Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Look up keyword
Like this
4Activity
0 of .
Results for:
No results containing your search query
P. 1
agfi_antokirbanijazi_UPN

agfi_antokirbanijazi_UPN

Ratings: (0)|Views: 60|Likes:
Published by api-3808344

More info:

Published by: api-3808344 on Nov 25, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/18/2014

pdf

text

original

1
ANALISIS SINYAL NON-STASIONER
MENGGUNAKAN METODE ADAPLET
(PENAPIS ADAPTIF BERBASIS WAVELET)
Agfianto Eko Putra1, Adi Susanto2, Kirbani Sri Brotopuspito3, Jazi Eko Istiyanto4
1,4) Program Studi Elektronika & Instrumentasi, Jurusan Fisika, Fakultas MIPA
Universitas Gadjah Mada, Sekip Utara, Yogyakarta 55281
Telp. (0274) 92382 \u2013 email:a gf i@ u g m. ac. i d
2) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Gadjah Mada, Yogyakara 55281
3) Program Studi Geofisika, Jurusan Fisika, Fakultas MIPA
Universitas Gadjah Mada, Sekip Utara, Yogyakarta 55281
ABSTRAK

Telah dikembangkan sebuah metode analisis sinyal non-stasioner menggunakan Penapisan Adaptif berbasis Wavelet, yang selanjutnya dinamakan Adaplet. Proses ini diawali dengan melakukan penundaan pada sinyal aslid(n ) untuk mendapatkanx( n) yang diumpankan ke penapis adaptif sehingga menghasilkan keluaran

y(n), kemudian keluaran ini dibandingkan dengan masukan sinyal asli d(n), sebagai sinyal yang
dikehendaki (expected signal) yang akhirnya menghasilkan keluaran ralate( n) yang kemudian digunakan
sebagait un er untuk penapis adaptif yang bersangkutan, sedemikian hingga ralate(n ) bisa mendekati 0 (nol).

Selama proses penapisan adaptif akan diperoleh sekumpulan ralate(n ), yang kemudian di-autokorelasi-kan sehingga membentuk kurva yang memiliki koefisien-koefisien polinomial. Koefisien-koefisien polinomial ini yang kemudian digunakan sebagai \u2019model\u2019 dari sinyal yang diamati, hal ini berkaitan dengan pola-pola ranah waktu yang terdapat pada sinyal yang bersangkutan. Selain itu, antar koefisien pada tipe-tipe sinyal tertentu dibandingkan sehingga diperoleh persamaan linear garis (y=ax+b) yang merupakan fitur sinyal yang bersangkutan.

Hasil untuk data-data seismik volkanik Gunung Merapi yang mewakili 3 jenis yang berbeda menunjukkan adanya pola-pola tertentu, yang ditunjukkan dari plot hingga 4 koefisien polinomial 3-komponen (Sn, Se dan Sz) dan hubungan antar koefisien yang dinyatakan dalam persamaan garis linear.

Keywords:
Wavelet, Penapis Adaptif, Non-stasioner
1. PENDAHULUAN

Mempelajari perilaku sinyal yang diperoleh dari alam untuk mendapatkan karakter sinyal yang bersangkutan merupakan penelitian yang salah satunya dapat dimanfaatkan untuk mendapatkan model maupun karakter sinyal yang bersangkutan. Selanjutnya dari model maupun karakter tersebut dapat dimanfaatkan untuk prediksi data, ekstraksi fitur secara tepat, analisis maupun proses lanjutan lainnya.

Tujuan dari penelitian ini adalah melakukan studi analisis, termasuk memperoleh fitur-fitur dari sinyal non- stasioner menggunakan metodeA da pl et (penggabungan Metode Penapis Adaptif dan Wavelet untuk melakukan proses prediksi linear).

Selain itu tujuan lain dalam penelitian ini adalah pencarian atau perolehan fitur-fitur sinyal yang dianalisis menggunakan metode-metode berbasis wavelet. Hal ini juga dimaksudkan agar dapat memberikan gambaran tentang penggunaan wavelet dalam analisis sinyal stasioner maupun non-stasioner serta merancang suatu metode gabungan dari beberapa analisis konvensional dengan basis Wavelet serta sistem prediksi linear (aplikasi Penapis Adaptif) berbasis wavelet untuk menemukan model dan ciri khas dari sinyal yang bersangkutan.

