EE2423
SINYAL
TEAM DOSEN
1
Outline
Definisi Sinyal & Sinyal dalam kehidupan kita
Klasifikasi Sinyal
Sinyal waktu kontinyu & Sinyal waktu Diskret
Sinyal Periodik & Aperiodik
Sinyal Genap & Sinyal Ganjil
Sinyal Deterministik dan Acak
Sinyal-sinyal Dasar
Operasi Dasar
2
Definisi Sinyal
Sinyal pada umumnya menggambarkan berbagai fenomena fisik.
Berbagai contoh sinyal dalam kehidupan sehari-hari : arus atau tegangan dalam
rangkaian elektrik, suara, suhu, tekanan udara, kecepatan, debit air, sinyal biomedis
seperti EEG, ECG dlsb.
Dalam konteks hubungan sinyal dengan sistem, sinyal adalah masukan dari enviroment
ke dalam sistem dan keluaran dari sistem ke enviroment.
SINYAL SINYAL
INPUT SISTEM OUTPUT
environment
3
Definisi Sinyal
Perhatikan gambar dibawah, sebuah sistem rangkaian penyearah jembatan dengan
sinyal masukan adalah tegangan AC, dan sinyal keluaran berupa sinyal DC.
Dalam hal ini sinyal adalah masukan sistem dan output sistem yang direpresentasikan
sebagai perubahan tegangan terhadap waktu.
4
Definisi Sinyal
Gambar dibawah adalah sinyal ucapan dari kata “apa kabar” yang dilewatkan melalui
mikrofon sepanjang 1100 milidetik. Dalam hal ini, suara ucapan digambarkan
sebagai perubahan tekanan akustik terhadap waktu.
5
Definisi Sinyal
Selain sinyal satu dimensi, dalam sehari-hari, kita juga akan sering menjumpai sinyal
dua dimensi. Sebagai contoh adalah citra digital. Perhatikan sebuah citra
monokromatis. Citra monokromatis direpresentasikan oleh tingkat kecerahan
sebagai fungsi titik koordinat.
6
Definisi Sinyal
Secara metematis sinyal dinyatakan sebagai fungsi dari
variabel bebas. Sinyal dapat memiliki satu atau lebih dari
satu variabel bebas.
Sebagaimana contoh di atas, sinyal listrik memiliki satu
variabel bebas waktu, sedangkan sinyal citra memiliki
dua variabel bebas berupa titik koordinat.
Dalam banyak hal sinyal adalah fungsi waktu yang
merepresentasikan variabel fisik yang berkaitan dengan
sistem.
7
Definisi Sinyal
Dalam kuliah ini kita akan membatasi pembahasan pada
sinyal dengan satu variabel bebas berupa waktu.
Meskipun pada kenyataannya tidak seluruh variabel bebas
dinyatakan dengan waktu, seperti variasi tekanan udara
dan kelembaban terhadap ketinggian.
Waktu sebagai variabel bebas yang akan kita pelajari
dalam kuliah ini, mencakup waktu kontinyu dan waktu
diskret.
8
Representasi Sinyal
Selain dengan cara grafis seperti contoh-contoh di atas, sinyal dapat juga
direpresentasikan dengan persamaan matematis.
Contoh :
Untuk sinyal waktu kontinyu :
x(t) = 10 sin 2t
x(t) = 2t+7
t t ≥ 0
y (t ) =
0 t < 0
Untuk sinyal waktu diskret :
x(n)=2n+3
y(n)=[1, 2, 3, 4, 3, 2, 1], keterangan : tanda ”_” adalah titik n=0.
1 n ≥ 0
y ( n) =
0 n < 0
9
Klasifikasi Sinyal
Sinyal waktu kontinyu & Sinyal waktu Diskret
Sinyal Periodik & Aperiodik
Sinyal Genap & Sinyal Ganjil
Sinyal Deterministik & Sinyal Acak
10
Sinyal waktu kontinyu & Sinyal waktu
Diskret
Sinyal Waktu Kontinyu terdefinisi untuk setiap nilai pada sumbu waktu, sedangkan
Sinyal Waktu Diskret terdefinisi hanya pada nilai waktu diskret.
Dalam pembahasan kita, sumbu waktu untuk Sinyal Waktu Kontinyu menggunakan
simbol t, sedangkan untuk Sinyal Waktu Diskret menggunakan simbol n. Sehingga
representasi sinyal x untuk Sinyal Waktu Kontinyu dituliskan sebagai x(t) dan untuk
Sinyal Waktu Diskret dituliskan sebagai x(n).
Contoh Sinyal Waktu Kontinyu : Sinyal modulasi AM
11
Sinyal waktu kontinyu & Sinyal waktu
Diskret
Contoh Sinyal Waktu Dsikret :
Jumlah pelanggan tetap VoIP U.S
12
Sinyal Periodik dan Sinyal Aperiodik
Sinyal waktu kontinyu dinyatakan periodik jika dan hanya jika
13
Sinyal Genap dan Sinyal Ganjil
Salah satu klasifikasi lain diperoleh dengan melihat kesimetrian sinyal pada waktu
balikan (reverse time). Sinyal x(t) atau x(n) dinyatakan sinyal genap jika :
x(-t)=x(t) dan x(-n)=x(n)
Jadi sinyal genap membentuk simteri dengan waktu balikannya.
Contoh : gambar& pers
14
Sinyal Genap dan Sinyal Ganjil
Sinyal x(t) atau x(n) dinyatakan sinyal ganjil jika :
x(-t)=-x(t) dan x(-n)=-x(n)
Jadi sinyal ganjil membentuk anti-simteri dengan waktu balikannya.
Contoh : gambar& pers
15
Sinyal Deterministik dan Stochastic
Sinyal determinisktik adalah sinyal yang keseluruhan nilainya dapat ditentukan
dengan suatu persamaan matematis.
Contoh : sinyal sinus, sinyal-sinyal dalam pembahasan MK ini selanjutnya adalah
sinyal deterministik.
Sinyal Stochastic jika nilai yang akan datang dari suatu sinyal tidak dapat ditentukan
secara pasti.
Contoh : noise tegangan dalam penguat, dll
16
Energi dan Daya Sinyal
Untuk sinyal waktu kontinyu :
T +∞
∫ ∫
2 2
E = lim x(t ) dt = x(t ) dt
T →∞ −T − ∞1
1 T +∞
∫ ∫
2 2
; P = lim x(t ) dt = x(t ) dt
T →∞ 2T −T − ∞1
N +∞
∑ ∑
2 2
E = lim x ( n) = x ( n)
N →∞
n=− N n = −∞
N +∞
1
∑ ∑
2 2
P = lim x ( n) = x ( n)
N →∞ 2 N − 1
n=− N n = −∞
17
Sinyal-sinyal Dasar
Sinyal Unit Step
Sinyal Impuls
Sinyal Ramp
Sinyal Eksponensial
Sinyal Sinusoidal
18
Unit Step (cont’d)
Unit Step Kontinyu
u(t)
u(t)= 1 ,t ≥ 0 1
0 ,t < 0 t
u(t- τ)
u(t-τ)= 1 ,t ≥ τ
1
0 ,t < τ t
τ
19
Unit Step (cont’d)
Unit Step Kontinyu diskontinyu pada t=0, sehingga tak terdiferensiasi
(not differentiable)!
