits the use of CWT, which divides data into various scales or frequency components and analyzes each part with the appropriate resolution. In this context, the Morlet wavelet filter is used. The results of the study indicate that the Morlet wavelet in CWT has advantages in detecting transient frequency components and local oscillation phenomena, making it highly effective in analyzing complex signals.