2. TINJAUAN PUSTAKA
2.1. WAVELET

Wavelet merupakan fungsi matematik yang membagi-bagi data menjadi beberapa komponen frekuensi yang berbeda-beda, kemudian dilakukan analisis untuk masing-masing komponen menggunakan resolusi yang sesuai dengan skalanya (Graps, 1995). Kepentingan penggunaan Transformasi Wavelet ini berdasarkan fakta bahwa dengan Transformasi Wavelet akan diperoleh resolusi waktu dan frekuensi yang jauh lebih baik daripada

2
metode-metode lainnya seperti Transformasi Fourier maupun Transformasi Fourier Waktu Pendek (STFT=Short
Time Fourier Transform), selain itu analisis data pada kawasan waktu dan frekuensi penting dan harus dilakukan
untuk mempelajari perilaku sinyal-sinyal non-stasioner, selain itu juga dapat dilakukan analisis data pada
kawasan waktu dan amplitudo serta kawasan frekuensi dan daya (spektrum).
2.2. PENAPIS ADAPTIF

Menurut Douglas (1999), sebuah penapis adaptif adalah sebuah \u2018alat\u2019 komputasi yang mampu memodelkan hubungan antara dua sinyal secarare al - ti me (waktu nyata) dan secara iterasi (berulang-ulang). Penapis adaptif biasanya merupakan algoritma atau program yang dijalankan oleh mikroprosesor atau komputer atau emping PSD (Pemrosesan Sinyal Digital) atau bahkan dapat diimplementasikan dalam bentuk gerbang-gerbang logika di dalam sebuah FPGA (Field Programmable Gate Array). Sebuah penapis adaptif didefinisikan dengan empat aspek, yaitu:

1. Sinyal yang diproses oleh penapis;
2. Struktur yang mendefinisikan bagaimana sinyal keluaran dihasilkan dari sinyal masukan;
3. Parameter-parameter di dalam struktur yang dapat diubah secara iteratif untuk mengubah hubungan

masukan-keluaran; serta
4. Algoritma adaptif yang menentukan bagaimana parameter-parameter tersebut diubah dari waktu ke
waktu.

Dengan memilih struktur penapis adaptif tertentu, maka perlu juga dipilih berapa dan tipe parameter yang akan dilibatkan (yang nilainya bisa berubah-ubah, menyesuaikan sepanjang waktu). Algoritma adaptif digunakan untuk memperbaharui nilai parameter-parameter tersebut sedemikian hingga diperoleh kriteria ralat seminimal mungkin dan biasanya dalam bentuk prosedur optimasi.

Pada Gambar 1 ditunjukkan diagram blok penapis adaptif secara umum dengan sebuah masukan tercuplikx (n )
yang diumpankan ke sebuah penapis adaptif, yang akan melakukan komputasi serta menghasilkan keluarany (n ).
Gambar 1. Permasalahan penapis adaptif secara umum (Douglas, 1999)
Sinyal keluarany(n ) dibandingkan dengan sinyald( n), yang dinamakan sinyal tanggap yang diinginkan (desired
response signal), dengan melakukan pengurangan dan dinyatakan dalam persamaan berikut, dengan e(n)di ke na l
sebagai sinyal ralat (error signal)
(1)

Sinyal ralate (n ) ini kemudian diumpankan ke dalam suatu prosedur (di dalam penapis adaptif) yang akan digunakan untuk melakukan penyesuaian atau adaptasi parameter-parameter penapisWn sepanjang waktu. Seiring dengan waktu diharapkan sinyal keluaran menjadi lebih baik atau menyerupai sinyal tanggap yang diinginkand( n), artinya nilaie( n) semakin lama semakin kecil dan mendekati nol (idealnya). Pengertian \u201cbaik\u201d disini ditentukan dalam bentuk algoritma adaptif yang digunakan untuk mengatur parameter-parameter dari penapis adaptif yang bersangkutan (Douglas, 1999).

Parameter-parameter penapis digunakan untuk mengestimasi sinyal yang dikehendaki dengan melakukan
konvolusi antara sinyal masukan dan tanggap impuls, dalam notasi vektor dinyatakan sebagai
(2)
dengan
(3)
yang merupakan sebuah vektor sinyal masukan. Lebih lanjut, mekanisme proses adaptasi akan memperbaharui
koefisien penapis sepanjang waktu, sesuai dengan persamaan
3
(4)
dengan

merupakan faktor koreksi untuk koefisien-koefisien penapis. Algoritma adaptif menghasilkan faktor koreksi ini berdasarkan sinyal masukan dan sinyal ralate( n). Terdapat dua algoritma pembaharuan koefisien yaitu LMS atau Least Mean Square dan RLS atau Recursive Least Square (Haykin, 2002).

