TUGAS 2

PENGOLAHAN SINYAL GEOFISIKA

Oleh:
Faris suhada
140710120020

PROGRAM STUDI GEOFISIKA

FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2014

Tugas Kuliah Instrumentasi Geofisika

Topik: Korelasi-diri (Auto-Correlation)
Kerjakan tugas ini dengan menggunakan bahasa pemrograman Python. Program
dalam tugas ini dapat berjalan dengan menggunakan pustaka pylab. Muatlah
pustaka tersebut sebelum program dijalankan. Jelaskan barisperbaris dari program
yang dikerjakan.
Pustaka yang diperlukan untuk mengerjakan tugas ini diantaranya:
matplotlib
numpy
scipy
Pastikan pustaka-pustaka tersebut telah terinstall dalam komputer anda!

SOAL
1. Buatlah sinyal digital dengan menggunakan fungsi berikut, dengan data sebanyak
2000 buah, koefisien c={10,5, 2}, frekuensi f={50, 150, 300}, dan fasa 0.
Tampilkan plot dari 100 data pertama.

2. Beri derau (noise) pada sinyal diatas menggunakan fungsi berikut, dengan
amplitudo 5. Tampilkan pula plot dari sinyal dengan derau tersebut.

3. Lakukan

pemfilteran

pada

sinyal

pertama

1.0/sqrt(1.0+(w/wn)**(2.0*n)),

dimana

dengan
w

fungsi

adalah

filter:

frekuensi,

wn=200 adalah frekuensi potong, dan n=3 adalah orde. Buat fungsi filter
tersebut. Tampilkan plot sinyal hasil filternya.

4. Lakukan pemfilteran lolos bawah dengan menghilangkan frekuensi bawah

f<200, pada domain frekuensi.Tampilkan hasilnya.

5. Lakukan

korelasi-diri

(Auto-correlation)

dari

signal

dengan

derau,

menggunakan pustaka signal dari scipy, menggunakan perintah

berikut:
from scipy import signal as sg

Korelasi

dilakukan

menggunakan

perintah

berikut:

sc=sg.correlate(yn,yn,same)

yn adalah sinyal yang memiliki derau, dan sc/(pi*N) adalah sinyal hasilnya, N
adalah jumlah data. Plot sinyalsinyal tersebut, amati dan beri penjelasan.

6. Bandingkan dengan hasil pemfilteran menggunakan metoda fft (nomor 3 dan

4). Beri penjelasan!

JAWABAN
Script Program :
import numpy as np
from scipy.signal import butter, lfilter, freqz
import matplotlib.pyplot as plt
from pylab import *
from scipy import signal
def butter_lowpass(cutoff, fs, order=5):
nyq = 0.5 * fs
normal_cutoff = cutoff / nyq
b, a = butter(order, normal_cutoff, btype='low', analog=False)
return b, a
def butter_lowpass_filter(data, cutoff, fs, order=5):
b, a = butter_lowpass(cutoff, fs, order=order)
y = lfilter(b, a, data)
return y
def sinyal(n,c,f,p):
y=np.zeros(n)
t=np.linspace(0,2*np.pi,n)
nf=len(c)
for i in range(nf):
y+=c[i]*np.sin(f[i]*t)
return y;
def derau(y,am):
seed()
yn=y+(0.5-random(len(y)))*am
return yn
def butterworth(w,wn,n):
retw=1.0/sqrt(1.0+(w/wn)**(2.0*n));

return retw;
#imput
n=2000
c=[10,5,2]
f=array([50,150,300])
p=[0]
t=linspace(0,2*pi,n)
am=5
#sinyal dan noise
ynon=sinyal(n,c,f,p)
ynoise=derau(ynon,am)
#pemplotkan sinyal
plt.subplot(2, 1, 1)
plt.plot(t[:100], ynon[:100], 'b-', label='Sinyal Utama')
plt.xlabel('Waktu')
plt.grid()
plt.legend()
plt.subplot(2, 1, 2)
plt.plot(t[:100], ynoise[:100], 'g-', label='Sinyal Dengan Noise')
plt.xlabel('Waktu')
plt.grid()
plt.legend()
plt.subplots_adjust(hspace=0.35)
plt.show()
#input untuk filter
order = 3
fs = 500
cutoff = 200
F = fft(ynoise)
#pem-filteran sinyal
output = butterworth(F,cutoff,order)
hasil=2000*ifft(output)
ya=butterworth(f,cutoff,order)
yb=sinyal(n,c,ya,p)
#pemplotan hasil
plt.subplot(3, 1, 1)
plt.plot(t[:100], ynon[:100], 'r-', label='Sinyal Tanpa Noise')
plt.plot(t[:100], ynoise[:100], 'b-', label='Sinyal Dengan Noise')
plt.plot(t[1:100],hasil[1:100],'g-', label='Hasil Filter')
plt.title('Sinyal Hasil Filter')

