Anda di halaman 1dari 6

91

APROKSIMASI PAD DAN PENERAPANNYA


PADA ANALISIS PERFORMANSI DETEKSI RADAR
Deni Saepudin1, Kuntjoro Adji Sidarto 2
1
PPDU Sekolah Tinggi Teknologi Telkom, Bandung
2
Departemen Matematika, Institut Teknologi Bandung
1
dns@stttelkom.ac.id, 2sidarto@dns.math.itb.ac.id
Abstrak
Aproksimasi Pad adalah suatu teknik aproksimasi dengan menggunakan fungsi rasional. Dalam
beberapa hal, teknik ini memberikan hasil yang lebih baik dibandingkan dengan teknik aproksimasi
dengan menggunakan polinom Taylor yang biasanya lebih dikenal. Dalam paper ini, aproksimasi Pad
digunakan untuk mengaproksimasi fungsi pembangkit momen dari suatu fungsi densitas di sekitar titik
asal. Dengan menggunakan invers transformasi Laplace, aproksimasi fungsi densitas dapat diperoleh dan
biasanya cukup baik untuk x yang cukup besar. Teknik aproksimasi ini diterapkan untuk menghitung
threshold dan peluang deteksi pada deteksi radar bila nilai peluang false alarm diberikan.

Kata kunci: aproksimasi Pad, fungsi pembangkit momen, peluang false alarm, peluang deteksi
Abstract
Pad approximation is an approximation technique using rational functions. In some aspects, this
technique gives better results than Taylor polynomial approximation which is more familiar. In this
paper, Pad approximation is being used to approximate moment generating function of a probability
density function near the origin. Using invers of Laplace transform, the approximate density function can
be obtained and usually good enough for large x. This approximation technique is applied to compute
threshold and detection probability in radar detection performance analysis if the false alarm probability
is given.

Keywords: Pad approximation, moment generating function, false alarm probability, detection
probability

1. Pendahuluan adalah salah, iv) target tidak ada tetapi proses


deteksi menyatakan ada, maka hasil ini adalah salah.
Sedikitnya ada dua masalah yang memotivasi Kasus (iv) biasanya diistilahkan sebagai false alarm.
pembahasan teknik aproksimasi Pad pada tulisan Tabel 1. Kemungkinan Hasil Deteksi
ini. Pertama, hasil aproksimasi Pad yang cukup
baik dan bentuknya cukup mudah dalam komputasi. Target Deteksi Hasil
Kedua, untuk memperoleh cara penghitungan Tidak ada Tidak Benar
threshold dan peluang deteksi yang lebih mudah Ada Ya Benar
dalam analisis performansi deteksi radar. Ada Tidak Salah
Dalam analisis deteksi radar, salah satu Tidak ada Ya Salah (false alarm)
masalah utama yang harus dipecahkan adalah
Threshold dan peluang deteksi muncul dalam
memutuskan apakah sinyal yang diterima oleh
bentuk yang cukup sulit dihitung, karena biasanya
receiver merupakan sinyal yang dipantulkan dari
dinyatakan dalam bentuk integral lipat dua atau tiga
target ataukah sinyal yang hanya memuat noise dan
dari fungsi-fungsi Bessel dengan batas-batas tak
clutter. Biasanya, sinyal-sinyal yang diterima
hingga. Ovarlez dan Immanuelle, telah merumuskan
receiver dibandingkan dengan threshold. Jika kuat
masalah ini secara sistematis[7] dan sebagian di
sinyal melebihi threshold, maka proses deteksi
antaranya akan dituliskan kembali pada bagian dua
menyatakan bahwa sinyal memuat sinyal target. Jika
dalam paper ini. Di sini akan dapat dilihat peranan
sebaliknya, maka proses deteksi menyatakan bahwa
teknik aproksimasi Pad yang memberikan alternatif
sinyal yang sampai ke receiver hanya merupakan cara penghitungan thereshold dan peluang deteksi
noise atau clutter. Dengan prinsip deteksi seperti
yang lebih mudah namun tetap akurat.
ini, maka ada empat kemungkinan hasil deteksi,
sebagaimana dirangkum pada Tabel 1: i) target
2. Beberapa Relasi pada Deteksi Radar
memang ada dan proses deteksi menyatakan ada,
maka hasil deteksi adalah benar, ii) target tidak ada Misalkan s adalah sinyal target, n thermal
dan proses deteksi menyatakan tidak ada, maka hasil noise dan c clutter, semuanya dinyatakan dalam
deteksi adalah benar, iii) target ada tetapi proses bilangan kompleks. Proses deteksi dapat dipandang
deteksi menyatakan tidak ada, maka hasil deteksi sebagai pengujian hipotesis statistik:

