You are on page 1of 15

TKE 2403

SISTEM PENGOLAHAN ISYARAT

Kuliah 2 – Sinyal Acak

Indah Susilawati, S.T., M.Eng.

Program Studi Teknik Elektro
Fakultas Teknik dan Ilmu Komputer
Universitas Mercu Buana Yogyakarta
2009

1
KULIAH 2

SISTEM PENGOLAHAN ISYARAT
SINYAL : SINYAL ACAK

Pada pembahasan yang lalu telah dijelaskan bahwa jenis sinyal
yang berlawanan dengan sinyal deterministik adalah sinyal acak (random).
Untuk sinyal jenis acak ini maka nilai sinyal pada suatu saat tidak dapat
diperkirakan. Hal dapat dipelajari pada jenis sinyal ini adalah probabiltas
sinyal untuk mempunyai suatu nilai tertentu. Untuk kepentingan
pembahasan sinyal acak, berikut akan di-review mengenasi konsep dasar
probabilitas dan statistik.

Probabiltas : Definisi Dasar
Probabilitas P(E) dari sebuah kejadian E yang terjadi pada suatu
kejadian atau suatu eksperimen didefinisikan sebagai

N (E)
P( E ) = N ( S ) lim it → ∞ (12)
N (S )

Dengan N(S) adalah jumlah kejadian atau eksperimen yang dilakukan dan
N(E) adalah jumlah terjadinya kejadian E.
Jelas bahwa 1 ≥ P(E) ≥ 0, jika P(E) = 1 maka hal itu manandakan
bahwa kejadian E pasti terjadi. Sedangkan jika P(E) = 0 maka berarti
kejadian E adalah tidak mungkin (impossible). Misalkan dengan
melemparkan dadu yang ideal (bermuka 6), jika jumlah lemparan
mendekati tak hingga maka muka nomor 6 dapat diharapkan muncul 1/6
kali jumlah lemparan, sehingga P(6) = 1/6.
Jika dua kejadian E1 dan E2 dua kejadian yang terpisah (bersifat
mutually exclusive) maka pada kedua kejadian tersebut berlaku,

2
P( E1 ∪ E 2 ) = P( E1 ) + P( E 2 ) (13)

Dimana simbol ∪ menyatakan operasi logika “OR”, sehingga P(E1 ∪ E2)
adalah probabilitas terjadinya kejadian E1 atau E2.
Jika dua kejadian E1 dan E2 adalah dua kejadian sebarang (bersifat
tidak mutually exclusive) maka berlaku hubungan,

P( E1 ∪ E 2 ) = P( E1 ) + P( E 2 ) − P( E1 ∩ E 2 ) (14)

Dimana simbol ∩ menyatakan operasi logika “AND”. Jika satu himpunan
kejadian yang bersifat mutually exclusive (E1 ... EN) adalah exhaustive
dalam arti bahwa Ei pasti terjadi, maka menurut definisi di atas berlaku,

P( E1 ∪ E 2 ∪ ... ∪ E N ) = P( E1 ) + P( E 2 ) + ... + P( E N ) = 1 (15)

Dengan demikian dalam sebuah pelemparan dadu berlaku,

P(1) + P(2) + P(3) + P(4) + P(5) + P(6) =1 (16)

Dan jika dadu tersebut ideal maka semua muka mempunyai probabilitas
kemunculan yang sama, yaitu

P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =1/6 (17)

Jika dua kejadian E1 dan E2 bersifat statistically independent
(independen secara statistik) maka kejadian yang satu sama sekali tidak
mempengaruhi kejadian yang lain. Dalam hal ini berlaku,

P( E1 ∩ E 2 ) = P( E1 ) × P( E 2 ) (18)

Variabel dan Distribusi Acak
Hasil satu kali lemparan dadu sama sekali tidak dapat diperkirakan.
Meskipun demikian, nilainya mempunyai probabilitas yang dapat
ditentukan. Variabel yang mempunyai tipe demikian disebut variabel acak
(random). Untuk sebuah dadu maka variabel acaknya hanya dapat

3
mempunyai satu dari enam nilai yang ada; nilai tersebut diskret. Pada
pembahasan yang berikut akan diuraikan varibel acak yang mempunyai
nilai kontinyu.
Bayangkan sebuah pesta dimana diadakan tebakan untuk tinggi
badan tamu yang akan datang berikutnya, maka ini adalah sinyal acak
yang kontinyu. Misalkan diasumsikan bahwa P(3m) = 0 dan P(0,1m) = 0.
Dengan asumsi inipun masih ada sejumlah tak berhingga nilai yang
mungkin sebagai keluaran. Berdasarkan persamaan (15) maka,

