Anda di halaman 1dari 11

# TRANSFORMASI FOURIER DISKRIT

## 4.1 Dasar Pembentukan DFT

1. Bangkitkan sinyal sinus x(t) = 3cos(2t), pada t = nT. Untuk suatu n
= 0~ 99, dan T=0,01.
%File Name: dft_1.m
n=0:199;
T=0.01;
x_t=3*cos(2*pi*n*T);
plot(n,x_t)
grid;
title('Sinyal cosinus)
xlabel('Frekuensi(Hz)')
ylabel('X(f)')

2. stem
n=0:199;
T=0.01;
x_t=3*cos(2*pi*n*T);
stem(n,x_t)
grid;
title('Sinyal Steam )
xlabel('Frekuensi(Hz)')
ylabel('X(f)')

## 3. Bagian Real dan Imajiner

%File Name: dft_2.m
clear all;
N=200;
nn=N-1;
for k=1:200;
x_n=0.0;
for n=1:nn
x_n = (3*cos(0.02*pi*n)).*(exp(-j*k*2*pi*n/200)) + x_n;
end
yR(k)=real(x_n);
yI(k)=imag(x_n);
magni_k(k)=sqrt(real(x_n).*real(x_n) +imag(x_n).*imag(x_n));
end
figure(1)
stem(yR)
axis([0 200 0 350])
xlabel('indek fekuensi')
title('Bagian Real')
grid;
figure(2)
stem(yI)
axis([0 200 0 350])
xlabel('indek frekuensi')
title('Bagian Imajiner')
grid;

## 4. Ulangi langkah 1-3 dengan mengubah sinyal cosinus menjadi sinyal

sinus sebagai berikut:
%File Name: dft_1.m
n=0:199;
T=0.01;
x_t=3*sin(2*pi*n*T);
plot(n,x_t)
grid;
title('Sinyal sinus)
xlabel('Frekuensi(Hz)')
ylabel('X(f)')

n=0:199;
T=0.01;
x_t=3*sin(2*pi*n*T);
stem(n,x_t)
grid;
title('Sinyal Steam sinus)
xlabel('Frekuensi(Hz)')
ylabel('X(f)')

## %File Name: dft_2.m

clear all;
N=200;
nn=N-1;
for k=1:200;
x_n=0.0;
for n=1:nn
x_n = (3*sin(0.02*pi*n)).*(exp(-j*k*2*pi*n/200)) + x_n;
end
yR(k)=real(x_n);
yI(k)=imag(x_n);
magni_k(k)=sqrt(real(x_n).*real(x_n) +imag(x_n).*imag(x_n));
end
figure(1)
stem(yR)
axis([0 200 0 350])
xlabel('indek fekuensi')
title('Bagian Real')
grid;
figure(2)
stem(yI)
axis([0 200 0 350])
xlabel('indek frekuensi')
title('Bagian Imajiner')
grid;

## 5. Ulangi langkah 1-3 dengan merubah nilai sample N=200, menjadi

N=1000. Apa yang anda
dapatkan?
clear all;
N=1000;
nn=N-1;
for k=1:200;
x_n=0.0;
for n=1:nn
x_n = (3*sin(0.02*pi*n)).*(exp(-j*k*2*pi*n/200)) + x_n;
end
yR(k)=real(x_n);
yI(k)=imag(x_n);
magni_k(k)=sqrt(real(x_n).*real(x_n) +imag(x_n).*imag(x_n));
end

figure(1)
stem(yR)
axis([0 200 0 1200])
xlabel('indek fekuensi')
title('Bagian Real')
grid;
figure(2)
stem(yI)
axis([0 200 0 1200])
xlabel('indek frekuensi')
title('Bagian Imajiner')
grid;

1. Buat program baru untuk pembangkitan sekuen unit step dan gunakan juga
fft untuk memperoleh nilai DFT.
>> %prak_SS_7_2.m
clear all
T = 128; % sampling rate
zpf = 2; % zero-padding factor
n = 0:1/T:(T-1)/T; % discrete time axis
fi = 5; % frequency
xw = [sin(2*pi*n*fi),zeros(1,(zpf-1)*T)];
nn=length(xw);
k=0:nn-1;
% Plot time data:
subplot(2,1,1);
plot(zpf*k/nn,xw);%normalisas absis domain waktu
axis([0 zpf -1.1 1.1])
xlabel('domain waktu (detik)')

## % Smoothed, interpolated spectrum:

X = fft(xw);
spec = abs(X);
f_X=length(X)
f=0:f_X-1;
% Plot spectral magnitude:
subplot(2,1,2);
plot(f/T,spec);
axis([0 T/T 0 100])
xlabel('domain frekuensi (x pi), ternormalisasi terhadap frekuensi
sampling')
>> % Plot spectral magnitude:
subplot(2,1,2);
plot(f/2,spec);
axis([0 T/2 0 100])
xlabel('domain frekuensi')
>> % Plot spectral magnitude:
subplot(2,1,2);
plot(f/2,spec);
axis([0 T/2 0 40])
xlabel('domain frekuensi dalam dB')
grid;
4.3 Representasi Dalam Domain Frekuensi

