RIVIEW JURNAL ANALISIS INVARIAN PERMUTASI SIKLIK PALING

AKURAT SECARA SERAGAM UNTUK DISKRIT-SINYAL WAKTU

Mata Kuliah Statistika Matmatika II

Dosen Pengampu:

Bunga Mardhotillah, S.Si., M.Stat.

Disusun Oleh:

Satrrio Adi Nugraha F1C221036

Miranda Sukma Nurhadi F1C221037

Hilmaliya F1C221039

Andita Kusuma Wardani F F1C221040

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS JAMBI
 2023

Abstrak

Secara umum tes invarian paling akurat diturunkan untuk masalah pendeteksian sinyal
dengan lokasi yang tidak diketahui dalam urutan kebisingan. Tes ini memiliki sifat bahwa untuk
setiap lokasi sinyal yang memungkinkan, tes ini memiliki keakuratan terbesar dibandungkan tes
invarian terhadap pengmatan permutasi siklik.

Dibandingkan dengan Likelihood Ratio Test (LRT) yang mana biasanya digunakan dalam
pemecahan masalah ini. Simulasi Monte-Carlo digunakan untuk membuktikan bahwa keakuratan
dari dua tes tersebut adalah sebanding, dan sulituntuk menentukan mana yang lebih sederhana.

1. Pendahuluan

Permasalahn dalam mendeteksi sinyal yang diketauhui tanpa mengatahui dimana lokasinya
dalam percobaan White Noise Gaussian telah disuguhkan dalam literasi. Pendekatan yang paling
sederhana adalah dengan menggunakan besaran transformasi fourier dari pengamatan sebagai
statitistik invarian permutasi siklik. Meskipun demikian, karena statistik ini tidak maksimal maka
invariannya tidak berubah. Faktanya, Hayes telah membuktikan bahwa untuk kasus yang saling
bebas (tidak berhubungan) bahkan jika dalam kelas yang sama seperti kasus yang memuat
permutasi siklik, sifat pembalikan waktu, maupun sifat terurut, nilai statistiknya tetap tidak
maksimal. Hasil akhirnya adalah sub-optimal dari setiap basis detektor dalam persamaan ini.

Metode yang tepat adalah dengan menggunakan formula Generalised Likelihood Ratio Test
(GLRT). Dimana lokasi sinyal dimisalkan sebagai parameter yang tidak diketahui, serta
terestimasi dan digunakan dalam Likelihood Ratio Test (LRT). Hal ini memunculkan
implementasi Convulution-Style dimana sebuah matriks dipindahkan melewati data pengamatan
dan statistik relevan dihitung untuk setiap posisi. Kemudian keputusan dan kesimpulan akhir
dapat dibuat jika salah satu statistik melebihi ambang batas yang telah ditentukan. Berdasarkan
beberapa kondisi yang cukup umum GLRT diketahui optimal secara asimtotik (5, p.250).
Bagaimanapun, dari sudut pandang pemrosesan sinyal, haln ini memiliki nilai yang patut
dipertanyakan karena sampel jarang bernilai besar. Selain itu, tidak ada indikasi tentang berapa
banyak sampel yang tetap sebelum distribusi asimtotik menjadi tepat.
 Dalam jurnal ini, argumen invarian digunakan untuk menurunkan Uniformly Most Powerfull
Invariant (UMPI) untuk mendeteksi sinyal dalam sampel Gaussian Noise. Sinyal diasumsikan
hanya diketahui dalam sembarang permutasi siklik dari elemen-elemennya, dimana untuk sinyal-
waktu yang merupakan padanan alami dari lokasi yang tidak diketahui (dan permutasi invarian)
dalam waktu yang kontinu. Hasil dari analisis metode ini kemudian dibandingkan dengan GLRT
yang karena memiliki invarian yang sama, tentu saja memiliki hasil yang sama dengan metode
pemecahan yang lebih sederhana dibandingkan UMPI. Ini menujukkan, bahwa setidaknya pada
beberapa kasus uji coba, perbedaan dari dua cara analisis dapat diabaikan. Ini adalah hasil yang
signifikan karena memvalidasi penggunaan GLRT yang lebih sederhana.

2. Metode Pemecahan Masalah

Diasuksikan terdapat N sampel x 1 , . . .. , x N dari data akan diuji. Berdasarkan hipotesis H 0, sampel
tersebut merupakan sampel bebas dan disdistibusikan sama sebagai N [ 0, σ 2 ]  untuk
penjelasan lebih jelasnya terdapat pada bagian 8. Berdasarkan hipotesis H 1beberapa permutasi
dari prototype sinyal target s1 , .. . . , s N dimasukkan dalam White Noise. Karena untuk mengamati
waktu diskrit maka wajar untuk menganggap pergeseran atau permutasi sebagai permutasi siklik
dari elemen-elemen yang ada, berdasarkan H 1rata-rata dari pengamatan adalah permutasi siklik
dari s1 , .. . . , s N .