Aproksimasi Pad dan Penerapannya pada Analisis Performansi Deteksi Radar (Deni Saepudin)
92

H0 : y = c + n

H1 : y = s + c + n. f H 1 ( r | A) rCs ( )C H 0 ( ) J 0 ( r ) d
0
Misalkan fH0(r) menyatakan fungsi densitas
dari |c + n|, fH1(r) menyatakan fungsi densitas dari rJ 0 ( A)CH 0 ( ) J 0 ( r )d (9)
|s + c + n|, dan menyatakan threshold. Maka 0
peluang terjadinya false alarm Pfa dinyatakan oleh: Untuk kasus envelope sinyal target berfluktuasi
dengan fungsi densitas f(A|A0), di mana A0 adalah
Pfa f

H 0 ( r ) dr (1) mean dari selubung A, maka

dan peluang deteksinya adalah: f H 1 (r | A0 ) f H 1 (r | A) f ( A | A0 )dA (10)


0

Pd f

H 1 ( r ) dr (2) Peluang deteksi, baik untuk (9) maupun (10),
secara umum sulit dihitung. Karena itu, peluang
deteksi akan dihitung dengan menerapkan teknik
Dalam koordinat polar, kita dapat menuliskan sinyal
aproksimasi. Teknik aproksimasi yang akan
kompleks:
digunakan di sini adalah teknik aproksimasi Pad.
u iv rei
dengan r adalah selubung sinyal dan adalah fasa. 3. Aproksimasi Pad
Nilai-nilai r dan saling bebas dan diasumsikan
berdistribusi seragam [0, 2]. Karena itu, fungsi Misalkan h(u) adalah fungsi dengan deret
densitas bivariatnya: pangkat di sekitar u = 0, dapat dituliskan sebagai:

f r , (r , ) f (r ) h(u ) cnu n (11)
fu,v(u,v) = fu,v(r cos , r sin ) r
r 2r n0

Fungsi karakteristik dari fungsi densitas bivariat di Aproksimasi Pad dari fungsi h(u) dengan orde
atas adalah: [L/M] adalah suatu fungsi rasional:
L

a u
n

e
i ( t1u t 2 v )
C (t1 , t 2 ) (3) L M

n
f u ,v (u , v)dudv
c u
(12)

P[ L / M ] (u ) n 0
M
n
n
o u L M 1
Jika ditranformasi ke koordinat polar, dengan: b u n
n n 0

t1 = cos t2 = sin n 0
untuk u di sekitar 0. Tanpa mengurangi keumuman,
u = r cos v = r sin
biasanya dipilih b0 = 1. Nilai-nilai a0, a1, . . ., aL dan
maka:
2 fr (r )
b1, b2, . . ., bM dapat diperoleh dari persamaan (12)
ir cos( ) rddr
C ( , ) e 2r
f r ( r ) J 0 ( r )dr dengan cara menyamakan koefisien dari pangkat u
0 0 0 yang sama:
(4) L
M
L M
n 0
anu n 1 bnu n cnu n
n 1 n 0
dengan J0() menyatakan fungsi Bessel orde nol.
Karena fungsi karakteristik di atas tidak bergantung Dengan cara ini diperoleh:
pada , maka dapat dituliskan sebagai:
M

b c
n 0
n Ln j cL j , 1 j M (13)

