Modul Matlab Sistem Digital LENGKAP

PRAKTIKUM
PENGOLAHAN SINYAL DIGITAL
LABORATORIUM MULTIMEDIA DAN JARINGAN KOMPUTER

JURUSAN TEKNOLOGI INFORMASI DAN KOMPUTER
POLITEKNIK NEGERI LHOKSEUMAWE
2016
1
Minggu Pokok Bahasan Sub Pokok Tujuan Instruksional Ref.
ke Bahasan Khusus
1 Pengarahan perkuliahan o Memulai perintah
dan pengenalan MATLAB sederhana
o Penggambaran grafik
o Penyusunan program
o Fungsi dalam MATLAB
2 Pemrograman MATLAB o Kontrol program
& o M-file
o Fungsi inline dan
3 perintah feval
4 Pemrograman MATLAB o Operator logika
& o Operasi Array
5 o Akar-akar persamaan
o Fungsi zero
6 Sinyal dan sistem o Analisis filter dan
Implementasi
7 Analisis dan desain o Desain LPF analog
filter analog o Desain Butterworth
LPF
8 Ujian Tengah Semester
9 Analisis dan desain o Desain IIR dan FIR
& filter digital o FIR dan Signal flow
10 graph
11 Analisis dan desain o Low pass filter
& filter digital o High pass filter
12 o Signal processing tools
13 Neural Network o Pembentukan jaringan
(Perceptron) o Pembentukan vektor
masukan dan target
o Menghitung keluaran
perceptron
o Menghitung bobot dan
bias
14 Neural Network o Inisialisasi
& (Backpropagation) Backpropagation
15 o Insisialisasi Bobot
o Simulasi jaringan
16 Ujian Akhir Semester
2
ATURAN PERKULIAHAN KEAMANAN KOMPUTER
DAFTAR HADIR MIN = 80% X 16= 14
KOMPONEN NILAI
TUGAS / pokok bahasan = 25%
UTS = 30%
UAS = 45%
Nilai Mutlak
85 – 100 = A
70 – 84 = B
56 – 69 = C
41 – 55 = D
≤ 40 = E
Keterlambatan kehadiran dengan toleransi 10 menit
Buku Acuan : Bebas (mencakup pembahasan yang ada)
3
MODUL 1
PENGENALAN MATLAB: SEBAGAI ALAT ANALISIS PERMASALAHAN

ENGINEERING
I. TUJUAN
Mahasiswa mampu mengoperasikan Matlab dan memanfaatkannya sebagai perangkat

Simulasi untuk praktikum Sinyal dan Sistem
II. DASAR TEORI
1.1 Apa Sih MATLAB Itu?
MATLAB adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk komputasi
masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu
model yang sangat mudah untuk pakai dimana masalah-masalah dan penyelesaiannya
diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang–
bidang:
• Matematika dan Komputasi

• Pembentukan Algorithm
• Akusisi Data
• Pemodelan, simulasi, dan pembuatan prototipe
• Analisa data, explorasi, dan visualisasi
• Grafik Keilmuan dan bidang Rekayasa
MATLAB merupakan suatu sistem interaktif yang memiliki elemen data dalam suatu array
sehingga tidak lagi kita dipusingkan dengan masalah dimensi. Hal ini memungkinkan kita untuk
memecahkan banyak masalah teknis yang terkait dengan komputasi, kususnya yang berhubungan
dengan matrix dan formulasi vektor, yang mana masalah tersebut merupakan persoalan apabila
kita harus menyelesaikannya dengan menggunakan bahasa level rendah seperti Pascall, C dan
Basic.
Nama MATLAB merupakan singkatan dari matrix laboratory. MATLAB pada awalnya ditulis
untuk memudahkan akses perangkat lunak matrik yang telah dibentuk oleh LINPACK dan
EISPACK. Saat ini perangkat MATLAB telah menggabung dengan LAPACK dan BLAS library,
yang merupakan satu kesatuan dari sebuah seni tersendiri dalam perangkat lunak untuk komputasi
matrix.
Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat standar untuk
memperkenalkan dan mengembangkan penyajian materi matematika, rekayasa dan kelimuan. Di
industri, MATLAB merupakan perangkat pilihan untuk penelitian dengan produktifitas yang tingi,
pengembangan dan analisanya.
Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih kita kenal dengan nama toolbox.
Sangat penting bagi seorang pengguna Matlab, toolbox mana yang mandukung untuk learn dan
apply technologi yang sedang dipelajarinya. Toolbox toolbox ini merupakan kumpulan dari
fungsi-fungsi MATLAB (M-files) yang telah dikembangkan ke suatu lingkungan kerja MATLAB
untuk memecahkan masalah dalam kelas particular. Area-area yang sudah bisa dipecahkan dengan
toolbox saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic,
wavelets, dan lain-lain.
4
2.2. Kelengkapan pada Sistem MATLAB
Sebagai sebuah system, MATLAB tersusun dari 5 bagian utama:
1. Development Environment. Merupakan sekumpulan perangkat dan fasilitas yang

membantuanda untuk menggunakan fungsi-fungsi dan file-file MATLAB. Beberapa
perangkat ini merupakan sebuah graphical user interfaces (GUI). Termasuk didalamnya
adalah MATLAB desktop dan Command Window, command history, sebuah editor dan
debugger, dan browsers untuk melihat help, workspace, files, dan search path.
2. MATLAB Mathematical Function Library. Merupakan sekumpulan algoritma komputasi

mulai dari fungsi-fungsi dasar sepertri: sum, sin, cos, dan complex arithmetic, sampai dengan
fungsi-fungsi yang lebih kompek seperti matrix inverse, matrix eigenvalues, Bessel functions,
dan fast Fourier transforms.
3. MATLAB Language. Merupakan suatu high-level matrix/array language dengan control

flow statements, functions, data structures, input/output, dan fitur-fitur object-oriented
programming. Ini memungkinkan bagi kita untuk melakukan kedua hal baik "pemrograman
dalam lingkup sederhana " untuk mendapatkan hasil yang cepat, dan "pemrograman dalam
lingkup yang lebih besar" untuk memperoleh hasil-hasil dan aplikasi yang komplek.
4. Graphics. MATLAB memiliki fasilitas untuk menampilkan vector dan matrices sebagai suatu
grafik. Didalamnya melibatkan high-level functions (fungsi-fungsi level tinggi) untuk
visualisasi data dua dikensi dan data tiga dimensi, image processing, animation, dan
presentation graphics. Ini juga melibatkan fungsi level rendah yang memungkinkan bagi anda
untuk membiasakan diri untuk memunculkan grafik mulai dari benutk yang sederhana sampai
dengan tingkatan graphical user interfaces pada aplikasi MATLAB anda.
5. MATLAB Application Program Interface (API). Merupakan suatu library yang

memungkinkan program yang telah anda tulis dalam bahasa C dan Fortran mampu
berinterakasi dengan MATLAB. Ini melibatkan fasilitas untuk pemanggilan routines dari
MATLAB (dynamic linking), pemanggilan MATLAB sebagai sebuah computational engine,
dan untuk membaca dan menuliskan MAT-files.
III. PERANGKAT YANG DIPERLUKAN
• PC yang dilengkapi dengan perangkat multimedia (sound card, Microphone, Speaker active,
atau headset)
• Sistem Operasi Windows dan Perangkat Lunak Matlab yang dilengkapi dengan tool box DSP
IV. LANGKAH PERCOBAAN
4.1 Memulai Matlab
Perhatikan Dekstop pada layar monitor PC, anda mulai MATLAB dengan melakukan double-
clicking pada shortcut icon MATLAB
Gambar 1. Icon MATLAB pada desktop PC
5
Selanjutnya anda akan mendapatkan tampilan seperti pada Gambar berikut ini.
Gambar 2. Tampilan awal Matlab
Sedangkan untuk mengakhiri sebuah sesi MATLAB, anda bisa melakukan dengan dua cara,
pertama pilih File -> Exit MATLAB dalam window utama MATLAB yang sedang aktif, atau
cara kedua lebih mudah yaitu cukup ketikkan type quit dalam Command Window.
4.2 Menentukan Direktori Tempat Bekerja
Anda dapat bekerja dengan MATLAb secara default pada directory Work ada di dalam Folder
MATLAB. Tetapi akan lebih bagus dan rapi jika anda membuat satu directory khusus dengan
nama yang sudah anda kususkan, “dargombes” atau nama yang lain yang mudah untuk diingat.
Hal ini akan lebih baik bagi anda untuk membiasakan bekerja secara rapi dan tidak mencampur
program yang anda buat dengan program orang lain. Untuk itu Arahkan pointer mouse anda pada
kotak bertanda … yang ada disebelah kanan tanda panah kebawah (yang menunjukkan folder
yang sedang aktif). Pilih new directory, selanjutnya ketikkan “dargombes”, dan diikuti dengan
click Ok.
Gambar 3. Membuat Folder baru tempat program
6
4.3 Memulai Perintah Sederhana
Langkah kita yang pertama adalah dengan menentukan variable scalar dengan cara melakukan
pengetikan seperti berikut:
» x = 2 (selanjutnya tekan “Enter”)

x =
2
» y = 3
y =
3
» z = x + y
z =
5
Tidak terlalu menjadi masalah bagi anda? Saya percaya anda tidak mengalami kesulitan, sebab
anda adalah orang yang sangat cerdas.
Nah bagaimana dengan yang satu berikutnya ini? Disini kita mulai dengan mendefinisikan dua
buah vector, yaitu vector x dan vector y:
» x = [1 2 3]
x =
1 2 3
» y = [4 5 6]
y =
4 5 6
Selajutnya ketik:
>> y(1)
ans =
4
dan ulangi untuk y(2) and y(3).
Matlab menggunakan integer positif untuk index array. Elemen pertama adalah y(1), elemen
kedua adalah y(2), dan seterusnya. Nol atau bilangan negatif tidak diperbolehkan untuk indek
array. Sekarang kita jumlahkan keduanya:
» x+y
ans = 5 7 9
dan sekarang hitung inner product:
» x*y'
ans = 32
Jawabannya adalah 1*4 + 2*5 + 3*6 = 32! Catat, bahwa y' adalah transpose pada y dan
merupakan suatu vector kolom. Untuk memeriksanya, ketikkan perintah berikut:
>> y'
ans =
4
5
6
Cara lain pada pengkombinasian dua vector adalah diakukan melalui perkalian elementdemi-
element:
>> x.*y
ans = 4 10 18
Jawabannya adalah 1*4=4 2*5=10 3*6=18.
7
Catat periode sebelum perkalian simbol. Sekarang kita dapat mendefinisikan suatu matrix:
» A = [1 2 3
4 5 6
7 8 9];
Catat bahwa matrik tidak diulang kalau kita menggunakan semi colon. Kita sekarang kalikan A
dengan transpose dari x:
» A*x'
ans = 14
32
50
Sekarang kita harus mentranspose x untuk memenuhi perkalian suatu matrik dan suatu vector
kolom. Matrik-matrik ini dapat juga dikalikan satu sama lain diantara mereka:
» B = [1 2 3 4
5 6 7 8
7 6 5 4];
» A*B
ans =
32 32 32 32
71 74 77 80
110 116 122 128
Jawabannya adalah 1*1=1 2*5=10 3*7=21, sehingga baris 1 kolom 1= 1+10+21=32, 1*2=2
2*6=12 3*6=18, sehingga baris 1 kolom 2= 2+12+18=32 dst. Sedangkan untuk baris 2 mariks A
dikalikan dengan setiap elemen pada kolom mariks B lalu dijumlahkan (sama seperti yang ada
diatas) dst.
Sekarang coba anda lakukan penjumlahan antara A dan B:
» A+B
??? Error using ==> + Matrix dimensions must agree.
Baiklah, kita tidak dapat menambah suatu matrik 3 kali 3 dengan matrix 3 kali 4 , dan Matlab akan
mendeteksi dimensi yang mismatch dan selanjutnya memeberikan pesan error. Sekarang kita cari
cara lain untuk mendefinisikan matrik dan vektor. Sebagai contoh suatu matrik nol dengan
dimensi 3 baris dan 6 kolom dapat dinyatakan sebagai:
>> zeros(3,6)
ans =
000000
000000
000000
tentu saja jika anda tambahkan suatu ";" setelah zeros (3,6), jawabannya tidak akan ditampilkan di
layar monitor anda. Angka pertama, 3 menunjukkan jumah baris, sedangkan angka kedua, 6,
adalah jumlah kolom. Kita dapat pula melakukan hal yang sama untuk menampilkan angka satu
seperti
berikut:
>> ones(3,6)
ans =
111111
111111
111111
8
Pendefinisian Vektor-vektor Besar
Suatu vektor 1 kali 100 yang menyusun sample pada sinyal cosinus dapat dibangkitkan dengan
>> x = cos(0.1*pi*(0:99));
Untuk membangkitkan suatu "ramp" dari 1 sampai 50 coba:
>> x = [1:1:50];
bilangan kedua mengindikasikan step kenaikan dari dari 1 sampai 50. Untuk membangkitkan
suatu fungsi "ramp" dari 1 sampai 50 coba berikut ini:
>> x = [1:1:50];
Ketika anda tidak memasukkan angka kedua pada perintah diatas, maka secara otomatis (default)
step kenaikan ditetapkan bernilai “1”:
>> x = [1:50];
Anda bisa juga secara khusus mendefinisikan suatu rentang nilai pada x sebagai berikut::
>> x(51:100) = [50:-1:1]
Ini merupakan metode yang sangat bermanfaat untuk mensepsifikasi nilai “waktu” untuk
penggambaran. Sebagai contoh, ditetapkan interval sampling dalam contoh diatas adalah 1 detik.
Selanjutnya anda dapat mendefisnisikan seperti berikut:
>> time = [0:0.001:0.099];
4.4 Penggambaran Grafik
Salah satu kelebihan dari Matlab adalah kemudahan dalam mengolah grafik. Sehingga anda tidak
perlu kesulitan untuk melihat suatu respon system, misalnya pada kasus melihat bentuk sinyal
dalam domain waktu anda cukup mengikuti langkah berikut. Sekarang ketikkan:
>> time = [0:0.001:0.099];

>> x = cos(0.1*pi*(0:99));
>> plot(time,x)
>> xlabel('time (msec)')
>> ylabel('x(t)')
ini akan menghasilkan gambar seperti berikut:
Gambar 4. Contoh tampilan grafik sederhana dengan perintah plot
9
Sedangkan cara untuk menampilkan sederetan nilai fungsi waktu diskrit adalah dengan
menggunakan perintah "stem". Dari contoh deretan perintah coba anda rubah beberapa bagian
dengan perintah berikut:
>> stem(time,x)
>> xlabel('time (msec)')
>> ylabel('x(t)')
Apakah hasilnya seperti berikut ini?
Gambar 5. Contoh tampilan grafik dengan perintah stem
4.5 Menyusun Progam Sederhana
Anda dapat mengedit suatu file text yang tersusun dari beberapa perintah Matlab. Ini dapat
dilakukan dengan menekan double-click pada icon "New M-File" icon in the Matlab toolbar.
Gambar 6. Langkah awal menyusun program sederhana
Selanjutnya anda akan mendapatkan sebuah tampilan Matlab Editor yang masih kosong seperti
ini.
Gambar 7. Tampilan Matlab Editor tempat membuat program.
10
Selanjutnya anda buat program seperti pada contoh sebelumnya:
Gambar 8. Contoh penulisan program pada Matlab Editor
Gambar 9. Cara menyimpan dan mengeksekusi program anda
Lanjutkan dengan menekan toolbar Debug, dan jangan lupa anda pilih Save anda Run. Disitu anda
harus menuliskan nama program. Anda tuliskan coba_1, secara otomatis akan menjadi file
coba_1.m dan akan anda lihat tampilan hasilnya. Seperti apa ya?
Program kedua anda
Cobalah untuk membuat program seperti berikut ini pada Matlab editor, dan jangan lupa anda
simpan dengan nama coba_2
x(1:52) = [0 0 1:1:50];
x(53:102) = [50:-1:1];
h = [1 2];
for n = 3:101,
y(n) = 0;
for m = 1:2,
y(n) = y(n) + h(m)*x(n-m);
end
end
plot(y)
Hasil apa yang anda dapatkan ?

