Nama : Nia Nurhayati

NIM

: 1206360

TUGAS AKHIR KAPITA SELEKTA

1. Filter 1 D
a. Data Seismik

Lowpass
Lowpass digunakan untuk menyaring noise yang berfrekuensi kecil.
Berikut adalah m.file dari Lowpass :

clc, clear, close all

%Parameters
load grafik1.DAT;
x=grafik1(:,2);
t=grafik1(:,1);
Fs = 391;
N = 390;
% number of signal
samples
rng default;
x = ecg(N)'+0.25*randn(N,1); % noisy waveform
t = (0:N-1)/Fs;
% time vector
%Filter Lowpass
Fnorm = 75/(Fs/2);
% Normalized frequency
df =
designfilt('lowpass','FilterOrder',70,'CutoffFrequenc
y',Fnorm);
grpdelay(df,2048,Fs)
% plot group delay
D = mean(grpdelay(df)) % filter delay in samples
y = filter(df,[x; zeros(D,1)]); % Append D zeros to
the input data
y = y(D+1:end);
% Shift data to
compensate for delay
figure
plot(t,x,t,y,'r');
title('Filtered Waveforms');
xlabel('Time (s)')
legend('Original Noisy Signal','Filtered Signal');
grid on
axis tight

Setelah dilakukan Run, maka akan dihasilkan gambar seperti berikut :

Gambar frekuensi
Delay

Gambar diatas merupakan hasil dari frekuensi delay noise. Dihasilkan pula
gambar bentuk sinyal seperti di bawah ini :

Gambar bentuk original sinyal dan filter

sinyal

Gambar diatas merupakan terdiri dari dua sinyal, yaitu original noise signal dan
filtered signal . Gambar sinyal dengan sinyal berwarna biru merupakan original noisy
signal dan sinyal dengan berwarna merah merupakan filtered signal.

Gamabar Original signal, non Linear

phase IIR output, Zero-phase IIR
output

Gambar diatas merupakan original signal dan hasil filter. Gambar sinyal berwarna biru
merupakan original signal dan gambar dengan warna hijau dan merah merupakan
sinyal setelah di filter.

Bandpass
Bandpass digunakan untuk menyaring noise yang berfrekuensi yang paling tinggi.
Berikut adalah m.file dari Bandpass :
clc, clear, close all
%Parameters
load grafik1.DAT;
x=grafik1(:,2);
t=grafik1(:,1);
Fs = 391;
N = 390;
% number of signal samples
rng default;
x = ecg(N)'+0.25*randn(N,1); % noisy waveform
t = (0:N-1)/Fs;
% time vector
%Filter Highpass
Fnorm = 75/(Fs/2);
% Normalized frequency
df =
designfilt('bandpassfir','FilterOrder',20,'CutoffFreque
ncy1',500,'CutoffFrequency2',560,'SampleRate',1500);
grpdelay(df,2048,Fs)
% plot group delay
D = mean(grpdelay(df)) % filter delay in samples
y = filter(df,[x; zeros(D,1)]); % Append D zeros to the
input data
y = y(D+1:end);
% Shift data to
compensate for delay
% bpFilt =
designfilt('bandpassfir','FilterOrder',20, ...
%
'CutoffFrequency1',500,'CutoffFrequency2',560, ...
%
'SampleRate',1500);
% fvtool(bpFilt)
% dataIn = randn([1000 1]); dataOut =
filter(bpFilt,dataIn);
figure
plot(t,x,t,y,'r');
title('Filtered Waveforms');
xlabel('Time (s)')
legend('Original Noisy Signal','Filtered Signal');
grid on
axis tight

Setelah dilakukan Run, maka akan dihasilkan gambar seperti berikut :

Gambar frekuensi
Delay

Gambar diatas merupakan hasil dari frekuensi delay noise. Dihasilkan pula
gambar bentuk sinyal seperti di bawah ini :

Gambar bentuk original sinyal dan filter

sinyal

Gambar diatas merupakan terdiri dari dua sinyal, yaitu original noise signal dan
filtered signal . Gambar sinyal dengan sinyal berwarna biru merupakan original noisy
signal dan sinyal dengan berwarna merah merupakan filtered signal.

Gamabar Original signal, non Linear

phase IIR output, Zero-phase IIR
output

Gambar diatas merupakan original signal dan hasil filter. Gambar sinyal berwarna biru
merupakan original signal dan gambar dengan warna hijau dan merah merupakan
sinyal setelah di filter.

