TEKNIK PEMROSESAN SINYAL LANJUT

RESUME

DOSEN
Dr. ACHMAD ARIFIN, ST., M.Eng.

Oleh:

Erwin Ardias Saputra

2216204001

PROGRAM PASCASARJANA MAGISTER

BIDANG KEAHLIAN TEKNIK ELEKTRONIKA
JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
autocorrelation

Autocorrelation function merupakan metode yang digunakan untuk mendeteksi

periodesitas dari suatu sinyal periodik yang telah terkandung noise, mengestimasi periode
perulangannya dan dapat digunakan untuk mengetahui besarnya frekeunsi sinyal. Autocorrelation
terbentuk pada saat y[n]  x[n] dalam persamaan cross-correlation, seperti yang ditunjukkan
Persamaan

rxy (l )   x[n]  y[n  l ]
n  

Saat l = 0 maka akan menghasilkan korelasi yang sempurna (perfect correlation), dan rxy

menurun sebagai fungsi dari peningkatan waktu lag. Sedangkan beberapa sifat yang dimiliki oleh
correlation adalah sebagai berikut.
 
rxx (0)   x[n]  x[n]   x[n]  E x energy
2

n   n  

rxx (l )  rxx (0).ryy (0)  E x E y

rxx (l )  rxx (0)  E x

Untuk mendeteksi periodisitas dari sinyal yang telah terkandung noise didalamnya, Dapat
diketahui bahwa rumus umum dari sinyal terkontaminasi noise : y[n]  x[n]  w[n] , dimana y[n]
adalah sinyal yang bercampur noise, x[n] adalah sinyal asli dan w[n] adalah white noise.

M 1
1
rxx (l ) 
M
 y[n] y[n  l ]
n 0
M 1
1
rxx (l ) 
M
 ( x[n]  w[n]).( x[n  l ]  w[n  l ])
n 0
M 1
1
rxx (l )   x[n]x[n  l ]  x[n]w[n  l ]  w[n]x[n  l ]  w[n]w[n  l ]
M n 0
rxx (l )  rxx  rxw  rwx  rww

Jika w adalah white noise, maka nilai rww hanya terdapat pada lag nol (hanya rww (0) yang

tidak nol). Sedangkan rxw dan rwx memiliki nilai korelasi yang rendah (hampir nol). Sehingga

korelasi dengan nilai yang tinggi hanya terdapat pada sinyal rxx dengan beberapa puncak pada
 setiap periode, oleh karenanya dapat dilihat sifat periodisitas dari suatu sinyal. Autocorrelation
lebih kebal terhadap noise.

linear prediction

linear prediction adalah operasi matematika dimana dapat memprediksi nilai diskrit time
signal berdasarkan fungsi linear dari sampel sebelumnya. Linier prediction model dapat
meramalkan amplitudo sinyal pada waktu ke-m, 𝑥(𝑚) menggunakan sebuah kombinasi linier
yang terboboti (linier weighted combination) dari P sample sebelumnya [𝑥(𝑚 − 1), 𝑥(𝑚 −
2), … , 𝑥(𝑚 − 𝑃)] dengan persamaan :

𝑥̂(𝑚) = ∑ 𝑎𝑘 𝑥(𝑚 − 𝑘)
𝑘=1

Dimana 𝑥̂(𝑚) adalah sinyal prediksi dari 𝑥(𝑚), 𝑎𝑘 adalah koefisien predictor dan 𝑚 adalah indeks
waktu diskrit.