Kita definisikan unit step ter-delay:
uε(t)
1 ,t > ε / 2 1
uε (t ) = 0 ,t < −ε / 2
t 1 , otherwise t
+ −
ε ε
ε 2 2 2
20
Unit Impulse (cont’d)
Unit Impuls Kontinyu:
δε(t)
∞ ,t = 0
δ (t ) = 1/ε
0 , t ≠ 0 t
ε ε
ε −
2 2
∫ε δ (t )dt = 1
−
δ(t)
1 ε ε
duε (t ) ,− <t < ε0
δ (t ) = lim = ε 2 2
ε →0 dt 0 , otherwise
t
21
Unit Impuls (cont’d)
Unit Impuls Kontinyu Tergeser: δ(t-τ)
du (t )
δ (t ) =
dt ∞
x(t ) = ∫ x(τ )δ (t − τ )dτ
t
u (t ) = ∫ δ (τ )dτ
−∞
−∞
δ (−t ) = δ (t )
x(t )δ (t ) = x(0)δ (t )
x(t )δ (t − τ ) = x(τ )δ (t − τ )
22
Unit Step
Unit Step Diskret
u[n]
u[n]= 1 ,n ≥ 0
1
0 ,n < 0
n
-3 -2 -1 1 2 3
Unit Step Diskret Tergeser
u[n-k]
1 ,n ≥ k
u[n-k]=
1
0 ,n < k
n
-1 1 … k
23
Unit Impuls
Unit Impuls Diskret δ[n]
1
1 ,n = 0
δ [ n] = n
0 ,n ≠ 0 -3 -2 -1 1 2 3
Unit Impuls Diskret Tergeser
δ[n-k]
1
1 ,n = k
δ [n − k ] = n
0 ,n ≠ k -1 1 … k
24
Unit Impuls (cont’d)
Properties Fungsi Unit Impuls Diskret:
25
Latihan
Hitung persamaan dibawah:
10 10 ∞
∑ nu[n] + ∑ ∑ nδ [n − 2k ]
n = −∞ n = −∞ k = 0
10
∫ t (u(t ) + δ (t − 15))dt
−∞
26
Signals Sebagai Fungsi Step
x(t) y(t)
c 1
t t
a b - 1
1
z(t) w(t)
2
1
1 t t
- - - 1
1 2 1
2
27
Signals Sebagai Fungsi Step (cont’d)
x[n]
1
n
-1 1 … N
y[n]
1
n
… -3 -2 -1 1 2 3 4 5…
28
Operasi-operasi Dasar
Operasi terhadap Sumbu Waktu
b b
f (± at ± b) = f ± a t ± f (± an ± b) = f ± a n ±
a a
Pergeseran sumbu waktu
X(t+t0) geser ke kiri sejauh t0
X(t-t0) geser ke kanan sejauh t0
Pencerminan
X(-t) pencerminan terhadap sumbu vertikal
Penskalaan
A.x(t)
30
EE2423
SINYAL & SISTEM
SISTEM
TEAM DOSEN
31
Outline (bagian 1)
Definisi Sistem
Interkoneksi Sistem
Klasifikasi Sistem :
Sistem Memory vs. Memoryless
Kausalitas
Stability and Invertibility
Linearity
Time-Invariance
Superposisi pada Sistem LTI
32
Definisi Sistem
Sistem: Black box yang memetakan sinyal input menjadi sinyal
output.
Sistem Waktu Diskret: y[n] = H[x(n)]
x[n] y[n]
H
33
Interkonneksi Sistem
Hubungan serial (Cascade): y(t) = H2( H1( x(t) ) )
x(t) y(t)
H1 H2
H1
x(t) y(t)
+
H2
34
Interkonneksi Sistem(cont’d)
Hubungan Feedback : y(t) = H2( y(t) ) + H1( x(t) )
x(t) y(t)
+ H1
H2
35
Sistem Memory vs. Memoryless
Sistem Memoryless (static): Output sistem y(t) bergantung hanya
pada intput pada waktu t,
y(t) adalah fungsi x(t)
36
Sistem Memory vs. Memoryless
Contoh:Tentukan apakah dibawah ini sistem bermemori atau tak bermemori
resistor: y(t) = R x(t)
t
1
capacitor: y (t ) = ∫ x(τ )dτ
C −∞
satu unit delayer: y[n] = x[n-1]
accumulator:
n
y[n] = ∑ x[k ]
k = −∞
37
Kausalitas
Sistem kausal jika keluaran pada saat n=n0 hanya bergantung
pada harga-harga dari masukan n≤n0 (sebelumnya dan
sekarang), dengan kata lain h(n)=0 untuk n<0.
h(n) = respon impuls
Sistem yang dapat direalisasikan harus kausal
38
Stabilitas dan Invertibilitas
Stabilitas: Sistem stabil jika memberikan keluaran terbatas untuk masukan yang
terbatas (bounded-input/bounded-output)-BIBO.
t
y (t ) = ∫ x(t )dt y[ n] = 100 x[ n]
0
39
Stabilitas dan Invertibilitas
Invertibilitas: Sistem invertible jika input yang berbeda menghasilkan output yang
berbeda. Jika sistem invertible,maka ada sistem “inverse” yang dapat mengkonversi
output asli sistem menjadi input asli sistem.
Contoh:
40
Stabilitas dan Invertibilitas
Contoh:
t
y (t ) = ∫ x(t )dt
n
y (t ) = 4 x(t ) y[n] = ∑ x[k ]
−∞
k = −∞
1 dy (t )
w(t ) = y (t ) w[ n ] = y [ n ] − y[ n − 1] w(t ) =
4 dt
41
Linearitas
Sistem linier jika memenuhi sifat:
additivitas: x(t) = x1(t) + x2(t) y(t) = y1(t) + y2(t)
homogeneitas (atau scaling): x(t) = a x1(t) y(t) = a y1(t), dengan a
konstanta complex.
42
Linearitas
y (t ) = x 2 (t )
y[n] = nx[n]
y (t ) = x(t ) cos(ωt )
43
Time-Invariance
Sistem time-invariant jika delay (time-shift) pada sinyal input
menyebebkan delay yang sama besar (time-shift) pada sinyal ouput.
y[n] = nx[ n]
y (t ) = x(2t )
y (t ) = sin x(t )
44
Superposisi dalam Sistem LTI
Dalam sistem LTI:
Respons sistem y(t) untuk sinyal input x(t)
Sangat mungkin menggambarkan respons sistem untuk sejumlah
sinyal input x1(t) yang dapat diperoleh dengan “scaling” atau “time-
shifting” dari sinyal input x(t),
contoh :
45
Superposisi in Sistem LTI (cont’d)
Latihan: Diberikan respon y(t) pada sistem LTI untuk sinyal input x(t) di bawah, carilah
response sistem untuk sinyal input x1(t) dan x2(t).
x(t) y(t)
2
1
t t
1 -1 1
46
Superposisi in Sistem LTI (cont’d)
Latihan: Diberikan respon y(t) pada sistem LTI untuk sinyal input x(t) di bawah, carilah
response sistem untuk sinyal input x1(t) dan x2(t).
x1(t) x2(t) 4
2
2
1 3 t
-1
-1/2 1/2 1
t
47
EE2423
SINYAL & SISTEM
KONVOLUSI
TEAM DOSEN
48
Outline (bagian 2)
Representasi Sinyal sebagai Impuls
Response Impulse
Penurunan Konvolution Jumlah
Arti Konvolusi
Metoda Konvolusi Dua Sinyal
Penurunan Konvolusi Integral
49
Representasi Sinyal sebagai Impuls
Kita dapat merepresentasikan berbagai sinyal melalui
pen-sampling-an dengan unit impulse tergeser:
∞
x[n] = ∑ x[k ]δ [n − k ]
k = −∞
50
Response Impuls
Respons dari sistem ketika sinyal input adalah unit impulse δ(t)
disebut sebagai respons impulse, dan direpresentasikan oleh h(t).
Pada SWK : h(t) = H(δ(t))
51
Penurunan Konvolution Jumlah
Pada SWD LTI, misal h[n] adalah respons impuls dari sistem H.
signal x[n] sebagai masukan H.
tulis x[n] dalam bentuk representasi unit impulses:
∞
x[n] = ∑ x[k ]δ [n − k ]
k = −∞
∞
y[n] = H [ x[n]] = H ∑ x[k ]δ [n − k ]
k = −∞
52
Penurunan Konvolution Jumlah (cont’d)
Karena additivitas pada sistem LTI :
∞
y[n] = ∑ H [ x[k ]δ [n − k ]]
k =pada
−∞ sistem LTI :
Karena homogenitas
∞
y[n] = ∑ x[k ]H [δ [n − k ]]
k = −∞
Karena time-invariance pada sistem LTI:
∞
y[n] = ∑ x[k ]h[n − k ]
k = −∞
53
Arti Konvolusi
∞
Persamaan y[n] = ∑ x[k ]h[n − k ]disebut sebagai konvolusi jumlah
k = −∞
(convolution sum) atau superposition sum, dan direpresentasikan oleh:
54
Penurunan Konvolusi Integral
Pada sistem waktu kontinyu LTI H, misal h(t) adalah respons impulse
sistem.
signal x(t) sebagai masukan H.
Tulis “staircase approximation” untuk x(t) dalam bentuk unit impulse:
∞
xˆ (t ) = ∑ x[k∆]δ
k = −∞
∆ (t − k∆)∆
dimana .
1
,0 ≤ t < ∆
δ ∆ (t ) = ∆
0 , t lain
55
Penurunan Konvolusi Integral (cont’d)
Maka, sinyal output signal y(t) menjadi :
∞
yˆ (t ) = H ( xˆ (t )) = H ∑ x[k∆]δ ∆ (t − k∆)∆
k = −∞
Karena additivitas pada sistem LTI :
∞
yˆ (t ) = ∑ H ( x[k∆]δ
k = −∞
∆ (t − k∆)∆ )
Karena homogenitas pada sistem LTI :
∞
yˆ (t ) = ∑ x[k∆]H ( δ
k = −∞
∆ (t − k∆) ) ∆
56
Penurunan Konvolusi Integral (cont’d)
Karena time-invariance pada sistem LTI :
∞
yˆ (t ) = ∑ x[ k
k = −∞
∆ ]hˆ(t − k∆)∆
57
Pada kasus ∆ → 0 diatas penjumlahan didekati
konvolusi integral dibawah:
∞
y (t ) = lim yˆ (t ) = lim
∆ →0 ∆ →0
∑ x[k∆]hˆ(t − k∆)∆
k = −∞
∞
y (t ) = ∫ x(τ )h(t − τ )dτ
−∞
y (t ) = x(t ) * h(t )
58
Latihan
59
Sifat-sifat Konvolusi
Properties of Convolution
Causality
Step Response
Exercises
60
Sifat-sifat Konvolusi
Commutative Property:
x[n]*y[n]=y[n]*x[n]
x(t)*y(t)=y(t)*x(t)
Distributive Property:
x[n]*(y1[n] + y2[n])=x[n]*y1[n] + x[n]*y2[n]
x(t)*(y1(t) + y2(t))=x(t)*y1(t) + x(t)*y2(t)
Associative Property:
x[n]*(y1[n]*y2[n])=(x[n]*y1[n])*y2[n]
x(t)*(y1(t)*y2(t))=(x(t)*y1(t))*y2(t)
61
Causality
Sistem kausal jika output hanya bergantung hanya pada
sinyal input saat ini dan sebelumnya.
Sistem LTI Kausal:
∞
y[n] = ∑ x[k ]h[n − k ]
k = −∞
Karena kausalitas h[n-k] harus nol untuk k>n.
Shg, n-k<0 untuk sistem LTI kausal.
Maka h[n]=0 untuk n<0.
62
Causality (cont’d)
Maka konvolusi jumlah untuk sistem LTI kausalmenjadi:
n ∞
y[n] = ∑ x[k ]h[n − k ] = ∑ h[k ]x[n − k ]
k = −∞ k =0
Maka jika sistem kausal, respons impulse nol untuk nilai waktu negatif
dan gunakan persamaan konvolusi yang lebih sederhana seperti di atas
63
Step Response
Unit Step Response: Keluaran sistem ketika diberikan masukan
sinyal step.
Direpresentasikan oleh oleh s[n] atau s(t).
Seluruh karakteristiknya pada sistem LTI serupa dengan Respons
Unit Impulse.
64
Step Response dan Impulse Response
Hubungan Respons Step dan Respons Impulse:
n
s[n] = ∑ h[k ]
k = −∞
h[n] = s[n] − s[ n − 1]
t
s (t ) = ∫ h(τ )dτ
−∞
ds (t )
h(t ) = = s ' (t )
dt
Exercise: buktikan hubungan persamaan di atas.
65
EE2423
SINYAL & SISTEM
Pencuplikan (Sampling)
TEAM DOSEN
66
Outline
Teorema Pencuplikan
Pencuplikan Ideal (Rentetan Impulse)
Rekonstruksi dengan Interpolasi
Efek Under-sampling: Aliasing
Latihan
67
Teorema Pencuplikan (Sampling Theorem)
Sampling adalah suatu proses mengubah sinyal kontinu menjadi
sinyal diskrit; sedangkan rekonstruksi adalah proses sebaliknya
Sampling Theorem: Suatu sinyal waktu kontinu, x(t) dapat
direkonstruksi secara unik dari cuplikannya, xs(t), jika dipenuhi
dua kondisi:
1. x(t) harus memiliki pita terbatas dengan frekuensi maximum
ωM
Contoh :
Apkh x(t)=e-30tu(t) band-limited, maksudnya, apkh
|X(ω)|=0 for |ω|>ωM? Why or why not?
Apkh x(t)=sinc(t) band -limited? Why or why not?
68
Teorema Pencuplikan (Sampling Theorem)
1. x(t) harus memiliki pita terbatas dengan
frekuensi maximum ωM
Contoh :
Apkh x(t)=e-30tu(t) band-limited, maksudnya, apkh
|X(ω)|=0 for |ω|>ωM? Why or why not?
Apkh x(t)=sinc(t) band -limited? Why or why
not?
69
Sampling Theorem (continued)
2. Sampling frequency ωs dari xs(t) harus lebih besar sama
dengan 2ωM, atau ωs ≥ 2ωM.
Kondisi kedua ini dikenal sbg Kriteria Nyquist
ωs disebut Frekuensi Nyquist yaitu sampling frequency
(Frekuensi pencuplikan) terkecil yang mungkin agar dapat
diperoleh kembali sinyal analog asli dari hasil cuplikannya
70
Pencuplikan Ideal (Rentetan Impulse)
Pencuplikan sinyal waktu kontinu x(t) dpt dilakukan dgn
mendapatkan nilai-nilainya pada waktu-waktu periodik x(kT) dimana
T is the sampling period.
Idealnya dapat dilakukan dg mengalikan x(t) dengan rentetan impuls
yang punya periode T:
xs (t ) = x(t ) p (t )
∞
p (t ) = ∑ δ (t − kT )
k = −∞
Dari sifat sampling:
∞
xs (t ) = ∑ x(kT )δ (t − kT )
k = −∞
71
Pencuplikan Ideal (Rentetan Impulse)
Dari sifat multiplikasi diketahui :
+∞
1
X s ( jω ) =
Dan 2π ∫ X ( jθ ) P( j(ω − θ ))dθ
−∞
2π +∞
P ( jω) =
T
∑δ (ω − kω )
k =−∞
s
72
Pencuplikan Ideal (cont)
-ωM ωM
73
74
Pencuplikan Ideal (cont’d)
75
Pencuplikan Ideal (cont’d)
76
Rekonstruksi dengan Interpolasi
Suatu samples (cuplikan) xs(t) dari sebuah sinyal analog x(t) dilewatkan melalui
LPF ideal denganfrekuensi cutoff ωc=ωs/2.
Bagaimana bentuk korespondensi time-domain untuk operasi ini?
Operasi disebut interpolasi band-limited
77
Carilah rumus interpolasi utk mendapatkan xr(t).
Similarly, obtain the two easier-to-implement
interpolation formulas for xr(t) by using
Zero-Order-Hold
First-Order-Hold (Linear Interpolation)
78
Aliasing (Under-sampling)
Apa yg terjadi bila frekuensi sampling lebih kecil dari Frekuensi
Nyquist, ωs<2ωM ?
Sinyal asli x(t) tak bisa diperoleh dari xs(t) krn ada “overlap” yang
tak diinginkan di Xs(ω).
Akibatnya sinyal hasil rekonstruksi l xr(t) berbeda dengan x(t),
dan disebut sebagai aliasing atau under-sampling.
79
Latihan: Utk x(t)=cos(ωMt), cupliklah dgn
frekuensi:
ωs=3ωM
ωs=3ωM/2
ωs=ωM
(a) Gambarkan sinyal cuplikanl xs(t) dan its
spektrum frekuensinya.
(b) Jika terjadi aliasing , brpkh frekuensi
maximum dari aliasing.
80
EE2423
SINYAL & SISTEM
TEAM DOSEN
81
Deret Fourier Waktu Kontinu (DFWK)
T
2
a k = ⋅ ∫ s(t) ⋅ cos(k Ω t) dt
T 0
T
2
- b k = ⋅ ∫ s(t) ⋅ sin(k Ω t) dt
T 0
82
Deret Fourier Waktu Kontinu (DFWK)
Deret Fourier Bentuk Eksponensial Kompleks
DFS defined as:
s
ysi
al 1
t 0 +T Ωt Bentuk ini lebih memberikan
n − jk
a ck =
T ∫ x(t) ⋅ e T
dt banyak informasi, karena
t0 koefisien Fourier dinyatakan
s secara eksplisit
esi
nth ∞ Ωt
sy jk
x(t) = ∑c
k =- ∞
k ⋅e T
z=re
jθ
r r = a2 + b2
Link to FS real coeffs. b
θ θ = arctan(b/a)
c 0 = a0 a
1 1
ck = ⋅ ( ak + j ⋅ bk ) = ⋅ ( a −k − j ⋅ b −k )
2 2
83
Spektral Fourier
1.5
2π
square signal, sw(t)
0.5 rk
0 4/π
e
0 2 4 6 8 10
t
ud
-0.5
it
4/3π
pl
-1
am
-1.5 θk f1 3f1 5f1 7f1 f
e
as
ph
84
DFWD
Diskret square wave.
e
ud
s[n]
it
1 ck
pl
am
-5 0 1 2 3 4 5 6 7 8 9 10 n
0 L N 0 1 2 3 4 5 6 7 8 9 10 k
θk
e
as
ph
0 2 4 5 6 7 8 9 10 n
85
Fourier analysis - tools
2.5
1.5
T
1
Periodic c k = ⋅ ∫ x(t) ⋅ e − j k Ωt dt
0.5
FS Discrete
0
0 1 2 3 4 5 6 7 8
time, t T 0
(period T)
2.5 Continuous − j2 π f t
+∞
FT X(f) = ∫ x(t) ⋅ e
2
1.5
Aperiodic Continuous dt
1 −∞
0.5
0
0 2 4 6 8 10 12
time, t
2πkn
DFS** Discrete
N −1
~c = 1
2.5
−j
∑ x[n] ⋅ e N
2
Periodic k
1.5
0.5
N n =0
0
0 1 2 3
time, tk
4 5 6 7 8
(period T)
+∞
Discrete X(f) = ∑ x[n] ⋅ e − j2 π f n
2.5 DTFT Continuous n = −∞
Aperiodic
2
1.5
DFT** Discrete
1
N −1 2πkn
~c = 1 −j
∑ ⋅
0.5
0
k x[n] e N
time, tk N n =0
0 2 4 6 8 10 12
x(t ) ↔ ak
y (t ) ↔ bk
Linearity:
z (t ) = Ax(t ) + By (t ) ↔ Aak + Bbk
Time-Shifting: z (t ) = x(t − t0 ) ↔ ak e − jω 0t0
88
Sifat-sifat Deret Fourier (cont’d)
Differentiation:
dx(t )
z (t ) = ↔ jkω 0 ak
Integration: t dt
1
z (t ) = ∫ x(t )dt ↔ a k , a0 = 0
Dekomposisi Genap-Ganjil dari
− ∞ Sinyal Real:
jkω 0
z (t ) = Even{x(t )} ↔ ℜe{ak }
z (t ) = Odd{x(t )} ↔ jℑm{ak }
Multiplication:
∞
z (t ) = x(t ) y (t ) ↔ ak * bk = ∑a b
l = −∞
l k −l
89
Tabel FS properties
Time Frequency
Homogeneity a·s(t) a·S(k)
TEAM DOSEN
91
Outline
Time Domain vs. Frequency Domain
Hubungan Deret Fourier dan Transform Fourier
Sifat-sifat Fourier Transform
Exercises
92
Time Domain vs. Frequency Domain
Analisis Fourier (Deret atau Transform) merupakan jalan untuk menentukan kandungan
frequency dari sinyal yang diberikan, yakni memindahkan dari domain waktu ke domain
frequency.
Selalu mungkin untuk mengembalikan dari domain frequency ke domain waktu, melalui
Penjumlahan Deret Fourier atau Inverse Fourier Transform.
Diberikan sinyal x(t) dalam domain waktu, koefisien Fouriernya (a k) or Fourier
Transform-nya (X(ω)) disebut “frequency (or line) spectrum”.
Jika ak atau X(ω) complex, maka frequency spectrum dinyatakan dengan magnitude (|ak|
atau |X(ω)|) dan phase (∠ak atau ∠X(ω))
X (ω ) = Ae jθ
X (ω ) = A ∠X (ω ) = θ
93
Hubungan Deret dan Transform Fourier
Perhatikan sinyal periodik x(t):
x(t)
t
-T -T1 0 T1 T
Kita dapatkan koefisien Fourier x(t) adalah:
2T1
T , k =0
ak =
sin( kω 0T1 ) k ≠0
kπ
94
Hubungan Deret dan Transform Fourier
Sketch ak on the k-axis:
ak
2T1/T
k
-2 -1 0 1 2
95
Hubungan Deret dan Transform Fourier
(cont’d)
Sekarang, sket ak on ω-axis:
ak
2T1/T
ω
-2ω0 -ω0 0 ω0 2ω0
Pada ω-axis, jarak antara dua aks yang berurutan adalah ω0=2π/T,
frekuensi fundamental.
96
Hubungan Deret dan Transform Fourier
(cont’d)
Pada perioda T∝, frekuensi fundamental ω00. Sehingga, jarak antara dua
aks yang berurutan menjadi nol, dan sket ak menjadi kontinu, ini disebut
Transform Fourier.
Pada sisi lain, saat T∝, sinyal x(t) menjadi aperiodik dan mempunyai
bentuk :
x(t)
t
-T1 0 T1
∞
x(t) = ∑ X[k ] ⋅ e
k =-∞
j 2π ( ∆f ) t
∞ 1 t 0 +TF
j 2 π ( ∆f ) t
x(t) = ∑ ∫ x(τ ) ⋅ e
− j 2π ( k∆f )τ
dτ ⋅ e
TF
k =- ∞ t0
98
Transform Fourier Waktu Kontinu
∞ TF / 2 j2π ( ∆f ) t
x(t) = ∑ ∫ x(τ ) ⋅ e − j 2π ( k∆f )τ
dτ ⋅ e ∆f
k =-∞
−TF / 2
∞ TF / 2 j 2 π ( ∆f ) t
x(t) = lim ∑ ∫ x(τ ) ⋅ e − j 2π ( k∆f )τ
dτ ⋅ e ∆f
TF →∞
k =-∞
−TF / 2
∞
∞
x(t) = ∫ ∫ x(τ ) ⋅ e − j 2πfτ dτ ⋅ e j2πf t df
− ∞ − ∞
99
Transform Fourier Waktu Kontinu
Jadi Persamaan Transformasi Fourier Waktu Kontinyu
s
ysi
al
∞
n
∫
− j 2πft
a X(f) = F ( x(t )) = x(t ) ⋅ e dt
−∞
sis
t he ∞
yn
s x(t) = F ( X ( f )) = ∫ X( f ) ⋅ e j2πft df
−1
−∞
100
Transform Fourier Waktu Kontinu
Bentuk lain Persamaan TFWK
s
ysi
nal ∞
∫
a − j Ωt
X(Ω) = F ( x(t )) = x(t ) ⋅ e dt
−∞
s
esi
nth ∞
sy x(t) = F −1 ( X (Ω)) =
1
∫ X(Ω) ⋅ e
jΩt
dΩ
2π −∞
101
Konvergensi TFWK
Samahalnya dengan Deret Fourier, kondisi konvergen
Diterapkan untuk Fourier Transform:
Sinyal harus absolutely integrable
∞
∫ x(t ) dt < ∞
−∞
Pada interval waktu terbatas, sinyal haruslah memiliki maxima and
minima berhingga
Pada interval waktu terbatas, sinyal haruslah memiliki jumlah
diskontinu berhingga.
102
103
Sifat-sifat TFWK
Linearity:
ax(t ) + by (t ) ↔ aX (ω ) + bY (ω )
x(t − t0 ) ↔ e − jωt0 X (ω )
Time-Shifting:
x(−t ) ↔ X (−ω )
Time-Flip: dx(t ) / dt ↔ jωX (ω )
Differentiation in Time:
t
Integration in Time: 1
∫−∞x(t )dt ↔ jω X (ω ) + πX (0)δ (ω )
104
Sifat-sifat TFWK (cont’d)
Frequency-Shifting:
e jω 0t x(t ) ↔ X (ω − ω 0 )
Differentiation in Frequency:
tx(t ) ↔ jdX (ω ) / dω
y (t ) = e −t −1 + te 2t + 2e 2t
105
Pasangan TF
106
Pasangan TF
107
Latihan
Dengan menggunakan Sifat-sifat Transformasi Fourier, Hitunglah
Transformasi Fourier sinyal di bawah ini:
x(t)
x(t ) = u (t )
t
-3 -2 0 2 3
x(t)
A
t
-A 0 A
-A
108
Transformasi Fourier pada Sinyal Periodik
Beberapa sinyal periodik, integral Transformasi Fourier mungkin tidak dapat
menyelesaikannya. Namun, ada cara yang mudah untuk menentukan
Transformasi Fourier pada sinyal periodik:
Untuk sinyal periodik x(t), Deret Fourier :
∞
1
x(t ) = ∑a e
k = −∞
k
jkω0t
dimana ak = ∫ x(t ).e − jkω 0t dt
TT
Maka, Transformasi Fourier x(t) adalah:
∞
X (ω ) = ∑ 2πa δ (ω − kω
k 0 )
k = −∞
merupakan deretan impulse dengan magnituda 2πak, dimana ω0 adalah frekuensi
fundamental dari x(t).
109
Inverse Fourier Transform
Kita dapat merekonstruksi sinyal asli x(t) jika diberikan frequency
content, yakni Transformasi Fourier.
Sehingga, Jika diketahui Transformasi Fourier X() dari sinyal x(t),
sinyal x(t) dapat dihitung melalui persamaan Inverse Fourier :
∞
1
∫
jω t
x(t ) = X (ω ) e dω
2π −∞
110
Respons Frequency
Sepertihalnya Respons Impuls h(t) pada sistem LTI, frequency response H(ω) pada
sistem LTI merupakan karakteristik perilaku sistem.
Hubungan antara h(t) dan H(ω) secara sederhana:
∞
h(t ) ↔ H (ω ) = ∫ h(t )e − jωt dω
−∞
Hal ini berguna ketika kita mencari output sistem LTI saat diberi input:
111
Konvolution dan Perkalian
Konvolusi dalam domain waktu koresponden dengan
perkalian dalam domain frekuensi:
x(t ) * y (t ) ↔ X (ω )Y (ω )
Demikain halnya, perkalian dalam domain waktu
koresponden dengan konvolusi dalam domain frequensi:
∞
1 1
x(t ) y (t ) ↔
2π
X (ω ) * Y (ω ) =
2π ∫ X (θ )Y (ω − θ )dθ
−∞
112
EE2423
SINYAL & SISTEM
ANALIS FOURIER SINYAL WAKTU DISKRIT
TEAM DOSEN
113
Deret Fourier Sinyal Waktu Diskrit
Tujuan :
Memindahkan sinyal waktu diskrit ke kawasan frekuensi
DFWD
Sinyal periodik Spektral Diskrit
TFWD
Sinyal aperiodik Spektral Kontinu
114
DERET FOURIER WAKTU DISKRIT
Bentuk Trigonometri
Sinyal periodik x(n) dengan perioda
x(n) = x(n+N)
Sinyal periodik bentuk sinusoida
x(n) = an cos (2πn/N)
x(n) = bn sin (2πn/N)
Frekuensi sudut sinyal periodik
ω ≡ 2πn/N radian
115
DERET FOURIER WAKTU DISKRIT
DFWD
∞
x(n) = a0 + ∑ (ak cos kω0t + bk sin kω0t )
k =1
∞
x(t ) = a 0 + ∑ (a n cos nΩ 0 t + bn sin nΩ 0 t )
n =1
116
DERET FOURIER WAKTU DISKRIT
Bentuk Eksponensial
N −1
x ( n) = ∑ a k e jkω0 n
n = 0,±1,±2,...
k =0
N −1
1
a(k ) =
N
∑ x ( n )e
n =0
− jkω0 n
k = 0,1,2,..., N − 1
117
DERET FOURIER WAKTU DISKRIT
Jika
2π 2πk
j j
wN ≅ e N
maka w Nk = e N
Jadi
N −1
x(n) = ∑ a k wN kn n = 0,±1,±2,...
k =0
N −1
1
ak =
N
∑ x
n =0
( n ) w N
− kn
k = 0,1,2,..., N − 1
118
DERET FOURIER WAKTU DISKRIT
Bentuk DFWD cukup dianalisis 1 periode dari N=0 s/d N-
1 karena sifat ekponensial
N
2πk
[e ]
jkω0 N
= e
j
N
=e
j 2πk
=1
dimana k=integer sejumlah N dai 0 s/d N-1
119
DERET FOURIER WAKTU DISKRIT
Untuk N=8 Integer k juga
merepresentasikan frekuensi
sudut ω0
Jadi ak merepresentasikan
spektral SWD
120
DERET FOURIER WAKTU DISKRIT
Latihan
Gambarkan koefisien fourier diskrit dari SWD dgn perioda 8
sbb:
x(n)
7 n
0 1
121
DERET FOURIER WAKTU DISKRIT
Respon Steady State thd bbrp input sinusoida
Cari Lq (operator q)
Respon steady state input ekponensial x(n) = Ae jω0n
N ( q)
y ss (n) = x ( n ) q = e jω 0
D( q )
122
KONVERGENSI DERET FOURIER
Suatu sinyal periodik tidak dapat direpresentasikan sebagai deret
Fourier jika :
Sinyal tidak dapat diintegralkan secara absolut pada setiap periode
Dalam setiap interval waktu yang terbatas, sinyal mempunyai variasi
yang tidak terbatas
Dalam setiap interval waktu terbatas , sinyal mempunyai jumlah
diskontiniu yang tak terbatas.
Akan tetapi sinyal yang demikian adalah sinyal yang tidak
realistik, sehingga konvergensi bukan merupakan hal yang
penting dalam hal ini.
123
SIFAT-SIFAT DERET FOURIER
Dua sinyal periodik dgn periode N dan
fundamental frequency ω0=2π/N:
x ( n ) ↔ ak
y (n) ↔ bk
Linearitas:
124
SIFAT-SIFAT DERET FOURIER
Pergeseran Waktu:
− jkω0 n0
z (n) = x(n − n0 ) ↔ ak e
Time-Reversal (Flip):
z ( n ) = x ( − n) ↔ a− k
125
SIFAT-SIFAT DERET FOURIER
Penskalaan Waktu:
z ( n) = x (αn) ↔α ak
Differensiasi Pertama:
− jkω0
z (n) = x(n) − x(n − 1) ↔ (1 − e )a k
126
SIFAT-SIFAT DERET FOURIER
Konvolusi Periodik:
∑ x(r ) y(n − r ) ↔ Na b
r =( N )
k k
Perkalian:
z ( n) = x ( n) y ( n) ↔ ∑a b
i =( N )
l k −l
127
SIFAT-SIFAT DERET FOURIER
Even-Odd Decomposition of Real Signals:
128
LATIHAN SOAL
Cari koefisien Fourier untuk deret periodik x[n] pada Fig. 6-
7.
129
LATIHAN SOAL
Cari representasi Deret Fourier Waktu Diskrit dari
masing-masing deret berikut:
130
TIME DOMAIN vs. FREQUENCY
DOMAIN
Analisa Fourier (Deret atau Transformasi) adalah cara
mendapatkan content frekuensi dari sinyal, antara lain
berpindah dari time-domain ke frequency domain.
131
KONVERGENSI TRANSFORMASI
FOURIER
Sama dengan Deret Fourier, maka suatu sinyal aperiodik
dapat diTransformasi Fourier jika :
Sinyal dapat diintegralkan secara absolut pada setiap periode
Dalam setiap interval waktu yang terbatas, sinyal mempunyai
variasi yang terbatas
Dalam setiap interval waktu terbatas , sinyal mempunyai
jumlah diskontiniu yang terbatas.
132
TRANSFORMASI FOURIER WAKTU
DISKRIT
Digunakan jika sinyal waktu diskrit tidak periodik atau
merupakan deretan terbatas
Dengan TFWD dapat ditentukan spektral diskritnya
TFWD diturunkan dari DFWD dimana periodanya menuju
tak terhingga
133
TRANSFORMASI FOURIER WAKTU
DISKRIT
TFWD
∞
X ( Ω) = ∑ x ( n )e − jΩn
n = −∞
2π
1
x( n ) = ∫ X ( Ω) e
jΩn
2π 0
134
SIFAT-SIFAT TRANSFORMASI
FOURIER WAKTU DISKRIT
- Periodik
Linieritas
Pergeseran waktu dan frekuensi
Penskalaan waktu dan frekuensi
Differensiasi dan penjumlahan
Teorema Parseval
Konvolusi
Konvolusi Periodik
135
SIFAT-SIFAT TRANSFORMASI FOURIER
WAKTU DISKRIT
Periodisitas
Transformasi Fourier Waktu Diskrit selalu
periodik dalam ω dengan periode 2π
X (e j ( ω + 2π )
) = X (e jω
)
136
SIFAT-SIFAT TRANSFORMASI FOURIER
WAKTU DISKRIT
Linieritas
Jika
Dan [ ]
x1 [ n] ↔ X 1 e jω
x 2 [ n] ↔ X 2 [e ]
jω
maka
( ) + bX ( e )
ax1 [ n] + bx2 [ n] ↔ aX 1 e jω
2
jω
137
SIFAT-SIFAT TRANSFORMASI
FOURIER WAKTU DISKRIT
Pergeseran Waktu
jika
maka x[ n] ↔ X e( )jω
x[ n − n0 ] ↔ e − jωn0
( )
X e jω
138
SIFAT-SIFAT TRANSFORMASI
FOURIER WAKTU DISKRIT
Pergeseran Frekuensi
jika
( )
maka
x[ n] ↔ X e jω
e jωn0
(
x[ n ] ↔ X e j (ω−ω0 )
)
139
SIFAT-SIFAT TRANSFORMASI
FOURIER WAKTU DISKRIT
Differencing
(
x[ n] − x[ n − 1] ↔ 1 − e − jω
) X (e )
jω
Time Reversal
x[ − n ] ↔ X e( − jω
)
140
SIFAT-SIFAT TRANSFORMASI FOURIER
WAKTU DISKRIT
Differensiasi dalam
frekuensi
nx[ n] ↔ j
dX e ( ) jω
dω
Konjugasi
x [ n] ↔ X e
* *
( − jω
)
141
SIFAT-SIFAT TRANSFORMASI FOURIER
WAKTU DISKRIT
Relasi Parseval
∫π X ( e )
∞
1
∑ x[ n]
2 jω 2
= dω
n = −∞ 2π 2
142
SIFAT-SIFAT TRANSFORMASI
FOURIER WAKTU DISKRIT
Konvolusi
( ) ( )
x1 [ n] * x2 [ n] ↔ X 1 e jω X 2 e jω
Perkalian
X 1 ( e jω ) ⊗ X 2 ( e jω )
1
x1 [ n] x2 [ n] ↔
2π
143
LATIHAN SOAL
Cari Transformasi Fourier dari deretan pulsa rekatangular x [
n]=u[n]-u[n-N]
144
LATIHAN SOAL
Cari Transformasi Fourier dari deretan pulsa rekatangular
pada gambar dibawah ini
145
LATIHAN SOAL
Suatu sistem kausal LTI
146
LATIHAN SOAL
147
d. Gambarkan Respon Fasa
TRANSFORMASI FOURIER DISKRIT
Sinyal periodik Spektral Diskrit
DFWD
TFD
148
TRANSFORMASI FOURIER DISKRIT
Jadi TFD berguna untuk mentransformasikan sinyal aperiodik
ke spektrum diskrit
Jika TFD dianalisa dengan menggunakan DFWD sinyal dibuat
seolah-olah periodik
Jika TFD dianalisa dengan menggunakan TFWD
Hubungan TFD dengan TFWD
2πk
X ( k ) = X ( Ω ) Ω = 2π = X
N N
149
EE2423
SINYAL & SISTEM
TRANSFORMASI LAPLACE
TEAM DOSEN
150
Pada analisis transien, rangkaian selalu dihadapkan dengan
bilangan kompleks σ + jω. Sedangkan Transformasi Fourier
Waktu Kontinyu (TFWK) hanya bekerja dalam daerah ω
(kondisi steady sate).
151
Transformasi laplace Bilateral (TLB)
o ~
X(t) = (1/2π) ∫ X(Ω) ejΩt dΩ
-~
152
Definisikan suatu fungsi y(t) = e-σt x(t),dengan e-σt adalah faktor
konvergensi.
Maka TFWK dari y(t) :
∼ ∼
Y(Ω) = ∫ e-σt x(t) e-jΩt dt = ∫ x(t) e-(σ+jΩ)t dt
-∼ -∼
= X(σ+jΩ)
∼
Jadi X(σ+jΩ)= ∫ x(t) e-(σ+jΩ)t dt
-∼
= X(σ+jΩ)
153
∼
x(t) = (1/2Π) ∫ X(σ+jΩ) e-(σ+jΩ)t dΩ
-∼
Definisikan variabel frekuensi kompleks : s = σ+jΩ sehingga ds =
jdΩ dan dΩ = ds/j.
Maka :
∼
X(s) = ∫ x(t) e-st dt
-∼
∼
X(t) =(1/2Πj) ∫ X(s) est ds
-∼
Disebut Pasangan TLB
154
Notasi : X(s) = ₤ [x(t)]
x(t) = ₤-1[X(s)]
Konvergensi TLB : terintegrasi secara mutlak .
∼ 0 ∼
∫ │x(t) e-σt │dt = ∫ │x(t)│ e-σt dt + ∫│x(t)│ e-σt dt < ∼
-∼ -∼ 0
Konvergen Konvergen
Untuk σ > -2 Untuk σ < 1
Maka : X(s) = 3/(s+2) – 4/(s-1) konvergen untuk -2 < σ < 1
157
TRANSFORMASI LAPLACE SATU SISI [TLSS]
σ+jΩ
x(t) =(1/2Πj) ∫ X(s) est ds
σ-jΩ
∼
₤[δ(t)] = ∫ δ(t) e-st dt
0
159
b). Sinyal langkah satuan u(t)
∼
₤[u(t)] = ∫ u(t) e-st dt
0
₤[u(t)] = 1/s
160
c). Sinyal Ramp [t.u(t)]
∼
₤[t.u(t)] = ∫ t. u(t) e-st dt
0
Untuk t ≥ 0 maka t. u(t) = t
Sehingga :
∼
₤[t.u(t)] = ∫ t e-st dt
0
Ingat : ∼
∫ xn.e-st dx = (n!)/(an+1)
0
161
Dengan cara yang sama :
∼ ∼
₤[tn.u(t)] = ∫ tn. u(t) e-st dt = ∫ tn. e-st dt
0 0
₤[tn.u(t)] = n !/(sn+1)
₤[tn-1.u(t)/(n-1)!] = 1/sn
162
d) Sinyal Eksponensial
Bila f(t) = u(t) → F(s) = 1/s
Maka ₤[e-at.u(t)] = F(s+a)
163
Dengan cara yang sama :
Dan
164
e). Sinyal sinusoidal dan cosinusoidal
₤[sin Ωt u(t)] = ₤[u(t).(ejΩt – e-jΩt)/2j]
= (1/2j) {₤[ejΩt u(t)] – ₤ [e-jΩt u(t)]}
= (1/2j) [1/(s-jΩ) - 1/(s+jΩ)]
a). Linearitas
₤[a1 x2(t) + a2 x2(t)] = a1 X1(s) + a2 X2(s)
Contoh :
₤[cos Ωt] = ₤ [0,5 ejΩt + 0,5 e-jΩt] = 0,5 ₤ [ejΩt] + 0,5 ₤ [e-jΩt]
= 0,5[1/(s-jΩ)] + 0,5[1/(s+jΩ)]
= s/(s2 + Ω2)
₤[sin Ωt] = ₤ [0,5 ejΩt - 0,5 e-jΩt] = 0,5 ₤ [ejΩt] - 0,5 ₤ [e-jΩt]
= (0,5/j)[1/(s-jΩ)] + (0,5/j)[1/(s+jΩ)]
166 = Ω /(s2 + Ω2)
b). Pergeseran waktu
168
Contoh Soal
Tentukan transformasi Laplace dari fungsi sebagai berikut :
v(t) volt
90
0 10 30 t( μs)
170
c). Pergeseran Frekuensi
Bila y(t) = x(t) e-αt maka ₤[y(t)] = Y(s) = X(s+α) dimana X(s)
= ₤[x(t)]
Begitu pula :
₤[ e-αt cos Ωt u(t)] = (s+α)/[(s+α)2 + Ω2]
Juga :
₤[ e-αt sin Ωt u(t)] = Ω/[(s+α)2 + Ω2]
171
Contoh soal
172
d). Penskalaan Waktu dan frekuensi
173
e). Diferensiasi Waktu
∼
₤[dx(t)/dt] = ∫ e-st dx(t)/dt. dt
0
b b b
Ambil u = e-st dan dv = dx(t) serta ingat ∫u dv = uv - ∫ v.du │
a a a
du = -s e-st dt dan v = x(t) sehingga :
∼ ∼
₤[dx(t)/dt] = e-st x(t) │ + s ∫ x(t) e-st dt
0 0
174
Contoh soal
t ∼ t
Ingat ₤[∫f(t) dt] = ∫ [ ∫ f(t) dt] e-st dt
0 0 0
t
Ambil u = ∫ f(t) dt → du = f(t) dt
0
176
Contoh Soal
t
0,5 dv(t)/dt + 0,2 v(t) + 2 ∫ v(t) dt + 10 = 0,5 sin 10t u(t) Ampere.
0
Dengan v(0) = 20 volt
t
0,5₤[ dv(t)/dt] + 0,2 ₤[v(t)] + 2 ₤[∫dt] + 10 ₤[1] = 0,5 ₤[sin 10t u(t)]
0
0,5[sV(s) – v(0)] + 0,2 V(s) + (2/s) V(s) + 10 (1/s) = 0,5. 10/(s2+100)
0,5 [sV(s) – 20] + 0,2 V(s) + (2/s) V(s) + 10/s = 0,5. 10/(s2+100)
177
V(s) = 20 (s3 – s2 +100,5 s -100)/[(s2+100)(s2+0,4s+4)] volt.sec.
g). Periodisitas
Bila xp(t) adalah sinyal periodik dan x1(t) adalah sinyal periode pertama
dari xp(t) dan ₤[ x1(t)]= X1(s) maka :
179
h). Teorema Nilai Awal dan Nilai Akhir
Digunakan untuk memudahkan mencari solusi suatu kondisi awal ( t =0) dan kondisi akhir ( t = ∼)
dari suatu fungsi waktu melalui suatu fungsi frekuensi (s).
∼ ∼
limit ∫[(dx(t)/dt] e-st dt = ∫[(dx(t)/dt] = limit [dx(t)/dt] dt
s→0 0 0 t→∼
= limit [x(t) – x(0)]
t→∼
∼ ∼
Maka Y(s) = ₤[y(t)] = ∫ [ ∫ x1(τ) x2(t-τ) dτ] e-st dt
0 0
Ambil η = t – τ :
∼ ∼
Y(s) = ∫ x1(τ) [ ∫ x2(η) e-sη dη] e-sη dτ
0 0
182
Y(s) = X1(s). X2(s)
j). Perkalian dengan t
184
TRANSFORMASI RANGKAIAN
185
Transformasi Sumber Ideal
186
Sumber Tegangan Independen
187
Sumber Tegangan dikontrol Tegangan
k tak berdimensi
Sumber Arus dikontrol Arus
188
k tak berdimensi
Sumber Tegangan dikontrol Arus
k dalam ohm
Sumber Arus dikontrol Tegangan
189
Transformasi Elemen Pasif linear
190
Transformasi Resistor
191
Rangkaian di kawasan waktu dan di kawasan frekuensi (model impedansi dan model
admitansi) dapat ditunjukkan pada gambar berikut :
a). Rangkaian kawasan waktu b). Model Impedansi c). Model Admitansi
192
Transformasi Kapasitor
t
v(t) = (1/C) ∫ i(t) dt + v(t0)
t0
i(t) = C. d v(t)/dt
Transformasi Laplace :
193
Kondisi awal pada persamaan di atas bila dibuat = nol, maka :
V(s) = I(s)/(C.s)
I(s) = C.s.V(s)
194
a). Rangkaian Kapasitor di kawasan waktu b). Model Seri Kapasitor
c). Model Paralel Kapasitor
195
Contoh Soal
Tentukan model seri dan model paralel dari kapasitor 2,5 mikro
farad dengan tegangan awal 5 volt.
196
Solusi :
Rangkaian tersebut dalam kawasan waktu adalah sebagai berikut :
Impedansinya sebesar :
197
Impedansi tersebut diseri dengan sumber tegangan v(0)/s = 5/s V.sec
Sehingga dapat digambarkan model seri sebagai berikut :
198
Sehingga dapat digambarkan model paralel sebagai berikut :
199
Transformasi Induktor
t
i(t) = (1/L) ∫ v(t) dt + i(t0)
to
v(t) = L. d i(t)/dt
201
Contoh Soal
Solusi :
Rangkaian tersebut dalam kawasan waktu adalah sebagai berikut :
203
Contoh Soal Aplikasi
Diberikan rangkaian sebagai berikut :
204
Untuk t ≥ 0
205
Latihan :
Buat rangkaian transformasi dari rangkaian berikut ini :
206
Contoh Soal Aplikasi
Hitung dan gambarkan iL(t) dari rangkaian berikut ini :
Solusi :
Untuk t < 0
iL(o-) = 10/(450+50) = 20 mA
207
Untuk t ≥ 0
IL(s) = VT(s)/ ZT(s) = 250/[s(s + 62,5 . 103 )] + 0,02/( s + 62,5 .103 ) A .sec
210
Invers Transformasi Laplace Satu Sisi
Untuk mengembalikan dari spektrum (kawasan frekuensi) ke
kawasan waktu
X(s) → x(t)
σ+jΩ
x(t) ≡ (1/2jΠ) ∫ X(s) est ds
σ-jΩ
211
Dapat diselesaikan melalui definisi di atas atau melihat pasangan TLSS-
nya.
Sinyal T.Laplace
δ(t) 1
u(t) 1/s
(tne-at/n !) u(t) 1/[(s+a)n+1]
212
Pasangan TLSS-nya (lanjutan).
Sinyal T.Laplace
u(t)-2u(t-T0/2) + 2u(t-T0) (1/s) (1-e-sT0/2)/( 1+e-
- .... sT0/2)
(SinΩt - Ωt Cos Ωt) u(t) 2Ω3 / [s2 + Ω2]2
Contoh :
Diberikan fungsi rasional : X(s) = (2s + 1)/(s3 + 3s2 -4s)
Maka : A+B+C = 0
3A-B+4C = 2
-4A = 1→ A = 0,25
B+C = 0,25
-B+4C = 2,75
214 C= 3/5 = 0,6 dan B = -0,35
X(s) = -0,25/s – 0,35/(s+4) + 0,6/(s-1)
b). Ekspansi parsiil untuk akar D(s) simple
pole
Ak = (s-pk) X(s) │
s=pk
Contoh :
Untuk kasus sebelumnya : X(s) = A/s + B/(s+4) + C/(s-1) = (2s+1)/[s(s+4)(s-1)]
A = s X(s) │ = (2s+1)/[(s+4)(s-1)]│= -0,25
s=0 s=0
B = (s+4) X(s) │= (2s+1)/[s(s-1)] │ = -7/20 = -0,35
s=-4 s=-4
C = (s-1) X(s) │= (2s+1)/[s(s+4)] │= 3/5 = 0,6
s=1 s=1
Jadi :
X(s) = -0,25/s - 0,35/(s+4) + 0,6/(s-1)
215
x(t) = [-0,25 – 0,35 e-4t + 0,6 et] u(t)
c). Akar D(s) multiple pole-simple
Dimana :
A1,2 = (s-1)2 X(s)│ = (2s2-3s)/(s-2)(s-2) │= -1/(-1) = 1
s=1 s=1
A1,2 = (d/ds) [(2s2-3s)/(s-2)]│ = [(s-2)(4s-3) - (2s2-3s)]/(s-2)2 │= [(-1)1 – (-1)]/1 = 0
s=1 s=1
218
e). D(s) kompleks konjugate multiple pole
Contoh :
X(s) =[9s5+94s4+706s3+2628s2+4401s+3750]/[s(s+2)(s2+6s+25)2]
X(s)=A/s+B/(s+2)+(C+jD)/(s+3+j4)+(C-jD)/(s+3-j4)+(E+jF)/(s+3+j4)2+(E-jF)/(s+3-
j4)2
Dimana :
A = s. X(s) │ = 3
s=0
B = (s+2) X(s) │ = -2
s=-2
E+jF = [(s+3+j4)2 X(s)] │ = 4+j3
s=-3-j4
219 C+jD = (d/ds) [s+3+j4)2 X(s)] │ = 2+j3
s=-3-j4
Jadi :
X(s) = 3/s – 2/(s+2) + (2+j3)/(s+3+j4) + (2-j3)/(s+3-
j4)2+(4+j3)/(s+3+j4)+(4-j)/(s+3-j4)2
↕
x(t) = [3-2e-2t+(2+j3)e-(3+j4)t+(2-j3)e(-3+j4)t+(4+j3)te-(3+j4)t+(4-j3)te(-
3+j4)t
] u(t)
= [3-2e-2t+e-3t(4 cos4t+ 6 sin4t) +te-3t(8 cos4t + 6 sin4t)]
u(t)
220
f). Metode Grafis
Untuk mengevaluasi koefisien parsiil dari X(s) dengan cara menggambarkan vektor
diagram semua pole-zero sistem.
221
Contoh :
X(s) = 12(s+1)(s+4)/[s(s+2)(s+1+j2)(s+1-j2)]
= A/s + B/(s+2) + (C+jD)/(s+1+j2) + (C-jD)/(s+1-j2)
Gambar semua pole dan zero :
Kemudian evaluasi koefisien C-jD, berarti mengevaluasi ke vektor s+1-j2
(letak pole di s = -1+j2). Hitung semua jarak dari setiap pole dan zero yang
ada terhadap titik -1+j2. Didapat :
C-jD = 12 (√13 ∠33,7o)( 2∠90o)/[( 4∠90o)( √5∠153,4o)( √5∠26,6o)]
= 4,32∠-146,3o
= -3,6 – j2,4
C+jD = -3,6 + j 2,4
Dengan cara yang sama didapat :
A = [(12) (1) (4)]/[(2) (√5)(√5)] = 4,6
B = [(12) (1∠180o ) (2)]/[(2∠180o )(√5) (√5)] = 2,4
222
APLIKASI TLSS
223
a). Solusi Persamaan Diferensial
224
Contoh :
Contoh soal :
Cari respons impuls h(t) dari persamaan diferensial sistem berikut ini :
dy(t)/dt + 3y(t) = 2 x(t) + dx(t)/dt dengan y(0) = 0 dan x(0)= 0
Solusi :
₤ : sY(s) – y(0) + 3Y(s) = 2X(s) + s X(s) – x(0)
Y(s)[s+3] = X(s) [s+2]
H(s) = Y(s)/X(s)
= (s+2)/(s+3) = (s+3-1)/(s+3) = (s+3)/(s+3) – 1/(s+3)
= 1 – 1/(s+3)
227
c). Solusi Lengkap Rangkaian RLC
Telah dibahas lengkap di atas
228
d). Analisis Sistem Waktu Kontinyu
229
Respons steady state : Y(s) = H(s). X(s)
↕
y(t) = ₤-1 [H(s).X(s)]
Stabilitas Sistem SWK : H(s) = N(s)/D(s)
SWK stabil jika dan hanya jika :
a). Stabil dalam arti BIBO
b). Respons impuls secara mutlak terintegrasi
c). Limit h(t) = 0
t→∼
d). Akar riil D(s) < 0
e). Letak pole di sebelah kiri sumbu imajiner
230
Arigato Gozaimasu
231
EE2423
SINYAL & SISTEM
TRANSFORMASI Z
TEAM DOSEN
232
Pendahuluan
233
Definisi Transformasi Z
Jika diberikan sinyal x(n) untuk SWD, maka transformasi Fourier Waktu
Diskrit (TFWD) dari x(n) dinyatakan oleh :
~
F [ x(n) ] = x (e-jωn) = Σ x(n) e-jωn
-~
Transformasi Z dari sinyal atau deret waktu diskrit x(n) didefinisikan
sebagai :
~
TZ [ x(n) ] = X (z) = Σ x(n) z-n
-~
234
Contoh
x (n )
4
3
2 2
-2 3 4
-3 -1 0 1 2
-2
-4
-5
235
Secara matematis gambar diatas dapat dinyatakan sebagai :
X(z) = 2z3-5z2+3z1+4z-1+2z-2-4z-3-2z-4
236
Hubungan TZ dengan TFWD
237
yang dapat juga dituliskan sebagai :
~
238
Hubungan antara dua transformasi ini menunjukkan bahwa
TFWD merupakan TZ yang dievaluasi pada lingkaran satuan
dalam bidang z.
Definisi dapat diperluas :
~
239
Jadi bila mempunyai respons impuls sistem h(n), dapat dicari
H(z), kemudian z diganti dengan ejω didapat H (ejω) (Respons
Frekuensi).
240
Hubungan TZ dengan Transformasi
Laplace
241
Pemetaan antara bidang s dan bidang z
2/T
/T
0
-/T
Riil (s) Riil (z)
-2/T Lingkaran
satuan
242
Transformasi Z Satu Sisi (TZSS)
243
TZSS dari deretan x(n) didefinisikan sebagai :
~
X(z) = Σ x (n) z-n
-~
Untuk mempermudah notasi, TZSS dari deret x(n) dinotasikan
sebagai :
Z[x(n)] = X(z)
244
Pasangan TZSS
a. Deret Konstan
Jika diberikan deret konstan seperti berikut :
x(n) = A , n = 0, 1, 2, ...,~
TZ dari deret ini akan diberikan oleh :
~
= A/(1-z-1) = AZ/(z-1)
245
Dalam kasus khusus, dimana | r | < 1, maka penjumlahan dari
deret akan konvergen untuk n = ∞. Sehingga dalam kasus ini
dapat diperoleh :
~
246
Deret konstan dan TZ
Im a g ( z )
n R e (z )
- -
0 1 2 3 4 1
2 1
247
Satu hal lain yang menarik untuk diamati bahwa TZ dari
deret konstan mempunyai pole pada z = 1, dimana TL
dari fungsi unit step mempunyai pole pada s = 0
~
248
b. Deret Eksponensial
Diberikan deret x(n) = A. rn
249
untuk r > 1 ROC|rz-1|<1,maka |z|>|r| , ini berarti bahwa
ROC berada diluar lingkaran dengan jari-jari r dalam bidang
z
250
C. Sinyal Impuls
Sinyal impuls satuan waktu diskrit dirumuskan sebagai :
x(n) = 1 , untuk n = 0
= 0, untuk n lainnya
251
d. Deret Sinusoidal
TZ dari deretan x(n) = A cos βn dan x(n) = A
sin βn
252
Deret Cosinus dan pole zero TZ-nya
Im [z ]
lin g k a r a n
s a tu a n
β
n R e [z ]
253
Dengan cara yang sama :
Z[A sin βn] =Z[(Aejβn)/2 -(Ae-jβn)/2]
X(z) = Az sinβ]/[z2-2z cosβ +1]
|z| > 1
254
Im [z ]
lin g k a r a n
s a tu a n
β
n R e [z ]
255
Sifat-sifat TZSS
a. Linieritas
Jika X1(z)=Z[x1(n)] ROC R1 -<|z|< R1+;
X2(z)=Z[x2(n)] ROC R2-<|z|< R2+; dan X(z) = Z
[x(n)],
maka :
Z[α x1(n)+βx2(n)] = αX1(z) + β X2(z)
ROC dari hasilTZ ini diberikan oleh irisan ROC dari X1(z)
dan X2(z)
256
b. Penggeseran
Jika : X(z) = Z [x(n)],
maka : Z[x(n+1)] = zX(z) – zx(0)
257
c.Perkalian dengan n
Z[nx(n)] = -z dX(z)/dz
Bentuk umum :
258
d.Perkalian dengan rn
Jika : X(z) = Z [x(n)], maka :
Z[rnx(n)] = X(z/r)
e. Konvolusi
Jika X1(z) =Z [x1(n)]ROC R1- <|z| < R1+;
X2(z) =Z [x2(n)]ROC R2- <|z| < R2+;
~
Penerapan
utama dari sifat ini adalah untuk menentukan nilai awal
x(0) secara langsung dari X(z), tanpa melakuakn evaluasi
inverse TZ.
260
g.Teorema Nilai Akhir
261
Invers TZSS
Maka :
x (n) = an untuk n=0,1,2,…
262
b. Ekspansi Pecahan Parsial
Gagasan dibalik metode ini adalah mirip dengan yang
digunakan untuk mendapatkan invers TL.
X(z) diekspresikan sebagai fungsi rasional dari z, sehingga
merupakan perbandingan dari dua polynomial di dalam
z, invers transformasi Z didapat menggunakan
pendekatan partial fraction expansions
263
Pasangan TZ
δ(n) 1
264
Pasangan TZ
A.n.rn Arz/(z-1)2
A n2 Az(z+1)/(z-1)3
265
Latihan
266
c. Integral Invers kompleks
Diberikan transformasi dari suatu deret x(n) adalah :
~
267
(1/2jπ)∫cX (z)zkdz/z
x
= (1/2jπ)∫c Σ x(n)z-n + k-1 dz
n=-x
x
= (1/2jπ) Σ x(n) ∫c z-n + k-1 dz
n=-x
268
Setiap kurva integral dapat kemudian dievaluasi dengan
mempergunakan Teorema integral Cauchy yang menyatakan
bahwa jika C melingkupi titik 0 dalam arah yang berlawanan
dengan arah jarum jam, sehingga :
(1/2jπ) ∫c z k-1 dz = 1, untuk k = 0
= 0, untuk k lainnya
Atau :
(1/2jπ) ∫c z n dz = 1, untuk n = -1
= 0, untuk n lainnya
269
Dari prsamaan sebelumnya dapat disusun kembali menjadi :
270
Aplikasi TZSS
271
b.Mencari respon impuls
Jika diberikan sistem seperti pada gambar berikut :
272
c. Analisis SWD
SWD – LTW kausal
any(n) + an-1 y(n-1) + … + an-py(n-p) =
anx(n) + bn-1 x (n-1) + … + bn-m x (n-m)
Fungsi transfer H(z) = Y(z)/X(z)
Y(z)[an+z-1an-1+…+z-pan-p]
= X(z) [bn+z-1bn-1+…+z-mbn-m]
H(z) = [bnzp+bn-1zp-1+…+bn-mzp-m]/[anzp+an-1zp-1+…+an-p]
273
Respon steady state
Y (z) = H (z) . X (z)
y (n) = ITZ [H (z) . X (z)]
Respon impuls h (n) H (z)
Stabilitas
SWD stabil jika dan hanya jika
stabil dalam arti BIBO
pole dari fungsi transfer berada dalam lingkaran satuan
lim|h(n)| = 0 untuk sembarang p > 1
n~
Besar / Magnitudo semua akar polinomial < 1
274
d. Respons Sistem Terhadap Masukan Sinusoidal
Sehingga :
275
Sistem linier maka Yss(n) adalah penjumlahan masing-
masing respons input sistem.
276
Transformasi Z Bilateral [TZB]
277
Invers TZB
278