PROSES ACAK, MEAN, EXPECTED VALUE,
COVARIANCE, CORRELATION DAN
AUTOCORRELATION
Disusun Oleh :
1. Haliza Purisetiawati
2. Arief Mahendra
3. Bima Putra Pratama
4. Linda Atika Lubis
5. Linggar Sumantri Dinata (119130041)
Abstrak—Makalah ini dibuat bertujuan untuk memenuhi
tugas mata kuliah Sistem Komunikasi, yaitu Presentasi
Mingguan Setiap Kelompok. Selain itu makalah ini dapat
digunakan untuk membantu mahasiswa mengulas materi
terkait Proses Acak, Mean, Expected Value, Covariance,
Corelation, dan Autocorelation.
Kata Kunci— Proses Acak, Mean, Expected Value,
Covariance, Corelation, Autocorelation
I. PENDAHULUAN
Dalam sistem komunikasi banyak hal yang tidak terduga
seperti masalah atau gangguan yang dapat terjadi di lapangan.
Sinyal yang dikirim dan/atau diterima pun dapat berubah-ubah
atau tidak menentu. Semua hal tersebut dapat dikategorikan
sebagai proses acak.
Proses acak sendiri merupakan peristiwa yang tidak bisa
kita ketahui secara pasti. Perubahan cuaca, bencana alam,
dan/atau kecelakan termasuk dalam kategori proses acak.
Manusia tidak bisa mengetahui secara pasti semua peristiwa
tersebut.
Proses acak memiliki dua ciri-ciri penting yaitu mean (rata-
rata) dan variance (variasi). Mean adalah jumlah nilai yang
muncul dibagi dengan frekuensi kemunculan. Variasi adalah
simpangan rata-rata dari nilai-nilai yang muncul. Oleh karena
itu untuk mengetahui hal tersebut lebih lanjut dibuatlah
makalah ini.
Adapun tujuan dari makalah ini ialah :
1. Mengetahui definisi proses acak.
2. Mengetahui definisi dan makna mean, expected value,
covariance, correlation, dan autocorrelation.
(119130001)
(119130012)
(119130017)
(119130039)
II. LANDASAN TEORI
A. Proses Acak
Perhatian dasar dalam analisis statistik sistem komunikasi
adalah karakteristik sinyal acak seperti sinyal suara, sinyal
televisi, data komputer, dan kebisingan trikal. Sinyal acak ini
memiliki dua sifat. Pertama, sinyal adalah fungsi dari waktu,
ditentukan pada beberapa interval pengamatan. Kedua, sinyal
acak sebelum melakukan percobaan, kita tidak mungkin untuk
menggambarkan tepat bentuk gelombang yang akan diamati.
Dengan demikian, dalam menggambarkan sinyal acak, kami
menemukan bahwa masing-masing titik sampel dalam ruang
sampel kita adalah fungsi waktu. Ruang sampel atau ansambel
terdiri dari fungsi waktu disebut proses acak (stokastik).
Konsep proses acak merupakan perluasan dari konsep
variabel stokastik (memetakan hasil eksperimen kedalam garis
bilangan real) dengan memasukan waktu. Variabel stokastik X
berdasarkan definisinya merupakan fungsi dari hasil s
eksperimen, maka proses stokastik menjadi fungsi dari s dan
waktu. Dengan kata lain, fungsi waktu X(t,s) untuk setiap
hasil s.Proses stokastik fungsi ini dinotasikan dengan X(t,s).
Setiap anggota fungsi waktu disebut fungsi sampel atau
realisasi dari proses.
Gambar di bawah ini mengilustrasikan tiga fungsi sampel
yang merupakan anggota dari ansambel. Misalnya, variabel
stokastik X(t1,s)=X(t1) diperoleh dari proses apabila waktu
dipertahankan pada nilai t1. Notasi X1 digunakan untuk
menotasikan variabel stokastik yang dihubungkan dengan
proses X(t) pada waktu t1. X1 berhubungan dengan irisan
secara vertikal dari seluruh ansambel pada waktu t1 sepeti
pada gambar. Sifat-sifat statistik dari X1 = X(t1)
mendeskripsikan sifat-sifat statistik dari proses stokastik pada
waktu t1. Nilai ekspektasi dari X1 ini disebut rata-rata
ansambel atau nilai mean dari proses stokastik (pada waktu
t1).

