BAB 2 MODUL I

GEJALA - GEJALA FISIS

I.1 Pendahuluan
Sinyal merupakan suatu peranan penting dalam kehidupan, karena saat ini
manusia banyak yang ketergantungan dengan telekomunikasi terutama teknologi
peralatan (gadget), yang mana piranti ini sarat dengan pengolahan sinyal. Tanpa
disadari, sinyal juga dapat ditemukan di sekitar manusia dalam bentuk sinyal
elektromagnetik tubuh makhluk hidup. Agar sinyal dapat bermanfaat sesuai
kebutuhan manusia dengan efisien dan optimal, maka diperlukan pengolahan sinyal
dengan menggunakan suatu sistem elektronika analog maupun yang digital.
Klasifikasi sinyal digolongkan menjadi dua bagian, sinyal analog dan sinyal
digital. Sinyal analog merupakan sinyal yang memiliki nilai untuk setiap waktu,
sedangkan sinyal digital merupakan sinyal yang tidak pada semua waktu terdefinisi.
Sinyal Riil dan sinyal kompleks

Sinyal riil merupakan sinyal yang bersifat riil untuk semua variabel. Sinyal
kompleks merupakan sinyal yang mempunyai nilai yang kompleks ada faktor
nilai imajiner.

Sinyal Genap dan sinyal Ganjil

Sinyal genap mempunyai sifat polinomial dengan pangkat yang genap,

sedangkan sinyal ganjil mempunyai sifat polinomial dengan pangkat yang
ganjil.

Sinyal Deterministik dan sinyal Random

Sinyal deterministik merupakan sinyal yang nilainya secara lengkap untuk

semua titik waktu sudah dikenal, sedangkan sinyal random mempunyai nilai
random untuk waktu yang diberikan. Nilai-nilai sinyal random untuk setiap
titiknya tidak diketahui dengan pasti, sehingga sinyal random hanya dibahas
berdasarkan karakter statistik, misalnya nilai rata-rata dan nilai tengah.

Dalam kehidupan modern, pengolahan sinyal sangat bermanfaat dalam segala bidang,
antara lain :

Bidang Telekomunikasi, contoh : Pengiriman sinyal handphone menuju BTS

dan sistem telekomunikasi berbasis listrik PLN.

Bidang Kedokteran, contoh : Pengolahan sinyal dari sensor menjadi suatu

gambar / image untuk mengidentifikasi apakah ada penyakit pada otak / paruparu.

Bidang Militer, contoh : Pengiriman sinyal radar pesawat dan sistem kendali
satelit.

Bidang geofisika mirip dengan bidang kedokteran untuk mengenal struktur

fisis material dan memperkirakan keberadaan sumber daya alam yang
terpendam dibawah permukaan bumi.

Berikut ini diberikan contoh pembuatan sinyal menggunakan matlab. Program

Matlab dapat digunakan untuk membuat sinyal sinusoidal kontinyu dan sinyal
sinusoidal diskrit. Sinyal waktu kontinu (continous time) adalah sinyal dengan
variable independen bernilai nyata (real). Sinyal x(t) adalah sinyal waktu kontinu
karena t adalah bilangan nyata. Sinyal waktu diskrit (discrete time) adalah sinyal
dengan variable independen bernilai integer. Sinyal x(n) adalah sinyal waktu diskrit
karena n adalah bilangan integer.

