ANALISIS FOURIER WAKTU DISKRIT

Rosaldi Pratama* (140310170014), Julian Akmal S. (140310170012)

Program studi Fisika, MIPA Universitas Padjadjaran
Selasa, 29 Oktober 2019

Asisten : Adiyana Putri

Abstrak

Dalam praktikum ini yaitu mengenai analisis fourier waktu diskrit yang bertujuan untuk mengetahui
prinsip dasar DTFT, mengetahui sifat-sifat DTFT, membuat representasi domain frekuensi dari LTI
serta mengenal respon sistem, dan mengetahui proses sampling serta rekontruksi sinyal dengan metode
interpolasi. Deret fourier merupakan suatu fungsi periodik yang ditentukan dalam interval 0 ≤ x ≤ 2π
dapat dinyatakan dalam penjumlahan kosinus dan sinus. Namun, jika suatu fungsi tidak periodik maka
perlu dilakukan transformasi fourier untuk merubah variabel waktu yang tak periodik menjadi variabel
frekuensi. Pada modul ini, telah dilakukan percobaan dengan menggunakan MATLAB dimana
dilakukan pemodelan analisis fourier dengan metode discrete time fourier transforms (DTFT),
mengamati respon suatu sistem yang timbul yang bergantung pada sistem LTI (Linier Time Invariant)
yang digunakan serta merekonstruksi suatu sinyal.

Kata kunci: Deret Fourier, Transformasi Fourier, DTFT, Linear Time Invariant.

I. Pendahuluan digital. Pertama adalah “sample rate”, ataupun

seberapa sering untuk merekam nilai-nilai tegangan.
Sinyal didefinisikan sebagai suatu besaran fisis Kedua, adalah “bit per sampel”, ataupun seberapa
yang merupakan fungsi waktu, ruang, atau beberapa akurat nilai dicatat[2].
variabel lainnya. Menurut stoneytiti sinyal adalah
kuantitas terukur yang rentang waktunya atau spasial Terdapat dua macam analisis fourier, yakni untuk
yang bervariasi. Sebuah sinyal dapat dinyatakan fungsi periodik menggunakan deret fourier
sebagai fungsi dari waktu dan frekuensi[1]. Dalam sedangkan untuk fungsi non periodik menggunakan
dunia telekomunikasi, sinyal di bagi ke dalam 2 tipe, trnasformasi fourier. Pada prinsipnya analisis fourier
yakni sinyal analog dan sinyal digital. Isyarat analog untuk sinyal waktu diskrit dapat dianalogikan
umumnya dikatakan dengan gelombang sinus, dengan sinyal waktu kontinyu sebab fungsi diskrit
mengingat gelombang sinus merupakan dasar untuk dan kontinyu perbedaannya hanya pada
semua bentuk isyarat analog.Hal ini berdasarkan pendefinisian waktunya saja dimana fungsi kontinyu
kenyataan bahwa analisis fourier, suatu sinyal terdefinisi untuk semua waktu sedangkan fungsi
analog dapat diperoleh dari perpaduan sejumlah diskrit hanya terdefinisi untuk waktu tertentu saja,
gelombang sinus. Dengan memanfaatkan sinyal sehingga notasinya pun diubah seperti (t) menjadi
analog, maka jangkauan transmisi data dapat (n) dan bentuk integral menjadi sigma[3].
mencapai jarak yang jauh, tetapi sinyal ini mudah
terpengaruh oleh noise[2]. Deret fourier untuk sinyal diskrit dengan periode N.
Signal Digital adalah buatan teknologi yang mampu
mengubah signal menjadi gabungan urutan bilangan
0 dan 1 ( juga dengan biner ), sehingga tidak mudah
terpengaruh oleh derau, proses informasinya pun
mudah, cepat dan akurat, tetapi transmisi dengan
isyarat digital hanya mencapai jarak jangkau
pengiriman data yang relatif dekat. Biasanya isyarat Untuk fungsi yang non periodik, analisis fourier
ini juga dikenal dengan isyarat diskret. Sinyal yang yang digunakan adalah transformasi fourier
memiliki dua kondisi ini biasa disebut dengan bit. sehingga transformasi fourier waktu diskrit
Bit merupakan istilah khas pada isyarat digital. Satu dirumuskan dengan persamaan[3] :
bit bisa berupa nol (0) atau satu (1). Kemungkinan
nilai pada sebuah bit adalah 2 buah (21).
Kemungkinan nilai pada 2 bit ialah sebanyak 4 (22),
berupa 00, 01, 10, dan 11. Mengacu pada
gagasan Stephen Cook, ada dua alasan penting
selama proses sinyal analog diubah menjadi sinyal
III. Hasil dan Pembahasan title('Magnitude Part');
ylabel('Magnitude')
3.1 Pengolahan Data dan Analisa subplot(2,2,3); plot(w/pi,angX);
grid; xlabel('frequency in pi
LA 3.2 (c) units'); title('Angel Part');
Listing : ylabel('Radians'); subplot(2,2,2);
n=0:6; x=[4 3 2 1 2 3 4]; plot(w/pi,realX); grid;
k = 0:500; w = (pi/500)*k; xlabel('frequency in pi units');
X = x*(exp(-j*pi/500)).^(n'*k); title('Real Part'); ylabel('Real')
magX = abs(X); angX = angle(X); subplot(2,2,4); plot(w/pi,imagX);
realX = real(X); imagX = imag(X); grid; xlabel('frequency in pi
subplot(2,2,1); plot(k/500,magX); units');
grid;xlabel('frequency in pi title('Imaginary Part');
units'); title('Magnitude Part'); ylabel('Imaginary')
ylabel('Magnitude');subplot(2,2,3)
; plot (k/500,angX); grid;
xlabel('frequency in pi units');
title('Angel Part');ylabel
('Radians');subplot(2,2,2);plot(k/
500,realX); grid; xlabel
('frequency in pi units');
title('Real Part');ylabel
('Real');subplot(2,2,4);
plot(k/500,imagX); grid;
xlabel('frequency in pi units');
title('Imaginary Part'); Analisa :
ylabel('Imaginary') Berdasarkan grafik, magnitude part sangat
dipengaruhi suatu fungsi kompleks yang
mengandung bilangan real dan bilangan imajiner.
Plot sudut yang terdapat pada grafik memiliki bentuk
yang identik dengan bagian imajiner. Dimana angle
part mengalami peningkatan besar sudut (dalam
radians) dan juga disebabkan oleh nilai n (sekuen)
pada bagian eksponensial pangkat imajiner yang
semakin besar seiring peningkatan frekuensi.