Selain itu, kita dapat membedakan antara variabel acak dan
proses acak yaitu untuk variabel acak, hasil percobaan acak
dipetakan ke dalam garis bilangan real. Sedangkan untuk
proses acak, hasil percobaan acak dipetakan ke dalam bentuk
gelombang yang merupakan fungsi waktu.
B. Expected Value
Expected Value atau nilai harapan merupakan sesuatu yang
kita pikir secara intuitif, seperti timbal balik yang diharapkan
untuk suatu jenis tindakan. Rataan atau nilai harapan suatu
peubah acak diskrit dapat dihitung dengan cara mengalikan
nilai dari tiap x1, x2,…xn dari peubah acak X dengan peluang
padanannya f(x1), f(x2),…,f(xn) dan kemudian hasilnya
dijumlahkan.
Jika peubah acak bersifat kontinyu, cara perhitungan nilai
harapan tetap sama dengan peubah acak dikrit tetapi kita perlu
mengganti penjumlahan dengan integral. Misalkan X suatu
peubah acak dengan distribusi peluang f(x). Nilai harapan
rataan X adalah
Misalkan X menyatakan variabel acak, dan misalkan g(X)
menyatakan fungsi bernilai nyata yang didefinisikan pada real
line. Kuantitas yang diperoleh pada fungsi g( X ) nyatakan
sebagai
Untuk menemukan nilai yang diharapkan dari variabel acak Y,
tentu saja kita dapat menemukan fungsi kepadatan probabilitas
fY{ y) dan kemudian menerapkan rumus standar
Namun, prosedur yang lebih sederhana adalah menulis
EXAMPLE 5.4 Cosinusoidal Random Variable
Diketahui:
Dimana X merupakan variabel acak yang terdistribusi secara
acak pada rentang interval (-π, π)
Sehingga dari persamaan yang telah kita dapatkan maka nilai
harapan dari Y adalah.
C. Mean, Covarians Correlation, dan Autocorrelation
Mean (rata – rata) merupakan nilai yang didapatkan dari
jumlah masing – masing data dibagi dengan total data yang
ada. Mempertimbankan proses acak X(t), didefinisikan rata-
rata proses X(t) sebagai harapan dari variabel acak yang
diperolah dengan mengamati proses pada waktu t, seperti yang
ditunjukan oleh :
1
Di mana ( ) ( ) adalah fungsi densitas probabilitas dari
proses pada waktu t. Suatu proses acak dikatakan stasioner ke
orde pertama jika fungsi distribusi (dan karena itu fungsi
kerapatan) dari ( ) tidak berubah terhadap waktu. Artinya,
fungsi densitas untuk variabel acak ( ) dan ( ) tetap untuk
semua dan .
2
Sehingga dapat disimpulkan bahwa, untuk proses yang
stasioner ke orde pertama, rata – rata dari proses acak adalah
konstan, seperti yang ditunjukn oleh :
3
untuk semua t. Dengan argumen serupa, kita juga dapat
menyimpulkan bahwa varians dari proses semacam itu juga
konstan.
Didefinisikan fungsi autokorelasi dari proses ( ) sebagai
ekspektasi produk dari dua variabel acak ( ) dan ( ) ,
diperoleh dengan mengamati ( ) pada waktu dan
masing-masing. Secara khusus, di menulis.
4
dimana ( ) ( ) ( ) adalah fungsi kepadatan
probabilitas gabungan dari variabel acak ( ) dan ( ) .
Disebutkan sebuah random proses ( ) stasioner orde ke dua
jika fungsi distribusi gabungan ( ) ( ) ( ) hanya
bergantung pada perbedaan antara waktu pengamatan waktu
dan . Pada saat ini disiratkan bahwa fungsi autokorelasi
dari proses acak stasioner ( ke orde dua) hanya bergantung
pada perbedaan waktu - , sebagaimana ditunjukn.
5
Untuk semua dan . Demikian pula, fungsi autokovarians
dari proses acak stasioner X(t) ditulis sebagai:
6
Menunjukkan bahwa, seperti fungsi autokorelasi, fungsi
autokovarians dari proses acak stasioner X(t) hanya
bergantung pada perbedaan waktu t2 ~H. Ini persamaan juga
menunjukkan bahwa jika kita mengetahui mean dan fungsi
autokorelasi dari proses, kita dapat dengan mudah menentukan
fungsi autokovarians. Mean dan autokorelasi fungsi karena itu
