2.1 Transformasi-Z
Transformasi-Z adalah bentuk lain dari transformasi Fourier. Bila transformasi Fourier
merepresentasikan suatu sinyal domain waktu kontinu ke dalam domain frekuensi, maka
transformasi-Z merepresentasikan sinyal dalam domain waktu diskrit ke dalam suatu domain
yang dinamakan domain-Z. Transformasi- Z menghasilkan deskripsi domain frekuensi dari
sinyal waktu diskrit, yang merupakan dasar bagi perancangan sistem digital, misalnya filter
digital (FIR dan IIR).
Filter digital dapat dibagi menjadi dua, yaitu filter digital FIR (Finite Impulse Response)
dan filter digital IIR (Infinite Impulse Response). Pembagian ini berdasarkan pada tanggapan
impulse filter tersebut. FIR memiliki tanggapan impulse yang panjangnya terbatas, sedangkan
IIR (Infinite Impulse Response) tidak terbatas.
Tanggapan sistem y(n) terhadap masukan eksponensial kompleks dari bentuk z 𝑛 untuk
sistem invariant waktu dan waktu diskrit linear dengan tanggapan impuls h(n) adalah:
y(n) = H(z) z 𝑛 (2.1)
Dengan H(z) adalah:
H(z) = ∑ h(n) z −𝑛 (2.2)
Transformasi-Z dari suatu sinyal waktu diskrit umum x(n) adalah seperti Persamaan 2.2
Dimana z adalah variable kompleks. Transformasi-Z dari x(n) biasanya ditulis sebagai z{x[n]}
dan hubungan antara x[n] dengan transformasi-Z yang ditunjukkan sebagai berikut:
z
x[n] X(z) (2.3)
Hubungan antara transformasi-Z dan transformasi Fourier untuk sinyal waktu diskrit
hampir sama dengan untuk sinyal waktu kontinyu, tetapi dengan beberapa perbedaan. Pada
waktu kontinyu, transformasi Laplace diubah menjadi transformasi Fourier bagian real dari
transformasi sama dengan nol. Jika dijabarkan dalam bidang – s, transformasi Laplace diubah
menjadi transformasi Fourier pada sumbu imajiner. Sebaliknya transformasi-Z diubah menjadi
transformasi Fourier ketika magnitude bernilai satu. Jadi transformasi-Z diubah menjadi
transformasi Fourier di sekeliling bidang – z kompleks sesuai dengan lingkaran beradius satu dan
perannya dalam pembahasan transformasi – Z sama dengan peranan sumbu imajiner dalam
bidang – s untuk transformasi Laplace.
Sinyal suara analog akan dikenakan proses Analog to Digital Converter (ADC) dimana
sinyal suara akan kenakan proses sampling, kuantisasi dan coding sehingga menjadi suatu sinyal
digital. Syarat minimum agar konversi sinyal analog ke digital berjalan baik, dikenal dengan
syarat Nyquist yang menyatakan bahwa frekuensi sampling (fs) minimal adalah dua kali dari
frekuensi sinyal informasi (fi) tertinggi, yaitu:
Untuk tujuan simulasi perangkat lunak kita bisa memanfaatkan fungsi standar berikut ini:
𝐵 = 𝐹𝐼𝑅1 (𝑁. 𝑊𝑛 ) (2.4)
Hal ini merupakan sebuah langkah untuk merancang filter digital FIR dengan orde sebesar
N, dan frekuensi cut off Wn. Secara default oleh Matlab ditetapkan bahwa perintah tersebut akan
menghasilkan sebuah low pass filter (LPF). Perintah ini akan menghasilkan koefisien-koesifien
filter sepanjang (N+1) dan akan disimpan pada vektor B. Karena dalam domain digital, maka
nilai frekuensi cut off harus berada dalam rentang 0<Wn<1.0. Nilai 1.0 akan memiliki
ekuivalensi dengan nilai 0,5 dari sampling rate (fs/2). Yang perlu Anda ketahui juga adalah
bahwa B merupakan nilai real dan memiliki fase yang linear. Sedangkan gain ternormalisasi
filter pada Wn sebesar -6 dB (Santoso, 2006).
(2.5)
sin[𝑤𝑐(𝑛 − 𝛼)
ℎ𝑑 (𝑛) =
𝜋(𝑛 − 𝛼)
Lalu setelah didapat response impulse ideal filter FIR, dihitung fungsi windowing (W(n)).
Penulis menggunakan 3 metode windowing yaitu Hamming window, Blackman window dan
Hanning window. Dimana masing-masing fungsi window ditunjukkan oleh Persamaan 2.6
Persamaan 2.7 dan Persamaan 2.8 berikut.