Dalam hal ini anda harus memahami arti setiap perintah yang anda tuliskan dalam Matlab, tidak
ada salahnya anda bertanya kepada instruktur apa arti perintah-perintah tersebut.
Program ketiga anda
Satu contoh lain program untuk for adalah pembangkitan gambar seperti berikut.
%File Name:coba_3.m
11
n=201;
delx=10/(n-1);
for k=1:n
x(k)=(k-1)*delx;
y(k)=sin(x(k))*exp(-
0.4*x(k));
end
%plot(x,y)
plot(x,y,'linewidth',4)
title('Grafik yang
pertama')
xlabel('x');ylabel('y');
Bagiamana hasilnya? Gambar 10. Tampilan program grafik ketiga
4. 6. Fungsi dalam Matlab
Matlab juga mampu untuk menuliskan fungsi yang didefinisikan oleh pemakainya. Buat sebuah
fungsi dengan menuliskan program berikut ini:
function y = x2(t)
y = t^2;
Anda simpan dengan nama "x2.m" selanjutnya anda dapat memanfaatkan fungsi tersebut melalui
Matlab line command dengan cara berikut:
>>t=0:1:10;
>> y_2=x2(t)
Hasilnya adalah seperti berikut:
y_2 =
0 1 4 9 16 25 36 49 64 81 100
Anda bisa juga memanggil fungsi tersebut melalui program pada panggil_1.m file yang anda buat
seperti berikut:
t=0:1:10;
y_2=x2(t)
Hasilnya adalah sama seperti menggunakan command line window.
TUGAS
1. Dari contoh-contoh program yang sudah anda jalankan, coba berikan penjelasan arti setiap
perintah terhadap output yang dihasilkannya.
2. Coba anda cari bagaimana cara menampilkan grafik untuk tampilan tiga dimensi dan grafik
polar.
3. Bagaimana cara menampilkan lebih dari satu persamaan dalam satu grafik? Misalnya anda
memiliki dua fungsi sinus yang berbeda fase. Fungsi pertama anda tampilkan, lalu anda
lanjutkan menampilkan fungsi kedua, dengan catatan tamplan pada fungsi pertama tidak boleh
hilang.
4. Bagaimana cara menampilkan lebih dari satu grafik dalam satu tampilan? Misalnya anda
gunakan fungsi pada soal ke-3, satu fungsi ditampilkan diatas dan fungsi lainya di bagian
bawah.
5. Bagimana cara menampilkan dua fungsi diman masing-masing fungsi disajikan dalam grafik
berbeda. Misalnya anda gunakan contoh kasus pada soal ke-3, fungsi pertama anda tampilkan
pada figure (1), sementara fungsi kedua anda tampilkan pada figure (2).
12
MODUL 2
Pemrograman Matlab
¾ Kontrol program
Matlab bisa berlaku seperti bahasa pemrograman C ataupun pascal yang mempunyai
struktur kontrol program, biasanya pemrograman dengan matlab memerlukan lebih dari satu
baris dan memungkinkan untuk didokumentasikan dalam m-file, kontrol program ini
digunakan untuk memperbaiki tampilan atau membuat tampilan sesuai yang kita inginkan.
Dalam bagian dibahas sebagian kontrol program yang diperlukan dalam pemrograman
menggunakan matlab :
1. loop for
Loop for meungkinkan sekelompok perintah diulang sebanyak suatu jumlah yang tetap.
Bentuk umum dari loop for adalah :
. for x= array
statement
end
untuk tiap iterasi, x diisi dengan kolom array berikutnya, yaitu dalam iterasi ke-n dalam loop,
x = array(:,n).
contoh 1 :
>>for n = 1 : 10
x(n)=sin(n*pi/10);
end
>> x
x=
Columns 1 through 8
0.3090 0.5878 0.8090 0.9511 1.0000
0.9511 0.8090 0.5878
Columns 9 through 10
0.3090 0.0000
contoh 2 :
> for i=1:5

disp('Ini hasil looping 5 kali');
end
Ini hasil looping 5 kali
2. loop while
loop for mengerjakan sekelompok perintah yang diulang sebanyak suatu sejumlah, tetapi loop
while mengerjakan sekelompok perintah yang diulang secara tidak terbatas. Bentuk umum
loop while adalah
13
while ekpresi
statement
end
semua elemen yang dieksekusi diantara while dan end dan harus bernilai benar.
Contoh :
>> x=0;
>> while x<5
disp('Diulang 5 kali');
x=x+1;
end
Diulang 5 kali
Diulang 5 kali
Diulang 5 kali
Diulang 5 kali
Diulang 5 kali
3. Kontruksi if-else-end
Seringkali sederetan perintah harus dikerjakan dengan didasarkan pada hasil tes rasional.
Dalam bahasa pemrograman, logika ini dikerjakan dengan variasi kontruksi if-else-end.
Bentuk paling sederhana kontruksi if-else-end adalah :
If ekpresi
Pertintah
End
Contoh:
>> angka=-4;
>> if angka > 0
disp('nilai nya adalah positif');
else
disp('nilainya adalah negatif');
end
nilainya adalah negatif
4. Control Flow
Untuk mengontrol flow dari perintah, pembuat MATLAB mensuplai peralatan programmer yang
dapat digunakan untuk menulis computer code.
_ the for loops
_ the while loops
_ the if-else-end constructions
_ the switch-case constructions
Mengulang dengan loop for Syntax nya adalah
for k = array
commands
end
For loop dapat berjaring misalkan
H = zeros(5);
for k=1:5
for l=1:5
H(k,l) = 1/(k+l-1);
end
end
14
H
H=
1.0000 0.5000 0.3333 0.2500 0.2000
0.5000 0.3333 0.2500 0.2000 0.1667
0.3333 0.2500 0.2000 0.1667 0.1429
0.2500 0.2000 0.1667 0.1429 0.1250
0.2000 0.1667 0.1429 0.1250 0.1111
Matriks H diebut Hilbert Matrix. Perintah pertama adalah untuk membuat ruang pada memori
komputer untuk matriks yang akan mengembang.
Mengulang loop dengan while Syntax nya adalah
while expression
statements
end
Misalkan angkaπdibagi dua. Hasil nya kemudian dibagi dua lagi. Proses ini diteruskan sampai
harganya lebih kecil atau sama dengan 0.01. Berapa angka dari proses terakhir yang lebih dari
satu?
q = pi;
while q > 0.01
q = q/2;
end
q
q=
0.0061
Konstruksi if-else-end
if expression
commands
end
atau
if expression
commands (evaluated if expression is true)
else
commands (evaluated if expression is false)
end
atau
if expression1
commands (evaluated if expression 1 is true)
elseif expression 2
commands (evaluated if expression 2 is true)
elseif …
.
.
.
else
commands (executed if all previous expressions evaluate to false)
end
Chebyshev polynomial Tn(x)=0,1,… adalah hal yang penting dalam analisis numeric.
Didefinisikan secara recursive sebagai berikut.
15
Tn(x) = 2xTn – 1(x) – Tn – 2(x), n = 2, 3, … , T0(x) = 1, T1(x) = x.
function T = ChebT(n)
% Coefficients T of the nth Chebyshev polynomial of the first kind.
% They are stored in the descending order of powers.
t0 = 1;
t1 = [1 0];
if n == 0
T = t0;
elseif n == 1;
T = t1;
else
for k=2:n
T = [2*t1 0] - [0 0 t0];
t0 = t1;
t1 = T;
end
end
coeff = ChebT(3)
coeff =
4 0 -3 0
Maka: T3(x) = 4x3 – 3x.
¾ M-Files
File yang terdiri dari kode komputer disebut m-files. Terdapat beberapa m-files yaitu: script files
dan function files. Script files tidak perlu menyertakan input argument atau output argument.
Function file harus menyertakan input argumen atau output arugumen.
Untuk membuat m-file
• Click File lalu New dan M-File

• Save file pertama dengan nama misalkan graph_pertama.m
Ini adalah contoh file script
% Script file graph_pertama.

x = pi/100:pi/100:10*pi;
y = sin(x)./x;
plot(x,y)
grid
Tanda % adalah komentar. Seluruh komentar tidak dihiraukan oleh MATLAB.
Berikut adalah contoh file function
function [b, j] = descsort(a)

% Fungsi descsort menyusun secara menurun, array a
% Output parameter j merupakan tempat asal angka di array b dari
% array a.
[b ,j] = sort(-a);
b = -b;
Fungsi ini menyertakan satu input argument, sebuah array angka riil, dan menyusun array yang
berurutan untuk mendapatkan array b dari array a. Fungsi built-in MATLAB digunakan dalam hal
16
ini adalah sort. Fungsi ini menyusun array secara menaik. Beberapa trik yang digunakan
memperbolehkan kita untuk menyusun array angka secara menurun.
Untuk mendemonstrasikan fungsi dari function yang dibahas,
a = [pi –10 35 0.15];

[b, j] = descsort(a)
b=
35.0000 3.1416 0.1500 -10.0000
j=
3142
Jika dscsort digunakan tanpa output argument, maka tempat asal angka akan hilang.
descsort(a)
ans =
35.0000 3.1416 0.1500 -10.0000
¾ Fungsi Inline dan Perintah feval
MATLAB mempunyai perintah inline untuk mendefinisikan inline functions dalam Command
Window. Misalkan:
f = inline('sqrt(x.^2+y.^2)','x','y')
f=
Inline function:
f(x,y) = sqrt(x.^2+y.^2)
Maka dapat dievaluasi
f(3,4)
ans = 5
Dapat juga digunakan memecahkan persoalan dalam dua process. Misalkan :
A = [1 2;3 4]
A= 1 2
3 4
dan
B = ones(2,2)
B= 1 1
1 1
Maka
C = f(A, B)
C=
1.4142 2.2361
3.1623 4.1231
Untuk mengeksekusi fungsi yang dispesifikasikan oleh string diperlukan perintah feval seperti
dibawah ini
feval('functname', input parameters of function functname)
Misalkan code m-file myclm dan isint secara bersamaan Save m-file:
function c = mylcm(a, b)
% The least common multiple c of two integers a and b.
if feval('isint',a) & feval('isint',b)
17
c = a.*b./gcd(a,b);
else
error('Input arguments must be integral numbers')
end
Buka M-file lain dan save isint.
function k = isint(x);
% Check whether or not x is an integer number.
% If it is, function isint returns 1 otherwise it returns 0.
if abs(x - round(x)) < realmin
k = 1;
else
k = 0;
end
gcd (greatest common divisor) merupakan function built-in. Perintah feval digunakan dua kali
pada baris kedua. Dia mengecek apakah kedua input argument adalah integer.
Aturan Trapezoidal dengan bentuk koreksi sering digunakan untuk integrasi numeric dari fungsi
yang terdiferensiasi pada interval integrasi.
dengan h = b – a. Formula ini sangat mudah dimplementasikan di MATLAB
function y = corrtrap(fname, fpname, a, b)

% Corrected trapezoidal rule y.
% fname - the m-file used to evaluate the integrand,
% fpname - the m-file used to evaluate the first derivative
% of the integrand,
% a,b - endpoinds of the interval of integration.
h = b - a;
y = (h/2).*(feval(fname,a) + feval(fname,b))+ (h.^2)/12.*( ...
feval(fpname,a) - feval(fpname,b));
Misalkan
a = [0 0.1];
b = [pi/2 pi/2 + 0.1];
y = corrtrap('sin', 'cos', a, b)
y=
0.9910 1.0850
¾ OPERATOR LOGIKA
MATLAB menyediakan operasi logika dan relasional, hal ini diperlukan untuk menjawab
pertanyaan benar atau salah dan salah satu manfaat yang penting dari kemampuan ini adalah
untuk mengontrol urutan eksekusi sederetan perintah MATLAB (biasanya dalam M-File)
berdasarkan pada hasil pertanyaan benar/salah.
Sebagai masukan pada semua ekpresi relasi dan logika , MATLAB menganggap semua angka
tidak nol sebagai benar, nol sebagi salah. Hasil dari semua ekspresi logika relasi dan logika
adalah satu untuk benar dan nol untuk salah dengan tipe array logika yaitu hasilnya memuat
bilangan 1 dan 0 yang tidak saja dapat digunakan untuk statemen matematika akan tetapi
dapat juga untuk pengalamatan
18
Floor, Ceil, Fix, Round
Contoh:
randn('seed', 0) % This sets the seed of the random numbers generator to zero
T = randn(5)
T=
1.1650 1.6961 -1.4462 -0.3600 -0.0449
0.6268 0.0591 -0.7012 -0.1356 -0.7989
0.0751 1.7971 1.2460 -1.3493 -0.7652
0.3516 0.2641 -0.6390 -1.2704 0.8617
-0.6965 0.8717 0.5774 0.9846 -0.0562
A = floor(T)
A= 1 1 -2 -1 -1
0 0 -1 -1 -1
0 1 1 -2 -1
0 0 -1 -2 0
-1 0 0 0 -1
B = ceil(T)
B= 2 2 -1 0 0
11 0 00
1 2 2 -1 0
1 1 0 -1 1
01 1 10
C = fix(T)
C= 1 1 -1 0 0
00 0 00
0 1 1 -1 0
0 0 0 -1 0
00 0 00
D = round(T)
D= 1 2 -1 0 0
1 0 -1 0 -1
0 2 1 -1 -1
0 0 -1 -1 1
-1 1 1 1 0
19
¾ Operasi Array
Semua komputasi yang dikerjakan sejauh ini hanya melibatkan bilangan tunggal yang
disebut skalar. Opeasi skalar memang merupakan dasar matematika. Namun jika dalam sesaat
kita ingin melakuakan operasi yang sama pada beberapa bilangan, perulangan operasi skalar
akan menghabiskan waktu dan tentu saja tidak praktis. Untuk mengatasi masalah ini matlab
menyediakan operasi pada array data.
Array Sederhana
Perhatikan masalah saat kita diharuskan untuk menggambar grafik dengan fungsi y = sin(x) ;
0 ≤ x ≤ π , tidak mungkin kita menghitung semua titik yang kita perlukan secara satu persatu.
Sintaks sederhana untuk menunjukan semua titik tersebut adalah
>> x=0:20:180
x=
0 20 40 60 80 100 120 140 160 180
>> y=sin(x)
y=
Columns 1 through 8
0 0.9129 0.7451 -0.3048 -0.9939 -0.5064 0.5806 0.9802
0.2194 -0.8012
Pada tulisan x=0:20:180 dimaksudkan dengan :

