KATA PENGANTAR

Puji dan syukur kami panjatkan kehadirat Allah swt, atas rahmat dan
karunianya kami dapat menyelesaikan laporan ini. Laporan ini membahas tentang
Makalah Sistem Pengolahan Sinyal, “Deret Fourier dan Transformasi
Fourier”. Makalah ini dibuat sebagai syarat pemenuhan nilai mata kuliah Sistem
Pengolahan Sinyal, Program Studi Teknik Elektro, Universitas Mercu Buana.

Dalam pembuatan makalah ini kami telah banyak mendapat bantuan,

dorongan, dan doa dari banyak pihak. Oleh karena itu melalui kesempatan ini
penulis ingin mengucapkan terimakasih yang sebesar-besarnya kepada Bapak Ir.
Gatot Santoso MT, selaku Dosen pengampu mata kuliah Sistem Pengolahan
Sinyal, serta kepada semua pihak yang turut serta dalam proses pembuatan
makalah serta laporan ini.

Penulis menyadari bahwa makalah ini masih banyak terdapat kekurangan

karena keterbatasan pengetahuan yang penulis miliki. Oleh sebab itu, kritik dan
saran akan penulis terima sebagai perbaikan untuk dikemudian hari. Semoga tugas
makalah ini dapat berguna baik bagi penulis sendiri maupun bagi para pembaca
sebagai tambahan wawasan.

Yogyakarta 21 September 2018

Penulis

2
 DAFTAR ISI

HALAMAN JUDUL........................................................................................ 1

KATA PENGANTAR ..................................................................................... 2

DAFTAR ISI ................................................................................................... 3

BAB I ............................................................................................................... 4

PENDAHULUAN ........................................................................................... 4

1. 1 Sejarah ....................................................................................................... 5

1. 2 Analisis Fourier ......................................................................................... 6

1. 3 Transformasi Fourier ................................................................................. 7

1. 4 MATLAB .................................................................................................. 8

BAB II PEMBAHASAN ................................................................................. 10

2. 1 Discrete Fourier Transform (DFT ............................................................. 10

2. 2 Aplikasi ..................................................................................................... 17

2. 2. 1 Analisis Spectral Sinyal.................................................................... 17

2. 2. 2 Analisis Spektral Lanjut ................................................................... 20

2. 2. 3 Filter dengan Menggunakan Discrete Fourier Transform (DFT) ..... 22

BAB III PENUTUP ......................................................................................... 27

DAFTAR PUSTAKA ...................................................................................... 28

3
 BAB I

PENDAHULUAN

Sinyal adalah sesuatu yang membawa informasi. Setiap sinyal yang tidak
membawa informasi digolongkan sebagai noise. Salah satu informasi penting
dalam sebuah sinyal adalah frekuensinya.

Sinyal yang memiliki lebih dari 1 frekuensi akan memberikan kesulitan

tersendiri untuk mengetahui frekuensi berapa saja yang ada dalam sinyal tersebut.
Oleh karena itu, pengolahan sinyal dalam domain waktu biasanya tidak cukup dan
kita memerlukan pengolahan sinyal dalam domain frekuensi.

Perhatikan sinyal pada gambar diatas. Sebenarnya kita sudah bisa

menghitung periode dari sinyal yang ditampilkan. Tetapi apabila kita diminta
untuk mengidentifikasi frekuensi berapa saja yang ada dalam sinyal tersebut,
maka kita akan kesulitan.

Gambar 1.1 Sinyal dalam domain waktu

Gambar 1.2 Sinyal dalam domain frekuensi

4
 Gambar pertama adalah penjumlahan 10 sinyal sinusoid dengan amplitude
yang sama, tetapi frekuensinya kelipatan 50 Hz. Gambar kedua merupakan bentuk
penampilan gambar pertama jika ditunjukkan dalam domain frekuensi. Gambar
kedua dapat dilihat dengan simulasi yang disebut spectrum analyzer.

Secara umum, sinyal sinusoid adalah sinyal standar. Hal ini tampak dari
bentuk umum fungsinya yang bisa dipergunakan untuk menyatakan semua sinyal
sinusoid. Hal ini membuat proses analisis sebuah sinyal menjadi lebih mudah
karena sinyal seperti ini sudah dikenali.