Highpass
Highpass digunakan untuk menyaring noise yang berfrekuensi tinggi.
Berikut adalah m.file dari HIghpass :

clc, clear, close all

%Parameters
load grafik1.DAT;
x=grafik1(:,2);
t=grafik1(:,1);
Fs = 391;
N = 390;
% number of signal
samples
rng default;
x = ecg(N)'+0.25*randn(N,1); % noisy waveform
t = (0:N-1)/Fs;
% time vector
%Filter Highpass
Fnorm = 75/(Fs/2);
% Normalized frequency
df
=designfilt('highpass','FilterOrder',70,'CutoffFrequ
ency',Fnorm);
grpdelay(df,2048,Fs)
% plot group delay
D = mean(grpdelay(df)) % filter delay in samples
y = filter(df,[x; zeros(D,1)]); % Append D zeros to
the input data
y = y(D+1:end);
% Shift data to
compensate for delay
figure
plot(t,x,t,y,'r');
title('Filtered Waveforms');
xlabel('Time (s)')
legend('Original Noisy Signal','Filtered Signal');
grid on
axis tight

Setelah dilakukan Run, maka akan dihasilkan gambar seperti berikut :

Gambar diatas merupakan hasil dari frekuensi delay noise. Dihasilkan pula
gambar bentuk sinyal seperti di bawah ini :

Gambar diatas merupakan terdiri dari dua sinyal, yaitu original noise signal dan
filtered signal . Gambar sinyal dengan sinyal berwarna biru merupakan original noisy
signal dan sinyal dengan berwarna merah merupakan filtered signal.

Gambar diatas merupakan original signal dan hasil filter. Gambar sinyal berwarna
biru merupakan original signal dan gambar dengan warna hijau dan merah merupakan
sinyal setelah di filter.

b. Data Cuaca

Lowpass

clc, clear, close all

%Parameters
load intensitas.DAT;
x=intensitas(:,2);
t=intensitas(:,1);
Fs = 480;
N = 479;
% number of signal
samples
rng default;
x = ecg(N)'+0.25*randn(N,1); % noisy waveform
t = (0:N-1)/Fs;
% time vector
%Filter Lowpass
Fnorm = 75/(Fs/2);
% Normalized frequency
df =
designfilt('lowpass','FilterOrder',20,'CutoffFrequency
1',500,'CutoffFrequency2',560,'SampleRate',1500);
grpdelay(df,2048,Fs)
% plot group delay
D = mean(grpdelay(df)) % filter delay in samples
y = filter(df,[x; zeros(D,1)]); % Append D zeros to
the inputdata
y = y(D+1:end);
% Shift data to
compensate for delay
% bpFilt = designfilt('lowpass','FilterOrder',20, ...
%
'CutoffFrequency1',500,'CutoffFrequency2',560, ...
%
'SampleRate',1500);
% fvtool(bpFilt)
% dataIn = randn([1000 1]); dataOut =
filter(bpFilt,dataIn);
figure
plot(t,x,t,y,'r');
title('Filtered Waveforms');
xlabel('Time (s)')
legend('Original Noisy Signal','Filtered Signal');
grid on
axis tight

Gambar diatas merupakan hasil dari frekuensi delay noise. Dihasilkan pula
gambar bentuk sinyal seperti di bawah ini :

Gambar diatas merupakan terdiri dari dua sinyal, yaitu original noise signal dan
filtered signal . Gambar sinyal dengan sinyal berwarna biru merupakan original noisy
signal dan sinyal dengan berwarna merah merupakan filtered signal.

Gambar diatas merupakan original signal dan hasil filter. Gambar sinyal berwarna
biru merupakan original signal dan gambar dengan warna hijau dan merah merupakan
sinyal setelah di filter.

Highpass

clc, clear, close all

%Parameters
load intensitas.DAT;
x=intensitas(:,2);
t=intensitas(:,1);
Fs = 480;
N = 479;
% number of signal
samples
rng default;
x = ecg(N)'+0.25*randn(N,1); % noisy waveform
t = (0:N-1)/Fs;
% time vector
%Filter Highpass
Fnorm = 75/(Fs/2);
% Normalized frequency
df =
designfilt('highpass','FilterOrder',20,'CutoffFrequenc
y1',500,'CutoffFrequency2',560,'SampleRate',1500);
grpdelay(df,2048,Fs)
% plot group delay
D = mean(grpdelay(df)) % filter delay in samples
y = filter(df,[x; zeros(D,1)]); % Append D zeros to
the input data
y = y(D+1:end);
% Shift data to
compensate for delay
% bpFilt =
designfilt('highpassfir','FilterOrder',20, ...
%
'CutoffFrequency1',500,'CutoffFrequency2',560, ...
%
'SampleRate',1500);
% fvtool(bpFilt)
% dataIn = randn([1000 1]); dataOut =
filter(bpFilt,dataIn);
figure
plot(t,x,t,y,'r');
title('Filtered Waveforms');
xlabel('Time (s)')
legend('Original Noisy Signal','Filtered Signal');
grid on
axis tight