C( ) f r (r ) J 0 ( r )dr (5) Persamaan-persamaan pada (13) membentuk M


0 persamaan linear dengan M variabel yang tak
dan dikenal sebagai fungsi karakteristik radial. Lebih diketahui. Sistem persamaan linear tersebut dapat
jauh, bentuk (5) menyatakan transformasi Hankel dituliskan dalam bentuk perkalian matriks
orde nol dari fungsi fr(r). Dengan menerapkan invers c L M 1 c L M 2 c L bM c L 1
transformasi Hankel dapat diperoleh:

c L M k c L M k 1 c L k 1 bk c L k
f r (r ) rC ( ) J 0 ( r )d (6)

0
Untuk kasus sinyal target dengan selubung konstan, c L c L 1 c L M 1 b1 c L M
misalnya A, fungsi densitasnya diberikan oleh: (14)
f r (r ) (r A) (7)
Matriks yang berada di kiri dikenal sebagai matriks
Dengan menggunakan sifat fungsi delta Dirac, maka
Hankel. Jika matriks Hankelnya mempunyai rank
fungsi karakteristik radialnya diperoleh yaitu
penuh, maka nilai-nilai b1, b2, ...,bM dapat ditentukan
Cs ( ) J 0 ( A) (8)
secara tunggal. Selanjutnya nilai-nilai a1, a2, ..., aL
Karena fungsi karakteristik radial: dapat diperoleh dari:
CH1() = CH0()Cs(), min( M , j )

maka: aj cj b c
i 1
i j i ,0 jL (15)

Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Desember 2003, Vol. 8 No. 2


93

Khusus untuk fungsi-fungsi Stieltjes, yaitu Dari ekspansi Taylor di sekitar u = 0 diperoleh:
fungsi-fungsi yang dapat dituliskan dalam bentuk h(u ) 1 3u 13
2
u2 73
6
u 3 167
8
u4 4051
120
u5

d ( z ) u6 u7 u o(u 9 )
S (u )
37633 43817 4596553 8
720 560 40320
1 zu
0 sehingga polinom Taylor orde 8 untuk fungsi h(u)
dengan (z) adalah fungsi yang terbatas dan tak adalah:
turun, aproksimasi Pad diagonal P[M/M](u) dan P8 (u ) 1 3u 13 u 2 73 u 3 167 u 4 4051 u5
subdiagonal P[M1/M](u) akan konvergen untuk
2 6 8 120

M [1]. Walaupun hasil ini tidak dijamin 37633


720
u 6 43817
560
u 7 4596553
40320
u8
berlaku untuk sembarang fungsi, namun hasil ini Untuk M = 2, 3 dan 4, aproksimasi Pad subdia-
memotivasi penggunaan aproksimasi subdiagonal gonalnya adalah:
P[M1/M](u) dalam tulisan ini. Selain itu, bentuk 1 15
1 u
P[1 / 2] (u )
subdiagonal P[M1/M](u) akan memudahkan ketika 1 15
44 u 23 u 2
10
bekerja dengan invers transformasi Laplace dalam
melakukan aproksimasi fungsi densitas. 1 36 u 980
1 u2
P[ 2 / 3] (u ) 49
1 183
49
u 4611
980
u 2 5899
2940
u3

1 1137 u 1918
1333 u 2 1
P[3 / 4] (u ) 685 143850
1 3192
685
u 39197
4795
u 2 460412
71925
u 3 191800
362331 u 4

4. Aproksimasi Pad untuk Fungsi Densitas


Selanjutnya, kita akan melihat bagaimana
teknik aproksimasi Pad dapat digunakan untuk
mengaproksimasi fungsi densitas dari suatu variable
random non-negatif X, bila momen-momennya
diketahui. Teknik ini pertama kali diperkenalkan
oleh Amindavar pada tahun 1994 [1].
Gambar 1. Grafik h(u), P8(u) dan P[1/2](u) Misalkan m(u) adalah fungsi pembangkit
momen dari suatu variabel random non negatif X
dan f(x) adalah fungsi densitas dari X. Maka m(u)
didefinisikan sebagai:

m(u ) e ux f ( x) dx
0

yang merupakan transformasi Laplace dari f(x).