Menurut Fourier, kita bisa menyatakan setiap sinyal sebagai penjumlahan

sinusoid yang frekuensinya merupakan kelipatan frekuensi dasarnya. Apabila
pernyataan ini dibalik, maka kita bisa mengatakan bahwa setiap sinyal dapat
dipecah-pecah menjadi sinyal sinusoid yang apabila dijumlahkan akan
membentuk sinyal semula. Dengan demikian, sinyal membawa informasi sinyal
lain yang tersembunyi apabila dilihat dalam domain waktu.

1. 1 Sejarah

Jean Baptise Joseph Fourier dilahirkan pada 21 Maret 1768 di Auxerre,

Perancis. Dia adalah seorang ahli matematika dan fisika. Fourier melakukan
berbagai macam percobaan yang berhubungan dengan pembatas panas. Ia hidup
pada zaman revolusi Perancis yang terkenal di bawah Napoleon Bonaparte.
Fourier meninggal pada 16 Mei 1830.

Pada tahun 1822, ia mempublikasikan Theorie analytique de la chaleur.

Dalam hasil karyanya ini, ia mengatakan bahwa setiap fungsi, baik itu diskrit
maupun kontinyu, dapat dinyatakan sebagai penjumlahan sinyal sinusoid. Saat itu,
tidak ada orang yang menerima hasil temuannya.

Peter Gustav Dirichley, seorang ahli matematika berkebangsaan Jerman

melakukan penelitian lebih lanjut pada hasil kerja Fourier dan memberikan
beberapa syarat untuk mengaplikasikan teori Fourier. Selanjutnya, teori

5
dinamakan deret Fourier dan integral Fourier, atas jasa Jean Baptise Joseph
Fourier.

1. 2 Analisis Fourier

Analisis Fourier mempelajari berbagai teknik untuk menganalisis sebuah

fungsi dengan menguraikannya sebagai deret atau integral fungsi tertentu (yang
sifat-sifatnya telah kita kenal dengan baik, seperti fungsi polinom atau
fungsitrigonometri). Analisis Fourier merupakan alat yang ampuh untuk
memecahkan berbagai masalah, khususnya masalah yang berbentuk persamaan
diferensial parsial yang muncul dalam sains dan ilmu rekayasa, dan tentunya
untuk menganalisis signal seperti signal suara dan citra. Berikut adalah gambar
yang menunjukkan diagram analisis Fourier.

Gambar 1.3 Diagram analisis Fourier

1. 3 Transformasi Fourier

6
 Pembahasan deret Fourier dibatasi pada sinyal periodic. Bagaimana
mengunakan analisis Fourier untuk sinyal yang tidak periodic? Jenis sinyal ini
diproses dengan menggunakan transformasi Fourier. Transformasi Fourier
merupakan bentuk umum analisis Fourier sehingga kita bisa menggunakannya
untuk sinyal periodic juga.

Transformasi Fourier digunakan untuk menguraikan sinyal domain waktu

menjadi komponen-komponen frekuensi yang masing-masing memiliki amplitudo
dan fase. Menggunakan transformasi Fourier invers sinyal time series dapat
direkonstruksi dari representasi frekuensi-domainnya. Transformasi Fourier
adalah salah satu konsep yang paling penting dalam pemrosesan sinyal digital dan
tidak hanya digunakan untuk memperkirakan distribusi spektral sinyal dalam
domain frekuensi (spektrum kekuasaan). Transformasi Fourier juga merupakan
dasar dari analisis koherensi dan jenis tertentu yang disebut sinyal pengganti.
Akhirnya, transformasi Fourier diimplementasikan di banyak DSP (Digital Signal
Processing) rutinitas karena setiap operasi matematika dalam domain waktu
memiliki operasi setara dalam domain frekuensi yang sering komputasi lebih
cepat. Dengan demikian, transformasi Fourier kadang-kadang dilaksanakan
semata-mata untuk mempercepat algoritma. Menggunakan inverse Fourier
transformasi, sinyal domain waktu direkonstruksi dari representasi domain
frekuensi.

Transformasi dipergunakan untuk menyederhanakan analisis sinyal dan

sistem. Jika seseorang mendapati bahwa analisis dalam domain waktu sulit
dilakukan, maka sebaiknya dicoba untuk menganalisis dalam domain yang lain.
Perpindahan domain ini disebut dengan transformasi. Apabila kita meminjam
domain lain untuk melakukan analisis, maka hasil akhirnya harus dikembalikan ke
domain semula.

7
1. 4 MATLAB

MATLAB adalah singkatan dari Matrix Laboratory. MATLAB merupakan

aplikasi yang banyak digunakan dalam lingkungan komputasi teknik untuk
perhitungan numeric dan visualisasi yang menuntut kinerja tinggi. MATLAB
mengintegrasikan anilisis numeric, perhitungan matriks, serta pemrosesan sinyal
dan grafis dalam penggunaan yang mudah, dimana masalah dan solusi dinyatakan
dengan apa yang tertulis secara matematis, tanpa pemograman tradisional.
MATLAB memungkinkan kita untuk mengekspresikan seluruh algoritma dalam
beberapa baris untuk memecahkan solusi dengan tingkat akurasi yang tinggi
hanya dalam beberapa menit, serta dapat dengan mudah memanipulasi tampilan
3D dalam beragam warna.

Gambar 1.4 Tampilan jendela MATLAB

MATLAB telah berkembang menjadi sebuah environment pemrograman

yang canggih yang berisi fungsi-fungsi built-in untuk melakukan tugas
pengolahan sinyal, aljabar linier, dan kalkulasi matematis lainnya. MATLAB juga
berisi toolbox yang berisi fungsifungsi tambahan untuk aplikasi khusus . Di dalam
toolbox tersedia fiture-fiture yang biasa digunakan untuk pengolahan sinyal,
pengolahan gambar, design sistem control, sitem simulasi dinamis, sistem
identifikasi, jaringan syaraf, komunikasi panjang gelombang, dan lain lain.

8
MATLAB juga bisa digunakan untuk menangani sistem linier, non-linier, waktu
kontinu, diskrit-waktu, multivariable dan sistem multirate.

MATLAB bersifat extensible, dalam arti bahwa seorang pengguna dapat

menulis fungsi baru untuk ditambahkan pada library ketika fungsi-fungsi built-in
yang tersedia tidak dapat melakukan tugas tertentu. Kemampuan pemrograman
yang dibutuhkan tidak terlalu sulit bila Anda telah memilikin pengalaman dalam
pemrograman bahasa lain seperti C, PASCAL, atau FORTRAN.

9
 BAB II

PEMBAHASAN

2. 1 Discrete Fourier Transform (DFT)

Istilah ini sengaja dipertahankan dalam bahasa Inggris karena sudah

menjadi istilah standar. Ide dasar dibalik DFT adalah mendiskritkan
pengintegralan dengan penjumlahan. Dengan demikian, computer melakukan
diskritisasi, sehingga dinamakan Discrete Fourier Transform.

Dalam makalah ini akan dibahas rumus untuk menghitung transformasi

Fourier diskrit (DFT) dan numerik mempelajari DFT pada sinyal pendek (hanya
beberapa sampel) untuk melacak pada indeks dalam rumus FT (yang kebanyakan
orang menganggap rumit dan abstrak ketika bekerja dengan sinyal panjang). Satu
"masalah" besar pada time series adalah bahwa kita akan mendapatkan sampel
data dalam domain waktu.

Algoritma yang digunakan untuk mengubah sampel data dari domain

waktu ke domain frekuensi dan menghasilkan nilai magnitude disebut Discrete
Fourier Transform (DFT). DFT menstabilkan hubungan antara sample – sample
signal domain waktu dan merepresentasikan ke domain frekuensi. DFT biasa
digunakan dalam analisis spectral, diaplikasikan dalam mekanik, pencitraan
medis, analisa angka, instrumentasi, dan telekomunikasi.

Ada banyak cara Discrete Fourier Transform (DFT) muncul dalam

praktek, tetapi pada umumnya digunakan untuk sinyal periodik. Angka-angka
tersebut muncul, misalnya, sebagai nilai-nilai sample diskrit dari fungsi sample
analog selama beberapa periode dan kemudian diperpanjang secara berkala.
Angka tersebut juga muncul sebagai seperangkat nilai diskrit dari pengukuran
dalam sebuah percobaan dengan asumsi bahwa percobaan diperpanjang secara
berkala. Dalam kasus apapun, urutan dari DFT adalah urutan periodik baru dan
berhubungan dengan urutan asli melalui Iinverse DFT yang dapat mengubah

10
mirip dengan Inverse Fourier Transform. DFT sangat berguna dalam analisis
spektral dari kedua seri Fourier dan transformasi Fourier.

Misalkan terdapat sinyal sampel x (n), maka notasi Discrete Fourier

Transform (DFT) adalah:

Di mana k = 0, 1, 2,…, N-1.

Besarnya X(k) [yaitu nilai absolut] terhadap k disebut spektrum x(n).

Di mana n = 0, 1, 2,…, N-1.

Nilai-nilai k sebanding dengan frekuensi sinyal menurut:

Di mana adalah frekuensi sampling.

11
Dengan asumsi x adalah sampel dari sinyal dengan panjang N, maka program
Matlab sederhana untuk melakukan penjumlahan di atas adalah sebagai berikut:

n=[0:1:N-1];

k=[0:1:N-1];

WN=exp(-j*2*pi/N);

nk=n'*k;

WNnk=WN .^ nk;

Xk=x * WNnk;

Inverse DFT didefinisikan sebagai:

Sebuah program Matlab sederhana untuk melakukan inverse DFT dapat ditulis
sebagai berikut:

n=[0:1:N-1];

k=[0:1:N-1];

WN=exp(-j*2*pi/N);

nk=n'*k

WNnk=WN .^ (-nk);

x=(Xk * WNnk)/N;

12
Gambar dibawah ini merupakan contoh sederhana dari proses DFT dimana
sampel data dari domain waktu ke-n diubah menjadi domain frekuensi dan
menghasilkan nilai magnitude.

Gambar 2.1 DFT menggunakan MATLAB

Program MATLAB:

F=150;

Fs=1000; %Sampling frequency

nT=0:1/Fs:1;

n=0:length(nT)-1;

r=sin(2*pi*F*nT);

U=abs(fft(r));

frek=(0:length(U)-1)/length(U).*Fs; %determine x axis

13
figure;subplot(2,1,1); % Start plotting the
signal

stem(n,r);

xlabel('n');

ylabel('amplitude');

title('Sinyal diskrit');

subplot(2,1,2); % Start plotting the

signal

stem(frek,U);

xlabel('Frekuensi');

ylabel('|X(F/Fs)|');

title('Spektrum Frekuensi Sinyal Diskrit');

Contoh Soal 2-1. Gunakan x(n) = {1,1,1,1}, dan N = 4, tentukan DFT!

Plot Magnitude dan fase DFT! Gunakan IDFT untuk mentransfer hasil DFT (yaitu
urutan Xk) ke urutan aslinya.

Program MATLAB:

N=4;

n=[0:1:N-1];
% row vector

k=[0:1:N-1];
% row vector

x=ones(1,4);
% Generate x = [ 1 1 1 1 1 1]

14
subplot(2,2,1); % Start
plotting the signal

stem(k,x);

xlabel(' k ');

ylabel(' Amplitude ');

title('Original signal');

WN=exp(-j*2*pi/N);

nk=n'*k; % Generate N by N matrix of nk

values

WNnk=WN.^(nk);

Xk=x*WNnk; % Determine DFT by

multiplying signal x[n] with WNnk

subplot(2,2,2); % Start plotting the signal

stem(k,abs(Xk)); % Magnitude response

xlabel(' k ');

ylabel(' Amplitude ');

title('Magnitude response');

ph=angle(Xk);

subplot(2,2,3); % Start plotting the

signal

stem(k,ph); % Phase
response

xlabel(' k ');

15
ylabel(' Radians ');

title('Phase response ');

WNnk1=WN.^(-nk);

x1=(Xk*WNnk1)/N; % Determine IDFT by multiplying sequence with X[k]

% and dividing it by N

subplot(2,2,4); % Start plotting the signal

stem(k,x1);

xlabel(' k ');

ylabel(' Amplitude ');

title('Inverse DFT');

Output program:

Gambar 2.2. DFT dan IDFT

16
2. 2 Aplikasi

Dalam point sebelumnya telah dibahas tentang definisi, formula, serta simulasi
Discrete Fourier Transform (DFT) menggunakan aplikasi MATLAB. Aplikasi
MATLAB tersebut di atas juga telah menunjukkan bagaimana proses DFT dapat
mengubah sinyal dalam domain waktu ke dalam domain frekuensi. Point
selanjutnya akan dibahas bagaimana DFT diaplikasikan dalam pengolahan sinyal
digital, yaitu: analisis spectral sinyal, analisis spectral lanjut, serta penggunaan
DFT pada Notch Filter.

2. 2. 1 Analisis Spektral Sinyal

Sinyal adalah representasi data yang berbentuk gelombang

elektromagnetik. Sedangkan spektrum merupakan jarak rentang frekuensi dimana
sinyal berada.

Untuk menghitung frekuensi dari suatu sinyal, sebuah implementasi diskrit

dari analisa Fourier dapat digunakan, yaitu kemudian lebih dikenal sebagai Fast
Fourier Transform (FFT). Secara umum teknik ini merupakan pendekatan yang
terbaik untuk transformasi. Dalam hal ini input sinyal ke window ditetapkan
memiliki panjang .

Kita dapat memilih analisis windowing mana yang akan digunakan.

Output dari syntax FFT(x,n) merupakan sebuah vector kompleks dengan n
amplitude kompleks dari 0 Hz sampai dengan sampling frekuensi yang
digunakan.

Seringkali kita menginginkan untuk menganalisa suatu sinyal yang

panjang dengan cara mengambil satu bagian yang cukup mewakili. Hal ini lebih
kita kenal sebagai proses windowing. Windowing merupakan suatu fungsi yang
berfungsi untuk mengalikan sinyal terpotong yang discontinue dengan fungsi
window agar menjadi sinyal continue. Windowing diperlukan untuk mengurangi
efek diskontinuitas dari potongan – potongan sinyal. Ada beberapa jenis dari

17
windowing itu sendiri, yaitu: Hamming, Hanning, Bartlet, Rectangular, dan
Blackman.

Contoh Soal 2-2. Misalkan 𝑥(𝑡) = cos⁡(2𝜋Fot) di mana F0 30Hz, dengan asumsi
frekuensi sample Fs= 128 Hz dan N = 256 sampel, dapatkan FFT dengan
windowing sinyal menggunakan Rectangular dan Hamming Window, zero
padding untuk = 1024. Plot besarnya normalisasi FFT dari windowed signals.
Windowed sinyal manakah yang memiliki mainlobe yang lebih sempit?

Program Matlab:

f1=30; % Signal frequency

fs=128; % Sampling frequency

N=256; % Number of samples

N1=1024; % Number of FFT points

n=0:N-1; % Index n

f=(0:N1-1)*fs/N1; % Defining the frequency points [axis]

x=cos(2*pi*f1*n/fs); % Generate the signal

XR=abs(fft(x,N1)) % Find the magnitude of the FFT using No

% windowing (1. e. Rectangular window)

xh=hamming(N); % Define the hamming samples

xw=x .* xh'; % Window the signal

XH=abs(fft(xw,N1)); % Find the magnitude of the FFT of the windowed signal

subplot(2,1,1); % Start plotting the signal

plot(f(1:N1/2),20*log10(XR(1:N1/2)/max(XR)));

title('Spectrum of x(t) using Rectangular Windows');

18
grid;

xlabel('Frequency, Hz');

ylabel('Normalised Magnitude, [dB]');

subplot(2,1,2); % Start plotting the signal

plot(f(1:N1/2),20*log10(XH(1:N1/2)/max(XH)));

title('Spectrum of x(t) using Hamming Windows');

grid;

xlabel('Frequency, Hz');

ylabel('Normalised Magnitude, [dB]');

Output program:

Gambar 2.3. Output program contoh xoal 2-2

19
Dari proses windowing menggunakan Matlab diatas dapat dilihat bahwa plot
spektrum sinyal baik menggunakan Rectangular Window maupun Hamming
Window memiliki amplitudo puncak yang sama, yaitu sebesar f = 30Hz sesuai
dengan frekuensi sinyal. Sementara Rectangular Window memiliki mainlobe
sempit, Hamming Window memberikan sidelobes puncak kurang dari
Rectangular Window.

2. 2. 2 Analisis Spektral Lanjut

Spektrum sinyal hanyalah sebuah plot besarnya komponen sinyal terhadap

frekuensi yang sesuai. Sebagai contoh jika sinyal terdiri dari dua sinusoidal pada
120Hz dan 60Hz, maka idealnya spektrum akan plot besarnya vs frekuensi dan
akan berisi dua puncak, yaitu: satu di 60 Hz dan yang lainnya di 120 Hz
diilustrasikan dalam contoh berikut.

Dalam contoh berikut, kita menggambarkan penggunaannya. Salah satu aspek

yang paling penting dari analisis spektral adalah interpretasi spektrum dan
hubungannya dengan sinyal diselidiki.

Contoh Soal 2-3. Generate 256 sample dari sinyal sinusoidal frekuensi sebesar 1
Khz dengan frekuensi sample 8 Khz. Plot sinyal dan spectrumnya!

Program Matlab:

N=256; % Total Number of Samples

fs=8000; % Sampling frequency set at 8000 Hz

f=1000;

n=0:N-1;

x=sin(2*pi*(f/fs)*n); % Generate the sinusoidal signal

X=fft(x); % Estimate its spectrum using fft command

magX=abs(X);

20
 % Build up an appropriate frequency axis

fx=0:(N/2)-1; % Vektor for f = 0,1,2,...(N/2)-1

fx=(fx*fs)/N; % Scale it so that it represents frequencies in

Hz

% Start plotting the signal

figure(1);

subplot(1,1,1);

plot(fx,20*log10(magX(1:N/2)));

grid;

title('Spectrum of a sinusoidal signal with f=1KHz');

xlabel('Frequency (Hz)');

ylabel('Magnitude (dB)');

Output program:

Gambar 2.4 Output program contoh soal 2-3

21
Dari plot spektrum di atas jelas menunjukkan bahwa sinyal terdiri dari komponen
sinusoidal tunggal yang memiliki frekuensi 1000Hz. Artefak lain yang terdapat
pada gambar disebabkan oleh terbatasnya jumlah sampel, efek windowing, dan
akurasi perhitungan.

2. 2. 3 Filter dengan Menggunakan Discrete Fourier Transform (DFT)

Jika dalam suatu sistem diketahui:

Sinyal input x(n) ↔ X(ω)

Respon impuls h(n) ↔ H(ω)

Sinyal output y(n) ↔ Y(ω)

Maka:

Y(ω) = H(ω) X(ω)

Dengan menggunakan persaamaan di atas dapat disimpulkan bahwa pemilihan

respon impuls dapat menyaring (filter) sinyal input untuk mendapatkan sinyal
output yang diinginkan.

Contoh Soal 2-4. Diketahui sebuah sistem filter adalah sebagai berikut:

Gambar 2.5 Sistem filter contoh soal 2-4

Input sinyal:

22
( ) ( ) ( ) where = 120 Hz, = 60 Hz dan = 1000 Hz

Plot input spectrum, respon magnitude dari filter, dan output spectrum dari Notch
filter tersebut!

Program MATLAB:

clear;

N=1024; % Total number of samples

fs=1000; % Sampling frequency set 1000 Hz

f1=120;

f2=60;

n=0:N-1;

x=sin(2*pi*(f1/fs)*n)+sin(2*pi*(f2/fs)*n);

[pxx, fx]=psd(x,2*N,fs);

plot(fx,20*log10(pxx));

grid;

title('Magnitude Spectrum of x(n)');

xlabel ('Frequency, Hz');

ylabel ('Magnitude, dB');

sin(2*pi*(f2/fs)*n);

b=[1 -1.8596 1];

a=[1 -1.8537 0.9937];

k=0.9969;

23
b=k*b;

figure(1);

subplot(1,1,1); % Start plotting the signal

subplot(1,3,1); % Start plotting the signal

[pxx, fx]=psd(x,2*N,fs);

plot(fx,20*log10(pxx));

grid;

title('Magnitude Spectrum of x(n)');

xlabel ('Frequency, Hz');

ylabel ('Magnitude, dB');

[h,f]=freqz(b,a,1024,fs); % Determines the frequency response

% of the filter with coefficients 'b'

% and 'a', using 1024 points arround

% the unit circle with a sampling

% frequency of fs. The function

% returns the transfer function h,

% for each frequency in f in Hz

magH=abs(h); % Calculate the magnitude of the filter

phaseH=angle(h); % Calculate the phase angle of the filter

subplot(1,3,2); % Divides the figure into two rows and one

% coloumn and make the first row the active one

24
plot(f,20*log10(magH)); % Plots the magnitude in dB against frequency

grid; % Add a grid

title('Magnitude Response of the Notch Filter');

xlabel ('Frequency, Hz');

ylabel ('Magnitude, dB');

y=filter(b,a,x);

[pyy, fy]=psd(y,2*N,fs);

subplot(1,3,3); % Start plotting the signal

plot(fy,20*log10(pyy));

grid;

title('Magnitude Spectrum of y(n)');

xlabel ('Frequency, Hz');

ylabel ('Magnitude, dB');

Output program:

Gambar 2.6 Output program contoh soal 2-4

25
 Dari hasil plot di atas dapat dilihat bahwa sinyal input terdiri dari dua
komponen sinyal sinusoidal yaitu pada frekuensi 60 Hz dan 120 Hz. Dari
besarnya respons dari filter, jelas bahwa filter melemahkan komponen sinyal yang
berada pada frekuensi 60 Hz. Oleh karena itu, spektrum keluaran terdiri dari
sinyal 120 Hz dan sinyal yang dilemahkan (0 dB) pada frekuensi 60 Hz .

26
 BAB III

PENUTUP

Analisis Fourier mempelajari berbagai teknik untuk menganalisis sebuah

fungsi dengan menguraikannya sebagai deret atau integral fungsi tertentu (yang
sifat-sifatnya telah kita kenal dengan baik, seperti fungsi polinom atau fungsi
trigonometri). Analisis Fourier adalah salah satu cara merepresentasikan bentuk
sinyal kedomain frekuensi. Analisis Fourier ada dua macam, yaitu untuk fungsi
periodic menggunakan Deret Fourier, sedangkan untuk fungsi non periodik
menggunakan Transformasi Fourier.

Transformasi Fourier digunakan untuk menguraikan sinyal domain waktu

menjadi komponen-komponen frekuensi yang masing-masing memiliki amplitudo
dan fase. Algoritma yang digunakan untuk mengubah sampel data dari domain
waktu ke domain frekuensi dan menghasilkan nilai magnitude disebut Discrete
Fourier Transform (DFT). DFT menstabilkan hubungan antara sample – sample
signal domain waktu dan merepresentasikan ke domain frekuensi.

Dengan menggunakan software MATLAB, telah kita ketahui bahwa

Discrete Fourier Transform (DFT) dapat diaplikasikan untuk proses windowing
dalam menganalisa suatu sinyal, plot spectrum sinyal, serta filter sinyal dimana
aplikasi tersebut banyak dijumpai dalam Digital Signal Processing (DSP).

27
 DAFTAR PUSTAKA

Agfianto. Pengaruh Panjang Data, Jendela, dan Frekuensi Cuplik pada

FFT. http://agfi.staff.ugm.ac.id/blog/index.php/2009/11/pengaruh-panjang-data-
jendela-pada-fft/. Diakses pada tanggal 24 Mei 2015.

Anonim. Example Applications of the DFT.

http://www.dsprelated.com/freebooks/mdft/Example_Applications_DFT.html.
Diakses pada tanggal 25 Mei 2015. Budiyanto, Setiyo. 2014. Modul 4
Transformasi Fourier Sinyal Waktu Diskrit. Jakarta: Universitas Mercu Buana.

Electronics Term. Inverse DFT without using FFT in MATLAB.

http://electronicsterms.com/inverse-dft-without-using-fft-in-matlab/. Diakses pada
tanggal 26 Mei 2015.

Ferdinando, Hany. 2010. Dasar – Dasar Sinyal dan Sistem.

Yogyakarta : ANDI.

Gilliam, David S. 2010. Mathematic 5342 Discrete Fourier Transform.

Texas : Texas Tech University.

Hidayat, Risanuri. 2012. Deret dan Transformasi Fourier. Yogyakarta

: Teknik Elektro UGM.

Smith III, Julius O. MATHEMATIC OF THE DISCRETE FOURIER

TRANSFORM (DFT). http://www.dsprelated.com/freebooks/mdft/. Diakses pada
tanggal 25 Mei 2015.

28