Error prediksi 𝐞(𝐦) adalah perbedaan antara sinyal sample 𝑥(𝐦) terhadap sinyal prediksinya
𝑥̂(𝑚) yang digambarkan dengan persamaan :

𝑒(𝑚) = 𝑥(𝑚) − 𝑥̂(𝑚)

𝑃

= 𝑥(𝑚) − ∑ 𝑎𝑘 𝑥(𝑚 − 𝑘)
𝑘=1

Untuk sinyal yang mengandung informasi, error prediksi 𝐞(𝐦) dapat dianggap sebagai
informasi yang terkandung dalam sample 𝑥(m). sinyal dibentuk atau dimodelkan dengan
sebuah linier predictor yang dapat digambarkan dengan persamaan feedback :
𝑃

𝑥(𝑚) = ∑ 𝑎𝑘 𝑥(𝑚 − 𝑘) + 𝑒(𝑚)

𝑘=1

dimana ∑𝑃𝑘=1 𝑎𝑘 𝑥(𝑚 − 𝑘) adalah bagian 𝑥(𝑚) yang dapat diprediksi dan 𝑒(𝑚) adalah bagian
yang 𝑥(𝑚) yang tidak dapat diprediksi model linier prediktor dari sinyal 𝑥(𝑚), Pada model
ini, eksitasi input random (dalam hal ini error prediksi) adalah 𝑒(𝑚) = 𝐺 𝑢(𝑚), dimana 𝑢(𝑚)
adalah sebuah zero mean, unit varian dari sinyal random dan G adalah gain, yaitu akar kuadrat
varian dari 𝑒(𝑚).

Koefisien Prediktor
Koefisien prediktor dihitung dengan persamaan sebagai berikut :

𝑎 = 𝑅𝑥𝑥 −1 𝑟𝑥𝑥

𝑎1 𝑟𝑥𝑥 (0) 𝑟𝑥𝑥 (1) 𝑟𝑥𝑥 (2) … 𝑟𝑥𝑥 (𝑃 − 1) −1 𝑟𝑥𝑥 (1)

𝑎2 𝑟𝑥𝑥 (1) 𝑟𝑥𝑥 (0) 𝑟𝑥𝑥 (1) … 𝑟𝑥𝑥 (𝑃 − 2) 𝑟𝑥𝑥 (2)
𝑎3 = 𝑟𝑥𝑥 (2) 𝑟𝑥𝑥 (1) 𝑟𝑥𝑥 (0) … 𝑟𝑥𝑥 (𝑃 − 3) 𝑟𝑥𝑥 (3)
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑎
( 𝑃 ) (𝑟𝑥𝑥 (𝑃 − 1) 𝑟𝑥𝑥 (𝑃 − 2) 𝑟𝑥𝑥 (𝑃 − 3) … 𝑟𝑥𝑥 (0) ) (𝑟𝑥𝑥 (𝑃))

Dimana 𝑟𝑥𝑥 adalah autokorelasi dari sinyal sample 𝑥(𝑚) untuk sejumlah timelag dengan
persamaan sebagai berikut :

𝑀−1

𝑟𝑥𝑥 (𝑙) = ∑ 𝑥[𝑚]. 𝑥[𝑚 − 𝑙] 𝑑𝑖𝑚𝑎𝑛𝑎 𝑙 = 0,1,2, … , 𝑀 − 1

𝑚=0

Sedangkan 𝑅𝑥𝑥 adalah matrik autokorelasi dari input vektor 𝑥(𝑚 − 1), 𝑥(𝑚 − 2) … , 𝑥(𝑚 − 𝑃)

𝑟𝑥𝑥 (0) 𝑟𝑥𝑥 (1) 𝑟𝑥𝑥 (2) … 𝑟𝑥𝑥 (𝑃 − 1)

𝑟𝑥𝑥 (1) 𝑟𝑥𝑥 (0) 𝑟𝑥𝑥 (1) … 𝑟𝑥𝑥 (𝑃 − 2)
𝑅𝑥𝑥 = 𝑟𝑥𝑥 (2) 𝑟𝑥𝑥 (1) 𝑟𝑥𝑥 (0) … 𝑟𝑥𝑥 (𝑃 − 3)
⋮ ⋮ ⋮ ⋱ ⋮
(𝑟𝑥𝑥 (𝑃 − 1) 𝑟𝑥𝑥 (𝑃 − 2) 𝑟𝑥𝑥 (𝑃 − 3) … 𝑟𝑥𝑥 (0) )

untuk mendapatkan nilai a1, a2, a3 dst dengan cara menginvers matrik Rxx kemudian dikalikan
dengan matrik 𝑟𝑥𝑥 .