Misalkan momen-momen E[X], E[X2], ...,
N
E[X ] diketahui (nilai-nilainya dapat ditaksir cukup
akurat), maka m(u) dapat dituliskan sebagai deret
pangkat dari momen-momennya:

( u ) n
m(u ) E[ X n ]
n 0 n!
Gambar 2. Grafik h(u), P[2/3](u) dan P[3/4](u) Oleh karena itu, m(u) dapat diaproksimasi dengan
deret pangkat:
Dari Gambar 1 terlihat bahwa untuk |u| yang N
( u ) n
besar, aproksimasi Pad memberikan hasil yang m(u ) E[ X n ] (15)
n0 n!
cukup baik. Ini berbeda dengan aproksimasi polinom
Berdasarkan (15), aproksimasi Pad subdia-
Taylor yang justru divergen di sana. Sementara itu,
gonal dapat dikonstruksikan:
juga dapat dilihat bahwa h(u) memiliki singularitas M 1
di u = 1. Dengan bertambahnya M, aproksimasi
[ M 1 / M ]
a u n
n

Pad akan memberikan hasil yang lebih baik di P (u ) n0


M
sekitar u = 1 (lihat Gambar 2). Sementara itu, 1 bnu n
polinom Taylor tidak dapat diandalkan di sekitar n 1

singularitas, karena polinom tidak mempunyai Bila diterapkan invers transformasi Laplace, maka
singularitas. diperoleh aproksimasi Pad untuk fungsi densitas:
f ( x) L1P[ M 1 / M ] (u) f [ M 1 / M ] ( x)
Contoh 1. Misalkan:
Misalkan ingin diaproksimasikan fungsi: M
k
P[ M 1 / M ] (u )
e ( u / 1 u ) k 1 u k
h(u )
(1 u ) 2 maka secara eksplisit dapat dituliskan:

Aproksimasi Pad dan Penerapannya pada Analisis Performansi Deteksi Radar (Deni Saepudin)
94

M cukup akurat. Misalkan dengan menggunakan


f [ M 1 / M ] ( x) k e k x aproksimasi Pad, fH0(r) dapat diaproksimasikan:
k 1 M
Jika m(u) dapat diaproksimasikan cukup baik f H 0 (r ) k e k r
untuk u 0, maka hasil aproksimasi untuk f(x) k 1

yang diperoleh akan cukup baik untuk x . Dan maka:


M
sebaliknya, jika m(u) dapat diaproksimasikan cukup M
k
Pfa k e k r dr e k (16)
baik untuk u , maka hasil aproksimasi untuk
k 1 k 1 k
f(x) yang diperoleh akan cukup baik untuk x 0.
dan:
Hal ini dapat didasarkan pada teorema nilai awal dan M
nilai akhir transformasi Laplace [5]. f H1 ( r | A) rJ 0 ( A) k e k r ' J 0 ( r ' )dr ' J 0 ( r )d
0 0 k 1

Contoh 2. M
k
Pada Contoh 1, dilakukan aproksimasi Pad rJ 0 ( A) J 0 ( r )d (17)
0 k 1 2 2
k
terhadap fungsi
Karena:
e ( u / 1 u )
h(u )

