PROSIDING ISBN : 978‐979‐16353‐3‐2
Seminar Nasional Matematika dan Pendidikan Matematika
Jurusan Pendidikan Matematika FMIPA UNY, 5 Desember 2009 993
T‐4
ESTIMASI EKSPONEN SPEKTRAL DAN KEMUNCULAN DERAU
KEDIP (FLICKER NOISE) PADA SINYAL ULF GEOMAGNET
John Maspupu
Pusfatsainsa LAPAN, Jl. Dr. Djundjunan No. 133 Bandung 40173,
Tlp. 0226012602 Pes. 106. Fax. 0226014998
E‐mail: john_mspp@yahoo.com
Abstrak Makalah ini membahas rancangan estimasi nilai eksponen spektral dari suatu
sinyal ULF geomagnet, yang nantinya terkait dengan kemunculan derau kedip (flicker
noise). Oleh karena itu tujuan pembahasan dalam makalah ini adalah menentukan
formulasi estimasi dari eksponen spektral tersebut. Untuk mencapai tujuan di atas ini
diperlukan beberapa konsep matematik dan statistik antara lain , kuat spektral (power
spectrum) yang terkait dengan eksponen spektral dalam wilayah frekuensi, dan
kuadrat terkecil (least square ) serta estimasi selang (interval estimation) secara
statistik. Hasil pembahasan ini merupakan suatu alat komputasi yang dapat diterapkan
pada data sinyal ULF untuk mendeteksi terjadinya badai geomagnet ataupun gempa
bumi (earthquake).
Kata kunci : Eksponen spektral , Derau kedip(flicker noise), Sinyal ULF, Geomagnet.
1. Pendahuluan
Salah satu jenis karakteristik fraktal sinyal ULF yang dikenal sebagai konyugasi dari
dimensi fraktal adalah eksponen spektral. Pengertian tentang eksponen spektral
sinyal ULF ini umumnya merupakan faktor pangkat dari ukuran presisi
f
1
dalam skala
frekuensi (lihat [8]). Atau secara matematis didefinisikan sebagai minus kemiringan
(slope) regresi linier dari hasil plot logaritma frekuensi versus logaritma kuat spektral
dalam wilayah frekuensi (log f versus log P(f)). Sedangkan menurut [3] dan [9] ciri
kemunculan derau kedip (flicker noise) akan terlihat pada saat penurunan nilai
eksponen spektral (β) secara gradual mendekati satu ( β =1, flicker noise signature).
Oleh karena itu perlu dirancang suatu formulasi untuk mengestimasi nilai eksponen
spektral yang dapat memprediksi kemunculan derau kedip pada data sinyal ULF.
Dengan demikian tujuan pembahasan makalah ini adalah untuk menentukan formulasi
PROSIDING ISBN : 978‐979‐16353‐3‐2
Seminar Nasional Matematika dan Pendidikan Matematika
Jurusan Pendidikan Matematika FMIPA UNY, 5 Desember 2009 994
tersebut. Namun yang menjadi masalah adalah bagaimana merancang proses estimasi
eksponen spektral tersebut?, bagaimana menentukan prosedur numerik untuk
taksiran eksponen spektral dan kemunculan derau kedip tersebut? Sebenarnya banyak
metode statistik yang dapat diterapkan pada proses estimasi ini , namun untuk
keperluan pembahasannya dipilih suatu metode yang cukup sederhana yaitu metode
kuadrat terkecil (Least Square Method) dengan mengacu pada [4] dan [7]. Manfaat
dari hasil pembahasan kajian ini dapat digunakan untuk mendeteksi dan juga
memprediksi prekursor terjadinya badai geomagnet ataupun gempa bumi.
2. Analisis metode estimasi model linier
Umumnya model linier sederhana mempunyai bentuk seperti Y = A + B X , dengan A
dan B adalah parameter‐parameter yang nilainya harus diperkirakan. Apabila populasi
dari seluruh pasangan nilai ( xi , yi ) diketahui , maka kita dapat menghitung nilai
sebenarnya dari parameter A dan B. Didalam prakteknya kita tidak tahu nilai
parameter tersebut, akan tetapi dapat diperkirakan dengan menggunakan data
empiris, hasil observasi berdasarkan sampel yang diambil dari suatu populasi yang
tidak terbatas (infinite population). Data empiris tersebut sering berupa data berkala
(time series data) yaitu: x1 , x2 , x3 , ..., xn dan y1 , y2 , y3 ,..., yn . Untuk
memperkirakan A dan B kita gunakan metode kuadrat terkecil . Model sebenarnya
adalah Y = A + B X + U, sedangkan Model perkiraan adalah Y = a + b X + e . Dengan a ,
b dan e adalah taksiran untuk A , B dan U. Metode kuadrat terkecil adalah suatu
metode untuk menghitung a dan b sebagai perkiraan dari A dan B sedemikian rupa
sehingga jumlah galat kuadrat (sum of square error) terkecil. Dengan bahasa
matematik dapat dinyatakan sebagai berikut:
Yi = a + b Xi + ei , i = 1,2,....,n. Atau ei = Yi – a – b Xi adalah galat (error) ke i.
Sedangkan ∑ = n i 1ei 2 = ( )2 1 X b a Y i n i i − − ∑
= adalah jumlah galat kuadrat. Prosedur metode
kuadrat terkecil di [2] dan [7] ini adalah membuat turunan parsiil dari ∑ = n i 1ei
2,
mula‐mula
PROSIDING ISBN : 978‐979‐16353‐3‐2
Seminar Nasional Matematika dan Pendidikan Matematika
Jurusan Pendidikan Matematika FMIPA UNY, 5 Desember 2009 995
1 2 2 = ∂ ∑ ∂ = a e n i i ( )( 1) 0 1 − − − = ∑ = Y a bXi n i i atau 0 . 1 1 = ∑ − − ∑ = = n i n i X i b n a Y i ...(1) 2 1 2 = ∂ ∑ ∂ = b e n i i ( )( ) 0 1 − − − = ∑ = Y a bXi Xi n i i atau 0 1 2 1 1 − ∑ − ∑ = ∑ = = = n i i n i i i n i i X b X a Y X ...(2)
Persamaan‐persamaan (1) dan (2) ini dikenal sebagai persamaan‐persamaan normal
dari regresi Y = a + b X + e di atas. Jika persamaan (1) dikalikan dengan faktor ∑
= n i 1Xi
dan persamaan (2) dikalikan dengan faktor n maka akan diperoleh persamaan‐
persamaan (3) dan (4) sebagai berikut, . . ( .)2 0
1 1 1 1 ∑ − ∑ − ∑ = ∑ = = = = n i i n i i n i i n i Xi Y an X b X ....(3) Dan . . . . 0 1 2 1 1 = ∑ − ∑ − ∑ = = = n i i n i i n i i i X n b X n a Y X n ...(4)
Selisih dari persamaan (3) dan (4) akan menghasilkan parameter‐parameter a , b
sebagai berikut: ∑ − ∑ ∑ −∑ ∑ = = = = = = n i n i i i n i n i n i i i i i X X n Y X Y X n b 1 1 2 2 1 1 1 . ) ( . . dan a = n X b Y n i n i i i ∑ − ∑ =1 =1 = Y‐ b.X ....(5)
Didalam analisa regresi , ataupun suatu hasil penelitian biasanya kesalahan baku
dipakai sebagai ukuran tingkat ketelitian. Umumnya jika Y = a + b X maka Sa dan Sb
masing‐masing adalah nilai taksiran untuk a dan b. Akan tetapi sering juga nilai
taksiran ini merupakan nilai observasi untuk pengujian hipotesa (lihat [2]). Apabila Se2
adalah taksiran σ2 ( variansi Y ) dan agarSe2 juga merupakan “unbiased estimator”dari
σ2 maka haruslah E(Se2) = σ2. Untuk itu Se2 harus dihitung dengan
formulasiSe2 ∑ − = = n i ei k n 1 2 1
atau juga dapat dihitung dengan formula
k n Se2= −1
)
2 1(Y a bXi n i i− − ∑= di [7] , dimana n adalah banyak sampel data dan k adalah
banyak variabel. Sedangkan Sa2 = ⎟⎠⎞
∑ + ⎜ ⎝ ⎛ = n i i e X X n S 1 2 2 2 1 dan Sb2 = ∑ = n i i e X S 1 2 2 . Dalam praktek
PROSIDING ISBN : 978‐979‐16353‐3‐2
Seminar Nasional Matematika dan Pendidikan Matematika
Jurusan Pendidikan Matematika FMIPA UNY, 5 Desember 2009 996
juga sering diperlukan taksiran selang untuk parameter A dan B. Untuk sampel yang
besar berlaku selang kepercayaan untuk masing‐masing parameter A dan B sebagai
berikut ,a Z .Sa A a Z .Sa 2 2 α α ≤ ≤ + − dan b Z .Sb B b Z .Sb 2 2 α α ≤ ≤ +
− . Jika pada sampel‐sampel
yang besar digunakan distribusi Z (distribusi normal baku) untuk penentuan selang
kepercayaannya, maka pada sampel‐sampel yang kecil, distribusi Z diganti dengan
distribusi t (distribusi studen), sehingga selang kepercayaan dari parameter‐parameter
A dan B menjadi ,a t .Sa A a t .Sa
2 2 α α ≤ ≤ + − dan b t .Sb B b t .Sb 2 2 α α ≤ ≤ +
− . Dalam hal ini “α”
adalah tingkat keberartian (level of significant) dan biasanya ditentukan 5%.
3. Hasil dan Pembahasan
Menurut relasi hukum pangkat di [1], enersi fungsi densitas spektral atau kuat spektral
semua derau selalu sebanding dengan
fβ 1 . Atau ditulis P(f) ~ fβ 1 ...(6)
Secara matematis ditulis P(f) =
f k β = k f β − ....(7)
Jika diambil logaritma dari kedua ruas persamaan (7) di atas, maka diperoleh model
persamaan linier dalam logaritma sebagai berikut, log P(f) = ‐βlog f + log k dengan k
adalah suatu konstanta. Selanjutnya tinjaulah model perkiraan persamaan linier dalam
bentuk logaritma sebagai berikut, P fi =−β fi+ k+εi
∧ ∧ log log ) ( log .
Akibatnya diperoleh εi2=
(
log ( ) log log )2 k f f P i +β∧ i− ∧ Jadi ∑ = = n i 1 i 2
ε (log ( ) log log )2
1 P fi fi k n i ∧ ∧ = + − ∑ β ...(8)
Dengan menerapkan kriteria kuadrat terkecil yaitu 1 0
2 = ∂ ∑ ∂ ∧ = β ε n i i dan 0 log 1 2 = ∂ ∑ ∂ ∧ = k n i εi pada persa‐
maan (8) akan diperoleh, β∧ =−tgγ =
∑ − ∑ ∑ ∑ − ∑ = = = = = n i n i i i n i n i n i i i i i f f n f P f n f P f 1 1 2 2 1 1 1 ) log ( ) (log ) ( log log ) ( log log ...(9)
PROSIDING ISBN : 978‐979‐16353‐3‐2
Seminar Nasional Matematika dan Pendidikan Matematika
Jurusan Pendidikan Matematika FMIPA UNY, 5 Desember 2009 997
sumbu koordinat log f positif , seperti terlihat pada gambar 4 di [6].
Dengan demikian γ = arc tg
∑ − ∑ ∑ ∑ − ∑ = = = = = n i n i i i n i n i n i i i i i f f n f P f n f P f 1 1 2 2 1 1 1 ) log ( ) (log ) ( log log ) ( log log ...(10)
Sedangkan log ( ) log( )
log ) ( log log 1 1 P f f n f f P k i i n i n i i i β β ∧ = = ∧ ∧ − = ∑ − ∑ = ...(11)
Selanjutnya dengan menggunakan formulasi yang serupa seperti di bawah ini yaitu,
j n S − = 1 2
ε (log ( ) log log )2
1 P fi fi k n i ∧ ∧ = + − ∑ β dapat dihitung Sb2 = ∑ = n i i e f S 1 2 2 ) (log .
Dalam hal ini n adalah banyaknya data yang digunakan dan j=2 adalah banyaknya
variabel dari kedua komponen kuat spektral P(f) dan frekuensi f. Dalam pembahasan
data sinyal ULF ini, juga diperlukan taksiran selang untuk parameter eksponen
spektralβ. Jika sampel data yang digunakan cukup banyak maka selang kepercayaan
untuk parameter β ditentukan sebagai berikut, Z .Sb Z .Sb
2 2
α
α β β
β∧ − ≤ ≤ ∧ + . Dalam hal
ini “α” adalah tingkat keberartian (level of significant) yang biasanya ditentukan 5% ,
sedangkan Z adalah suatu variabel acak yang berdistribusi normal baku.
Untuk mengimplementasi formulasi taksiran eksponen spektral β∧ di persamaan (9) ke
dalam situasi nyata diperlukan langkah‐langkah perhitungan numeriknya yang dapat
dinyatakan sebagai berikut :
i). Lakukan prosedur standar pengolahan data sinyal ULF (lihat [5]).
ii). Tentukan nilai‐nilai frekuensi fi dan kuat spektral P(fi) tiap detik untuk setiap selang waktu 10 menit.
iii). Hitung log fi , (log fi )2 , log P(fi) dan log fi log P(fi) tiap detik untuksetiap selang waktu 10 menit. iv). Hitung∑ = n i 1log fi, (∑= n i 1log fi) 2 , n (log )2 1 ∑ = n i fi , ∑=1log ( ) n
i P fi dan ‐n 1(log f )(logP(fi)) n
i i
∑
=
PROSIDING ISBN : 978‐979‐16353‐3‐2
Seminar Nasional Matematika dan Pendidikan Matematika
Jurusan Pendidikan Matematika FMIPA UNY, 5 Desember 2009 998
v). Hitung βi dan γi dengan menggunakan formulasi pada persamaan‐persamaan
(9) dan (10) setiap 10 menit.