• x merupakan variabel yang menampung array
• 0 merupakan batas bawah dari array
• 10 merupakan selang atau interval
• 180 merupakan batas atas dari array
Pada tulisan y=sin(x) dimaksudkan dengan :

• y merupakan variabel array yang menampung perhitungan dengan sin x dimana x dari 0
sampai 180 dengan interval 10
Jika kita hanya membutuhkan nilai dari interval tertentu maka kita bisa menuliskannya
dengan sintaks:
>> x(4) % elemen array ke 4

ans = 60
Maksudnya adalah nilai dari x yang ke empat dari array x adalah 60
>> y(5) % nilai array ke 5

ans = -0.9939
maksudnya adalah nilai array y yang ke 5 adalah -0.9939 kita juga bisa menuliskan nilai array
tertentu dengan menunjukan indeksnya contoh:
>> x(2:4)
ans = 20 40 60
maksudnya adalah semua nilai dengan indeks 2 sampai dengan 4 pada array x , 2:4 berarti
menghitung dari 2 sampai 5
20
Array n dimensi
Array yang kita bahas diatas merupakan array 1 dimensi, gabuangan dari array merupakan
sebuah matriks, sekarang kita akan menuliskan bagaimana menuliskan array dalam n dimensi.
Contoh:
>> A=[1 2 3;4 5 6;7 8 9]

A= 1 2 3
4 5 6
7 8 9
merupakan matriks dengan 3 kolom dengan 3 baris dalam array kita juga bisa memanipulasi
elemen elemen yang ada dalam array tersebut contohnya:
>> A(3,3)=0
A= 1 2 3
4 5 6
7 8 0
maksudnya mengganti elemen 3,3 menjadi 0 untuk mengetahui jumlah array kita gunakan
sintaks size: contoh:
>> size(A)
ans = 3 3
maksudnya matriks A merupakan matriks 3 x 3

Menciptakan matriks B dengan urutan baris A yang dibalik
>> B=A(3:-1:1,:)
B= 7 8 0
4 5 6
1 2 3
mengganti semua elemen baris ke 2 dari matriks B dengan 0 maka sintaksnya:
>> B(2,:)=0
B= 7 8 0
0 0 0
1 2 3
Untuk membuat transpose dari matriks B kita gunakan sintaks:
>> E=B'
E= 7 0 1
8 0 2
0 0 3
sehingga bentuk dari perkalian manual yang ada dimatriks ada yang langusng digunakan pada
sintaks matlab.
21
Contoh Penggunaan Aplikasi Array
Problem: Elemen radioaktif polonium mempunyai waktu paruh 140 hari, yang berarti bahwa,
karena radoaktif meluruh, jumlah polonium yang tertinggal setelah 140 hari adalah setengah
dari jumlah semula. Jika dimiliki 10 gram polonium hari ini, berapa banyak yang tersisa pada
akhir setiap minggu selama 10 minggu ?
Penyelesaian : Menggunakan persamaan :
waktu/waktu_paruh
Jumlah_tinggal = jumlah_semula*0.5
Untuk masalah ini, solusi dari MATLAB adalah :
>> initial_amount=10;
>> half_life=140;
>> time=7:7:70 %akhir dari 10 minggu pertama
time =
7 14 21 28 35 42 49 56 63 70
>> amount_left=initial_amount*0.5.^(time/half_life)
amount_left =
Columns 1 through 8
9.6594 9.3303 9.0125 8.7055 8.4090 8.1225 7.8458 7.5786
7.3204 7.0711
Dengan matematika array sangat mudah untuk mengevaluasi suatu ekspresi dengan banyak
nilai untuk satu variabel. Perhatikan bahwa pemangkatan titik .^ digunakan karena kita ingin
menghitung 0.5 yang akan dipangkatkan dengan setiap elemen pada array eksponen. Data ini
dengan mudah digambarkan dengan matlab.
>> plot(time/7,amount_left)
>> xlabel('Jumlah Minggu'),ylabel('Jumlah Polonium tersisa')
hasilnya:
Contoh Perhitungan Konsentrasi dengan Matematika Array
Problem : Sebagai bagian dari suatu proses pembuatan suku cadang di suatu proses
pembuatan suku cadang di suatu pabrik otomatis, suku cadang tersebut dicelupkan ke air
untuk pendinginan, kemudian dicelup dibak air asam untuk membersihkan. Setelah beberapa
lama, konsentrasi larutan asam menurun karena air saat pencelupan bertambah dan larutan
yang terbuang saat suku cadang tadi diambil dari bak. Untuk memelihara kualitas, keasaman
larutan asam tidak boleh kurang dari suatu batas minimum. Dimulai dengan konsentrasi asam
90%. Jika konsentrasi minimum adalah 50%, air yang bertambah ke bak asam adalah 1% dari
volume bak, dan 1 % dari larutan terbuang saat suku cadang dikeluarkan, berapa banyak suku
cadang dapat dicelupkan ke bak air asam sebelum keasaman larutan dalam bak berada di
bawah batas minimum?
22
Penyelesaian :
%Script M file example.m

initial_con=90;
min_con=50;
lost=1:10 % 1% sampai 10% dengan kenaikan 1%
n=floor(log(initial_con/min_con)./log(1+lost/100))
stem(lost,n)
xlabel('Persentase yang hilang setiap kali pencelupan')
ylabel('Jumlah Pencelupan')
title('Contoh Pencelupan Bak Air-Asam')
hasil :
>> example
lost = 1 2 3 4 5 6 7 8 9 10
n= 59 29 19 14 12 10 8 7 6 6
¾ Akar akar Persamaan
Permasalahan pemecahan persamaan nonlinear sering muncul dari ebrbagai macam persoalan
praktis. Bentuk umum permasalahannya secara sederhana adalah menemukan sebuah nilai
variabel x sedemikian sehingga f(x) = 0, dimana f adalah sembarang fungsi nonlinear x,
sedangkan x merupakan solusi atau akar persamaan ini. Sebelum kita lebih jauh tentang akar
akar persamaan, sebelumnya kita ulas sedikit tentang bagaimana menggambarkan fungsi
Contoh:
Gambarkan fungsi dibawah ini :
3 2
1. y=(x – 1) (x + 2) ( x – 3) ; 0 ≤ x ≤ 4
jawab :
% Gambar1.m
x=0:0.1:4;
y=((x + 1).^3).*((x + 2).^2) .*( x - 3);
plot(x,y)
xlabel('Sumbu x')
ylabel('Sumbu y')
Running :
>>gambar1
23
3 2
Gambar dari fungsi y=(x – 1) (x + 2) ( x – 3) ; 0 ≤ x ≤ 4
Jawab:
% Gambar2.m
x=0:0.1:20;
y=exp(-x/10).*sin(10*x);
plot(x,y)
xlabel('Sumbu x')
ylabel('Sumbu y')
Running :
>>gambar2.m
Untuk persamaan non linear seperti diatas yang melibatkan fungsi transenden, tugas mencari
akar akar merupakan pekerjaan yang cukup sulit apalagi ketika jumlah akar akarnya tidak
diketahui atau mungkin tak terbatas banyak akarnya. (Lihat contoh no 2) . Sebetulnya secara
24
sederhana kita bisa mencari titik di x yang berpotongan dengan sumbu y = 0 secara grafik(
solusi grafik merupakan solusi juga) tapi itu masih terlalu kasar dan tidak terlalu akurat
apalagi untuk fungsi fungsi yang tidak diketahui solusinya terletak di x berapa.
¾ Metoda Newton
Metoda ini merupakan solusi persamaan f(x) = 0 berdasarkan pada sifat geometri sederhana
tangen. Metode ini membutuhkan beberapa aprokimasi awal untuk turunan f(x)nya berada
pada daerah yang diinginkan.
Coba akar1
Function[res,it]=fnewton(func,dfunc,x,tol)
% x adalah nilai awal, tol adalah akurasi yang diinginkan
it=0;
xo=x;
d=feval(func,xo)/feval(dfunc,xo);
while abs(d)>tol
x1=xo – d;
it=it+1;
xo=x1;
d=feval(func,xo)/feval(dfunc,xo);
end;
res=xo
3 2
kita coba mencari sebuah akar persamaan(x – 1) (x + 2) ( x – 3) = 0 untuk menggunkan
metoda newton kita harus mendefinisikan fungsi dan turunannya sehingga :
function F=f302(x);
F=x.^3 – 10.0*x.^2 + 29.0*x-20.0;
Function F=f303(x);
F=2*x.^2-20*x+29;
Maka kita panggil f newton tadi sebagai berikut :
>>[x,it]=fnewton(‘f302’,’f303’,7,.00005)
x=5.0000
it=6
25
Permasalahan yang sering muncul dalam mencari akar adalah :
1. Mencari aprokimasi awal yang baik
2. Fungsi berkondisi ‘sakit’
3. Memutuskan pada kriteria konvergensi yang paling cocok
4. Diskontinuitas pada persamaan yang dipecahkan
¾ Fungsi fZero
Beberapa metoda di pencarian akar ini punya kelebihan dan kekurangannya. Metode Brent
mengkombinasikan interpolasi kuadratik inversi dengan bisection untuk mendapatkan metode
yang powerfull yang terbukti cukup sukses yang mempunyai jangkauan yang luas pada
permasalahan yang cukup sulit.
Variasi metode ini secara langsung tersedia pada matlab yaitu fzero. Misalnya untuk
dengan toleransi 0.00005
Jawab
function F=f307(x);
F=(exp(x)-cos(x)).^3;
%file utama
x=-4:.0:0.5;
plot(x,f307(x));grid on;
xlabel('Sumbu X');ylabel('Sumbu Y');
root=fzero('f307',1.65, 0.00005);
fprintf('Akar persamaan ini adalah %6.4f \n',root);
¾ Deferensial dan Pengintegralan
Diferensial dan Integral merupakan operasi fundamental dalam kalkulus dan hampir setiap
bidang matematika, sains dan teknik. Menentukan turunan fungsi secara analitik mungkin
menyulitkan meskipun relatif langsung.
Pembalikan dari proses ini akan menentukan integral fungsi, tapi lebih sering sulit jika secara
analitik atau bahkan tidak mungkin.
5
Dalam Matlab, diferensial untuk fungsi polinom adalah relatif mudah. Misalnya f(x) = x +
4 2
2x + 5x + 7x + 3 maka ambilah koefisien koefisiennya.
26
Contoh:
>> g=[1 2 5 7 3]
g=
12573
>> h=polyder(g)
h=
4 6 10 7
Bentuk-bentuk deferensial lain juga bisa diperoleh apalag jika menggunakan symbolyc math
toolbox. Tapi tidak setiap matlab dilengkapi dengan toolbox ini. Namun itu tidak masalah,
kita akan coba membuat sendiri penyelesaiannya dengan memanfaatkan deret Taylor.
¾ Diferensial Numerik
function q=diffgen(func,n,x,h);
if ((n=1)|(n==2)|(n==3)|(n==4))
c=zeros(4,7);
c(1,:)=[ 0 1 -8 0 8 -1 0];
c(2,:)=[0 -1 16 -30 16 -1 0];
c(3,:)=[1.5 -12 19.5 0 -19.5 12 -1.5];
c(4,:)=[-2 24 -78 112 -78 24 -2];
y=feval(func,x+ [-3:3]*h);
q=c(n,:)*y' ; q = q/(12*h^n);
else
disp('n harus 1, 2, 3 atau 4 ');break
end
Penggunaan fungsi diatas:

Jika kita mempunya y = cos(x) dan kita akan menghitung turunan kedua dengan x = 1.2
dengan h atau ketelitian 0.01 maka dituliskan:
>> hasil=diffgen('cos',2,1.2,.01)
hasil =
-0.3624
Jika kita ingin menghitung sebuah diferensial disuatu titik maka kita harus mendefinisikan
fungsinya terlebih dahulu.
¾ Integrasi Numerik
Integral biasanya didefinisikan sebagai proses penjumlahan tetapi juga diinterpretasikan

sebagai daerah dibawah kurva y = f(x) dari a ke b
daerah diatas x dihitung positif sementara dibawah x dihitung negatif. Banyak metode
numerik untuk integrasi didasarkan pada impretasi untuk mendapatkan aprokimasi
integralnya. Misalnya fungsi trapz berdasarkan impretasi bangunan trapesium.
Kita akan mencoba menghitung integral dengan berbagai metoda numrik untuk menghitung
integral fungsi
Jawab:
Pertama kita buat dulu fungsi dari persamaan diatas
27
function y=humps(x)
y=1./(x-3).^2+.01)+1./((x-9).^2+.04)-6;
1. Mengitung menggunakan trapz
>> x=-1:.17:2;
>> y=humps(x);
>> area=trapz(x,y)
area =
-16.6475
2. Menghitung menggunakan quad
>> x=-1:.17:2;
>> y=humps(x);
>> area=quad('humps',-1,2)
area =
-17.2104
Permasalahan yang mungkin muncul adalah :