(1 u ) 2
rJ 0 ( r )dr

J1 ( ) (18)
dan aproksimasi Pad orde [1/2] untuk h(u) adalah 0
2
k maka:
h(u )
k 1 u k k
dengan
Pd 1 rJ 0 ( A) k2
2
J 0 ( r )ddr
k 1
1 = 0.01449275362 + i 1.350889900 00
M
2 = 0.01449275362 i 1.350889900 J 0 ( A) J 1 ( )
1 k d (19)
1 = 0.6376811594 i 0.167765722 0 k 1 2 2
k
2 = 0.6376811594 + i 0.167765722 Sekarang dilihat untuk kasus dengan selubung
Fungsi h(u) di atas merupakan fungsi sinyal target berfluktuasi. Misalkan dengan
pembangkit momen dari fungsi densitas f(x), yaitu: aproksimasi Pad:
N
f ( x) xe (1 x ) I1 (2 x ) f ( A | A0 ) i e i A
i 1
dengan I1(x) adalah fungsi Bessel termodifikasi
Maka persamaan (10) menjadi:
orde-1. Bila dilakukan invers transformasi Laplace N
terhadap P[1/2](u), maka diperoleh aproksimasi Pad f H1 (r | A0 ) f H1 (r | A) i e i A dA
untuk f(x): 0 i 1


M
69 69 N
rJ 0 ( r )
k i
44 44
f [1/ 2] ( x) 692 e x 1079
x x
d
134 134
cos 69 4623 134 e sin 69 x
0 k 1 i 1 ( 2 k2 )( 2 i2 )
Bila diplot, diperoleh grafiknya pada Gambar 3.
Sehingga peluang deteksinya dapat dihitung sebagai:
M N
k iJ1 ( )
Pd 1 d
0 k 1 i 1 ( 2
k2 )( 2 i2 )

Contoh 3.
Misalkan c = 0, n = x + i y derau Gaussian kompleks
dengan variansi 2 dan s sinyal target dengan
selubung konstan sebesar A, maka:
x2 y2
1
f x , y ( x, y ) e 2 2
2 2

atau
r02
r0

Gambar 3. Grafik f(x) dan f[1/2](x) f H 0 (r0 ) e 2 2


2

Fungsi karakteristik radialnya dapat diperoleh, yaitu:


Terlihat bahwa f[1/2](x) mengaproksimasi f(x) cukup
CH 0 ( ) e1 / 2
2 2

baik untuk x yang besar.


Sehingga

5. Penerapan
f H1 (r | A) rJ
0
0 ( A)C H 0 ( ) J 0 ( r )d
Sekarang, kita dilihat bagaimana teknik
aproksimasi Pad dapat diterapkan untuk r A2 r 2 rA
exp I 0 2
menghitung (9) dan (10) secara lebih mudah tetapi 2 2 2

Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Desember 2003, Vol. 8 No. 2


95

yang dikenal sebagai fungsi densitas dari distribusi C H 0 ( ) b 2 2 ( 2 2 ) 1


Rice Nakagami (Rician). Untuk = 1 dan Pfa = 106
Untuk = 0.5 dan b = 3, aproksimasi Pad [1/2]
diperoleh nilai threshold sebesar = 5.256521769.
untuk fH0(r) adalah:
Sekarang akan dibandingkan hasil tersebut dengan 2
hasil aproksimasi Pad. Aproksimasi Pad f H[10/ 2 ] (r ) k e k r
subdiagonal untuk fH0(r) dengan M = 6 adalah: k 1
6 dengan:
f H[ 50/ 6 ] (r ) k e k r 1 = 18140.80915 2 = 18140.80915
k 1
dengan: 1 = 1.732133502 2 = 1.731968129
1 = 4.860733459 + i 86.71745609 Untuk Pfa = 106, diperoleh secara numerik nilai
2 = 4.860733459 i 86.71745609 threshold = 9.635064233 dan hasil nilai eksaknya
3 = 5.732893022 i 33.91473496 = 9.635064233, dengan peluang deteksi seperti
4 = 5.732893022 + i 33.91473496 pada Tabel 3 dan Gambar 5.
5 = 0.8690466039 + i 3.621773010 Tabel 3. Perbandingan Pd Tanpa Derau
6 = 0.8690466039 i 3.621773010 A Eksak Pad
1 = 2.996491792 i 0.4409598137 0 9.999999987 107 7.4934 106
2 = 2.996491792 + i 0.4409598137 1 2.49066762 105 2.18032 105
3 = 2.910045029 i 1.364542841 2 9.4806735 104 8.473732 104
4 = 2.910045029 + i 1.364542841 3 1.654477412 102 1.524392 102
5 = 2.718943745 i 2.457150851 4
5
0.1256977006
0.4370806630
0.1190988517
0.4242787759
6 = 2.718943745 + i 2.457150851 6 0.7975582408 0.7882775220
memberikan nilai threshold sebesar 5.288753651. Di 7 0.9660759772 0.9635569735
Tabel 2 dan Gambar 4 diperbandingkan peluang 8 0.9976013596 0.9973460586
deteksi hasil aproksimasi dan eksak untuk Pfa = 106. 9 0.9999320667 0.9999227583
10 0.9999992510 0.9999991700
Tabel 2. Nilai Pd pada Derau Gaussian Kompleks
A Eksak Pad
0 1.7693 106 2.599 107
1 1.8897 106 1.6743 106
2 6.4558 106 6.2417 106
3 2.79682 105 2.77538 105
4 1.264633 104 1.262495 104
5 5.861756 104 5.859642 104
6 2.7353766 103 2.7351757 103 Gambar 5. Grafik Pd terhadap A Tanpa Derau
7 1.26416323 102 1.26414789 102 (nilai eksak dan hasil aproksimasi Pad berhimpit)
8 5.67050829 102 5.67051325 102
9 0.2357504183 0.2356365854 Contoh 5.
10 0.6984959301 0.6984971118 Misalkan n derau Gaussian kompleks dengan
11 0.9317231882 0.9317228340 variansi 2 dan c clutter dengan selubung clutter
12 0.9861295043 0.9861288196
berdistribusi K seperti pada Contoh 4, maka:
13 0.9973082999 0.9973076309
Pfa f H 0 (r )dr
14 0.9994904713 0.9994899077

Misalkan dengan menggunakan aproksimasi Pad:
N
f n (r ) j e
j r

j 1

dan
M
f c ( r ) k e k r
k 1

Gambar 4. Grafik Pd terhadap A maka:



dengan Derau Gaussian Kompleks
(nilai eksak dan hasil aproksimasi Pad berhimpit) f H 0 (r )
rC ( )C ( ) J
0
c n 0 ( r ) d

Contoh 4. M N
k
r
j
Misalkan n = 0 (tanpa derau), dan selubung clutter J 0 ( r ) d
berdistribusi K dengan fungsi densitas: 0 k 1 j 1 2
k2 2j
2

2b(br / 2) 1 sehingga:
f H 0 (r ) K (br )
( 1) M N
k j
Khususnya untuk fungsi ini, fungsi karakteristik Pfa f H 0 (r )dr J1 ( )d
0 k 1 j 1
2 2
2j
2
radialnya adalah: k

Aproksimasi Pad dan Penerapannya pada Analisis Performansi Deteksi Radar (Deni Saepudin)
96

Dengan memanfaatkan hasil pada Contoh 3 dan 6. Kesimpulan


Contoh 4, secara numerik dapat diperoleh nilai
Dari uraian diatas, dapat dicatat beberapa
threshold untuk Pfa = 106 sebesar = 10.485. kesimpulan. Aproksimasi Pad merupakan alternatif
Dengan cara eksak, yakni dengan menyelesaikan untuk memperoleh hasil perhitungan yang lebih baik
secara langsung persamaannya: jika aproksimasi dengan polinom Taylor tidak

memuaskan. Aproksimasi Pad subdiagonal dapat
Pfa f H 0 ( r ) dr 1 f H 0 ( r ) dr
0
dimanfaatkan untuk mempermudah perhitungan
dalam mendapatkan invers transformasi Laplace dari
1 rCc ( )Cn ( ) J 0 ( r )ddr suatu fungsi, bila invers transformasi Laplace secara
langsung sulit diterapkan. Bila beberapa momen dari
00