Analisa : LA 3.4 (b)

Berdasarkan grafik, magnitude part merupakan Listing :
konsekuensi yang dihasilkan dari suatu fungsi yang n=[0:50]; alfa=20; wcut=0.5*pi;
mengandung bilangan real identik dengan fungsi fcut=wcut/2*pi;
kosinus dan bilangan imajiner identik dengan fungsi h1=(sinc(2*fcut*(n-alfa)))./(n-
sinus yang terlihat pada gambar. Plot sudut yang alfa);
terdapat pada grafik memiliki bentuk yang identik subplot(1,1,1)
dengan part imajiner. Dimana angle part mengalami stem(n,h1);
peningkatan besar sudut (dalam radians) dan juga xlabel('n'); ylabel('hd(n)');
disebabkan oleh nilai n (sekuen) pada bagian title('Respon Pemotongan impuls');
eksponensial pangkat imajiner yang semakin besar
seiring peningkatan frekuensi.

LA 3.3 (b)
Listing :
w = [0:1:500]*pi/500;
X = (2*(0.8)^4)./(1-(0.8*exp(-
j*w)));magX = abs(X); angX =
angle(X);realX = real(X); imagX =
imag(X); subplot(2,2,1);
plot(w/pi,magX); grid;
xlabel('frequency in pi units');
Analisa :
LPF bekerja dengan memfilter frekuensi sinyal
dibawah frekuensi cutoff. Pada percobaan ini filter
LPF ideal yang digunakan dalam domain frekuensi,
oleh karena itu berdasarkan grafik tersebut,
peningkatan amplitudo yang ditunjukkan grafik
tersebut mengindikasikan bekerjanya LPF saat
frekuensi sinyal di bawah frekuensi cutoff.

LA 3.7 (a)
Listing : LA 3.7 (c)
Dt=0.00005;t=0:Dt:0.05; Dt=0.00005;t=0:Dt:0.05;
xat=sin(1000*pi*t); xat=sin(1000*pi*t);
Ts=0.0001; n=0:1:5; Ts=0.01; n=0:1:5;
x=sin(1000*pi*Ts*n); x=sin(1000*pi*Ts*n);
K=500; k=0:1:K; w=pi*k/K; K=500; k=0:1:K; w=pi*k/K;
X=x*exp(-j*n'*w); X=real(X); X=x*exp(-j*n'*w); X=real(X);
subplot(2,1,1);plot(t*1000,xat); subplot(2,1,1);plot(t*1000,xat);
title('Sinyal Diskrit'); title('Sinyal Diskrit');
xlabel('in ms'); ylabel('y(n)'); xlabel('in ms'); ylabel('y(n)');
hold on; hold on;
stem(n*Ts*1000,x); gtext('Ts= 0.1 stem(n*Ts*1000,x); gtext('Ts= 0.01
mdetik');hold off; detik');hold off;
subplot(2,1,2);plot(w/pi,X); subplot(2,1,2);plot(w/pi,X);
%axis([-1.1 1.1 -inf inf]); %axis([-1.1 1.1 -inf inf]);
title('DTFT'); xlabel('frekuensi title('DTFT'); xlabel('frekuensi
dalam pi'); ylabel('y(w)'); dalam pi'); ylabel('y(w)');

LA 3.7 (b) Analisa LA 3.7 :

Listing : Pada LA 3.7 ini secara keseluruhan digunakan
Dt=0.00005;t=0:Dt:0.05; interval sampling yang berbeda beda.
xat=sin(1000*pi*t); Periode/interval tersebut mempengaruhi proses
Ts=0.001; n=0:1:5; sampling suatu sinyal. Semakin kecil
x=sin(1000*pi*Ts*n); periode/interval sampling maka tingkat keakuratan
K=500; k=0:1:K; w=pi*k/K; semakin tinggi saat suatu sinyal didiskritisasi, karena
X=x*exp(-j*n'*w); X=real(X); sample rate semakin tinggi.
subplot(2,1,1);plot(t*1000,xat);
title('Sinyal Diskrit'); LA 3.8 (a)
xlabel('in ms'); ylabel('y(n)'); Listing :
hold on; n=[0:50];
stem(n*Ts*1000,x); gtext('Ts= 1 %Periode Interval 0,01
mdetik');hold off; Ts1=0.01;xa1=sin(20*pi*n*Ts1);
subplot(2,1,2);plot(w/pi,X); subplot(3,1,1);stem(n,xa1);
%axis([-1.1 1.1 -inf inf]); title('Plot x(n) pada Ts1=0.01');
title('DTFT'); xlabel('frekuensi xlabel ('n');ylabel('x(n)');
dalam pi'); ylabel('y(w)'); %Periode Interval 0,05
Ts2=0.05;xa2=sin(20*pi*n*Ts2);
subplot (3,1,2);stem(n,xa2);
title('Plot x(n) pada Ts2=0.05');
xlabel('n');ylabel('x(n)');
n3=[0:20]
%Periode Interval 0,1
Ts3=0.1;xa3=sin(20*pi*n*Ts3);
subplot(3,1,3);stem(n,xa3);
title('Plot x(n) pada Ts3=0.1');
xlabel ('n');ylabel('x(n)');
Analisa :
Pada percobaan ini digunakan variasi periode
sampling, dimana berdasarkan grafik tersebut pada
periode sampling 0,01 bentuk sinyal lebih terlihat
jelas polanya, berbeda halnya pada periode sampling
0,1. Hal ini menunjukkan jika semakin kecil periode
sampling maka akan meningkatkan sample rate yang
berdampak pada tingkat akurasi dengan bentuk
sinyal yang sebenarnya, selain itu dengan periode
sampling yang kecil akan meningkatkan frekuensi
sampling sehingga dapat memenuhi syarat Nyquist
agar tidak terjadi aliasing.
LA 3.8 (b)
Listing :
%Periode Interval 0,01
Ts=0.01;n=[0:100]; nTs=n*Ts;
xa1=sin(20*pi*nTs); Fs=1/Ts;
Dt=0.001;t=0:Dt:1;
ya1=xa1*sinc(Fs*(ones(length(n),1)
*t-nTs'*ones(1,length(t))));
subplot(3,1,1); plot(t,ya1);
title('Rekontruksi sinyal x(n)pada
Ts=0.01');xlabel('t(s)');ylabel('y
(t)');%PERIODE INTERVAL 0,05
Ts=0.05;nTs=n*Ts;xa2=sin(20*pi*nTs
); Fs=1/Ts;
ya2=xa2*sinc(Fs*(ones(length(n),1)
*t-nTs'*ones(1,length(t))));
subplot(3,1,2); plot(t,ya2);
title('Rekontruksi sinyal x(n)
pada Ts=0.05');
xlabel('t(s)');ylabel('y(t)');
%Periode Interval 0,1
Ts=0.1;nTs=n*Ts;xa3=sin(20*pi*nTs)
; Fs=1/Ts;ya3=xa3*sinc
(Fs*(ones(length(n),1)*t-
nTs'*ones(1,length(t))));
subplot(3,1,3); plot(t,ya3);
title('Rekontruksi sinyal x(n)
pada Ts=0.1');xlabel('t(s)');
ylabel('y(t)');
Analisa :
Percobaan ini merupakan rekonstruksi sinyal
analog dari sample x(n) dengan menggunakan
interpolasi fungsi sinc, dimana dibandingkan juga
periode sampling yang digunakan terhadap bentuk
rekonstruksi sinyal. Berdasarkan grafik, dapat
dilihat pada periode sampling 0,01 bentuk sinyal
lebih terlihat jelas polanya, berbeda halnya pada
periode sampling 0,1. Hal ini menunjukkan jika
semakin kecil periode sampling maka akan
meningkatkan sample rate yang berdampak pada
tingkat akurasi dengan bentuk sinyal yang
sebenarnya, selain itu, periode sampling yang kecil
juga akan meningkatkan frekuensi sampling
sehingga dapat memenuhi syarat Nyquist agar tidak
terjadi aliasing.
IV. Kesimpulan
Berdasarkan percobaan yang telah dilakukan,
dapat disimpulkan :
1. Metode DTFT digunakan untuk
merepresentasikan sinyal kontinyu yang
dirubah ke dalam bentuk diskrit dimana sinyal
tersebut aperiodik sehingga perlu
ditransformasikan.
2. Terdapat 15 sifat-sifat DTFT, beberapa
diantaranya meliputi linieritas, pergeseran
frekuensi, pergeseran waktu, pembalikan
waktu, barisan simetri konjugat, barisan
asimetri konjugat, dan barisan riil.
3. Terdapat bebeberapa respon sistem yakni
respon pada eksponensial kompleks, respon
pada sekuen sinusoidal, dan respon pada
sekuen sembarang.
4. Sampling merupakan salah satu proses
diskritisasi suatu sinyal analog dengan nilai-
nilai sinyal analog diambil pada selang waktu
tertentu, sedangkan proses rekonstruksi sinyal
merupakan perubahan kembali sinyal diskrit
menjadi sinyal asalnya (sinyal analog) untuk
memperoleh/membandingkan informasi secara
penuh yang dapat dilakukan dengan metode
interpolasi.
Daftar Pustaka
[1] http://library.binus.ac.id/ecolls/eThesisdoc/Bab
2/ 2012-1-00552-mtif%202.pdf (diakses 4
November 2019)

[2] Riska, Amaliyah. 2019. Pengertian sinyal

analog dan digital beserta fungsi dan beda
keduanya.
“https://www.nesabamedia.com/pengertian-
sinyal-analog-digital”. (diakses 4 November
2019)

[3] Nugraha, Beny. 2014. Pengolahan sinyal

digital transformasi fourier sinyal waktu
diskrit.
“https://www.slideshare.net/nugrahabeny/”
(diakses 4 November 2019)