Data Curah Hujan dan Angin
periodisitas dominannya. Tahapan proses analisis data dengan menggunakan perangkat lunak ferret dapat dilihat pada Lampiran 1.
Data SPL, klorofil dan tinggi muka laut selanjutnya diolah dengan pendekatan wavelet transform Torrence and Compo 1998 berupa continuous
wavelet transform yang digunakan untuk mendeteksi kemungkinan adanya periodisitas seperti seasonal, intra-seasonal. hubungan antara dua data deret
waktu secara bersamaan dan proses sebab akibat diantara keduanya, selanjutnya cross wavelet transform yang akan memunculkan fase power dan relatif dalam
domain frekuensi-waktu dan penggunaan analisis wavelet coherent untuk mengetahui koherensi yang signifikan dari data yang diolah. Berdasarkan analisis
ini dapat diketahui adanya pengaruh intra-seasonal, seasonal dan inter-annual dengan menginterpretasi periodisitas data yang dominan. Tahapan proses analisis
data dengan pendekatan wavelet transform dapat dilihat pada Lampiran 2. Transformasi wavelet adalah suatu transformasi yang membagi suatu sinyal
dalam hal ini adalah data deret waktu curah hujan ke dalam beberapa tingkat resolusi. Pendekomposisian sinyal ke dalam resolusi yang berbeda-beda secara
bertahap dari resolusi tinggi sampai resolusi rendah dinamakan analisis multiresolusi. Setiap resolusi dibedakan dengan faktor skala, yang biasa
digunakan yaitu kelipatan dari dua. Jika dibandingkan dengan transformasi Fourier, maka transformasi wavelet mempunyai keunggulan yaitu dapat
merepresentasikan sinyal dalam domain waktu dan domain frekuensi dengan sangat baik. Hal ini disebabkan fungsi basis dari transformasi wavelet dapat
diperlebar dan dipersempit sehingga memudahkan dalam menganalisa sinyal sesuai dengan frekuensinya. Pada frekuensi tinggi digunakan fungsi basis yang
sempit sedangkan pada frekuensi rendah digunakan fungsi basis yang lebar. Dalam transformasi wavelet ini dilakukan beberapa metode transformasi
wavelet yang meliputi : 1.
Continuous Wavelet Transform CWT Wavelet adalah sebuah fungsi dengan perata-rataan nol dan dibatasi
oleh frekuensi dan waktu. Wavelet dapat digolongkan dengan membatasinya terhadap waktu Δt dan frekuensi Δω atau lebar pita. Prinsip
ketidakpastian Heisenberg menyatakan selalu terjadi antara pembatasan
dalam waktu dan frekuensi. Tanpa definisi Δt dan Δω yang jelas dapat dikatakan bahwa terdapat sebuah batas untuk bagaimana memperkecil
ketidakpastian hasil Δt
.
Δω. Salah satu caranya dengan menggunakan wavelet Morlet didefinisikan sebagai :
……..........................7
ω
o
adalah frekuensi tak berdimensi dan η adalah waktu tak berdimensi. Ketika wavelet dipergunakan untuk maksud ekstraksi fitur maka wavelet
Morlet ω
o
= 6 adalah pilihan yang terbaik. Wavelet Morlet menyediakan sebuah keseimbangan yang baik antara pembatasan waktu dan frekuensi.
Ide dibalik CWT adalah untuk menerapkan fungsi wavelet sebagai filter bandpass terhadap seri waktu. Wavelet dilebarkan terhadap waktu
bervariasi terdapat skala s, dimana η = s.t dan dinormalisasi untuk mendapatkan satuan energi. Wavelet
Morlet ω
o
= 6 periode Fourier λ
ωt
hampir sama terhadap skala λ
ωt
=1.03 s. CWT dari seri waktu x
n
, n=1...N dengan langkah waktu yang sama δ
t
adalah konvolusi dari x
n
dengan penskalaan dan normalisasi wavelet sehingga daya wavelet
|W
n X
s|
2
yang dihasilkan dapat ditulis :
......................8
Dalam penerapannya wavelet lebih cepat untuk mengimplementasikan konvolusi dalam ruang Fourier Torrence and Compo 1998. Argumen
kompleks W
n X
s dapat diinterpretasikan sebagai fase lokal. CWT mempunyai tepi artifak disebabkan wavelet bukanlah
pembatasan yang utuh terhadap waktu. Cone of Influence COI sangat berguna untuk dipergunakan sehingga efek tepi dapat diabaikan.
Penggunaan COI sebagai daerah dimana power wavelet menyebabkan diskontinuitas pada tepi yang telah diturunkan menjadi e
-2
dari nilai di tepi. Signifikansi statistik dari power wavelet dapat dinilai relatif terhadap
hipotesa nol, dimana sinyal yang dihasilkan oleh proses stasioner dengan