1. Susun sebuah program baru dengan algorithma yang merupakan kombinasi dari
percobaan ke-1 dan percobaan ke-2.
>> %prak_SS_7_2.m
clear all
T = 128;
zpf = 2;
n = 0:1/T:(T-1)/T;
fi = 5; % frequency
xw = [sin(2*pi*n*fi),zeros(1,(zpf-1)*T)];
nn=length(xw);
k=0:nn-1;
% Plot time data:
subplot(2,1,1);

plot(zpf*k/nn,xw);
axis([0 zpf -1.1 1.1])
xlabel('domain waktu (detik)')
% Smoothed, interpolated spectrum:
X = fft(xw);
spec = abs(X);
f_X=length(X)
f=0:f_X-1;
% Plot spectral magnitude:
subplot(2,1,2);
plot(f/T,spec);
axis([0 T/T 0 100])
xlabel('domain frekuensi (x pi), ternormalisasi terhadap frekuensi sampling')

## 2. Lakukan beberapa modifikasi, sehingga tampilannya nilai frekuensi dalam Hz.

>> %prak_SS_7_2.m
clear all
T = 128; % sampling rate
zpf = 2; % zero-padding factor
n = 0:1/T:(T-1)/T; % discrete time axis
fi = 5; % frequency
xw = [sin(2*pi*n*fi),zeros(1,(zpf-1)*T)];
nn=length(xw);
k=0:nn-1;
% Plot time data:
subplot(2,1,1);
plot(zpf*k/nn,xw);%normalisasi absis domain waktu
axis([0 zpf -1.1 1.1])
xlabel('domain waktu (detik)')
% Smoothed, interpolated spectrum:
X = fft(xw);
spec = abs(X);
f_X=length(X)
f=0:f_X-1;

f_X =
256
>> % Plot spectral magnitude:
subplot(2,1,2);
plot(f/2,spec);
axis([0 T/2 0 100])
xlabel('domain frekuensi')

## 3. Lakukan modifikasi kembali untuk mendapatkan nilai magnitudo dalam besaran dB

>> %prak_SS_7_2.m
clear all
T = 128; % sampling rate
zpf = 2; % zero-padding factor
n = 0:1/T:(T-1)/T; % discrete time axis
fi = 5; % frequency
xw = [sin(2*pi*n*fi),zeros(1,(zpf-1)*T)];
nn=length(xw);
k=0:nn-1;
% Plot time data:
subplot(2,1,1);
plot(zpf*k/nn,xw);%normalisasi absis domain waktu
axis([0 zpf -1.1 1.1])
xlabel('domain waktu (detik)')
% Smoothed, interpolated spectrum:
X = fft(xw);
spec = abs(X);
f_X=length(X)
f=0:f_X-1;
f_X =
256
>> % Plot spectral magnitude:
subplot(2,1,2);
plot(f/2,spec);
axis([0 T/2 0 40])

## xlabel('domain frekuensi dalam dB')

grid

Simulasi
1. Susun sebuah program baru dengan algorithma yang merupakan kombinasi dari
percobaan ke-1 dan percobaan ke-2.

dB

Analisa

## DFT (Discrete Fourier Transform) berfungsi untuk menjumlahkan seluruh fungsi

diferensial pada suatu sistem. Maka dari inilah yang dimanfaatkan pada operasi konvolusi
dan terlihat pada sinyal yang dihasilkan memiliki bagian real dan imajner yang membuktikan
bahwa setiap operasi pada listing program telah dijumlahkan.

Zero padding merupakan penambahan angka nol saja. yaitu penambahan angka 0
sebanyak 4 angka dibelakang sekuen yang bernilai satu pada fft hasilnya akan termodifikasi
dengan nilai DFT yang didapatkan pada praktikum pertama.

## Representasi dalam domain frekuensi

Representasi dalam domanin frekuensi merupakanPenggabungkan antara percobaan

pertama dan kedua yaitu DFT dan zero padding sehingga kita dapat melihat sinyal waktu
diskrit dalam domain frekuensi. Jadi, hasil yang didapatkan merupakan representasi sinyal
waktu diskrit dalam domain frekuensi.
Kesimpulan

praktikum

kesimpulan

yang

didapatkan

yaitu

DFT

## transformasi fourier diskrit yang konsepnya membangkitkan sinyal cosinus

yang ditransformasikan dan menghasilkan bentuk dalam tampilan indek
frekuensi. untuk melihat sinyal waktu diskrit dalam domain frekuensi
dibutuhkan zero padding yang berfungsi untuk memodifikasi sinyal DFT
dengan menambahkan angka nol sebanyak 4 angka dibelakang sekuen

yang bernilai 1.
Transformasi Fourier Diskrit (TFD) adalah salah satu bentuk transformasi
Fourier di mana sebagai ganti integral, digunakan penjumlahan. TFD ini
dapat dihitung secara efesien dalam pemanfaataannya menggunakan
algoritma transformasi Fourier cepat (TFC). dalam penggunaannya,
terdapat perbedaan yang jelas antara keduanya: "TFD" merujuk pada
suatu transformasi matematik bebas atau tidak bergantung bagaimana
transformasi tersebut dihitung, sedangkan "TFC" merujuk pada satu atau
beberapa algoritma efesien untuk menghitung TFD.

### Dapatkan aplikasi gratis kami

Hak cipta © 2022 Scribd Inc.

### Dapatkan aplikasi gratis kami

Hak cipta © 2022 Scribd Inc.