1. Fungsi kontinu pada daerah integral tetapi turunannya diskontinu atau singular
2. Fungsi diskontinue pada daerah integrasi
3. Fungsi mempunyai singularitas pada daerah integrasi
4. Daerah integrasi tak berhingga
TUGAS
1. Dari contoh-contoh program yang sudah anda jalankan, coba berikan penjelasan arti setiap
perintah terhadap output yang dihasilkannya.
2. Tuliskan matlab function d = dsc(c) yang menjadikan array angka c menjadi angka d
yang merupakan array c tanpa angka yang saling berdekatan. Misalkan c = [1 2 2 2 3 1]
maka d = [1 2 3 1].
3. Dalam masalah statistik, biasanya dihitung rata-rata aritmatika terbeban dari array x.
Rata-rata aritmatika terbeban didefiniskan sebagai:
Tuliskan MATLAB function y = wam(x, w) dari definisi di atas. Tambahkan pesan error
jika besar w dan x tidak sama.
4. Tuliskan MATLAB function p = fact(n) yang mengambil integer non negatif dari
n dari fungsi factorial n!=1*2*…*n. Tambahkan pesan error ke code anda jika
parameter input merupakan angka negatif
28
MODUL 3
SINYAL DAN SISTEM
1. Sinyal Elementer
a. Sinyal Unit Step
>> t=[-1:0.001:1];
>> ustep=heaviside(t);
>> plot(t,ustep, 'LineWidth',10)
Gambar 1.a.1
Bila ingin dikalikan dengan sinyal lain, misal untuk membentuk sinyal ramp, gunakan
perkalian dot ( .* )
b. Sinyal Delta Dirac
>> udirac=dirac(t); >>ydirac=[1 zeros(1,99)]’; %dirac

>> plot(t,udirac, 'LineWidth',2) dengan 100 sampel
>>ystep=ones(1,100)’;
>>y=t’
>>y=(t. ^ 2)’
Gambar 1.b.1
29
c. Delta Dirac sebagai Differensial dari Unit Step dan Unit Step sebagai Integral
dari Delta Dirac
>> syms k a t
>> u=k*sym('heaviside(t-a)')
u=
k*heaviside(t-a)
>> d=diff(u)
d=
k*dirac(-t+a)
>> int(d)
ans =
k*heaviside(t-a)
2. Transformasi Laplace
Definisi Tranformasi Laplace
Sifat Transformasi Laplace
30
Transformasi Laplace untuk Beberapa Fungsi yang Umum Digunakan
31
Penggunaan Laplace
Misal, dalam suatu analisis sistem dengan transformasi Laplace, didapat sinyal
keluaran memiliki memiliki bentuk dalam domain kompleks sebagai berikut.
Untuk mendapatkan nilai di domain waktu, digunakan fraksionalisasi atau teorema

residu kemudian transformasi balik. Biasanya, setelah dipecah menjadi sejumlah suku
pecahan, transformasi balik menjadi mudah karena bentuknya adalah bentuk umum.
Catatan: Pole adalah nilai yang membuat nilai fungsi menjadi tak berhingga Zero
adalah nilai yang membuat nilai fungsi menjadi nol
32
Contoh:
Tentukan Fungsi berikut ini di domain waktu.
Dari Tabel, didapat bahwa
Maka
Dengan Matlab, fungsi yang bisa digunakan adalah factor(polynom),

residue(num,den), ilapace(Fs).
Factor
>> syms s
>> factor(s^3 + 12*s^2 + 44*s + 48)
ans =
(s+4)*(s+2)*(s+6)
Fungsi factor memiliki kekurangan ketika harus memfaktorkan suatu polinom bila ada
akar yang berupa bilangan kompleks. Sebagai gantinya, gunakan fungsi
roots(polynom).
Residue
>> Ns=[3 2];
>> Ds=[1 3 2];
>> [r p k]residue(Ns,Ds)
r=
4
-1
p=
-2
-1
k=
[]
33
Ilaplace
>> syms s
>> Fs=(3*s+2)/(s^2+3*s+2);
>> ft=ilaplce(Fs)
ft = 4*exp(-2*t)-exp(-t)
3. Transformasi Fourier
Definisi
Sifat Transformasi Fourier
34
Bentuk Transformasi Fourier Fungsi yang Sering Digunakan
Transformasi Fourier dengan Matlab

>> syms t v w x;
>> ft=exp(0.5*(-t^2));
>> Fw=fourier(ft)
Fw =
2^(1/2)*pi^(1/2)*exp(-1/2*w^2)
>> pretty(Fw)
1/2 1/2 2
2 pi exp(- 1/2 w )
>> ft=ifourier(Fw)
ft =
exp(-1/2*x^2)
35
4. Transformasi Z
Definisi
Sifat Transformasi Z
36
Transformasi Z dari Fungsi yang Sering Digunakan
Contoh:
Gunakan metoda fraksionalisasi untuk mencari inverse z-transform dari fungsi berikut
Solusi
37
Dari tabel bentuk umum, didapat
Sehingga
Berikut ini adalah pemeriksaan dengan Matlab

>> syms n z;
>> fn=2*(0.5)^n-9*(0.75)^n+8;
>> Fz=ztrans(fn)
Fz =
4*z/(2*z-1)-12*z/(4/3*z-1)+8*z/(z-1)
>> simple(Fz)
ans =
8*z^3/(2*z-1)/(4*z-3)/(z-1)
>> iztrans(Fz)
ans =
2*(1/2)^n-9*(3/4)^n+8
38
I. SINYAL SEBAGAI VEKTOR DAN MATRIKS
Vektor yang merupakan 1 kali n atau n kali 1 matriks dapat digunakan sebagai representasi dari
sampel data sinyal.
Orientasi kolom lebih dipilih dibandingkan orientasi baris pada representasi vektor. Misalkan y
adalah kumpulan tiga sinyal yang merupakan fungsi dari x:
>> x=[4 3 7 -9 1];

>>x=x’
>>y=[x 2*x x*pi];
MATLAB mempunyai variasi fungsi untuk mensintesis sinyal. Dimulai dengan vektor yang
merepresentasikan waktu.
Contoh 1:
Misalkan diinginkan untuk mensintesis sinyal dengan 1000 Hz frekuensi sampel, maka,
>>t=0:0.001:1
1001 elemen ini merupakan baris vektor yang merepresentasikan waktu yang berjalan dari nol
sampai satu detik dengan kenaikan 1 milidetik.
Sampel sinyal y terdiri dari dua sinusoidal, satu pada 0.5 Hz dan satu lagi pada 120 Hz dengan
gain amplitude dua kali. Sinyal dapat direpresentasikan sebagai berikut:
>>y=sin(2*pi*50*t) + 2* sin(2*pi*120*t);
Dapat pula dibangun white noise pada sinyal, dan memplot 50 titik pertama dengan
>> yn = y + 0.5*randn(size(t));
>> plot(t(1:50),yn(1:50));
Save Filenya
Berikut ini adalah perintah yang membangkitkan sinyal delta (dirac), step, dan ramp
>>ydirac=[1 zeros(1,99)]’; %dirac dengan 100 sampel

>>ystep=ones(1,100)’;
>>y=t’
>>y=(t. ^ 2)’
II. ANALISIS FILTER DAN IMPLEMENTASI
Toolbox dari MATLAB mempunyai fungsi untuk mendisain filter, baik analog maupun digital,
dan fungsi untuk memfilter data. Filter juga dapat digunakan untuk merepresentasikan dinamik
dari suatu sistem. Dalam hal ini, disain filter merupakan berntuk invers: Diberikan input dan
output, dapat dicari filter yang menghasilkan relasi input output yang mirip.
II.1 Implementasi Filter dalam Time Domain
Toolbox MATLAB memberikan fungsi yang mengimplementasikan operasi filter domain waktu:
yaitu fungsi filter (help filter).
Fungsinya adalah: y=filter(b,a,x)
Dengan x adalah vektor data dan b dan a adalah vektor filter dan y adalah hasil dari filter.
Struktur filter digambarkan sebagai tapped-delay line yang digambarkan dalam persamaan
diferensial:
a(1)*y(n) = b(1)*x(n) + b(2)*x(n-1) + ... + b(nb+1)*x(n-nb)

- a(2)*y(n-1) - ... - a(na+1)*y(n-na)
39
Contoh 2:
Misalkan untuk mendapatkan dan mengeplot n-titik respon impuls yang melewati filter digital
Butterworth orde 10:
n=100;
[b,a]=butter(10,0.5);
x=[1 zeros(1,n-1)];
y=filter(b,a,x);
figure(1), plot(y)
Save Filenya
II.2 Implementasi Filter dalam Frekuensi domain
Infinite Impulse Response (IIR) dapat diimplementasikan dalam frekuensi domain dengan
mengalikan Discrete Fourier Transform (DFT) dari sekuen data dengan DFT dari filter (DFT pada
MATLAB dapat dilakukan dengan menggunakan fungsi fft)
n=length(x);
y=ifft ( fft(x) .* fft(b,n) ./ fft(a,n));
figure(2), plot(real(y));
Save Filenya
II.3 RESPON FREKUENSI
Beberapa fungsi yang dapat digunakan adalah

abs Æ fungsi magnitude
angle Æ sudut fasa
freqs Æ response frekuensi Laplace Transform
freqz Æ response frekuensi Transformasi-z
grpdelay Æ group delay
unwrap Æ unwrap phase
Fungsi freqz: [h,w]=freqz(b,a,n) memberikan n-titik respon frekuensi, H(ejw) dari filter digital
jw -jw -jmw
jw B(e) b(1) + b(2)e + .... + b(m+1)e
H(e) = ---- = ------------------------------------
jw -jw -jnw
A(e) a(1) + a(2)e + .... + a(n+1)e
Magnitude dan phase dari filter dapat diekstrak dari bilangan kompleks response frekuensi,
dengan fasa dalam derajat,
[h,w]=freqz(b,a,n)
m=abs(h)
p=angle(h)
figure(1), semilogy(w,m),
figure(2), plot(w,p*180/pi)
Group delay adalah ukuran delay rata-rata dari filter sebagai fungsi dari frekuensi. Didapatkan dari
turunan pertama respon phase dari filter. Fungsi dari Group delay adalah
[gd,w]=grpdelay(b,a,n)
gd=grpdelay(b,a,128);
[h,w]=freqz(b,a,128);
pd=-unwrap(angle(h))./w;
plot(w,gd,w,pd)
40
TUGAS
1. Turunkan koefisien filter untuk rangkaian dibawah ini dan gunakan untuk mencari gambar
respon input step pada rangkaian tersebut. Dengan menggunakan
a. implementasi time-domain dan
b. frekuensi domain.
1 KΩ
+ 1 nF Vout
Vin=unit step _
41
MODUL 4
ANALISIS DAN DESAIN FILTER ANALOG
Filter analog berada pada rentang frekuensi kontinu. Diklasifikasikan sebagai low
pass, high pass, band pass, dan stop band. Karakteristik idealnya adalah seperti
gambar berikut:
Contoh:
Respon frekuensi menggunakan MATLAB antara magniotude |G(jw)| versus

frekuensi w (radian) dan sudut fasa versus frekuensi w (radian) dengan RC = 1 dapat
dituliskan:
>>
>>
TUGAS 1
Gambarkan respon magnitude |G(jw)| dan sudut fasa terhadap frekuensi untuk
rangkaian dibawah ini dengan RC = 1:
42
Disain LPF Filter Analog
Fungsi transfernya
adalah
disebut dengan
aproksimasi all pole
orde dua pada low pass
filter ideal dengan
cutoff frekuensi di wc,
K adalah gain, dan
koefisien a dan b
didapat dari tabel.
Untuk suatu gain K non-inverting, rangkaian di atas memenuhi fungsi transfer dengan
kondisi:
Sehingga
Filter all pole orde 4 dapat dituliskan
didapatkan dari rangkaian di atas yang dikaskade-kan
43
Langkah2 Disain (Butterworth Low Pass Filter)
Untuk disain yang praktis rangkaian orde dua, dilakukan langkah2 berikut
• Pilih C1 dan C2 standard,
• dimasukkan harga koefisien a dan b dari Tabel 11.13,
• Pilih gain K dan cutoff frequency wC
• Masukkan ke persamaan diatas untuk mendapatkan R1 sampai R4
Contoh:
Disain Butterworth low-pass filter dengan gain K = 2 dan cutoff frequency fc = 1 kHz
(prototype opamp 11.13)
• Pilih C1 = C2 = 0,01μF = 10-8.
• Dari Tabel a = 1,41421 = √2 dan b = 1
• Masukan harga-harga ke persamaan dengan penulisan dalam program
MATLAB sebagai berikut:
TUGAS 2
Buat respon magnitude dari rangkaian di atas menggunakan harga R1 sampai R4 yang
didapat dari contoh di atas. (f = 1:10:5000)
• Disain Butterworth Filter Dengan buttap (Butterworth Analog Prototype)

Disain low pass filter dengan 3 pole Butterworth menggunakan buttap dengan
frekuensi cutoff fC = 2KHz atau wC=2πx 2 x 103.
44
Contoh:
Menggunakan perintah MATLAB cheb1ap(N,Rp) (chebichev tipe 1) dengan N
adalah banyaknya pole dan Rp adalah ripple di pass band dan lp2hp (low pass to
high pass) untuk mencari fungsi transfer Chebyshev 3 pole tipe 1. fc = 5 KHz
TUGAS III
Gunakan perintah MATLAB buttap dan lp2bp(b,a,W0,Bw) (lowpass to bandpass)
untuk mencari fungsi transfer Butterworth 3 pole dengan pass band frekuensi di 4
KHz dan Bandwidth = 2 KHz. Clue: Help lp2bp.
45
MODUL 5
APLIKASI INTERFACE SPTOOLS MATLAB
DALAM MENDESAIN
IIR DAN FIR DIGITAL FILTER
Aplikasi proses sinyal digital yang tersetting adalah filter. Filter berkaitan langsung
dengan manipulasi spektrum sinyal, Untuk membangun sebuah filter digital
dibutuhkan tiga komponen utama yaitu: adder (penambah), multiplier (pengali)
dan delay (penunda). Penambah mempunyai dua input dan satu output yang
hasilnya menambahkan masukan dari kedua input tersebut. Pengali adalah elemen
penguat dan akan mengalikan sinyal input dengan suatu besaran konstanta tertentu.
Penunda akan menunda satu cuplikan yang masuk.
Pengolahan sinyal digital menggunakan transformasi diskrit, transformasi yang sering
digunakan adalah transformasi z yang merupakan prosedur deret sinyal masukan x(n)
menjadi deret sinyal keluaran y(n). Filter digital bekerja berdasarkan data masukan
diskrit dari cuplikan-cuplikan sinyal kontinu, yang kemudian diubah oleh konverter
analog ke digital menjadi data digital biner, data data digital inilah yang nanti dapat
dimanipulasi kinerja dan spektrum sinyalnya dengan prosesor digital. Hasil dari data
digital ini dikembalikan ke dalam bentuk analog bila diinginkan dengan konverter
digital to analog . Penerapannya filter digital pada pengolahan sinyal dapat digunakan
dalam noise reduction, image processing, antialiasing dan menghilangkan
pseudoimages pada multirate processing, matched filtering, osilator digital .
Gambar 1. Proses pengolahan dalam filter digital, dengan pengubahan
Beberapa keunggulan dari filter digital setelah melalui proses pengolahan sinyal
adalah
• Pengaturan frekuensi cuplikan sehingga daerah kerja yang dapat dipilih sangat lebar
(meliputi frekuensi rendah dan frekuensi tinggi). Termasuk frekuensi sangat rendah
sehingga dapat digunakan untuk aplikasi elektronika biomedis.
• Respon fasa yang benar-benar linear.
• Karena menggunakan programmable processor , respon frekuensi dapat dipilih
secara langsung secara otomatis.
• Beberapa singal masukan dapat disimpan untuk keperluan selanjutnya.
• Berkembangnya teknologi pico memungkinkan penggunaan hardware yang lebih
kecil, komsumsi daya yang kecil, menekan biaya produksi, dan single chip.
Dalam implementasi filter digital kita dapat menggunakan block diagram atau
signal flow graph. Seperti yang nampak dalam gambar di bawah ini
46
Gambar 2. Block Diagram dan Signal Flow Graph dari tiga elemen utama filter
digital
5.1 Desain IIR dan FIR
Terdapat dua jenis filter digital yang disebabkan karena adanya perbedaan
penggunaan feedback dalam mendesain suatu filter digital. Yang pertama Jenis IIR
(Infinite Impulse Response) yang menggunakan struktur feedback yang sering juga
disebut dengan recursive structure, sedangkan yang kedua Jenis FIR (Finite Impulse
Response) yang tidak menggunakan feedback yang sering disebut dengan non-
recursive structure.
5.2 FIR dan Signal Flow Graph
Dalam desain IIR, sering sekali digunakan pendekatan transformasi bilinear .