suatu variable random X diketahui (dapat ditaksir
1 Cc ( )Cn ( ) J1 ( )d cukup akurat), maka fungsi densitasnya dapat
diaproksimasi dengan memanfaatkan aproksimasi
0
Pad subdiagonal dan menerapkan invers
diperoleh nilai threshold sebesar = 10.4985.
transformasi Laplace. Hasil aproksimasi cukup baik
Selanjutnya kita akan menghitung peluang deteksi:
untuk nilai x yang cukup besar. Aproksimasi Pad
M N
k j
f H1 ( r ) rJ 0 ( A) J 0 ( r ) d memberikan alternatif perhitungan yang lebih
0 k 1 j 1 2 k2 2 2j mudah dalam menghitung threshold dan peluang
sehingga: deteksi pada analisis performansi deteksi radar.

Pd fH 1
(r )dr Daftar Pustaka:
[1] Amindavar, H., and Ritcey, J. A. Pad
M N
k
rJ 0 ( A)

j
J 0 ( r ) d dr
Approximations of Probability Density
0 k 1 j 1 2 k2 2 2j Function, IEEE Trans, on Aerospace and

Electronic System, Vol. 30 No. 2 April 1994
M N
k

1 J 0 ( A) 2
k2 2j
2
j
J1 ( ) d
pp. 416-424.
0 k 1 j 1 [2] Amindavar, H., and Ritcey, J. A. Pad
Hasil perhitungan peluang deteksi dengan derau dan Approximations for Detectibility in K-clutter
clutter diperlihatkan pada Tabel 4 dan Gambar 5. and Noise, IEEE Trans, on Aerospace and
Electronic System. Vol. 30 No. 2 April 1994,
Tabel 4. Nilai Pd dengan Derau dan Clutter pp. 425-434.
A Eksak Pad [3] Bateman, H., 1954, Tables of Integral
0 1.0004 106 9.632 107 Transforms, Vol 1. NewYork, McGraw-Hill
1 1.8364 106 1.7326 106 Book Company, Inc.
2 6.899 106 6.2179 106
3 2.74338 105 2.73021 105 [4] Cheney, E.W., 1966, Introduction to Approx-
4 1.228537 104 1.246297 104 imation Theory. New York, McGraw-Hill
5 5.609354 104 5.720422 104 Book Company, Inc.
6 2.5530512 103 2.6058410 103
7 1.12731293 102 1.14999611 102
[5] Dyke, P.P.G., 2000, An Introduction to
8 4.57025648 102 4.65379110 102 Laplace Transform and Fourier Series,
9 0.1535193576 0.1557861598 London. Springer Verlag.
10 0.3813551616 0.3851793916
11 0.6690410039 0.6726683279
[6] Edde, B., 1993, RADAR: Principles, Techn-
12 0.8769541551 0.8788884142 ology, Applications, New Jersey, Prentice-Hall
13 0.9665751278 0.9672165426 International, Inc.
14 0.9925511631 0.9927074861
15 0.9984913647 0.9985238205
[7] Ovarlez, J.P and Immanuelle, J. New Methods
16 0.9997075288 0.9997134737 of Radar Detection Performances Analysis.
17 0.9999446177 0.9999453709 www.telecom.tuc.gr /paperdb /icassp99 /PDF/
SCAN /IC991929.PDF .
[8] Sneddon, I., 1951, Fourier Transforms, New
York, McGraw-Hill, Inc.
[9] Sullivan, J., Pad Approximation via The
Continued Fraction Approach, American
Journal of Physics. Vol. 46 No.5 May 1978 pp.
489-494.
Gambar 5. Grafik Pd terhadap A [10] Watson, G.N., 1966, Theory of Bessel
dengan Derau dan Clutter Functions, London, Cambridge University
(nilai eksak dan hasil aproksimasi Pad berhimpit) Press.

Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Desember 2003, Vol. 8 No. 2