BAB 6 Analisa Spektrum

Bab 6: Analisa Spektrum

1 Analisa Spektrum Dengan DFT
Tujuan Belajar 1
Peserta dapat menghubungkan DFT dengan spektrum dari sinyal hasil
sampling sinyal waktu kontinue.
N-point DFT dari sinyal x(n) adalah X() yang dievaluasi pada frekuensi-frekuensi k
= 2k/N untuk k=0,1,,N-1
Contoh :
Sinyal dengan durasi sepanjang L diberikan sebagai berikut :
1, 0 n L 1
x(n ) =
lainnya
0
Transformasi Fourier dari sinyal ini adalah
n = L 1
n = L 1
1 e jL sin (l 2) j ( L 1) 2
X ( ) = x(n )e jn = e jn =
e
=
1 e j
sin ( 2 )
n=0
n=0
10

pi

9
8

pi/2
7

|X(omega)|

6
5

4
3

-pi/2
2
1
0

pi/2

pi
omega

3pi/2

-pi
0

2pi

pi/2

pi

3pi/2

2pi

Gambar 6.1 : Karakteristik magnituda dan fasa hasil transformasi Fourier

N-point DFT dari sinyal diatas adalah

n = L 1
1 e j 2kL N sin (kL N ) jk ( L 1) N
e
X (k ) = e j 2kL N =
=
1 e j 2kL N
sin (k N )
n =0
N = 100

N = 50
10

10

0
0

pi/2

pi

3pi/2

2pi

0
0

pi/2

VI-1

pi

3pi/2

2pi

BAB 6 Analisa Spektrum

N = 50

N = 100

2.5

2
2

1.5
1

0.5
0

-0.5
-1

-1
-1.5

-2

-2
-2.5
0

pi/2

pi

3pi/2

2pi

-3
0

pi/2

pi

3pi/2

2pi

Gambar 6.2 : Magnituda dan fasa N-point DFT untuk N=50 dan N=100

Tujuan Belajar 2
Peserta dapat melakukan analisa spektrum dengan DFT, termasuk
konsep windowing
Untuk menghitung spektrum sinyal, baik sinyal waktu kontinyu maupun sinyal waktu
diskrit, maka perlu diketahui besarnya sinyal setiap saat. Namun, secara praktis, kita
mengamati sinyal hanya dalam selang waktu tertentu. Akibatnya, spektrum sinyal harus
didekati menggunakan sejumlah data yang berhingga.
Misalkan,
1.
xa(t)

anti
aliasing
filter
B

sampling

xa(n)
L samples

Fs2B

2. Durasi xa(t) = To T dimana T = 1/Fs

kemampuan membedakan frekuensi terbatas ke

F =

1
Fs

bila xa(t) lebih panjang dari To, tetapi kita "memaksa" diri menggunakan blok
sebesar L samples, maka gunakan window (n) berdurasi L
x (n) = x(n) (n)
1 0 n L 1
misal (n) =
lainnya
0
maka x (n) berdurasi L, gunakan pada DFT
Misalkan x(n) mengandung frekuensi tunggal 0
x(n) = cos 0 n
maka transformasi Fourier x(n) dapat dinyatakan

X ( ) = 12 [W ( 0 ) + W ( + 0 )]

VI-2

BAB 6 Analisa Spektrum

dimana W() adalah transformasi Fourier dari sekuen window, dimana untuk
rectangular window
W ( ) =

sin(L / 2) j (l 1) / 2
e
sin( / 2)

Tujuan Belajar 3
Peserta mengerti zero padding dan persamaan/perbedaan akibatnya
dibanding dengan menaikkan point DFT.
X ( ) dihitung menggunakna DFT. Jika diinginkan menghitung N-points DFT dimana
N > L maka dapat dilakukan zero padding, yaitu dengan menyisipkan sejumlah (NL)
buah nol pada sekuen { x (n ) }. Gambar dibawah memperlihatkan magnituda spektrum
untuk L=25 dan N=2048. Seperti terlihat pada gambar tersebut, spektrum X ( ) tidak