(2.6)
(2.7)
(2.8)
Dari kedua perhitungan di atas, didapat respon impulse aktual (H(n)) dari sebuah filter
dengan mengalikan respon impulse ideal (Hd(n)) dan fungsi masing windowing(W(n)). Setelah
mendapatkan koefisien response impulse, maka di lanjutkan dengan merancang algoritma dari
filter FIR.
BAB III
METODE PELAKSANAAN
Mulai
Input
persamaan z &
persamaan
respon
frekuensi
Transformasi
Display grafik
transformasi z &
respon frekuensi
Selesai
4.2 Pembahasan
Pada percobaan mengenai penggunaan transformasi- Z ini diharapkan agar mahasiswa
dapat memahami penggunaannya pada analisa respon frekuensi sistem FIR. Untuk prosesnya
bisa dilihat di algoritma dimana input dari proses tersebut adalah persamaan z dan respon
frekuensinya kemudian akan dikonversi dalam bentuk grafik agar lebih mudah menganalis dan
mengaitkan hubungan antara transformasi-Z dan respon frekuensi sehingga tujuan bisa tercapai.
Konsep pemikiran representasi domain terdiri dari tiga yaitu domain n dalam waktu
diskrit terdiri dari sequence, impulse response, dan persamaan beda lalu domain w yaitu yang
terdiri dari frekuensi respon dan representasi spectral serta domain-Z yang terdiri dari operator
dan pole zero. Apabila kasus sulit terpecahkan pada suatu domain tertentu maka transformasi ke
domain lain yang lain akan mudah menyelesaikannya. Definisi dari transformasi-Z sendiri adalah
perubahan dari domain n menjadi domain z. Sedangkan dalam filter FIR sendiri terdapat operasi
konvolusi yang memiliki koefisien-koefisien yang telah kita pelajari sebelumnya. Jadi
persamaan filter yang terdiri dari domain n ditransformasi ke dalam domain z dan akan diperoleh
nilai zero dari persamaan z tersebut. Dalam domain w sendiri terdapat pengali dalam bentuk
bilangan kompleks dimana nilai kompleks 𝑒 𝑗𝑤𝑘 bernilai sama dengan z. Lalu mengenai bidang z
dan unit circle dimana respon frekuensi periodik dengan frekuensi 2 sehingga kita perlu
melakukan evaluasi sepanjang satu periode dari frekuensi - hingga . Suatu filter FIR dicirikan
oleh nilai-nilai zeronya dimana kita bisa mencari sendiri letak zero dan polenya.
Pertama-tama akan dibahas mengenai band pass filter. Sebelum itu maka dapat dipelajari
mengenai running sum filter dimana memiliki bentuk suatu deret geometri dengan pembilang
dan penyebut.
Dapat terlihat bahwa pada persamaan awal yang terdapat dalam listing adalah sebagai berikut.
B=[exp(j*2*pi/10);exp(j*4*pi/10);exp(j*6*pi/10);exp(j*8*pi/10);exp(j*10*pi/10);exp(j*12*pi/1
0);exp(j*14*pi/10);exp(j*16*pi/10);exp(j*18*pi/10)]
untuk ditransformasi pada bidang z lalu persamaan frekuensi hasil transformasi yaitu
H_w = 1 + exp(-j*w) + exp(-j*w*2) + exp(-j*w*3) + exp(-j*w*4) + exp(-j*w*5) + exp(-
j*w*6)+ exp(-j*w*7)+ exp(-j*w*8)+ exp(-j*w*9) dimana memiliki batas frekuensi sebesar w=-
pi:.01:pi . Pada gambar pertama terdapat hasil transformasi – Z dimana memiliki 10 titik zero
(salah satunya adalah pole) di antara nilai k 0 sampai 9 dan polenya terdapat di tengah-tengah
lingkaran. Grafik transformasi – z tersebut disajikan dalam sumbu bagian real dan bagian
imajiner (posisi dari tiap-tiap zero . Setelah itu juga disajikan grafik dalam respon frekuensi
dimana sumbu x menunjukkan posisi real maupun imajiner dari zero dan sumbu y yang
menyatakan nilai k dimana nilai k itu mulai dari 0 sampai L-1. Jumlah ripple menunjukkan
banyaknya zero yang dikurangi dengan pole sejumlah 9 yang tersebar seimbang pada grafik
respon frekuensi. Pole di dalam filter ini berada pada posisi 0.
Kemudian terdapat juga band pass filter komplek dimana memuat persamaan komplek
tentunya. Dalam filter ini, pada low pass filter posisi w=0 digeser sehingga polenya juga
bergeser. Selanjutnya akan dijelaskan mengenai band pass filter komplek pada sebuah persamaan
berikut.
B=[1;exp(j*2*pi/10);exp(j*6*pi/10);exp(j*8*pi/10);exp(j*10*pi/10);exp(j*12*pi/10);exp(j*14*
pi/10);exp(j*16*pi/10);exp(j*18*pi/10)]
Lalu persamaan respon frekuensi H_w = (1 - exp(j*0*pi/10-j*w)).*(1 - exp(j*2*pi/10-
j*w)).*(1 - exp(j*2*3*pi/10-j*w)).*(1 - exp(j*2*4*pi/10-j*w)).*(1 - exp(j*2*5*pi/10-j*w)).*(1 -
exp(j*2*6*pi/10-j*w)).*(1 - exp(j*2*7*pi/10-j*w)).*(1 - exp(j*2*8*pi/10-j*w)).*(1 -
exp(j*2*9*pi/10-j*w)) ; . Terlihat pada gambar jika terdapat 10 titik zero beserta polenya. Jika
kita membedakan dengan grafik transformasi-Z sebelumnya ada perbedaan pada letak zeronya
dimana ada pergeseran berlawanan arah jarum jam. Lalu pada grafik respon frekuensi
menunjukkan bahwa amplitudonya cenderung berada di sisi kanan (positif).
Jadi bisa disimpulkan bahwa persamaan-persamaan pada filter tadi efektif untuk melihat
respon frekuensi dan tidak efektif untuk mencari koefisien-koefisien pada band pass filter. Maka
pada solusi pertama kita perlu mendefinisikan suatu operator baru dimana ada pembagi r dimana
nilai z setara dengan z/r dan solusi kedua dengan cara menghitung langsung.
Cara mendesain dengan koefisien-koefisien tidak komplek yaitu dengan band pass filter
koefisien real dimana memiliki persamaan cosine. Di dalam filter ini terdapat dua persamaan
transformasi dimana memiliki frekuensi pusat yang berbeda. Pertama didefinisikan persamaan z
B=[cos(0.4*pi);1;exp(j*2*pi/10);exp(j*6*pi/10);exp(j*8*pi/10);exp(j*10*pi/10);exp(j*12*pi/10)
;exp(j*14*pi/10);exp(j*18*pi/10)]; dan persamaan respon frekuensi H1_w = (1 - exp(j*0*pi/10-
j*w)).*(1 - exp(j*2*pi/10-j*w)).*(1 - exp(j*2*3*pi/10-j*w)).*(1 - exp(j*2*4*pi/10-j*w)).*(1 -
exp(j*2*5*pi/10-j*w)).*(1 - exp(j*2*6*pi/10-j*w)).*(1 - exp(j*2*7*pi/10-j*w)).*(1 -
exp(j*2*8*pi/10-j*w)).*(1 - exp(j*2*9*pi/10-j*w)) ; H2_w = (1 - exp(-j*0*pi/10-j*w)).*(1 -
exp(-j*2*pi/10-j*w)).*(1 - exp(-j*2*3*pi/10-j*w)).*(1 - exp(-j*2*4*pi/10-j*w)).*(1 - exp(-
j*2*5*pi/10-j*w)).*(1 - exp(-j*2*6*pi/10-j*w)).*(1 - exp(-j*2*7*pi/10-j*w)).*(1 - exp(-
j*2*8*pi/10-j*w)).*(1 - exp(-j*2*9*pi/10-j*w)) ; H_w = 0.5*H1_w + 0.5*H2_w; lalu
persamaan-persamaan tersebut diplot ke dalam grafik transformasi – z maupun respon
frekuensinya.
Hasil dari transformasi – z nya sama dengan band pass filter komplek di daerah batas
lingkaran namun memiliki nilai zero yang lain sejajar dengan pole lalu mengenai respon
frekuensinya terdapat perbedaan dari sebelumnya. Dimana ia memiliki dua peak karena terdapat
dua persamaan H pada awalnya. Jumlah ripplenya semakin sedikit menjadi 8.
BAB IV
KESIMPULAN
4.1 Kesimpulan
Kesimpulannya yaitu Transformasi-Z merepresentasikan sinyal dalam domain waktu
diskrit ke dalam suatu domain yang dinamakan domain-Z yang berupa lingkaran dalam sumbu x
dan y yang terdapat zero dan pole. Aplikasinya pada filter efektif untuk melihat respon frekuensi
dan tidak efektif untuk mencari koefisien-koefisien pada band pass filter.
DAFTAR PUSTAKA
Baese, U. Meyer. 2007. Digital Signal Processing with Field Prorammable Gate Arrays, New
York: Springer.
Karris, Steven T. 2007. Signal and System with MATLAB Computing and SIMULINK
Modeling 3rd . Ed. Orchard Publication.
Oppenheimer et al. 2000. Signals and System. Prentice- Hall International Inc.
Santoso, Tri Budi dan Miftahul Huda. 2006. Modul Praktikum Sinyal dan Sistem (Bagian 1 & 2).
Wang, Yishu.2005. Implementation of Digital Filter by Using FPGA,.Unpublished Thesis of
Bachelor. Bentley: Curtin University of Technology.