Source Code Program

t=[-pi/2:0.001:pi/2];
x=2*cos(2*pi*t);
plot(x);
title(SINYAL KONTINYU,'FontSize,14)
Capture Sinyal Sinusoida Kontinyu

Sinyal Sinusoida Diskrit

Ada dua cara memperoleh sinyal waktu diskrit:
Sampling dari sinyal waktu kontinu
Mencacah (counting)
Source Code Program
t=[-pi/3:0.03:pi/3];
x=3*cos(2*pi*t);
stem(x);
title(GRAFIK SINUSOIDA DISKRIT,'FontSize,14);

I.2 Deskripsi Dasar Gejala Fisis

Gejala-gejala fisis secara garis besar dapat diklasifikasi menjadi: gejala fisis
deterministik dan atau gejala fisis nondeterministik. Gejala deterministic adalah
gejala yang besaran-besaran fisisnya dapat dinyatakan oleh suatu hubungan
matematis yang eksplisit. Sinyal deterministik adalah sinyal dimana besaran nya
diketahui dengan pasti apabila diketahui variable independen nya (misalnya besarnya
di masa lalu, saat ini, dan masa datang diketahui dengan pasti).
Source Code Program
t=0:0.02:20;
f=sawtooth(2*pi*t);
plot(t,f);
title(SINYAL DETERMINISTIK,'FontSize,14)

Contoh : benda jatuh bebas, gerak pegas, dan sebagainya.

System massa-pegas
sederhana
k

x ( t )=x cos

Kedudukan
seimbang
X(t)

Simpangan pada
saat t

k
m

t ;t0

Amplitude
k
= konstanta

Gejala non deterministic adalah gejala-gejala yang besaran-besaran fisisnya tak dapat
dinyatakan secara eksplisit oleh suatu hubungan matematis.
Contoh : Output listrik dari generator bising. Data pengamatan gejala non
deterministic adalah acak dan harus dinyatakan dalam pernyataan statistic dan ratarata statistic.
A. Klasifikasi Gejala Deterministik
Deterministik
Non
periodik

Periodik
Hampir
periodi
k

Transien
Sinusoid
Periodik
t
Periodik Sinusoidal
al
komplek : gejala yang dapat dinyatakan secara matematis oleh fungsi

berubah waktu berbentuk

x ( t )=x sin ( 2 f 0 t+)

Sudut phase awal

frekuensi

Representasi : dalam domain waktu : sejarah waktu

T p=

1
f0

-x

Tp

periode

Representasi dalam domain frekuensi :

Spectra diskret atau spectra garis
amplitudo
x
frekuensi

Periodik Komplek : dinyatakan oleh fungsi matematis berubah waktu yang bentuk
gelombangnya tepat berulang kembali pada selang-selang regular.
Misal :

x ( t )=x ( t nT p ) n=1,2,

Dalam Domain Waktu :

x (t) dapat diuraikan ke dalam deret Fourier

an cos 2 n f 1 t +b n sin 2 n f 1 t

a0
x ( t )= +
2 n=1

f1:

Dengan

frekuensi fundamental =

1
Tp

Tp

Perioda

Te

2
an = x ( t ) cos 2 n f 1 t dt ; n=0,1, 2 .
Tp 0
Tp

2
bn = x ( t ) sin 2 n f 1 t dt ; n=1, 2,
Tp 0

atau

x ( t )=x 0 + x n cos ( 2 n f 1 t n )
n=1

x 0=

dengan

a0
;
2

x n= a2n +b 2n

n=tg1

bn
an

n= 1, 2

Dalam domain frekuensi : spectrum periodik komplek

amplitudo

frekuensi

Hampir periodic : dinyatakan oleh fungsi matematis berubah waktu yang berbentuk

x ( t )= x n sin ( 2 f n t +n ) dalam semua kasus

n=1

Dengan

f n / f m bilangan rasional

Spectrum :
amplitudo

frekuensi

Non periodik transien : adalah gejala-gejala non periodik yang tak termasuk dalam
gejala hamper periodik. Karakteristik yang penting : representasi spectral diskret tak
mungkin diperoleh. Representasi spectral kontinu dalam hamper semua kasus dapat
diperoleh dari intergral Fourier.
+

x ( f )= x ( t ) e j 2 ft dt

yang umumnya komplek

|x (f ) e j(t )|
argume
n
Magnitudo
x(f)

Contoh-contoh :
Definisi

Domain waktu

X(t)

at
x ( t ) A e ;t 0
0 ;x <0

Domain frekuensi

x (t ) A e

X(f)

at

cos bt ;t> 0
0 ;t <0

0
f
0

X(f)

X(t)

x ( f ) A ;C t 0
0 ;C< t<0

CA
f
t

B. Klasifikasi gejala random (acak)

acak
stasioner

Ergodic

Non Stasioner

Non ergodic

Klasifikasi Spesial Non

Klasioner
Suatu
sejarah waktu tunggal yang menyatakan gejala acak dinamakan fungsi sample
(cuplikan) atau record sample. Koleksi semua fungsi sample yang mungkin
dinamakan proses acak (random) atau proses stekastik. Jadi record sample adalah
salah satu realisasi fisis proses acak.

Record-record sample output

generator bising termal
-

Proses random
stasioner : koleksi fungsi
sample, dinamakan

ensemble, meyatakan proses acak. Sifat-sifat gejala dapat dinyatakan pada setiap
saat dengan menghitung rata-rata pada ensemble.
contoh : mean value (momen pertama), korelasi (momen bersamaan) antara
harga-harga proses acak pada dua saat yang berlatihan, ytang dinamakan
fungsi auto korelasi.
N
1
lim
x k (t 1)
x (t1) = n n
k=1
N

R x ( t 1+t 1 + ) lim

1
x ( t ) x (t + )
n k=1 k 1 k 1

rata-rata ensemble

Dan seterusnya Xk (t) .................XN (t)

- Jika x (t1) dan Rx (t1, ti + )berubah jika t1 berubah, maka proses
-

acak {x(t)} dinamakan nonstasioner.

Jika x (t1) dan Rx (t1, ti + ) tak berubah jika t1 berubah maka
proses acak {x(t)} dinamakan stasioner secara lemah atau

stasioner dalam arti luas.

x (t1) = x
Rx(t1, ti + )= Rx()
Jika semua momen dan momen bersamaan yang mungkin invarian terhadap waktu,
proses acak {x(t)} dinamakan stasioner secara kuat atau stasioner dalam arti sempit.
Tinjau fungsi sample ke-k proses acak.
Harga mean x (k) dan fungsi autokorelasi Rx(,k) fungsi sample ke k

x ( k ) =lim

1
x (t )dt
T 0 k
Rata-rata terhadap waktu
T

1
x k (t ) x k (k+) dt
T T 0

R x ( , k ) =lim

Jika proses acak {x(t)} stasioner dan x (k) dan Rx(,k) tidak berbeda jika
dihitung dengan fungsi-fungsi sample yang berbeda, maka proses acak dikatakan
ergadic.

Dalam proses acak ergedic, harga mean dan fungsi autokorelasi dirata-ratakan waktu
sama dengan harga dirata-ratakan ensemble.
-

Proses acak tak stasioner semua proses acak yang tak memenuhi persyaratan
untuk kestasioneran.

Deskripsi dasar sifat-sifat proses acak.

Empat tipe utama fungsi statistik dapat dipergunakan untuk menyatakan sifat dasr
gejala acak.
a.
b.
c.
d.

Fungsi rapat kemungkinan;

Harga kwadrat mean;
Fungsi autokorelasi;
Fungsi rapat spektral daya.

Nama
Fungsi rapat

Sifat
Kemungkinan besaran

kemungkinan

mempunyai harga
dalam range tertentu

x< x( f )< x+ x

x
prob

p ( x )= lim
x 0

Tx
T

lim

( amplitudo ) lim

x 0

Harga kwadrat

Harag rata-rata harga

mean

kwadrat sejarah waktu

Fungsi

Kebergantungan

autokorelasi

umum harga besaran

1
x = lim x 2 ( t ) dt
T T 0
2

(intensitas)
T

1
R x ( ) =lim x ( t ) x (t , )dt
T t 0

pada suatu saat pada

Fungsi rapat

saat yang lain

Komposisi frekwensi

spektral daya

umum proses acak

1
x ( f 1 f ) = lim x 2 ( f 1, f 1 f ) dt
T T 0
2

dalam rapat spektral

harga kwadrat
meannya
Note

Gx (f )

Gx ( f ) = lim

f 0

+
x 2( f 1 f )
=2 R x ( ) e j 2 f d
f

fourier
transform

Rx ()

I.2. A. Transformasi Fourier

Transformasi Fourier merupakan alat yang sangat ampuh dalam analisa sistem
linier.
Tinjau dua fungsi h(x) dalam domain ruang spatial dan waktu dan H (s) dalam
domain frekwensi spatial atau frekwensi temporal yang didefinisikan sebagai :
+

H ( s ) e 2 jsx ds
h(x) =

Wave form (bentuk gelombang)

h ( x ) e 2 jsx dx
H(s) =

spektrum

Maka fungsi h(x) dan H(s) dikatakan Transformasi Fourier satu sama lain atau
membentuk Pasangan Fourier dan diberi symbol h(x)

H(s)

Beberapa teorema dasar ialah :

Pasangan Transformasi Fourier

Pasangan Dasar

h(x)

H(s)

Argumen negatif

h(-x)

H(-s)

Konyugasi komplek

h * (x)

Konyugasi komplek dan Argumen

H * (-s)

h * (-x)

H * (s)

h( x/a )

a H( as )

negatif
Penskalaan dengan kostanta positif
Perkalian dengan konstanta
superposisi

Pergeseran dalam x

ch(x)

cH(s)

h1(x) + h2(x)

h ( x- x1 )

e2 jsx 1

H1(s) + H2(s)

H( s )

Pergeseran dalam s

Konvolusi dalam x

e2 js 1x

h( x )

H ( s- s1 )

( x1) h2 ( x- x1 )dx1H1 ( s ) H2 (s )

Konvolusi dalam c

h1 ( x ) h2 ( x )

Autokorelasi dalam x

( s1) H2 ( s - s1 ) ds1

( x1) h * ( x1- x )dx1

Autokorelasi dalam s

H(s ) H* (s )

h(x) h * ( x )

H
+

( s1) H* ( s1 - s ) ds1

Sifat sifat simitri Transformasi Fourier

h(x)

H(s)

GENAP

GENAP

Riil dan genap

Riil dan genap

Komplek dan genap

Komplek dan genap

GANJIL
Imaginer dan ganjil
Komplek dan ganjil
Riil
Imaginer
Imaginer dan genap
Hermite
Anti hermite

GANJIL
Riil dan ganjil
Komplek dan ganjil
Riil genap dan imagine ganjil
Riil ganjil dan imaginer genap
Imaginer dan genap
Riil
Imaginer

Korelasi silang dalam x

+

( x1) h2 * ( x - x1 )dx1

H1(s) H2* (s )

Korelasi silang dalam s

+

h1

(x) h2 * ( x )

( s1) H2* (s s1) ds1

Diferensiasi dalam x

h1 ( x )

js H(s)

Diferensiasi dalam s

-jx

H1 ( s )

h(x)

Note : Notasi Integral Konvolusi

+

h(x) =

( x1) h2 ( x- x1 ) = h1 (x) / h2 (x)

Laplacean
2

h ( x )=

Teorema Rayleigh

d2 ( )
h x
dx 2

2 2
-4 s H (s )

|h( x )|

dx =

|H ( s)|

ds

Untuk fungsi variabel spatial x , Transformasi Fourier dengan mudah dapat

diperluas pada fungsi dua atau iga variabel. Jika fungsi f (x,y) fungsi kontinu dan
dapat diintegal, dan F(U,v) dapat diintegral, ada transformasi Fourier dua dimensi
+