plt.xlabel('Waktu')
plt.ylabel('Amplitudo')
plt.grid()
plt.legend()
plt.subplot(3, 1, 2)
plt.plot(t, yb, 'g-', linewidth=2, label='Hasil lowpass filter')
plt.xlabel('Waktu'),
plt.grid()
plt.legend()
plt.subplot(3, 1, 3)
plt.plot( ya, 'g-', linewidth=2, label='Hasil lowpass filter')
plt.xlabel('Waktu'),
plt.grid()
plt.legend()
plt.subplots_adjust(hspace=0.35)
plt.show()
#Low Pass Filter
b, a = butter_lowpass(cutoff, fs, order)
w, h = freqz(b, a, worN=8000)
#menampilkan respon frekuensi
plt.subplot(2, 1, 1)
plt.plot(0.5*fs*w/np.pi, np.abs(h), 'b')
plt.plot(cutoff, 0.5*np.sqrt(2), 'ko')
plt.axvline(cutoff, color='k')
plt.xlim(0, 0.5*fs)
plt.title("Respon frekuensi lowpass filter")
plt.xlabel('Frekuensi')
plt.grid()
#Low pass filter
y = butter_lowpass_filter(ynoise, cutoff, fs, order)
#pemplotan hasil filter
plt.subplot(2, 1, 2)
plt.plot(t[:100], ynon[:100], 'r-', label='Sinyal Tanpa Noise')
plt.plot(t[:100], ynoise[:100], 'b-', label='Sinyal Dengan Noise')
plt.plot(t[:100], y[:100], 'g-', linewidth=2, label='Hasil lowpass')
plt.xlabel('Waktu')
plt.grid()
plt.legend()
plt.subplots_adjust(hspace=0.35)
plt.show()
#FFT

hasil2= fft(y)
x=4*fs*w/np.pi
#pemplotan sinyal dalam domain frekuensi
plt.subplot(2, 1, 1)
plt.plot(x[:1000], hasil2[:1000], 'g')
plt.title("Hasil Filter Sinyal Dalam Domain frekuensi")
plt.xlabel('Frekuensi')
plt.grid()
plt.subplot(2, 1, 2)
plt.plot(x[:2000], hasil2[:2000], 'b')
plt.title("Hasil Filter Sinyal Dalam Domain frekuensi")
plt.xlabel('Frekuensi')
plt.grid()
plt.show()
plt.subplot(2, 1, 1)
plt.plot(t[:100], ynon[:100], 'r-', label='Sinyal Tanpa Noise')
plt.plot(t[:100], ynoise[:100], 'b-', label='Sinyal Dengan Noise')
plt.plot(t[1:100], hasil[1:100], 'g-', linewidth=2, label='Hasil Filter')
plt.xlabel('Waktu')
plt.grid()
plt.legend()
#pemplotan seluruh hasil filter
plt.subplot(2, 1, 2)
plt.plot(t[:100], ynon[:100], 'r-', label='Sinyal Tanpa Noise')
plt.plot(t[:100], ynoise[:100], 'b-', label='Sinyal Dengan Noise')
plt.plot(t[:100], y[:100], 'g-', linewidth=2, label='Hasil Lowpass filter')
plt.xlabel('Waktu')
plt.grid()
plt.legend()
plt.subplots_adjust(hspace=0.35)
plt.show()
#mengkorelasikan sinyal
sc = signal.correlate (y,ynoise,"same")
output=sc/(pi*n)
#pemplotan korelasi sinyal
plot(t[:100],output[:100])
plt.title('Sinyal Terkorelasi')
plt.xlabel('Waktu')
plt.ylabel('Amplitudo')
plt.margins(0, 0.1)
plt.grid(which='both', axis='both')

show()
Tampilan :
1. Membuat Sinyal dan derau

2. Hasil Filter

3. Tapis Lolos Bawah Fcut 200

Domain Frekuensi

4. Korelasi Sinyal

5. Bandingkan Metode

Penjelasan: