Disusun oleh :
Diah Indrastuti (41412110002)
Lyla Diah Susanti (41412110113)
Puji dan syukur kami panjatkan kehadirat Allah swt, atas rahmat dan karunianya kami
dapat menyelesaikan laporan ini. Laporan ini membahas tentang project Pengolahan Sinyal
Digital, “Fourier Analysis”. Laporan ini dibuat sebagai syarat pemenuhan nilai mata kuliah
Pengolahan Sinyal Digital, Program Studi Teknik Elektro, Universitas Mercu Buana.
Dalam pembuatan project serta laporan 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 Setiyo Budiyanto, ST, MT,
selaku Dosen pengampu mata kuliah Pengolahan Sinyal Digital, serta kepada semua pihak yang
Penulis menyadari bahwa project dan laporan 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 laporan ini dapat
berguna baik bagi penulis sendiri maupun bagi para pembaca sebagai tambahan wawasan.
Penulis
2
DAFTAR ISI
1. 1 Sejarah ................................................................................................................... 6
1. 4 MATLAB .............................................................................................................. 8
2. 2 Aplikasi ............................................................................................................... 18
3
BAB I
PENDAHULUAN
Sinyal adalah sesuatu yang membawa informasi. Setiapa sinyal yang tidak
membawa informasi digolongkan sebagai noise. Salah satu informasi penting dalam
tersendiri untuk mengetahui frekuensi berapa saja yang ada dalam sinyal tersebut. Oleh
karena itu, pengolahan sinyal dalam domain waktu biasanya tidak cukup dan kita
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.
4
Gambar 1.2 Sinyal dalam domain frekuensi
penampilan gambar pertama jika ditunjukkan dalam domain frekuensi. Gambar kedua
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.
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
5
1. 1 Sejarah
panas. Ia hidup pada zaman revolusi Perancis yang terkenal di bawah Napoleon
hasil karyanya ini, ia mengatakan bahwa setiap fungsi, baik itu diskrit maupun
kontinyu, dapat dinyatakan sebagai penjumlahan sinyal sinusoid. Saat itu, tidak ada
melakukan penelitian lebih lanjut pada hasil kerja Fourier dan memberikan beberapa
syarat untuk mengaplikasikan teori Fourier. Selanjutnya, teori dinamakan deret Fourier
1. 2 Analisis Fourier
dengan menguraikannya sebagai deret atau integral fungsi tertentu (yang sifat-sifatnya
telah kita kenal dengan baik, seperti fungsi polinom atau fungsi trigonometri). 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.
6
Gambar 1.3 Diagram analisis Fourier
1. 3 Transformasi Fourier
analisis Fourier untuk sinyal yang tidak periodic? Jenis sinyal ini diproses dengan
analisis Fourier sehingga kita bisa menggunakannya untuk sinyal periodic juga.
fase. Menggunakan transformasi Fourier invers sinyal time series dapat direkonstruksi
yang paling penting dalam pemrosesan sinyal digital dan tidak hanya digunakan untuk
kekuasaan). Transformasi Fourier juga merupakan dasar dari analisis koherensi dan
operasi matematika dalam domain waktu memiliki operasi setara dalam domain
frekuensi yang sering komputasi lebih cepat. Dengan demikian, transformasi Fourier
7
kadang-kadang dilaksanakan semata-mata untuk mempercepat algoritma. Menggunakan
domain frekuensi.
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
1. 4 MATLAB
aplikasi yang banyak digunakan dalam lingkungan komputasi teknik untuk perhitungan
anilisis numeric, perhitungan matriks, serta pemrosesan sinyal dan grafis dalam
penggunaan yang mudah, dimana masalah dan solusi dinyatakan dengan apa yang
solusi dengan tingkat akurasi yang tinggi hanya dalam beberapa menit, serta dapat
8
Gambar 1.4 Tampilan jendela MATLAB
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. MATLAB juga bisa digunakan untuk menangani sistem
MATLAB bersifat extensible, dalam arti bahwa seorang pengguna dapat menulis
fungsi baru untuk ditambahkan pada library ketika fungsi-fungsi built-in yang tersedia
9
tidak dapat melakukan tugas tertentu. Kemampuan pemrograman yang dibutuhkan tidak
terlalu sulit bila Anda telah memilikin pengalaman dalam pemrograman bahasa lain
10
BAB II
PEMBAHASAN
istilah standar. Ide dasar dibalik DFT adalah mendiskritkan pengintegralan dengan
Dalam laporan 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
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
11
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 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:
( ) ∑ ( )
( ) ∑ ( )
12
Dengan asumsi x adalah sampel dari sinyal dengan panjang N, maka program
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;
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;
Gambar dibawah ini merupakan contoh sederhana dari proses DFT dimana
sampel data dari domain waktu ke-n diubah menjadi domain frekuensi dan
13
Gambar 2.1 DFT menggunakan MATLAB
Program MATLAB:
F=150;
nT=0:1/Fs:1;
n=0:length(nT)-1;
r=sin(2*pi*F*nT);
U=abs(fft(r));
stem(n,r);
xlabel('n');
ylabel('amplitude');
title('Sinyal diskrit');
stem(frek,U);
xlabel('Frekuensi');
ylabel('|X(F/Fs)|');
Plot Magnitude dan fase DFT! Gunakan IDFT untuk mentransfer hasil DFT (yaitu
Program MATLAB:
N=4;
x=ones(1,4); % Generate x = [ 1 1 1 1 1 1]
stem(k,x);
xlabel(' k ');
title('Original signal');
15
WN=exp(-j*2*pi/N);
WNnk=WN.^(nk);
xlabel(' k ');
title('Magnitude response');
ph=angle(Xk);
xlabel(' k ');
WNnk1=WN.^(-nk);
% and dividing it by N
stem(k,x1);
xlabel(' k ');
title('Inverse DFT');
16
Output program:
17
2. 2 Aplikasi
Dalam point sebelumnya telah dibahas tentang definisi, formula, serta simulasi
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.
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
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
18
potongan – potongan sinyal. Ada beberapa jenis dari windowing itu sendiri, yaitu:
frekuensi sample = 128 Hz dan N = 256 sampel, dapatkan FFT dengan windowing
1024. Plot besarnya normalisasi FFT dari windowed signals. Windowed sinyal
Program Matlab:
n=0:N-1; % Index n
plot(f(1:N1/2),20*log10(XR(1:N1/2)/max(XR)));
grid;
19
xlabel('Frequency, Hz');
plot(f(1:N1/2),20*log10(XH(1:N1/2)/max(XH)));
grid;
xlabel('Frequency, Hz');
20
Output program:
Dari proses windowing menggunakan Matlab diatas dapat dilihat bahwa plot
memiliki amplitudo puncak yang sama, yaitu sebesar f = 30Hz sesuai dengan frekuensi
21
2. 2. 2 Analisis Spektral Lanjut
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.
yang paling penting dari analisis spektral adalah interpretasi spektrum dan hubungannya
Contoh Soal 2-3. Generate 256 sample dari sinyal sinusoidal frekuensi sebesar 1
Program Matlab:
f=1000;
n=0:N-1;
magX=abs(X);
22
% Start plotting the signal
figure(1);
subplot(1,1,1);
plot(fx,20*log10(magX(1:N/2)));
grid;
xlabel('Frequency (Hz)');
ylabel('Magnitude (dB)');
Output program:
23
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.
Maka:
respon impuls dapat menyaring (filter) sinyal input untuk mendapatkan sinyal output
yang diinginkan.
Contoh Soal 2-4. Diketahui sebuah sistem filter adalah sebagai berikut:
24
Input sinyal:
Plot input spectrum, respon magnitude dari filter, dan output spectrum dari
Program MATLAB:
clear;
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;
sin(2*pi*(f2/fs)*n);
k=0.9969;
25
b=k*b;
figure(1);
[pxx, fx]=psd(x,2*N,fs);
plot(fx,20*log10(pxx));
grid;
one
26
% coloumn and make the first row the
active one
frequency
y=filter(b,a,x);
[pyy, fy]=psd(y,2*N,fs);
plot(fy,20*log10(pyy));
grid;
27
Output program:
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
28
BAB III
PENUTUP
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
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
menganalisa suatu sinyal, plot spectrum sinyal, serta filter sinyal dimana aplikasi
29
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-
http://www.dsprelated.com/freebooks/mdft/Example_Applications_DFT.html.
Budiyanto, Setiyo. 2014. Modul 4 Transformasi Fourier Sinyal Waktu Diskrit. Jakarta:
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.
2015.
30