Majalah Ilmiah UNIKOM
Vol.8, No. 1
59
H a l a m a n
Pemrosesan sinyal dijital menggunakan filter adaptif digunakan pada banyak
aplikasi terutama dalam bidang telekomunikasi, misalnya untuk menghilangkan
noise dari suatu sinyal informasi. Terdapat banyak algoritma filter adaptif yang
dapat digunakan, seperti algoritma LMS (Least Mean Square), RLS (Recursive
Least Square) dan GAL (Gradient Adaptive Lattice). Filter adaptif dalam aplikasi
real-time biasanya diimplementasikan menggunakan hardware yang dirancang
untuk aplikasi pengolahan sinyal dijital (misalnya card TMS). Meskipun
demikian, dapat juga dilakukan simulasi filter dijital menggunakan software
pada PC.
Pada paper ini dibuat simulasi untuk jenis-jenis adaptive filter beserta karakter-
istiknya. Simulasi tersebut dibuat dengan alat bantu komputer dengan bahasa
pemrograman Pascal untuk sistem operasi Windows dari algoritma filter adap-
tive yang bermacam-macam itu sendiri, dipilih untuk disimulasikan hanya al-
gortima yang umum dan mendasari algoritma lainya, yaitu algoritma LMS, RLS.
Pada masing-masing algoritma akan dianalisis kinerjanya, faktor-faktor yang
mempengaruhi kinerja tersebut, dan diperbandingkan kinerjanya masing-
masing.
Kata kunci: White Gaussian Noise, Mean Square Error, Autokorelasi.
bidang
REKAYASA
SIMULASI ALGORITMA FILTER ADAPTIF PADA PENGOLAHAN SINYAL DIJITAL
SUSMINI INDRIANI LESTARININGATI
Jurusan Teknik Komputer
Universitas Komputer Indonesia (UNIKOM) Bandung
PENDAHULUAN
Semua Filter Adaptive memakai filter
Wiener sebagai realisasi filter optimum yaitu
mean square error
minimum. Semua Algoritma dengan
sejalannya waktu berusaha untuk
konvergen mendekati kondisi ini.
Seperti pada prediksi liniear, filter
adaptive juga didasari oleh filter Wiener.
Semua kaidah dan sifat-sifat yang berlaku
pada filter Wiener tetap berlaku untuk
aplikasi adaptive ini. Perbedaan penerapan
filter Wiener untuk aplikasi non adapative
dan adaptive adalah jika pada filter Wiener
data diproses dengan H optimum perblok
cuplikan maka pada filter adaptive data
diproses dengan H optimum percuplikan.
Berarti H harus menuju optimum dan data
harus diproses sebelum cuplikan
selanjutnya datang, ini merupakan
persoalan kecepatan konvergensi dari
algoritma adaptive. Masalah yang lain
adalah karena tidak ada blok cuplikan,
berarti tidak bisa diterapkannya metoda
sample autocorrelation untuk mendapatkan
informasi tentang fungsi autokorelasi
sebelumnya.
Karena operasi dilakukan pada
setiap cuplikan, maka H yang selalu
time invariant
time variant
banyak algoritma adaptasi untuk