Permasalahan tersebut lebih mudah dituliskan dalam notasi vektor, dengan hipotesis sebagai
berikut:

H 0 : x=n (1)

Dan

θ
H 1 : x =P s+ n (2)

Dimana n : N [ 0 , σ 2 I ] dan P adalah matriks permutasi siklik

 ( )
0 ⋯ 0 1
P= 1 . .. 0 0
(3)
⋮ ⋱ ⋮ ⋮
0 ⋯ 1 0

Dapat dilihat bahwa premultiplikasi kolom vektor x oleh permutasi siklik P dituliskan dalam satu
posisi kebawah:

( )( ) ( )
0 ⋯ 0 1 x1 xn
1 ... 0 0 ⋮ x
= 1 (4)
⋮ ⋱ ⋮ ⋮ x n−1 ⋮
0 ⋯ 1 0 xn x n−1

Dengan demikian, berdasarkan H 1 rata-rata dari x adalah beberapa permutasi siklik dari
vektor sinyal s, dimana urutan yang tepat dari permutasi tidak diketahui. θ diasumsikan sebagai
ketentuan jumlah yang tidak diketahui dan tanpa mengurangi keumuman dapat dibatasi ulang
untuk mendapatkan nilai integer dari 0 sampai N  1.

3. Solusi GLRT Untuk Penyelesaian Masalah

Pada bagian ini, GLRT dari permasalahan tersebut telah diperoleh. Ini merupakan tipe
pengujian yang digunakan dalam pengujian dibawah hipotesis komposit dimana terdapat
parameter (gangguan) yang tidak diketahui dalam formula (dalam hal ini lokasi sinyal). Secara
efektif, estimasi likelihood maksimum dibentuk dari parameter yang tidak diketahui berdasarkan
setiap hipotesis, dan fungsi kepadatan hasil digunakan dalam rasio kemungkinan uji likelihood.

Bentuk Statistik GLRT-nya:

max θϵ [0 , N −1 ] p1( x⃒ θ )
ɅGLRT ( x )=ln (5)
p0 ( x )

Dimana p0( x ) adalah bentuk probability density function (pdf) darinpengamatan x berdasarkan
H 0 dan p1( x ) adalah pdf berdasarkan H 1 .Distribusi telah diberikan pada bagian sebelumnya,

ɅGLRT (x) = max

θϵ ¿¿
{ ( x Pθ )T ( x Pθ s ) x T x }
 1
= σ
2 ¿ (6)

Gunakan GLRT untuk membandingkan statistik tersebut dengan ambang batas dan tentukan H 1
ketika melebihi:

1
¿
σ2

max (7)
θϵ ¿¿

Dapat dilihat, bahwa persamaan akhir diruas kiri menyederhanakan bentuk maksimum
dari hasil kali dalam antara pengamatan x dan semua kemungkinan permutasi siklik dari sinyal s.
Karena hipotesis nol bebas dan tidak bergantung pada parameter θ yang tidak diketahui, maka
ambang batas dapat dipilih sedemikian sehingga uji tersebut memiliki tingkat false alarm yang
konstan.

4. Invarian Masalah Pengujian Hipotesis

Tidak ada uji uniformly most powerful (UMP) untuk masalah pengujuan hipotesis yang
dibahas di sini. Dalam mencari karakterisasi yang optimal, oleh karena itu, perlu untuk
membatasi kelas ujian yang akan dipertimbangkan. Untuk kasus pendeteksian sinyal dengan
lokasi yang tidak diketahui, wajar untuk mengharuskan uji hipotesis dibatasi sedemikian rupa
sehingga keputusan yang sama dibuat untuk versi yang diubah secara sewenang-wenang dari
setiap pengamatan. Oleh karena itu, grup transformasi yang dipertimbangkan untuk masalah:

G= {g ( x )|g ( x )=P x , k =0 , … , N −1 }
k

Ini menempatkan ekuivalensi pada pengamatan { P0 x , … , P N−1 x }, yang wajar karna simetri
unsur-unsur pengamatan di bawah setiap hipotesis. Jadi pengamatan
( x ❑1 , … , x N −1 , x N ) ≡ ( x❑ N , x 1 , … , x N−1 ) ≡ ( x ❑1 , … , x N , x 1) semua dianggap ekuivalen oleh
detektor. Tidak dapat dikatakan bahwa menegakkan kesetaraan ini membatasi bentuk detektor
dengan cara yang tidak masuk akal.

Masalah pengujian dapat dilihat sebagai invarian untuk grup G . Ini dapat ditetapkan dengan
mempertimbangkan distribusi pengamatan x berdasarkan masing-masing hipotesis: Dalam 2
kedua kasus xadalah MVN dengan matriks kovarian σ 2 I namun, berdasarkan H ❑0 rata-ratanya
adalah 0. Dan berdasarkan H ❑1 itu adalah salah satu elemen dari himpunan { P0 s , … , P N−1 s }.
k
Pertimbangkan sekarang sebuah elemen gk ( x )=P x dari grup G. Karena ini adalah

transformasi linier dari x, distribusi y=g k ( x ) adalah N [ Pk E x , σ 2 Pk ( P k ) ] , dimana E x

T

T
adalah nilai harapaan dari x. Perhatikan sekarang bahwa ( Pk ) =P N−k =P−k ,

y : N [ P E x ,σ I ]
k 2

Jadi Berdasarkan H ❑0 rata-rata yang ditransformasikan vektor y adalah 0, dan berdasarkan

H 1 adalah elemen dari himpunan itu, { Pk P0 s ,… , Pk PN −1 s } ={ P0 s ,… , P N−1 s }. Karenanya
Transformasi gk mempertahankan bentuk distribusi dan partisi ruang parameter dibawah setiap
hipotesis. Karena kesimpulan ini valid untuk semua elemen ¿ , masalah pengujian hipotesisnya
adalah invarian-G.