F(U,v) = f { f (x , y ) } =

f ( x , y ) exp [ j 2 (Ux+ vY ) ] dxdy

dan
+

f(x,y) = f1 { F(U , v) } =

F ( U , v ) exp [ + j2 ( ux +vY ) ] dudv

dengan u dan v variable frekwensi spatial

I.2. B. Transformasi Laplace
Transformasi lain yang sangat ampuh dalam analisa sistem linier adalah
transformasi Laplace.
Transformasi Laplace dapa dipandang sebagai perluasan transformasi Fourier
ke domain komplek. Transformasi Laplace fungsi h(x) dalam domain ruang spatial
atau waktu kedalam domain Laplace didefinisikan sebagai

F(s) = L { f ( x ) } =

f ( x ) es x dx
0

dan invers transformasi Laplace adalah sebagai berikut:

+j

F(x) =

L1 { F (s ) } =

1
F ( s ) es x ds
2 j j

Dengan s menyatakan variabel Laplace yang merupakan variabel komplek s=

+ j

sehingga s sering dinamakan frekwensi komplek dan domain Laplace

dinamakan domain frekwensi komplek.

Seperti halnya transformasi Fourier, transformasi Laplace mempunyai sifat
istimewa yaitu :
:

L { c f ( x) } =C L { f (x ) }=C F ( s)

d
n
f ( x) =s F( s)
dx n

Sifat integrasi

Sifat pergeseran

L {eax f (x ) }=F ( s+a)

Sifat translasi

L { f (xa) }=e

Sifat korelasi

L { f ( x )g(x )}=L { f ( x ) } L { g( x ) }

Sifat linier

Sifat diferensiasi

f ( x ) dx = 1S F (s)
0

as

F ( s)

Impuls satuan

f(x)

F(s)

(x)

0; x 0
Tangga satuan

u(x)

1
2

1
s
;x=0

1;x 0

Sinus

Sin x

/ (s2 + 2)

Cosinus

Cos x

s / (s2 + 2)

e-ax

1 / (s + a)

tn / n1

1 / (sn+1)

Eksponensial

Pangkat

Beberapa pasangan transfomasi Laplace

I.2. C. Transformasi Hilbert

Suatu fungsi f(x) dinamakan causal (kausatif, sebab akibat) jika memenuhi
sifat f(x) = 0 untuk x < 0. Untuk fungsi domain ini, baik riil maupun komplek, bagian
riil dan imaginer transformasi Fouriernya berhubungan yaitu jika

f(x) = 0 untuk x < 0 dan

F(s) = R(s) + j Im(s) =

Maka R(s) =

f ( x ) e j 2 s x dx
0

+
1 I m (U )
du

dan Im(s) =
sU

1 R(U )
=du

sU

dan pasangan diatas dinamakan pasangan transformasi Hilbert. Bentuk lain : jika f(x)
fungsionil dengan Transformasi Fourier
+

F(s) dan z(x) = f(x) + j

+

maka

f^

(x) =

f ( y)
1
dy

x y

I.3 Rangkuman

Sinyal Deterministik

Sinyal Periodik

Sinyal Sinusoida

Sinyal Complex-Periodic

Sinyal Pseurandom

Sinyal Non-Periodik

Sinyal Transien

f^ (x) =

1
F ( s ) e j 2 s x ds

Sinyal Step

Sinyal Ramp

Sinyal Pulsa Segiempat

Sinyal Segitiga

Sinyal Signum

Sinyal Sinc

Sinyal Gaussian

I.4 Soal Latihan

1. Jelaskan apa yang dimaksud dengan sinyal?
2. Sebutkan dan jelaskan klasifikasi dari sinyal?
3. Jelaskan apa yang dimaksud sinyal waktu kontinyu dan sinyal waktu diskrit?
4. Diketahui sinyal diskrit :
x[n] = 3 untuk n -3 s/d 0
x[n] = 0 untuk n -3>n>0
Proses sinyal tersebut dengan menggunakan MATLAB jika diinginkan
y[n] = x[n+3] sinyal digeser ke kiri 2 kali
y[n] = x[-n-3] sinyal dicerminkan
5. Beri 2 contoh aplikasi pengolahan sinyal pada bidang komunikasi data komputer