P(h1) + P(h2) + ... + P(hi) + ... = 1 (19)

Sehingga dengan demikian maka probabilitas individual bernilai nol.
Bagaimana metode statistik dapat diaplikasikan dalam hal semacam ini?
Pada prakteknya, dapat dispesifikasikan sebuah jangkauan tinggi
badan yang tertentu saja. Hal ini mengarah pada kebutuhan suatu struktur
matematis, untuk variabel acak X dapat didefinisikan PDF (Probability
Density Function) yaitu p(x) sebagai berikut.

p(x) adalah probabilitas bahwa X mempunyai nilai diantara x dan x + dx

Seperti apa gambaran p(x)? Dengan asumsi awal bahwa P(3m) = 0 dan
P(0,1m) = 0, dapat diharapkan bahwa kemungkinan P(1,8m) akan bernilai
maksimum. Jika anak-anak diperbolehkan masuk pesta maka nilai 60 cm
di bawah maksimum akan lebih besar daripada nilai 60 cm di atas
maksimum. Maka gambaran PDF-nya adalah sebagai berikut.
Misalkan bahwa tebakan tinggi badan tamu adalah 1,75 ± 0,01.
Berapa probabilitas bahwa tinggi badan tamu yang datang berada pada
jangkauan tersebut? Analogi dari persamaan (13) adalah integral,
sehingga dapat dinyatakan,

1, 76
P( X = x; 1,75 ≤ x ≤ 1,76) = ∫ p( x) dx
1, 74
(20)

4
Gambar 13. PDF untuk tebakan tinggi badan tamu pesta

Secara umum dapat dinyatakan,

b
P( X = x; a ≤ x ≤ b) = ∫ p( x) dx (21)
a
Secara geometris, nilai probabilitas ini dinyatakan dengan luas wilayah di
bawah kurva PDF antara a dan b, perhatikan Gambar 14.

Gambar 14. Probabilitas nilai berada pada interval a dan b

5
Total wilayah di bawah kurva PDF harus sama dengan 1, sehingga dapat
dinyatakan,

∫ p( x) dx = 1
−∞
(22)

Perlu dicatat bahwa dalam hal ini disyaratkan p(x) Æ 0 saat x Æ ±∞.

Nilai Harapan (Expected Value)
Misalkan setiap tamu yang mengikuti permainan dalam pesta di
atas mengetahui PDF-nya. Bagaimana cara para tamu tersebut
menggunakan informasi dari PDF untuk menghitung tebakan terbaik atau
nilai harapan (expected value) dari variabel acak itu?
Untuk menyederhanakan permasalahan, misalkan lemparan
sebuah dadu ideal (variabel acak diskret). Dalam kasus ini setiap
keluarannya berpeluang sama (equally likely) dan menjadi agak samar
untuk mendefinisikan mengenai nilai harapan untuk variabel acak
tersebut.
Misalkan sebuah dadu dilemparkan sebanyak Nc kali, berapakah
nilai harapan dari jumlahannya? Nilai ini dapat dihitung sebagai berikut.

Nilai harapan dari jumlahan
= N (1) × 1 + N (2) × 2 + N (3) × 3 + N (4) × 4 + N (5) × 5 + N (6) × 6
(23)

Dengan N(i) adalah nilai harapan dari kejadian dengan nilai i sebagai
keluaran. Jika Nc kecil, misalnya 12, maka fluktuasi statistik akan
mempunyai pengaruh yang cukup besar. Jika Nc besar dan dadu yang
digunakan ideal, maka berlaku

N (i) ≈ P(i) × N c (24)

6
dan fluktuasi akan mempunyai pengaruh yang lebih kecil. Maka nilai
harapan dari jumlahannya dapat dinyatakan sebagai,

6
E ( jumlahan dari N c lemparan dadu) = ∑ N c P(i ) i (25)
i =1

dengan E merupakan notasi yang digunakan untuk menyatakan nilai
harapan. Jika dadu hanya dilempar sebanyak satu kali, maka persamaan
(25) menjadi

6
E (lemparan tunggal) = ∑ P(i ) i (26)
i =1

Maka secara umum dapat dinyatakan,

E ( X ) = ∑ P ( X = xi ) xi (27)
xi

Dimana variabel acak dapat mempunyai nilai diskret xi. Misalnya untuk
dadu ideal, maka

1 1 1 1 1 1
E (lemparan tunggal ) = ×1 + × 2 + × 3 + × 4 + × 5 + × 6
6 6 6 6 6 6 (28)
= 3,5

Persamaan (28) dapat ditulis kembali sebagai

1+ 2 + 3 + 4 + 5 + 6
E (lemparan tunggal ) = = 3,5 (29)
6

Dengan memperhatikan persamaan (29), maka dapat dikatakan bahwa
nilai adalah rerata dari semua nilai variabel acak yang mungkin. Hal ini
hanya berlaku jika semua keluaran mempunyai peluang yang sama.
Namun nilai harapan sebuah variabel acak seringkali disebut sebagai
rerata dan dinotasikan dengan x .

7
Generalisasi persamaan (27) untuk variabel acak kontinyu
dinyatakan,


X = E( X ) = ∫ x p( x) dx
−∞
(30)

dengan p(x) adalah PDF untuk variabel acak kontinyu X. Perlu dicatat
bahwa nilai harapan dari sebuah variabel acak tidak sama dengan nilai
maksimal PDF-nya. Nilai maksimum PDF disebut mode distribusi (mode
of the distribution).
Kembali ke permainan tebakan tinggi badan tamu. Jika seorang
tamu datang dan kemudian diukur tinggi badannya maka pasti akan ada
selisih dari nilai tebakannya (eror). Bagaimana ukuran untuk menentukan
baik atau tidaknya nilai harapan atau rerata?
Pada Gambar 15 diperlihatkan dua buah kurva PDF. Kurva yang
pertama, nilai harapan (rerata) akan selalu menjadi tebakan bagus. Pada
kurva yang kedua, rerata akan seringkali menjadi tebakan yang kurang
bagus.
Yang perlu diketahui adalah nilai harapan dari eror yang terjadi
yaitu E(∈), dimana ∈= X − x ,

E (∈) = E ( X − x ) = E ( X ) − E ( x) (31)

Hal ini juga berarti bahwa

E ( X ) − E ( x) = x − x = 0 (32)

Dan persamaan tersebut menjadi kurang berguna. Untuk menjadikannya
lebih bermanfaat adalah dengan menggunakan nilai harapan dari eror
kuadrat yaitu E(∈2). Dalam hal ini akan didefinisikan nilai statistik yang
disebut varians yang dinotasikan sebagai σ2 pada persamaan (33).

8
probabilitas

tinggi badan tamu

(a)
probabilitas

tinggi badan tamu

(b)

Gambar 15. PDF dengan varians kecil(a) dan varians besar (b)

σ 2 = E (∈2 ) = E[( X − x ) 2 ] (33)
Atau dapat dinyatakan

σ 2 = E (∈2 ) = E[( X − x) 2 ]
2
= E ( X 2 ) − E (2 x X ) + E ( x )
2
= E( X 2 ) − 2 x E( X ) + x (34)
2
= E( X 2 ) − 2 x x + x
2
= E( X 2 ) − 2 x

9
Untuk kasus dimana variabel acak X mempunyai peluang yang
sama maka persamaan (33) menjadi

N
1
σ =
2

N
∑ (x
i =1
i − x) 2 (35)

Dengan xi adalah nilai-nilai yang mungkin untuk X dan i = 1, 2, ..., N.
Dalam beberapa penerapan yang memerlukan analisis yang teliti maka
penyebut pada persamaan (35) diganti dengan N – 1.
Untuk kasus variabel acak kontinyu, maka varians dapat dinyatakan
sebagai,

σ = ∫ ( x − x) 2 p ( x) dx
2
(36)
−∞

Standar deviasi (standard deviation) didefinisikan sebagai akar kuadrat
dari varians.

Distribusi Gaussian
Distribusi Gaussian atau distribusi normal merupakan distribusi
yang sangat penting. Salah satu sifat penting adalah bahwa rerata dan
varians-nya dapat diketahui secara pasti.
probabilitas

variabel acak

Gambar 16. Distribusi Gaussian N(0,1)

10
Distribusi Gaussian dinyatakan dengan persamaan berikut.

1 ⎡ 1 ⎛ x − x ⎞2 ⎤
p ( x) = exp ⎢− ⎜⎜ ⎟ ⎥
⎢ 2 ⎝ σ ⎟⎠ ⎥
(37)
2π σ 2 ⎣ ⎦

Distribusi seperti pada persamaan (37) dinotasikan sebagai N ( x, σ ) ,
sebagai contoh pada Gambar 16 adalah N(0,1) yang berarti distribusi
Gaussian dengan rerata nol dan standar deviasi 1.
Pentingnya distribusi Gaussian juga dinyatakan dengan apa yang
disebut Central Limit Theorem yang menyatakan bahwa jika Xi (dengan
i=1, 2, ..., N) adalah N varriabel acak yang independen yang mungkin
mempunyai distribusi yang berbeda, maka variabel acak jumlahannya
yaitu XΣ
XΣ = X1 + X2 + .... + XN (38)

juga mempunyai distribusi Gaussian. Dalam pengolahan sinyal, jika
terdapat banyak derau yang berasal dari sumber yang berbeda maka
dapat diasumsikan bahwa derau totalnya adalah Gaussian.

Sinyal-Sinyal Acak
Telah dibahas mengenai variabel acak. Lalu apa yang dimaksud
dengan sinyal acak? Untuk hal ini maka diperlukan konsep mengenai
proses stokastik (stochastic process). Ini adalah jenis variabel acak Xt
yang memiliki parameter t (biasanya t adalah waktu). Parameter waktu ini
dapat bersifat kontinyu t ∈ [0, T) atau diskret t ∈ {t1, t2, ..., tN}. Setiap
variabel acak mengambil nilai dari distribusi peluang pt(x).
Secara umum variabel acak pada saat t dapat bergantung pada
nilai variabel acak pada saat sebelumnya, yaitu nilai x(t) pada t yang lebih
kecil. Namun seringkali Xt dianggap independen terhadap nilai
sebelumnya. Proses yang seperti ini disebut proses independen.

11
Pada umumnya setiap pt(x) dapat mempunyai distribusi yang
berbeda. Untuk kasus dimana distribusinya sama, maka sequence yang
seperti itu disebut terdistribusi identik (identically distributed). Proses
stokastik yang terpenting adalah proses stokastik yang independen dan
terdistribusi identik (independent and identically distributed) atau
disingkat i.i.d. Untuk proses yang demikian maka hanya perlu ditentukan
satu distribusi saja yaitu p(x). Hingga pembahsan ini maka sinyal acak
dapat dibagi dua yaitu i.i.d dan non – i.i.d.

Gambar 17. Sinyal acak; i.i.d dan non – i.i.d

Proses i.i.d yang terpenting adalah jika distribusinya Gaussian seperti
dinyatakan pada persamaan (37), sehingga proses i.i.d dapat dibagi lagi
menjadi i.i.d terdistribusi Gaussian dan i.i.d terdistribusi non –
Gaussian.

Gambar 18. Sinyal i.i.d ; i.i.d Gaussian dan i.i.d non – Gaussian

Pada Gambar 19 diperlihatkan contoh suatu sinyal acak terdistribusi
Gaussian.

12
Gambar 19. Sebuah sinyal acak terdistribusi Gaussian

Karakterisasi Sinyal Acak
Satu pertanyaan penting adalah bagaimana cara menentukan
distribusi pt(x) atau distribusi p(x) sebuah sinyal acak. Dalam praktek
biasanya hanya diperlukan nilai-nilai statistik tingkat rendah saja yaitu
rerata dan varians.
Misalkan ditanyakan bagaimana cara mendapatkan E[Xt] ? Untuk
menjawab hal ini maka dapat dilakukan dengan membuat beberapa
contoh proses yang dimulai pada kondisi awal yang sama x(i)(t) dengan
i=1, 2, ..., Np, yang mungkin adalah satu himpunan dari Np eksperimen
yang identik. Maka rerata variabel acak Xt dapat ditentukan sebagai,

Np
1
E[ X t ] =
Np
∑x
i =1
(i )
(t ) (39)

Proses yang seperti ini disebut perataan ensembel (ensemble
averaging). Masing-masing x(i)(t) disebut realisasi proses.

13
Jika prosesnya merupakan proses i.i.d, maka pt(x) adalah sama
untuk semua t dan nilai statistiknya dapat diestimasikan dengan cara me-
rerata sepanjang waktu tertentu.
T
1
E[ X t ] = ∫ x p( x) dt (40)
T 0

Pada dasarnya sinyal dalam hal ini tidak harus i.i.d, namun jika suatu
proses mempunyai perataan waktu (persamaan (40)) dan perataan
ensemble (persamaan (39)) yang sama maka proses tersebut disebut
proses ergodik (ergodic process). Dengan demikian sinyal i.i.d secara
otomatis pasti ergodik.
Jika sebuah sinyal mempunyai sifat statistik yang tidak berubah
terhadap waktu maka sinyal tersebut disebut stasioner. Jika hanya rerata
dan standar deviasi saja yang konstan maka disebut stasioner lemah
(weakly stationary). Ada banyak hal yang dapat menyebabkan sebuah
sinyal menjadi tidak stasioner, misalnya karena rerata atau varians-nya
berubah. Perhatikan Gambar 20 dan Gambar 21.

Gambar 20. Sinyal non – stasioner dalam hal rerata

14
pergeseran

waktu

Gambar 21. Sinyal non – stasioner dalam hal varians

15