terlokalisir pada satu frekuensi tetapi menyebar ke seluruh range frekuensi. Jadi, daya
dari sinyal x(n) yang sebelumnya terkonsentrasi pada satu frekuensi sekarang tersebar
ke seluruh range frekuensi, atau disebut leakage.
L = 32, N = 2048
16
14
12
10
8
6
4
2
0
0

pi/2

pi

3pi/2

2pi

Tujuan Belajar 4
Peserta dapat mengurangi kebocoran spektrum (spektral leakage)
Windowing, selain menyebabkan kesalahan estimasi spektrum sinyal karena leakage,
juga mengurangi resolusi spektrum. Misalkan terdapat sinyal terdiri dari dua frekuensi :
x(n) = cos1n + cos2n
dengan menggunakan windowing, maka

x (n) = n x(n)

dimana transformasi Fouriernya adalah :

1
X ( ) = [W ( 1 )+ W ( 2 ) + W ( + 1 ) + W ( + 2 )]
2

VI-3

BAB 6 Analisa Spektrum

Zero crossing W() terjadi pada = 2/L, bila |1-2| < 2/L maka terjadi
overlap pada W(-1) dan W(-2), jika |1-2| 2/L maka muncul 2 lobe.
Jadi kemampuan meresolusi garis spektrum ditentukan oleh lebar main-lobe dari
window.
Contoh :
x(n) = cos 0.2n + cos 0.22n + cos 0.6n

Terdapat dua frekuensi yang saling berdekatan, yaitu 0.2 dan 0.22. Kedua
frekuensi tidak bisa dipisahkan menggunakan L=25 dan L=50, kedua frekuensi baru
terpisah menggunakan L = 100.
Untuk mengurangi kebocoran dapat digunakan window w(n) dengan side-lobe yang
rendah yang berakibat main-lobe melebar (resolusi meningkat). Bila spektrum window
relatif sempit dibanding X() maka efek smoothing kecil, sebaliknya bila spektrum
window relatif lebar maka efek W() lebih dominan sehingga harus dihindari.
Contoh :
1
2
1 cos
n 0 n L 1
Hanning Window
( n) = 2
L 1

0
otherwise
yang digunakan pada sinyal seperti diatas. Perhatikan gambar dibawah, menggunakan
Hanning window.

VI-4

BAB 6 Analisa Spektrum

2 Menghitung DFT Dengan bantuan Filter

Tujuan Belajar 5
Peserta dapat menghitung DFT dengan bantuan filter linier dan
diterapkan dalam kasus Goertzel Algorithm untuk DMTF.
Algoritma Goertzel memanfaatkan sifat periodik sudut fasa {WNk } sehingga perhitungan
DFT dapat dinyatakan sebagai operasi linear filtering dengan resonator pada k= 2k/N
Karena WNkN = 1 , maka dapat digunakan sebagai faktor pengali, sehingga
N 1

X (k ) = x(m)W
m =0
N 1

km
N

kN
N

=W

N 1

x(m)W

m =0

km
N

= x(m)WN k ( N m ) = yk (n) n = N
m =0

N 1

bila yk (n) = x(m)hk (n m)

m =0
kn
N

hk (n) W

x(m)

u ( n)

Hk(n)
yk(n)

tunggu sampai n = N

VI-5

BAB 6 Analisa Spektrum

yk(N) = X(k)
Ctt.
H k ( z) =

1
1 WN k z 1

yk (n) = WN k yk (n 1) + x(n)

y(-1) = 0
k

Untuk menghindari bilangan kompleks akibat WN , buat komplex conjugate

(1 W
(1 W

k
N
k
N

)
)

z 1
H k ( z)
z 1
H (k ) =

sehingga

1 WNk z 1
k

1 2 cos 2 z 1 + z 2
N

2k
vk (n 1) vk (n 2 ) + x(n )
N
yk (n ) = vk (n ) WNk vk (n 1)

vk (n ) = 2 cos

input real X (k ) = N ( N k ) baik untuk M values log 2 N

sehingga cukup menghitung

yk (n ) vk ( N ) WNk vk ( N 1)
2

= vk2 ( N ) + vk2 ( N 1) 2 cos 2 vk ( N 1)

N

VI-6