Sebagaimana telah dijelaskan pada pasal sebelumya, mungkin akan muncul pertanyaan \u201cJika kita sudah memiliki sinyal tanggap yang diinginkan (desired response signal), apa gunanya melakukan pencocokan menggunakan penapis adaptif?\u201d. Menurut Douglas (1999), jawaban atas pertanyaan tersebut berkaitan dengan 3 (tiga) isu dalam permasalahan penapis adaptif, yaitu:

\u2022

Kenyataannya, kuantitas yang menarik tidak selalud(n ). Mungkin yang diinginkan adalah menyajikan di dalamy( n) beberapa komponend( n) yang terkandung dalamx( n) atau mengisolasi sebuah komponend( n) di dalam ralate(n ) yang tidak terdapat di dalamx(n ).

\u2022

Ada beberapa situasi dimanad( n) tidak selalu ada sepanjang waktu. Dalam beberapa situasi, adaptasi biasanya dilakukan saat tersedia sinyald(n ). Pada saatd (n ) tidak tersedia, biasanya digunakan estimasi parameter-parameter yang terbaru untuk menghasilkany (n ) dalam usaha untuk mengestimasi sinyald (n ).

\u2022

Kenyataannya yang sering terjadi,d( n) tidak pernah tersedia. Dalam kasus ini, dapat digunakan informasi karakteristik darid( n) hipotetis, misalnya karakteristik dari amplitudo atau perilaku statistik terprediksi untuk menghasilkan estimasid( n) dari sinyal-sinyal yang tersedia untuk penapis adaptif yang bersangkutan.

2.3. ALGORITMA LMS (LEAST MEAN SQUARE)

Algoritma LMS atau Least Mean Square digunakan dalam penapis adaptif untuk menemukan koefisien- koefisien penapis yang berkaitan dengan hasil rerata kuadrat terkecil (LMS) dari sinyal ralate( n). Metode ini merupakan jenis metode penurunan gradien stokastik (stochastic gradient descent) yaitu metode adaptasi penapis yang hanya berdasar dari ralat saat itu. Ditemukan pada tahun 1960 oleh seorang guru besar Universitas Standford bernama Bernard Widrow dan mahasiswa Ph.D. pertamanya Ted Hoff (Haykin dan Widrow, 2003).

Terdapat beberapa aplikasi penapis adaptif, sedangkan yang digunakan dalam penelitian disertasi ini adalah Prediksi Linear, yang diagram blok-nya ditunjukkan pada Gambar 2. Dalam hal ini, sinyal masukanx(n ) diperoleh dari sinyal tanggap yang diinginkand (n ) melalui persamaan berikut (G merupakan nilai bilangan bulat penundaan).

(5)
Gambar 2. Aplikasi Prediksi Linear (Douglas, 1999)

Dalam hal ini sinyal masukan bertindak sebagai sinyal tanggap yang diinginkan, dengan demikiand (n ) selalu tersedia sepanjang waktu. Dalam beberapa kasus, penapis adaptif akan berusaha untuk memprediksi nilai-nilai sinyal berikutnya menggunakan nilai-nilai sebelumnya, sehingga diberi nama prediksi linear (Douglas, 1999).

Penggabungan Penapis Adaptif dan Wavelet (Adaplet) berdasarkan aplikasi prediksi linear, sebagaimana diagram bloknya ditunjukkan pada Gambar 2, diawali dengan menggunakan Wavelet tertentu sebagai inisialisasi penapis adaptif. Data hasil tundaan yang kemudian ditapis, dibandingkan dengan data asli (sebagai data sinyal tanggapan yang dikehendaki \u2013 desired response signal), sehingga akan diperoleh ralate(n ).

Selama proses penapisan adaptif akan diperoleh sekumpulan ralate (n ), yag kemudian di-autokorelasi-kan sehingga akan membentuk kurva yang memiliki koefisien-koefisien polinomial. Koefisien-koefisien polinomial ini yang kemudian digunakan sebagai \u2019model\u2019 dari sinyal yang diamati, hal ini berkaitan dengan pola-pola ranah waktu yang terdapat pada sinyal yang bersangkutan. Selain itu, antar koefisien pada tipe-tipe sinyal tertentu bisa

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->