cukup untuk menggambarkan dua momen pertama dari proses.
Namun, ada dua poin penting yang harus diperhatikan dengan
cermat:
1. Fungsi mean dan autokorelasi hanya memberikan
deskripsi parsial dari distribusi proses acak X(t).
2. Kondisi Persamaan. (3) dan (5) yang melibatkan
fungsi mean dan autokorelasi, masing-masing, tidak
cukup untuk menjamin bahwa proses acak X(t)
adalah Perlengkapan tulis.
Namun demikian, pertimbangan praktis sering mendikte
bahwa kita hanya puas dengan deskripsi parsial dari proses
yang diberikan oleh mean dan fungsi autokorelasi. Sebuah
proses acak yang kondisi Persamaan. (3) dan (5) tahan
dikatakan sebagai stasioner pengertian luas. Jelas, semua
proses yang benar-benar stasioner adalah stasioner dalam arti
luas, tetapi tidak semua proses stasioner yang masuk akal
benar-benar stasioner.
Sifat – sifat auto korelasi adalah untuk kemudahan notasi,
didefinisikan kembali fungsi autokorelasi dari proses stasioner
X(r) sebagai
Fungsiautokorelasi ini memiliki beberapa sifat penting:
1. Nilai Mean-Square dari proses dapat diperoleh dari
Rx (t) hanya dengan menempatkan x = 0 seperti
yang ditunjukan persamaan (7).
8
8
2. Fungsi autokorelasi Rx (t) , adalah fungsi genap dari
x, yaitu
9
Properti ini mengikuti langsung dari persamaan yang
mendefinisikan (7). Dengan demikian, kita juga dapat
mendefinisikan fungsi autokorelasi Rx (t) sebagai.
10
3. Fungsi autokorelasi Rx(x) memiliki besar maksimum
pada x = 0, yaitu,
11
Untuk membuktikan sifat ini, perhatikan besaran
non-negatif.
12
Memperluas istilah dan mengambil ekspetasi masing –
masing, dengan mudah ditemukan bahwa
13
Yang mana, dalam terang persamaan, (7) and (8), dikurangi
menjadi
14
Secara ekuivalen, dapat ditulis dengan
15
Dimana persamaan (11) mengikuti langsung.
Signifikan fisik dari fungsi autokorelasi Rx(t) adalah
menyediakan cara menggambarkan "saling ketergantungan"
dari dua variabel acak yang diperoleh dengan mengamati
proses acak X(t) pada waktu yang terpisah idetik. Oleh karena
itu jelas bahwa semakin cepat proses acak X(t) berubah
dengan waktu, semakin cepat fungsi autokorelasi Rx(t)
berkurang dari maksimum Rx(0) sebagai r meningkat, seperti
yang diilustrasikan pada Gambar dibawah.
Penurunan ini dapat dicirikan oleh waktu dekorrelasi untuk,
seperti: bahwa untuk t > to, besarnya autokorelasi fungsi Rx(t)
tetap di bawah beberapa nilai yang ditentukan. Dengan
demikian kita dapat mendefinisikan waktu dekorrelasi r0 dari
proses acak stasioner arti luas X(t) dari rata-rata nol sebagai T
waktu yang dibutuhkan untuk besarnya fungsi autokorelasi Rx
(t) turun menjadi 1 persen, katakanlah, dari maksimumnya
nilai Rx(0).
 Kovarian adalah ukuran bagaimana perubahan dalam satu
variabel dikaitkan dengan perubahan dalam variabel kedua.
Secara khusus, kovarians mengukur sejauh mana dua variabel
terkait secara linear. Kovarian digunakan untuk mengukur
besarnya hubungan antara dua variabel. Jenis hubungan yang
dapat terjadi atara dua buah variabel berdasarkan nilai
covariance-nya adalah:
• Positif : bila nilai covariance-nya positif atau > 0
• Negatif : nilai covariance-nya negatif atau < 0
• Zero : bila nilai covariance-nya nol atau = 0

III. DAFTAR PUSTAKA

[1] Eeng Ahman, E. I. (2007). Membina Kompetensi

Ekonomi. Grafindo Media Pratama.

[2] S. Haykin, Communication Systems, New York: John

Wiley and Sons Inc, 2001.
[3] T. J. Long, "Nilai Harapan suatu Peubah Acak,"
JAGOSTAT.COM, 06 Juni 2020. [Online]. Available:
https://jagostat.com/teori-peluang/nilai-harapan-peubah-
acak. [Accessed 26 September 2021].