Desain ini dimulai dengan fungsi transfer analog filter dan menyajikannya dalam
pemetaan domain s ke domain z. Dengan menggunakan persamaan differensial dapat
ditunjukkan pemetaan dari bidang s ke bidang
dengan transformasi yang dikenal Tustin’s bilinear transformation
Pemetaan ini hasil dari bentuk umum filter IIR dengan sejmulah pole dan zero
sembarang. Respon sistem dan persamaan differensial dari filter ini akan mengikuti
perumusan sebagai berikut, dengan menggunakan operator shift time dari z maka
filter dari H akan dapat direpresentasikan dengan fungsi
47
dalam implementasi sptools Matlab dapat digantikan dengan fungsi filter seperti
filter(B,A,x) yang artinya melakukan implementasi H(z)=B(z)/A(z)dari input signal x.
Vektor B mengandung koefisien dari polynomial B(z) dan vector A mengandung
koefisien dari polynomial A(z)
FIR dan signal Low Graph
Proakis, John G. and Manolakis, Dimitris G. Digital Signal Processing: Principles,

Algorithms, and Applications, 3 Edition. Prentice Hall. Upper River, NL, 1996. p.
677
Biran Adrian , Breiner Moshe; MATLAB for engineers , Adison wesley, Wokingham,
England, 1995. p.575 Ingle, Vinay K. and Proakis, John G. Digital Signal
Processing Using Matlab . PWS Publishing Company, 1997. p.183 3
Proakis, John G. and Manolakis, Dimitris G. Digital Signal Processing: Principles,
Algorithms, and Applications, 3 Edition. Prentice Hall. Upper River, NL, 1996. p.
620
Ingle, Vinay K. and Proakis, John G. Digital Signal Processing Using Matlab . PWS
Publishing Company, 1997. p.197 5
5.3 Desain Low Pass Filter
Desain low pass filter digital didesain dengan menggunakan berbagai prototype tiga
jenis filter digital seperti Butterworth , Chebyshev tipe 1 dan elliptic . Filter
optimum dipilih berdasarkan dari implementasi yang diinginkan termasuk tiga kriteria
yang terutama: kompleksitas, respon besran dan respon fasa.
• Frekuensi Cutoff = 1000Hz

• Frekuensi Sample = 8000Hz
• Ripple passband = 0,5dB
• Stopband attenuasi = 60dB
• Band Transisi = 100Hz
48
Matlab Code (Chebyshev):
% Lowpass digital filter with chebyshev-I analog prototype
%
% Digital Filter specifications:
wp = 0.125*2*pi; % digital passband frequency in Hz (normalized)
ws = 0.1375*2*pi; % digital stopband frequency in Hz (normalized)
Rs = 0.5; % passband ripple in dB
As = 20; % stopband attenuation in dB
% Analog Prototype Spesifications:
Fs = 1; T = 1/Fs;
OmegaP = (2/T)*tan(wp/2); % prewaRs prototype passband frequency
OmegaS = (2/T)*tan(ws/2); % prewaRs prototype passband frequency
% Analog Chebyshev-1 Prototype Filter Calculation:
[c,d] = cheby1(OmegaP,OmegaS,Rs,As,’stop’);
% Bilinear Transformation:
[b,a] = bilinear(cs,ds,Fs);
%
[db,mag,pha,grd,w] = freqz(b,a);
plot (w*8000/2/pi,db) ;
xlabel( ‘frequency (Hz)‘); ylabel (‘decibels’); title (‘magnitude in dB‘);
Mathlab juga menyajikan tampilan orde filter dan koefisien filter. Dalam contoh ini,
filter Chebyshev dapat ber-orde sembilan . elliptic filter memiliki lima orde dan filter
butterworth tiga puluh dua orde.
Beberapa kesimpulan yang dapat dihasilkan dari desain filter low pass sederhana,
pertama pada umumnya dapat dibuat himpunan batas desain. Desain filter cheby2tic
akan menghasilkan filter tersederhana tergantung dari tingkat kekompleksitas bentuk
(terms of complexity). Filter Butterworth
yang paling umum dan kompleks berada dalam orde ke tigapuluh dua. Dalam bentuk
ripple passband, filter butterworth memberikan respon optimum. Dalam passband,
hampir tidak terdapat ripple hanya sebagai monotonic. elliptic dan chebyshev
keduanya mempunyai lebih banyak ripple dalam passband. Inilah yang menjadi
pilihan dari filter-filter yang digunakan. Dalam hal respon besaran dan kompleksitas,
filter elliptic akan menjadi pilihan yang terutama, akan tetapi ripple elliptic
mempunyai respon fasa yang lebih non linear dibandingkan filter Chebyshev dan
Butterworth. Oleh karenanya ketajaman cutoff dengan kompleksitas rendah harus
jatuh pada filter elliptic. Jika respon fasa yang dibutuhkan linear, maka filter
Chebyshev atau Butterworth akan menjadi pilihan.
Filter IIR didesain dengan menggunakan rutin yang dibuat oleh MH Akroyd's dalam
publikasinya tentang Butterworths digital filter . Filter Butterworth digunakan
secara maksimal dalam periode kedatarannya dalam passband, kondisinya pada
monoton cut-off. Filter Butterworth dalam kondisi ternormalisasi dapat
diimplementasikan sampai dengan derajat ke enam. Chebyschev tipe I memiliki
ripple pada passband , monotonic cut-off dari frekuensi cut-off pada stopband.
Pada implementasi derajat ke enam dengan ripple sebesar 1 dB (maksimum deviasi
dari normal sebesar kurang lebih satu dB bukan satu dB dari besaran amplituda
peak to peak ) Chebychev tipe II memiliki flat maksimal dari passband dan ripple
dalam stopband. Maksimum ripple 40 dB dari stopband dan memiliki transisi 3%
dari frekuensi cut-off.
49
5.4 Desain High Pass Filter
Mathlab menyediakan fungsi implementasi untuk konversi low pass ke high pass
dan konversi low pass ke band pass . Dengan menyediakan perangkat orde untuk
filter, passband ripple dan frekuensi cutoff 3 dB ke fungsi cheby1(), sebuah filter
high pass dapat didesain. Orde filter akan ditemukan dengan menggunakan fungsi
chebord() . Untuk prototipe Butterworth, fungsi dari butter()
dan buttord(). Untuk prototipe dari cheby2tic kita menggunakan cheby2() dan
cheby2ord().
Di bawah ini adalah kode program Mathlab untuk desain Chebyshev highpass digital
filter dengan band transisi passband dengan frekuensi 1100hz.
% highpass Chebyshev Digital Filter

ws = [0.125 *2*pi]; % digital stopband frequency in rad/s
wp = [0.1375*2*pi]; % digital passband frequency in rad/s
Rs = 0.5; % passband ripple in dB
As = 20;
[N, wn] = cheb1ord(wp/pi,ws/pi,Rs,As) ;
[b, a] = cheby1 (N, Rs, wn, ‘high’) ;
[db,mag,pha,grd,w] = freqz_m(b,a) ;
plot(w*8000/2/pi,db) ;
axis ( [800 1200 -22 1] );
Band pass filter ditentukan dengan menggunakan dua fungsi. Untuk filter bandpass
frekuensi ditentukan dengan wp dan ws yaitu frekuensi passband dan frekuensi
stopband yang keduanya merupakan dua elemen vektor yang dapat menyebabkan dua
frekuensi passband dan dua frekuensi stopband, Mathlab di bawah ini mendesain filter
bandpass digital cheby2tik
% Bandpass Elliptic Digital Filter

ws = [0 .3*pi 0.75*pi] %Stopband edge frequency
ws = [0 .4* pi 0.6*pi] %Passband edge frequency
Rs = 0.5; %Passband ripple in dB
As = 20; %Stopband attenuation in dB
[N, wn] = cheby2ord (wp/pi,ws/pi,Rs,As} ;

[b, a] = cheby2(N, Rs, As ;wn) ;
[db,mag,pha,grd,w] = freqz m(b,a) ;

plot(w*8000/2/pi,db) ;
axis ( [5000 3500 -22 1] )
xlabel(‘frequency (Hz)‘); ylabel(‘decibels’); title(‘magnitude in db Respons of cheby2tic Filter‘) ;
5.5 Signal Processing Tools
Signal processing tool atau Sptools pada Matlab digunakan sebagai alat visualisasi
untuk desain dan menganalisis filter digital. Sptool merupakan graphical user
interface yang mampu menganalisis dan memanipulasi signal, filter dan spektrum
frekuensi. Desain filter dengan Sptools memperbolehkan pengguna untuk memilih
algoritma desain filter yang digunakan ketia membuat filter. Algoritma desain ini
diantaranya terbagi untuk filter FIR dan filter IIR. Untuk filter FIR terbagi dalam
equiripple, least squares, Kaiser Windows dan untuk fiter IIR adalah butterworth,
chebyshev tipe 1 dan 2, serta elliptic. Pengguna juga diperbolehkan menspesifikasikan
50
filter lowpass, bandpass, high pass atau bandstop . Desain dari sptools filter akan
ditampilkan dalam respon besaran dan tampilan orde filter.
Berikut ini adalah contoh besaran respon dari bandpass filter yang didesain dalam
kode program Matlab.
Filter 4
Appendix
Function [b, a] = chb1 {Wp, Ws, Rs, As) ;

% Analog Lowpass Filter Design: Chebyshev-1
%
% [b, a] = chb1 (Wp, Ws, Rs, As) ;
% b = Numerator coefficients of Ha (s)
% a = Denominator coefficients of Ha (s)
% Wp = Passband edge frequency in rad/sec
% Ws = Stopband edge frequency in rad/sec
% Rs = Passband ripple in dB
% As = stopband attenuation in dB
%
if wp < = 0
error (‘Passband edge must be larger than 0 ‘ )
end
if Ws < = Wp
error ( ‘Stopband edge must be larger than Passband edge ‘ )
end
if (Rs < = 0 ) (As < 0)
error ( ‘PB ripple and/or SB attenuation must be larger than 0 ‘ )
end
ep = sqrt (10 (Rs/10)-1) ;
A = 10 (As/20) ;
OmegaC = Wp;
OmegaR = Ws/Wp;
g = sqrt (A*A –1) /ep;
N = ceil (log10 (g+sqrt (g*g–1) ) /log10 (OmegaR+sqrt (omegaR*AomegaR-1) ) ) ;
Fprintf (‘\n*** Chebyshev-1 Filter Order = %2.Of \n’,N) ;
[b, a] = ap chb1(N, Rs, OmegaC) ;
function [b, a] = ap chb1(N, Rs, OmegaC) ;

% Chebyshev-1 Analog Lowpass Filter Prototype
%
% [b, a] = ap chb1(N, Rs, OmegaC) ;
% b = nemerator polynomial coefficients
% a = denominator polynomial coefficients
% N = Order of the cheby2tical filter
% Rs = passband Ripple in dB
% OmegaC = Cutoff frequency in rad/sec
%
[z , p , k] = cheblap (N, Rs) ;
a = real (poly (p) ) ;
aNn = a (N+1) ;
p = p*omegac;
a = real (poly (p) ) ;
aNu = a (N+1) ;
k = k*aNu/aNn;
b0 = k;
B = real (poly (z) ) ;
b = k*B;
51
6. Argumen Sptools
Untuk membuat filter butterworth di bawah ini adalah fungsi-fungsi yang disediakan
oleh sptools Matlab untuk memanipulasi desain digital filter Untuk filter butterworth
dimana
H(z)=B(z)/A(z)
[B,A] = butter[N,Wn] Menghitung koefisien dari low pass filter. Wn adalah

frekuensi cutoff dalam frekuensi ternormalisasi.
[B,A] = butter(n,Wn,’high’) Menghitung koefisien dari highpass butterworth filter.
Wn adalah frekuensi cutoff dalam frekuensi ternormaliasi
[B,A] = butter(N,Wn) Menghitung koefisein dari bandpass filter. Wn adalah
vector yang berisi dari dua frekuensi cutoff ternormaliasi dari passband dalam urutan
naik
[B,A] = butter(N,Wn,’stop’) Menghitung koefisien dari bandstop butterworth
filter, Wn adalah vector yang mengandung dua frekuensi cutoff ternormalisasi dalam
stopband dalam urutan naik.
Untuk desain dari chebyshev tipe 1 kita menggunakan variasi dari cheby1 dengan
fungsi komputasi dari koefisien filter order keN dengan filter H(z)=B(z)/A(z)
[B,A] = cheby1[N,Rp,Wn] Menghitung koefisien dari low pass filter Chebyshev

tipe 1. Rp mewakili ripple passband dan Wn adalah frekuensi cutoff dalam
frekuensi ternormalisasi.
[B,A] = cheby1(N,Rp,Wn,’high’) Menghitung koefisien dari highpass chebyshev tipe
1 filter. Rp mewakili ripple passband dan Wn adalah frekuensi cutoff dalam frekuensi
ternormaliasi
[B,A] = cheby1(N,Rp,Wn) Menghitung koefisien dari bandpass ripple, dengan Rp
mewakili passband ripple dan Wn adalah vector yang berisi dari dua frekuensi cutoff
ternormaliasi dari passband dalam urutan naik
[B,A] = cheby1(N,Rp,Wn,’stop’) Menghitung koefisien dari bandstop chebyshev
tipe filter, dimana Rp mewakili dari passband ripple. Wn adalah vektor yang
mengandung dua frekuensi cutoff ternormalisasi dalam stopband dalam urutan naik.
Untuk desain dari chebyshev tipe II kita menggunakan variasi dari cheby2 dengan
[B,A] = cheby2[N,Rs,Wn] Menghitung koefisien dari low pass filter Chebyshev

tipe 2. Rs mewakili stopband ripple dan Wn adalah frekuensi cutoff dalam
frekuensi ternormalisasi.
[B,A] = cheby2(N,Rs,Wn,’high’) Menghitung koefisien dari highpass chebyshev tipe
2 filter. Rs mewakili ripple stopband dan Wn adalah frekuensi cutoff dalam frekuensi
ternormaliasi
[B,A] = cheby2(N,Rs,Wn) Menghitung koefisien dari bandpass dengan Ws adalah
stopband ripple dan Wn adalah vector yang berisi dari dua frekuensi cutoff
ternormaliasi dari passband dalam urutan naik
[B,A] = cheby2(N,Rs,Wn,’stop’) Menghitung koefisien dari bandstop chebyshev
tipe filter, dimana Rs mewakili dari stopband ripple. Wn adalah vektor yang
mengandung dua frekuensi cutoff ternormalisasi dalam stopband dalam urutan naik.
52
Untuk desain dari chebyshev tipe II kita menggunakan variasi dari cheby2 dengan
[B,A] = ellip[N,Rp, Rs,Wn] Menghitung koefisien dari low pass filter Chebyshev
tipe 2. Rp mewakili ripple passband, Rs mewakili stopband ripple dan Wn adalah
frekuensi cutoff dalam frekuensi ternormalisasi.
[B,A] = ellip(N,Rp,Rs,Wn,’high’) Menghitung koefisien dari highpass chebyshev tipe
2 filter. Rp mewakili ripple passband, Rs mewakili ripple stopband dan Wn adalah
frekuensi cutoff dalam frekuensi ternormaliasi
[B,A] = ellip(N,Rp,Rs,Wn) Menghitung koefisien dari bandpass dengan Rp
mewakili ripple passband dengan Ws adalah stopband ripple dan Wn adalah vector
yang berisi dari dua frekuensi cutoff ternormaliasi dari passband dalam urutan naik
[B,A] = ellip(N,Rp,Rs,Wn,’stop’) Menghitung koefisien dari bandstop chebyshev
tipe filter, dimana Rp mewakili ripple passband, Rs mewakili dari spassband ripple.
Wn adalah vektor yang mengandung dua frekuensi cutoff ternormalisasi dalam
stopband dalam urutan naik.
53
MODUL 6
ANALISIS DAN DESAIN FILTER DIGITAL
Filter digital adalah proses komputasi (algoritma) yang mengubah satu sekuen angka
x[n] yang merepresentasikan input ke sekuen y[n] yang merepresentasikan output.
Yang dimaksud dengan komputasi disini adalah memperformansikan fungsi integrasi,
diferensiasi, dan estimasi.
Filter dijital diklasifikasikan dalam bentuk durasi response impuls dan dalam bentuk
realisasi.
Durasi Response Impuls
1. Filter dijital Infinite Impuls Response (IIR) mempunyai impuls response h[n]
dengan jumlah sampel tak hingga
2. Filter dijital Finite Impuls Response (FIR) mempunyai impuls response h[n]
dengan jumlah sampel berhingga
Realisasi
1. Realisasi Filter Dijital Rekursif dimana output nya bergantung pada input dan
harga output sebelumnya.
2. Realisasi Filter Dijital Non-rekursif dimana output bergantung pada harga
input sekarang dan lampau.
54
Transformasi Bilinear Î ; Ts: Periode Sampling
Contoh 1: (Disain Filter Digital)

Hitung fungsi transfer G(z) dari digital filter low pass dengan 3dB frekuensi cutoff
pada 20 Hz dan atenuasi paling kecil 10 dB untuk frekuensi di atas 40 Hz. Sampling
frekuensinya adalah 200 Hz.
Solusi 1:
Kita akan menggunakan transformasi bilinear. Secara acak kita memilih orde dua
Butterworth low pas filter, yaitu
%Buat pada mfiles

[z,p,k]=buttap(2) %memberikan zero poles untuk filter
%butterworth
[b,a]=zp2tf(z,p,k) %transformasi zeropoles ke domain s
%run program ini
Dari hasil tersebut diketahui bahwa fungsi transfer filter dengan frekuensi
ternormalisasinya adalah
Kemudian kita harus mentransformasikan ke frekuensi cutoff yang sebenarnya yaitu

20 Hz. Kita namakan sebagai Ga(s). Pertama kita gunakan hubungan frekuensi analog
dengan frekuensi digital yaitu:
Dengan analog cutoff nya 3dB pada frekuensi wac, dan frekuensi atenuasi waa,
didapatkan
dan
Untuk mencari Ga(s) kita gantikan s dengan s/0.325 sehingga
55
Penulisan MATLAB untuk ekspresi ini adalah:
%Buat pada mfiles baru
Syms z;
simple(0.1056/(((z-1)/(z+1))^2+0.4596*(z-
1)/(z+1)+0.1056))
%lihat hasilnya dicommand windows
%kemudian
expand(264*(z+1)^2)
Sehingga fungsi transfernya adalah
Dengan menggunakan syntax freqz pada MATLAB maka kita bisa mendapatkan
magnitude dari G(z) tapi kita harus mendefinisikannya dalam power negatif.
Pembagian tiap bentuk dengan 391z2 didapatkan:
MATLAB code dibawah ini akan memberikan plot magnitude G(z) terhadap
frekuensi:
%Buat pada mfiles baru

bz=[0.0675 0.1349 0.0675]; az=[1 .1.1429 0.4127];
[Gz, wT]=freqz(bz,az,20,200);
semilogx(wT,abs(Gz)), axis([0.1 1000 0 1]), hold on;
title('Digital Low-Pass Filter'),
xlabel('Frequency in Hz'), ylabel('Magnitude'), grid
%Gambar yang anda dapatkan adalah Gambar Digital low pass

filter pada contoh 1
Contoh 2:
Fungsi transfer dibawah ini mendefinisikan beberapa tipe filter digital. Gunakan freqz
MATLAB untuk memplot magnitude versus radian frekuensi.
56
Solusi:
MATLAB code untuk menghitung dan mengeplot fungsi transfer di atas adalah:
% Buat di m files baru

% N=512 % Default
b1=[2.8982 8.6946 8.6946 2.8982]*10^(.3); a1=[1 .2.3741
1.9294 .0.5321];...
[G1z,w1T]=freqz(b1,a1);
%
b2=[0.5276 .1.5828 1.5828 .0.5276]; a2=[1 .1.7600 1.1829
.0.2781];...
%
b3=[6.8482 0 -13.6964 0 6.8482]*10^(.4); a3=[1 3.2033
4.5244 3.1390 0.9603];...
%
b4=[0.9270 .1.2079 0.9270]; a4=[1 .1.2079 0.8541];...
clf; % clear current figure
%
subplot(221), semilogx(w1T,abs(G1z)), axis([0.1 1 0 1]),
title('Filter for G1(z)')
xlabel(''),ylabel('Magnitude'),grid;
%
%
subplot(223), semilogx(w3T,abs(G3z)), axis([1 10 0 1]),
%
57
%Lihat hasilnya..
Contoh 3:
Rectifier Setengah Gelombang dapat direpresentasikan dalam bentuk trigonometrik:
Dalam contoh ini kita akan memfilter hanya 2 bentuk awal (atau menghilangkan
bentuk cosinus). Untuk menyederhanakan bentuk ini, misalkan A = 3π dan kita
potong dengan menghilangkan dari bentuk ketiga ke atas, sehingga fungsinya
menjadi:
Masalahnya menjadi bagaimana mengurangi filter low pass digital dan menggunakan
perintah filter untuk menghilangkan bentuk cosine di atas.
Solusi:
Kita akan menggunakan 6 pole digital low pass filter Butterworth karena kita harus
mempunyai transisi yang tajam antara 1 dan 2 rad / detik. Dan juga, komponen
frekuensi tertinggi adalah 2 rad/s, kita harus menspesifikasikan frekuensi sampling ws
= 4 rad/s untuk menghindari aliasing. Sehingga frekuensi sampling haruslah fs =
ws/2π = 2/π dan periode sampling menjadi Ts = 1/fs = π/2. T = 0.5 adalah harga yang
cukup kecil; Cutoff frekuensi kita pilih wC = 1.5 rad/s untuk mengatenuasi bentuk
cosine.
MATLAB code di bawah ini adalah meliputi langkah-langkah:
1. Menghitung numerator dan denominator dari fungsi transfer dengan frekuensi
cutoff ternormalisasi
2. Perhitungan koefisein untuk frekuensi yang diinginkan
3. Menggunakan fungsi bilinear yang memetakan fungsi transfer analog ke
fungsi transfer digita dan memplot respon frekuensi dari filter digital.
4. Menghitung filter digital transfer function untuk menghitung efek warping.
5. Menggunakan fungsi filter untuk menghilangkan bentuk cosine
%Buat pada m files baru

%Langkah 1
[z,p,k]=buttap(6);
[b,a]=zp2tf(z,p,k);
% Langkah 2
wc=1.5;
[b1,a1]=lp2lp(b,a,wc);
%
% Langkah 3
T=0.5; % Define sampling period
[Nz,Dz]=bilinear(b1,a1,1/T);
w=0:2*pi/300:pi;
58
Gz=freqz(Nz,Dz,w);
clf
%
semilogx(w,abs(Gz)); grid; hold on
xlabel('Radian Frequency w in rads/sec'),
ylabel('Magnitude of G(z)'),
title('Digital Filter Response in Normalized Frequency')
%
fprintf('Press any key to continue \n');
pause;
%
% Langkah 4
p=6; T=0.5;
wc=1.5;
wd=wc*T/pi;
[Nzp,Dzp]=butter(p,wd);
fprintf('Summary: \n\n');
fprintf('WITHOUT PREWARPING: \n\n');
fprintf('The num N(z) coeff in desc order of z are:
\n\n');
fprintf('%8.4f \t',[Nz]);
fprintf('\n\n');
fprintf('The den D(z) coeff in desc order of z are:
\n\n');
fprintf('%8.4f \t',[Dz]);
fprintf('\n\n');
fprintf('WITH PREWARPING: \n\n');
%
fprintf('The num N(z) coeff in desc order of z are:
\n\n');
fprintf('%8.4f \t',[Nzp]);
fprintf('\n\n');
fprintf('The den D(z) coeff in desc order of z are:
\n\n');
fprintf('%8.4f \t',[Dzp]);
fprintf('\n\n');
Setelah didapatkan harga tersebut maka diteruskan dengan langkah 5.
% buat di m file yang sama dengan di atas

% Langkah 5
%
Nzp=[0.0008 0.0050 0.0125 0.0167 0.0125 0.0050 0.0008];
Dzp=[1.0000 -3.1138 4.4528 -3.5957 1.7075 -0.4479
0.0504];
n=0:150;
T=0.5;
gt=3+1.5*sin(n*T)-cos(2*n*T);
59
yt=filter(Nzp,Dzp,gt);
%
t=0:0.1:12;
gta=3+1.5*sin(t)-cos(2*t);
subplot(211), plot(t,gta), axis([0,12, 0, 6]); hold on
xlabel('Continuous Time t');
ylabel('Function g(t)');
%
subplot(212), plot(n*T,yt), axis([0,12, 0, 6]); hold on
xlabel('Continuous Time t');
ylabel('Filtered Output y(t)');
%
subplot(211), stem(n*T,gt), axis([0,12, 0, 6]); hold on
xlabel('Discrete Time nT');
ylabel('Discrete Function g(n*T)');
%
subplot(212), stem(n*T,yt), axis([0,12, 0, 6]); hold on
xlabel('Discrete Time nT');
ylabel('Filtered Output y(n*T)');
%Ouput Analog dan Dijital dapat dilihat di hasil Gambar
60
MODUL 7
JARINGAN SYARAF TIRUAN (PERCEPTRON)
MATLAB menyediakan toolbox untuk menyelesaikan masalah jaringan syaraf tiruan

(JST). Spesifikasi perceptron jaringan pada MATLAB adalah sebagai berikut:
Masukan point dan target berbentuk bebas
Treshold yang dipakai adalah nol
Fungsi aktivasi (hardlim) memiliki output biner
Bobot diubah berdasarkan error yang terbentuk dari selisih antara target yang
diinginkan dan keluaran jaringan.
Pembentukan Jaringan
1 b1
w11
b2 y1
x1
w21
w13
x2
y2
w22
x3
w23
Misalkan bobot jaringan ke target y1 adalah [-1 0 2], bobot ke target y2 adalah [0 1
0] dan bobot bias adalah [1 2]. Statement yang digunakan untuk membangun jaringan
adalah
net.IW{1,1}=[-1 0 2;0 1 0]
net.b{1}=[1;2]
Untuk membentuk perceptron untuk mengenali fungsi logika ”AND” dengan 2

variabel x1 dan x2, digunakan statement net=newp(PR,S,TF,LF) dengan
PR=matriks ordo R x 2 menyatakan nilai maksimum dan minimum tiap unit masukan
S=jumlah neuron dari target
TF=fungsi aktivasi biner
LF=fungsi pelatihan. (default: learnp)
Sehingga:
%lanjutkan
net=newp([0 1 ; 0 1], 1)
dengan [0 1] menyatakan variabel x1 dan kolom yang kedua merupakan variabel x2
Pembentukan Vektor Masukan dan Target

Setelah membentuk perceptron, berikutnya didefinisikan pola masukan dan target
yang akan dikenali. Masing-masing masukan dan keluaran berupa vektor kolom.
Perhatikan bahwa jumlah unit tiap pola masukan serta range nilainya harus sesuai
dengan spesifikasi perceptron yang dibuat.
61
Pembentukan perceptron dengan masukan dan targetnya untuk mengenali pola fungsi
logika ”AND” dengan bobot awal w = [-1 1] dan bias=[1] dilakukan prosedur di atas
dan berikut:
%Mulai baru
net=newp([0 1;0 1],1);
net.IW{1,1}=[-1 1]
net.b{1}=[1]
p = [ [1 ; 1] [1;0] [0;1] [0;0]];
t = [1 0 0 0];
Menghitung Keluaran Perceptron

Setelah pola masukan diberikan, kita dapat menghitung keluaran jaringan. Perintah
sim dalam MATLAB dipakai untuk menghitung keluaran Perceptron. Formatnya
adalah: [Y,Pf,Af,E,perf]=sim(net,P,Pi,Ai,T), dengan parameter masukan
Net : nama jaringan dalam jaringan newp

P : vektor masukan jaringan
Pi : Kondisi delay masukan (default : nol)
Ai : Kondisi delay layar (default : nol)
T : vektor target jaringan (default : nol)
Dan parameter hasil

Y : keluaran jaringan
Pf : Kondisi akhir delay masukan
Af : Kondisi akhir delay layar
E : Error jaringan (T – Y)
Perf. : Unjuk kerja jaringan (performance)
Untuk menghitung keluaran jaringan, dapat digunakan statemen sederhana:

y=sim(net,p).
Misalkan ingin menghitung keluaran perceptron contoh terakhir:
%lanjutkan
[a,Pf,Af,e,perf]=sim(net,p,[],[],t)
didapatkan hasil yang menunjukan performansinya adalah 0,75 yang berarti hanya
pola pertama saja yang dikenali dengan benar.
Modifikasi bobot dan bias

Setelah menghitung keluaran jaringan, langkah berikutnya adalah mengubah bobot
berdasarkan selisih antara keluaran jaringan dan target yang diinginkan. Untuk
mengubah bobot digunakan perintah learnp yang formatnya:
dW=learnp(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) (ketik help learnp untuk keterangan
lebih lanjut)
62
Misalkan perhitungan bobot setelah perintah sim pada contoh di atas dijalankan
berturut-turut pada pola [1;1], [1;0],[0;1],[0;0].
%mulai baru
p = [ [1 ; 1] [1;0] [0;1] [0;0]];
t = [1 0 0 0];
net=newp([0 1;0 1],1);
bobot=[-1,1];
net.IW{1,1}=bobot;
bias=1;
net.b{1}=bias;
p1=p(:,1); p2=p(:,2); p3=p(:,3); p4=p(:,4);
t1=t(1); t2=t(2); t3=t(3); t4=t(4);
%perubahan bobot untuk pola p1

disp(’pola p1 :’)
a1=sim(net,p1)
e1=t1-a1
dW=learnp(bobot,p1,[],[],[],[],e1,[],[],[],[],[])
bobot=bobot+dW
Perintah learnp akan menyimpan besarnya perubahan bobot pada variabel dW. Bobot
baru diperoleh dengan menambahkan dW ke vektor bobot. Karena keluaran jaringan
= target, maka tidak dilakukan perubahan bobot sehingga bobot baru = bobot lama.
Perubahan bobot untuk pola p2, p3 dan p4 dilakukan dengan program serupa
%lanjutkan
a2=sim(net,p2)
e2=t2-a2
bobot=bobot+dW
a3=sim(net,p3)
e3=t3-a3
bobot=bobot+dW
a4=sim(net,p4)
e4=t4-a4
bobot=bobot+dW
Pada pola 2 dan 3, e = t – a = -1 Sehingga dW = -p. Perubahan ini ditambahkan ke

vektor bobot. Pada pola 4, e= 0 sehingga tidak dilakukan perubahan bobot.
63
Pelatihan Perceptron
Perceptron akan melakukan perubahan bobot terus menerus untuk setiap pola yang
diberikan hingga diperoleh bobot yang akan digunakan untuk mengenali pola secara
benar. Untuk mengecek apakah bobot sudah dapat mengenali pola maka dapat
digunakan perintah:
>> a = sim (net,p)
>> e = t – a
Hasil keluaranya adalah [ 1 1 1 1] sedangkan targetnya adalah [1 0 0 0]. Terdapat

kesalahan e = [0 -1 -1 -1], ini memerlukan pelatihan berikutnya (epoch ke dua). Untuk
menyingkat keseluruhan proses berikutnya (iterasi) MATLAB menyediakan perintah
train yang formatnya adalah
[net,tr,Y,E,Pf,Af] = train(NET,P,T,Pi,Ai,VV,TV) (deskripsi dapat dilihat
menggunakan help train)
Contoh: misalkan diinginkan bobot pengenalan pola untuk contoh yang tadi.
p = [ [1 ; 1] [1;0] [0;1] [0;0]];

t = [1 0 0 0];
net=newp([0 1;0 1],1);
net.IW{1,1}=[-1,1];
net.b{1}=[1];
net=train(net,p,t);
%untuk mengetahui keadaan bobot optimal:
disp(net.IW{1,1})
disp(net.b{1})
Jadi w1 = 1, w2 = 2 dan b = -2
Untuk mengehetahui perubahan bobot dan bias untuk setiap epoch, iterasi harus
dihentikan sementara per epoch (dan ditampilkan hasilnya). Untuk itu digunakan
perintah:
function perceptron %training untuk fungsi ”AND”

clc
net=newp([0 1; 01],1);
net.IW{1,1}=[-1,1];
net.b{1}=[1];
p = [ [1 ; 1] [1;0] [0;1] [0;0]];

t = [1 0 0 0];
e=9999
while e > 0
net.trainParam.epochs = 1
%pause training untuk tiap epoch
net=train(net,p,t);
bobot=net.IW{1,1}
bias=net.b{1}
64
a = sim(net,p)
e = sum (t – a)
end
TUGAS
Buatlah program untuk mengenali fungsi logika XOR. Apakah perceptron mampu
mengenalinya?
Pustaka
J.J. Siang, M.Sc., ”Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
MATLAB”, Penerbit Andi, Yogyakarta, 2005.
65
MODUL 8
NEURAL NETWORK (BACK PROPAGATION)
Backpropagation dibentuk dengan membuat aturan pelatihan Widrow Hoff dengan

menambahkan layar tersembunyi. Kata backpropagation merujuk pada cara
bagaimana gradien perubahan bobot dihitung.
Langkah pertama yang harus dilakukan untuk memprogram backpropagation dengan

MATLAB adalah membuat inisialisasi jaringan. Perintah untuk membentuk jaringan
adalah newff. Yang formatnya adalah sebagai berikut:
net = newff(PR,[S1 S2 ... SN],{TF1 TF2 … TFN},BTF,BLF,PF)
dengan
net = jaringan backpropagation yang terdiri dari n layer
PR = matriks ordo R x 2 yang berisi nilai minimum dan maksimum R buah elemen
masukannya.
Si (i=1,2,...,n) = Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n). Default =
tansig (sigmoid bipolar)
BTF = Fungsi pelatihan jaringan. Defaultnya = traingdx
BLF = fungsi perubahan bobot/bias. Default=learngdm
PF = fungsi perhitungan error (Mean Square Error MSE)
Beberapa fungsi aktivasi yang dipakai dalam pelatihan backpropagation adalah
2
tansig (sigmoid bipolar). f (net ) = − 1 . Fungsi ini adalah default yang
1 + e − net
dipakai. Fungsi sigmoid bipolar memliki range [-1,1].
1
logsig (sigmoid biner) f (net ) = . Fungsi sigmoid biner memiliki
1 + e− net
bentuk serupa dengan sigmoid bipolar hanya range nya adalah [0,1]
purelin (fungsi identitas) f(net)=net
Inisialisasi Backpropagation
Inisialisasi backpropagation untuk 2 masukan, sebuah layar tersembunyi terdiri dari 3
unit dan sebuah keluaran (sering disebut 2-3-1) dengan data yang dipakai pelatihan
sebagai berikut
Tabel 1
x1 (variabel 1) x2 (variabel 2) t (target)
-1 0 -1
-1 5 -1
2 0 1
2 5 1
Fungsi aktivasi dari unit masukan ke layar tersembunyi adalah sigmoid bipolar dan
dari layar tersembunyi ke keluaran adalah identitas.
p = [-1 -1 2 2 ; 0 5 0 5]
t = [-1 -1 1 1]
net=newff([-1 2; 0 5], [3,1],{’tansig’,’purelin’});
66
Inisialisasi Bobot
Setiap kali membentuk jaringan backpropagation dapat diberikan inisialisasi bobot
tertentu dengan memberikan nilai pada net.IW, net.LW, dan net.b
net.IW{j,i} digunakan sebagai variabel untuk menyimpan bobot dari unit masukan
layar ke i ke unit tersembunyi (atau unit keluaran)layar j. Karena dalam
Backpropagation unit masukan hanya terhubung dengan layar tersembunyi paling
bawah, maka bobotnya disimpan dalam net.IW{1,1}.
Sebaliknya net.LW{k,j} dipakai untuk menyimpan bobot dari unit di layar

tersembunyi ke-j ke unit di layar tersembunyi ke-k. Sebagai contoh, net.LW{2,1}
adalah menyimpan bobot dari layar tersembunyi paling bawah (layar tersembunyi ke
1) ke layar tersembunyi di atasnya (layar tersembunyi ke 2)
Contoh pembuatan jaringan backpropagation 2-4-3-1 (semua masukan adalah

bilangan antara -1 dan 2) dengan semua fungsi aktivasi sigmoid bipolar. Beri bobot
dan bias seperti pada Tabel 2 – 4
Tabel 2
Dari Unit Masukan
Layar X1 X2 Bias
Tersembunyi 1
Z1 -1.3 0.7 0.3
Z2 0.5 0 -0.1
Z3 1.3 -0.4 -0.9
Z4 -0.1 1.2 0.5
Tabel 3
Dari Layar Tersembunyi 1
Layar z1 z2 z3 z4 Bias
Tersembunyi 2
V1 0.4 0.3 -1 -0.3 0.5
V2 0.6 0 -0.6 -1.2 -1.3
V3 0.4 -0.3 0.2 0.9 -0.3
Tabel 3
Dari layar Tersembunyi 1
Keluaran z1 z2 z3 Bias
Y1 0.4 0.9 -0.1 -1
Arsitektur pembentukan jaringan adalah
net = newff ([-1 2; -1 2], [4,3,1]);
pada perintah ini bobot disusun secara acak. Untuk mengatur bobot seperti pada Tabel
2–4 dilakukan:
net.IW{1,1}=[-1.3 0.7; 0.5 0; 1.3 -0.4; -0.1 1.2];
net.b{1}=[0.3; - 0.1; - 0.9; 0.5];
net.LW{2,1}=[0.4 0.3 -1 -0.3;0.6 0 -0.6 -1.2;0.4 -0.3 0.2
0.9];
net.b{2}=[0.5;-1.3;-0.3];
net.LW{3,2}=[0.4 0.9 -0.1];
67
net.b{3}=[-1];
Hasil bobot tersebut dapat dicek masing-masing dengan memanggil

>>net.IW{1,1}
>>net.b{1}
>>net.LW{2,1}
>>net.b{2}
>>net.LW{3,2}
>>net.b{3}
Simulasi Jaringan
Perintah sim dapat digunakan untuk menghitung output dari jaringan. Misalkan pada
contoh di atas kita masukan input x1=0.5 dan x2=1.3 Pola masukan dengan
menggunakan contoh di atas diperoleh:
>>p=[0.5;1.3];
>>y=sim(net,p);
untuk mengetauhi besarnya error parameter masukan harus ditambah dengan target
yang ingin dicapai. Misalkan target nya t = 1, maka diperoleh keluaran dan error:
>>t=[1];
>>[y,Pf,Af,e,perf]=sim(net,p,[],[],t)
Pelatihan Backpropagation
Untuk menjalankan pelatihan maka perintah train dapat digunakan. Pelatihan ini
untuk meminimumkna kuadrat kesalahan rata-rata (MSE). Metode yang paling
sederhana adalah gradient descent. Bobot dan bias diubah pada arah dimana unjuk
kerja fungsi menurun paling cepat yaitu dalam arah negatif gradiennya.
Wk+1 = Wk – αk*gk
Contoh misalkan diketahui pasangan vektor seperti pada Tabel 1 Buat jaringan
backprpagation dan latihlah dengan metode penurunan tercepat. Gunakan fungsi
aktivasi sigmoid bipolar pada layar tersembunyi dan fungsi identitas pada layar
keluarannya.
p = [-1 -1 2 2 ; 0 5 0 5]
t = [-1 -1 1 1]
net=newff(minmax(p),
[3,1],{’tansig’,’purelin’},’traingd’);
*cat: lihat help minmax
Dengan menggunakan perintah sim besarnya error mula-mula dapat ditentukan
Berikutnya untuk melatihnya digunakan perintah train
>>net=train(net,p,t)
68
Training dihentikan pada epoch ke 100 (default) meskipun unjuk kerja yang
diinginkan (mse=0) belum tercapai. Pca epoch ke 100 ini mse adalah 0,0065. Lihat
juga grafiknya.
Bobot, bias dan hasil pelatihannya dapat dilihat dengan perintah:
>>net.IW{1,1}
>>net.b{1}
>>net.LW{2,1}
>>net.b{2}
lihat hasilnya apakah mendekati target?

Dari contoh di atas hamper tidak mungkin kita mendapatkan harga mse=0 (apalagi
jika data pelatihannya banyak). Untuk itu orang cukup puas jika mse-nya cukup kecil
(misalkan 0.0001). Jika kita perbesar laju pemahaman menjadi 0.1 dan merubah mse
menjadi 0.0001, dilakukan perintah
p = [-1 -1 2 2 ; 0 5 0 5]
t = [-1 -1 1 1]
[3,1],{’tansig’,’purelin’},’traingd’);
net.trainParam.lr=0.1;
net.trainParam.goal=0.0001;
net=train(net,p,t)
Coba jika laju pemahamannya 0.9

Apakah iterasi konvergen? Apakah performance goal nya ketemu?
Contoh aplikasi
Diketahui data bulanan penjualan suatu produk makanan kaleng selama 2 tahun
terakhir seperti pada tabel 4. Buatlah prediksi penjualan makanan untuk bulan depan.
Dengan toleransi sampai 10-5.
Tabel 4.
Tahun Penjualan Tiap Bulan
1 2 3 4 5 6 7 8 9 10 11 12
2003 2045 1696 1341 1181 1613 2242 6161 10437 9590 5291 3081 2147
2004 1767 1466 1090 1070 1355 5324 7167 13780 10629 7725 3284 2400
Jika ingin menggunakan fungsi aktivasi sigmoid biner, data harus ditransformasikan
terlebih dahulu karena range keluaran fungsi sigmoid adalah [0,1]. Data bisa
ditransformasikan ke interval yang lebih kecil misal pada interval [0.1, 0.9]. Ini
mengingat fungsi sigmoid merupakan fungsi asimtotik yang nilainya tidak pernah
mencapai 0 ataupun 1.
Jika a adalah data minimum dan b adalah data maksimum, transformasi linier yang
digunakan untuk mentransformasikan data ke interval [0.1, 0.9] adalah :
0.8( x − a)
x' = + 0.1 (1)
b−a
Sehingga Tabel 4 ditransformasikan menjadi
69
Tabel 5
Tahun Penjualan Tiap Bulan
1 2 3 4 5 6 7 8 9 10 11 12
2003 0.1614 0.1394 0.1171 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678
2004 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 0.5189 0.2394 0.1837
Pola yang dipakai merupakan data selama 12 bulan dan target adalah data penjualan
pada bulan ke 13. Jadi ada 12 pola data dalam sebuah epochnya seperti pada Tabel 6.
Jumlah layar tersembunyi bisa dicoba-coba mulai dengan layar tersembunyi dengan 3
unit.
Tabel 6 (hasil dari rumus 1
Pola Data Masukan Target
Pola 1 0.1614 0.1394 0.1171 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439
Pola 2 0.1394 0.1171 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249
Pola 3 0.1171 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013
Pola 4 0.1070 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000
Pola 5 0.1342 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179
Pola 6 0.1738 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678
Pola 7 0.4204 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838
Pola 8 0.6896 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000
Pola 9 0.6363 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017
Pola 10 0.3657 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 0.5189
Pola 11 0.2266 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 0.5189 0.2394
Pola 12 0.1678 0.1439 0.1249 0.1013 0.1000 0.1179 0.3678 0.4838 0.9000 0.7017 0.5189 0.2394 0.1837
(Buat saja di Excel biar gampang)
Masukan harga p dengan mengkopi paste data masukan pelatihan
p = [ %copy paste data tabel 6
…
]
dan t= [ %copy paste data tabel 6
…
]’
[2,1],{’logsig’,’logsig’},’traingdx’);
net.trainParam.goal=1e-5;
net.trainParam.epochs=500;
net.trainParam.show=500;
net=train(net,p,t)%didapatkan bobot terbaik
70
Modul 9
Contoh Program Aplikasi Modelling
dengan Matlab
Traveling Salesman
Permasalahan: Kita ingin mengetahui jalan yang terpendek yang
harus dilalui oleh seorang salesman, teori dasarnya adalah pada
teori graph dalam mata kuliah matematika diskrit.
Jawaban
Listing travel.m
function travel(action);
% Demo program TRAVEL Traveling salesman
% demo ini merupakan animasi yang disebut
% "Traveling Salesman" .
% Masalahnya adalah mencari jalan terpendek
% yang harus dilalui.
% Algoritma demo ini sangatlah sederhana
% Dan sangat cepat penyelesaiannya
% Menggunakan menu pop up kota untuk membedakan masing
masing animasi
% Klick "Start"
% dan "Stop" buttons untuk menyelesaikan animasi
% Kota yang dipilih akan dikunjungi secara random.
play= 1;
stop=-1;
if nargin<1,
action='initialize';
end;
switch action
case 'initialize',
oldFigNumber=watchon;
figNumber=figure( ...
'Name','Travel: The Traveling Salesman Problem', ...
'NumberTitle','off', ...
'Visible','off', ...
'DoubleBuffer','on', ...
'Color', [0 0 0], ...
'BackingStore','off');
axes( ...
'Units','normalized', ...
'Position',[0.05 0.05 0.75 0.90], ...
'Visible','off', ...
'NextPlot','add');
text(0,0,'Press the "Start" button to see the Traveling
Salesman demo', ...
'HorizontalAlignment','center');
axis([-1 1 -1 1]);
71
%===================================
% Information for all buttons
labelColor=[0.8 0.8 0.8];
yInitPos=0.90;
xPos=0.85;
btnWid=0.10;
btnHt=0.10;
% Spacing between the button and the next command's label
spacing=0.05;
%====================================
% The CONSOLE frame
frmBorder=0.02;
yPos=0.05-frmBorder;
frmPos=[xPos-frmBorder yPos btnWid+2*frmBorder
0.9+2*frmBorder];
h=uicontrol( ...
'Style','frame', ...
'Position',frmPos, ...
'BackgroundColor',[0.50 0.50 0.50]);
%====================================
% The START button
btnNumber=1;
yPos=0.90-(btnNumber-1)*(btnHt+spacing);
labelStr='Start';
cmdStr='start';
callbackStr='travel(''start'');';
% Generic button information
btnPos=[xPos yPos-spacing btnWid btnHt];
startHndl=uicontrol( ...
'Style','pushbutton', ...
'Position',btnPos, ...
'String',labelStr, ...
'Interruptible','on', ...
'Callback',callbackStr);
%====================================
% The CITIES popup button
btnNumber=2;
textStr='Cities';
popupStr=reshape(' 15 20 25 30 35 40 45 50 ',4,8)';
btnPos1=[xPos yPos-spacing+btnHt/2 btnWid btnHt/2];
btnPos2=[xPos yPos-spacing btnWid btnHt/2];
popupHndl=uicontrol( ...
'Style','text', ...
'Position',btnPos1, ...
'String',textStr);
btnPos=[xPos yPos-spacing btnWid btnHt/2];
72
popupHndl=uicontrol( ...
'Style','popup', ...
'Value',4, ...t
'Position',btnPos2, ...
'String',popupStr);
%====================================
% The STOP button
btnNumber=3;
labelStr='Stop';
% Setting userdata to -1 (=stop) will stop the demo.
callbackStr='set(gca,''Userdata'',-1)';
btnPos=[xPos yPos-spacing btnWid btnHt];
stopHndl=uicontrol( ...
'Style','pushbutton', ...
'Position',btnPos, ...
'Enable','off', ...
%====================================
% The INFO button
labelStr='Info';
callbackStr='travel(''info'')';
infoHndl=uicontrol( ...
'Style','push', ...
'Position',[xPos 0.20 btnWid 0.10], ...
%====================================
% The CLOSE button
labelStr='Close';
callbackStr='close(gcf)';
closeHndl=uicontrol( ...
'Style','push', ...
'Position',[xPos 0.05 btnWid 0.10], ...
% Uncover the figure
hndlList=[startHndl popupHndl stopHndl infoHndl
closeHndl];
set(figNumber, ...
'Visible','on', ...
'UserData',hndlList);
watchoff(oldFigNumber);
figure(figNumber);
case 'start',
73
WNumber=watchon;
axHndl=gca;
figNumber=gcf;
hndlList=get(figNumber,'Userdata');
startHndl=hndlList(1);
popupHndl=hndlList(2);
stopHndl=hndlList(3);
infoHndl=hndlList(4);
closeHndl=hndlList(5);
set([startHndl closeHndl infoHndl],'Enable','off');
set(stopHndl,'Enable','on');
set(axHndl,'Userdata',play);
set(popupHndl, 'Enable', 'off');
% ====== Start of Demo
% Travel problem
% This is the main program for the Traveling Salesman
Problem.
% This function makes use of the following other
functions:
% inside
% Lay down a picture of the United States for graphic
appeal.
load('usborder.mat','x','y','xx','yy');
% The file usborder.mat contains a map of the US in the
variables
% x and y, and a geometrically simplified version of the
same map
% in the variables xx and yy.
cla;
plot(x,y,'Color','cyan');
axis off;
axis([-0.1 1.5 -0.2 1.2]);
set(axHndl,'Drawmode','Fast');
hold on;
drawnow;
nptsStr=get(popupHndl,'String');
nptsVal=get(popupHndl,'Value');
npts=str2double(nptsStr(nptsVal,:));
set(popupHndl, 'Enable', 'off');
% ...else generate the random cities to visit
X=[];
Y=[];
% Form the US border in imaginary coords for the INSIDE
routine
w=xx+i*yy;
n=0;
while n<npts,
a=rand*1.4+i*rand;
if inside(a,w),
X=[X; real(a)];
Y=[Y; imag(a)];
74
n=n+1;
end;
end;
xy=[X Y];
% Calculate the distance matrix for all of the cities
distmatrix = zeros(npts);
for count1=1:npts,
for count2=1:count1,
x1 = xy(count1,1);
y1 = xy(count1,2);
x2 = xy(count2,1);
y2 = xy(count2,2);
distmatrix(count1,count2)=sqrt((x1-x2)^2+(y1-y2)^2);
distmatrix(count2,count1)=distmatrix(count1,count2);
end;
end;
% Generate an initial random path between those cities
p=randperm(npts);
newxy=xy(p,:);
newxy=[newxy; newxy(1,:)];
xdata=newxy(:,1);
ydata=newxy(:,2);
watchoff(WNumber);
plot(xdata,ydata,'r.','Markersize',24);
plothandle=plot(xdata,ydata,'yellow','LineWidth',2);
axis off;
drawnow;
len=LocalPathLength(p,distmatrix);
lenhist=len;
while get(axHndl,'Userdata')==play,
drawnow;
drawFlag=0;
% Try a point for point swap
% ========================
swpt1=floor(npts*rand)+1;
swptlo=min(swpt1,swpt2);
swpthi=max(swpt1,swpt2);
order=1:npts;
order(swptlo:swpthi)=order(swpthi:-1:swptlo);
pnew = p(order);
lennew=LocalPathLength(pnew,distmatrix);
if lennew<len,
p=pnew;
len=lennew;
drawFlag=1;
end;
% ========================
% Try a single point insertion
% ========================
75
swpt2=floor((npts-1)*rand)+1;
order=1:npts;
order(swpt1)=[];
order=[order(1:swpt2) swpt1 order((swpt2+1):(npts-1))];
pnew = p(order);
lennew=LocalPathLength(pnew,distmatrix);
if lennew<len,
p=pnew;
len=lennew;
drawFlag=1;
end
if drawFlag,
newxy=xy(p,:);
newxy=[newxy; newxy(1,:)];
xdata=newxy(:,1);
ydata=newxy(:,2);
set(plothandle,'XData',xdata,'YData',ydata);
drawnow;
end;
% ========================
end;
% ====== End of Demo
set([startHndl closeHndl infoHndl],'Enable','on');
set(stopHndl,'Enable','off');
set(popupHndl, 'Enable', 'on');
case 'info',
helpwin(mfilename)
end; % if strcmp(action, ...
function total=LocalPathLength(p,distmatrix);
npts = size(p,2);
total=sum(distmatrix([(p-1)*npts + p([end 1:(end-1)])]));
76
Contoh OutPut
Trafeling Salesman dengan 25 Kota dihasilkan :
Trafeling Salesman dengan 50 Kota dihasilkan :
77
DAFTAR PUSTAKA
1. Messner, William and Dawn Tilbury. Control Tutorials for MatLab and Simulink.
A Web Based Approach. Addisson Wesley, Inc. 1999.
2. Ogata, Katsuhiko. Modern Control Engineering. 3rd ed. Prentice Hall
International. 1997
3. http://www.mathworks.com
4. Ogata, Katsuhiko. Solving Control Engineering Problems with MatLab.
Englewood Cliffs, New Jersey : Prentice Hall Inc. 1994
5. _______. MatLab High Performance Numeric Computation and Visualization
Software. The Mathworks, Inc. 1992
78

Modul Matlab Sistem Digital LENGKAP

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Matlab Sistem Digital LENGKAP

Diunggah oleh

Hak Cipta:

Format Tersedia

PRAKTIKUM

PENGOLAHAN SINYAL DIGITAL

LABORATORIUM MULTIMEDIA DAN JARINGAN KOMPUTER

DAFTAR HADIR MIN = 80% X 16= 14

Keterlambatan kehadiran dengan toleransi 10 menit

Buku Acuan : Bebas (mencakup pembahasan yang ada)

PENGENALAN MATLAB: SEBAGAI ALAT ANALISIS PERMASALAHAN

 Mahasiswa mampu mengoperasikan Matlab dan memanfaatkannya sebagai perangkat

II. DASAR TEORI

1.1 Apa Sih MATLAB Itu?

• Matematika dan Komputasi

Sebagai sebuah system, MATLAB tersusun dari 5 bagian utama:

1. Development Environment. Merupakan sekumpulan perangkat dan fasilitas yang

2. MATLAB Mathematical Function Library. Merupakan sekumpulan algoritma komputasi

3. MATLAB Language. Merupakan suatu high-level matrix/array language dengan control

5. MATLAB Application Program Interface (API). Merupakan suatu library yang

III. PERANGKAT YANG DIPERLUKAN

IV. LANGKAH PERCOBAAN

4.1 Memulai Matlab

Gambar 1. Icon MATLAB pada desktop PC

Gambar 2. Tampilan awal Matlab

4.2 Menentukan Direktori Tempat Bekerja

Gambar 3. Membuat Folder baru tempat program

» x = 2 (selanjutnya tekan “Enter”)

dan sekarang hitung inner product:

Sekarang coba anda lakukan penjumlahan antara A dan B:

Untuk membangkitkan suatu "ramp" dari 1 sampai 50 coba:

>> x(51:100) = [50:-1:1]

>> time = [0:0.001:0.099];

4.4 Penggambaran Grafik

>> time = [0:0.001:0.099];

ini akan menghasilkan gambar seperti berikut:

Gambar 4. Contoh tampilan grafik sederhana dengan perintah plot

Apakah hasilnya seperti berikut ini?

Gambar 5. Contoh tampilan grafik dengan perintah stem

4.5 Menyusun Progam Sederhana

Gambar 6. Langkah awal menyusun program sederhana

Gambar 7. Tampilan Matlab Editor tempat membuat program.

Gambar 8. Contoh penulisan program pada Matlab Editor

Gambar 9. Cara menyimpan dan mengeksekusi program anda

Program kedua anda

Hasil apa yang anda dapatkan ?

Program ketiga anda

Bagiamana hasilnya? Gambar 10. Tampilan program grafik ketiga

4. 6. Fungsi dalam Matlab

Hasilnya adalah seperti berikut:

Hasilnya adalah sama seperti menggunakan command line window.

> for i=1:5

Mengulang loop dengan while Syntax nya adalah

Maka: T3(x) = 4x3 – 3x.

Untuk membuat m-file

• Click File lalu New dan M-File

Ini adalah contoh file script

% Script file graph_pertama.

Tanda % adalah komentar. Seluruh komentar tidak dihiraukan oleh MATLAB.

Berikut adalah contoh file function

function [b, j] = descsort(a)

Untuk mendemonstrasikan fungsi dari function yang dibahas,

a = [pi –10 35 0.15];

¾ Fungsi Inline dan Perintah feval

Maka dapat dievaluasi

Dapat juga digunakan memecahkan persoalan dalam dua process. Misalkan :

feval('functname', input parameters of function functname)

Buka M-file lain dan save isint.

Mahasiswa mampu mengoperasikan Matlab dan memanfaatkannya sebagai perangkat

a(1)y(n) = b(1)x(n) + b(2)x(n-1) + ... + b(nb+1)x(n-nb)