Gambar diatas merupakan hasil dari frekuensi delay noise. Dihasilkan pula
gambar bentuk sinyal seperti di bawah ini :

Gambar diatas merupakan terdiri dari dua sinyal, yaitu original noise signal dan
filtered signal . Gambar sinyal dengan sinyal berwarna biru merupakan original noisy
signal dan sinyal dengan berwarna merah merupakan filtered signal.

Gambar diatas merupakan original signal dan hasil filter. Gambar sinyal berwarna biru
merupakan original signal dan gambar dengan warna hijau dan merah merupakan
sinyal setelah di filter.

Bandpass

clc, clear, close all

%Parameters
load intensitas.DAT;
x=intensitas(:,2);
t=intensitas(:,1);
Fs = 480;
N = 479;
% number of signal samples
rng default;
x = ecg(N)'+0.25*randn(N,1); % noisy waveform
t = (0:N-1)/Fs;
% time vector
%Filter Bandpass
Fnorm = 75/(Fs/2);
% Normalized frequency
df =
designfilt('bandpassfir','FilterOrder',20,'CutoffFrequency1'
,500,'CutoffFrequency2',560,'SampleRate',1500);
grpdelay(df,2048,Fs)
% plot group delay
D = mean(grpdelay(df)) % filter delay in samples
y = filter(df,[x; zeros(D,1)]); % Append D zeros to the
input data
y = y(D+1:end);
% Shift data to compensate
for delay
% bpFilt = designfilt('bandpassfir','FilterOrder',20, ...
%
'CutoffFrequency1',500,'CutoffFrequency2',560, ...
%
'SampleRate',1500);
% fvtool(bpFilt)
% dataIn = randn([1000 1]); dataOut = filter(bpFilt,dataIn);
figure
plot(t,x,t,y,'r');
title('Filtered Waveforms');
xlabel('Time (s)')
legend('Original Noisy Signal','Filtered Signal');
grid on
axis tight

Gambar diatas merupakan hasil dari frekuensi delay noise. Dihasilkan pula
gambar bentuk sinyal seperti di bawah ini :

Gambar diatas merupakan terdiri dari dua sinyal, yaitu original noise signal dan
filtered signal . Gambar sinyal dengan sinyal berwarna biru merupakan original noisy
signal dan sinyal dengan berwarna merah merupakan filtered signal.

Gambar diatas merupakan original signal dan hasil filter. Gambar sinyal berwarna biru
merupakan original signal dan gambar dengan warna hijau dan merah merupakan
sinyal setelah di filter.

2. Filter 2 D
Dari data yang berupa citra objek langit yang terlampir pada file Jupiter.jpg dan
moon1.jpg, kita dapat mengolah citra tersebut menggunakan suatu software misalnya

matlab. Pada software tersebut akan dilakukan pengolahan citra objek langit yaitu
filtering seperti berikut :
Hasil pengolahan data menggunakan matlab dengan kode m file :
a. objek Jupiter.jpg
clc, clear, close all
image_in = imread('Jupiter.jpg');
H = fspecial('unsharp');
filt_image = imfilter(image_in,H);
figure;
subplot(1,2,1);
imshow(image_in);
title('Original');
subplot(1,2,2);
imshow(filt_image);
title('Sharpened');

Sehingga diperoleh :

Gambar 1) Menampilkan perbandingan hasil sebelum di filter dan sesudah di filter

3.

b. Objek moon1.jpg
Hasil pengolahan data menggunakan matlab dengan kode m file :

clc, clear, close all

image_in = imread('moon1.jpg');
H = fspecial('unsharp');
filt_image = imfilter(image_in,H);
figure;
subplot(1,2,1);
imshow(image_in);
title('Original');
subplot(1,2,2);
imshow(filt_image);
title('Sharpened');
Sehingga diperoleh :

Gambar 2) Menampilkan perbandingan hasil sebelum di filter dan sesudah di filter