Selanjutnya kemunculan derau kedip, menurut [8] dan [9] akan terlihat pada saat nilai
eksponen spektral β konvergen ke 1 (β →1 ) dan secara bersamaan juga, sudut
miring γ dengan arah berlawanan jarum jam terhadap sumbu koordinat log f positif
mendekati 1350 (γ →1350 ).
4. Simpulan
Formulasi taksiran eksponen spektral β dan parameter γ yang diperoleh dari
persamaan‐persamaan (9) dan (10), ini dapat digunakan untuk menghitung nilai kedua
parameter tersebut ( yaitu β dan γ ), dengan memanfaatkan data mentah sinyal ULF
yang diamati secara langsung tanpa ada jedah waktu (real time data).
Selain itu prosedur perhitungan eksponen spektral β maupun parameter γ yang telah
dibahas secara numerik, ini perlu diterjemahkan ke dalam program komputernya
sehingga dapat diimplementasikan pada data sinyal ULF yang siap dipakai (real time
data or near real time data). Hal ini dimaksudkan untuk mempermudah dan
mempercepat hasil‐hasil perhitungan nilai parameter β danγ , sehingga dapat melihat
kecenderungan ataupun kekonvergenan dari parameter‐parameter tersebut ke suatu
nilai tertentu (β →1 dan γ →1350 ).
Kemudian yang harus dipikirkan (open problem) untuk penelitian berikutnya adalah
bagaimana memodelkan nilai‐nilai eksponen spektral tersebut terhadap waktu dengan
memanfaatkan data sinyal ULF, sehingga dapat memprediksi terjadinya gempa bumi
ataupun badai geomagnet.
5. Ucapan Terimakasih
Secara khusus saya ucapkan terima kasih kepada rekan‐rekan sekerja di bidang
Apgeomagsa – LAPAN yaitu saudara La Ode Musafar, drs. MSc dan saudara Bachtiar
Anwar, MSc. DSc. yang telah memberikan banyak sumbangan pemikiran didalam
PROSIDING ISBN : 978‐979‐16353‐3‐2
Seminar Nasional Matematika dan Pendidikan Matematika
Jurusan Pendidikan Matematika FMIPA UNY, 5 Desember 2009 999
Daftar Pustaka
[1]. Addison P.S, (1997) Fractals and Chaos: An illustrated course, IOP Publishing Ltd., Philadelphia USA.
[2]. Draper N R & Smith H (1996) Applied Regression Analysis, John Wiley & sons, Inc., New‐York.
[3]. Gotoh K. et. al., (2002) Fractal analysis of the ULF geomagnetic data obtained at Izu Peninsula, Japan in relation to the nearby earthquake swarm of June – August 2000, Journal NHESS, pp. 229 – 236.
[4]. Maspupu J, (2007) Rancangan Estimasi Fungsi Transfer Data Variasi Geomagnet ,
Prosiding Seminar Nasional Matematika FMIPA ‐UNPAR, Bandung, hal.133 – 137.
[5]. Maspupu J. (2007) Disain Pengolahan data Variasi Geomagnet berdasarkan Filter
tertentu, Prosiding Seminar Nasional Matematika FMIPA ‐ UNPAR, Bandung, Vol.2, hal.166 – 172.
[6]. Maspupu J, (2009) Penentuan Hubungan Eksponen Spektral dan Dimensi
Fraktal Sinyal ULF Geomagnet, Prosiding Seminar Nasional
Matematika dan Pendidikan Matematika FMIPA ‐ UNY, Yogyakarta , hal. – .
[7]. Mendenhall W.and ScheafferR.L.(1998)., Mathematical Statistics with
Applications, John Wiley & Sons , Inc., New‐York.
[8]. Smirnova N. et.al., (1999) Structure of the ULF geomagnetic noise in a seismo active zone and its relation to the earthquake, in : Noise Physical System and
f
1 Fluctuations, Proc. 15th Int. Conf. ICNF’99, 23‐26
August,Hong Kong , (Ed) Surya.Ch. World Scientific, pp.471‐474.
[9]. Smirnova N. et.al., (2001) Scaling characteristic of ULF geomagnetic fields at the Guam seismoactive area and their dynamics in relation to the earthquake, Journal Natural Hazards and Earth System Sciences (J. NHESS), pp.119 – 126.