1 Pendahuluan 2
1.1 Pengantar DSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Energi dan Daya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Sinyal Dan Energi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Periodisitas dan Frekuensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.4 Medium dan Frekuensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Sinyal-Sinyal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Sinyal Sinusoidal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Sinyal Eksponensial Kompleks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Sinyal Superposisi Eksponensial Kompleks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Konsep Harmonically Related Complex Exponential Signals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Konsep Frekuensi Analog dan Digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Deret Fourier Untuk Sinyal Periodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 Tranformasi Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Analog-to-Digital Conversion dan Proses Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Sifat Frekuensi Hasil Analog-Digital Conversion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1
1 Pendahuluan
1.1 Pengantar DSP 2. Perhatikan bahwa bila resistor bernilai 1 Ohm, maka energi yang didisipasi adalah
1. Sinyal adalah model dari besaran fisik yang berubah terhadap waktu. ˆ t2
E= v 2 (t)dt (1.1.3)
2. Besaran ini bisa dideteksi dengan alat ukur apabila ia memiliki cukup energi E serta t1
pada durasi waktu yang cukup.
dengan daya
3. Agar energi cukup, maka sinyal perlu memiliki sifat pengulangan terhadap waktu (per-
iodisitas) menurut frekuensi pengulangan. ˆ t2
1
P = v 2 (t)dt (1.1.4)
4. Dengan energi yang cukup, sinyal bisa merambat dan menembus medium. t2 − t1 t1
5. Seberapa jauh sinyal dengan energi tertentu merambat melalui sebuah medium dan 3. Dalam konteks ini, baik arus listrik (i(t)) maupun tegangan listrik (v(t)) dipandang
masih tetap terdeteksi ditentukan oleh frekuensinya sebagai sinyal yang membawa informasi mengenai sumber dari energi yang dibawanya.
6. Medium dimodelkan sebagai sistem, yang memiliki input dan output. a) Dinamika berubahnya sinyal terhadap waktu mencerminkan dinamika sumber ener-
gi dari sinyal itu.
1.1.1 Energi dan Daya b) Sinyal listrik seperti v(t) dan i(t) adalah besaran dengan variabel independen waktu
yang kontinu (continuous time).
1. Arus listrik, misalnya, sebagai besar muatan listrik yang bergerak dalam satuan waktu
d
(i(t) = dt Q(t) Ampere) membawa energi, sehingga bisa diukur. c) Sinyal yang memiliki energi terbatas dalam rentang −∞ < t < ∞ disebut sinyal
energi.
a) Bila arus sebesar ini melalui sebuah hambatan (resistor) sebesar R ohm, maka
dalam durasi waktu[t1 , t2 ] resistor ini mendisipasi energi sebesar d) Sinyal yang memiliki daya terbatas dalam rentang tersebut disebut sinyal daya.
2
1 Pendahuluan
a) Meminjam analogi Pers (1.1.3) dan (1.1.4), sinyal analog disebut membawa energi
sebesar Tabel 1.1: Tabel sinyal x[n]
A B
1 n x[n]
ˆ t2 2 -5 0
E= x2 (t)dt (1.1.5) 3 -4 0
t1
4 -3 0
5 -2 1
b) dengan daya 6 -1 2
7 0 3
8 1 3
ˆ t2 9 2 1
1
P = x2 (t)dt (1.1.6) 10 3 1
t2 − t1 t1 11 4 0
12 5 0
13
2. Sinyal digital dimodelkan sebagai x[n], yaitu besaran yang berubah terahap indeks (wak-
tu) diskrit n.
a) Juga dengan meminjam analogi yang sama, energi yang dibawa sebuah sinyal
digital selama durasi indeks waktu [n1 , n2 ] didefinisikan sebagai
n2
X
E= x2 [n] (1.1.7)
n=n1
a) dengan daya
n2
1 X
P = x2 [n] (1.1.8)
n2 − n1 + 1 n=n
1
3
1 Pendahuluan
s ˆ
E = 12 + 22 + 32 + 32 + 12 + 12 = 25 1 t2
2
xrms ≡ |x(t)| dt (1.1.9)
t2 − t1 t1
3. dan daya
b) Untuk besaran digital dalam durasi indeks [1, N ]
1 2
1 + 22 + 32 + 32 + 12 + 12 = 2.27
P =
11 v
u
u1 X N
Contoh: Hasil yang sama diperoleh menggunakan spreadsheet pada Tabel 1.2. Perha- 2
xrms =t |x[n]| (1.1.10)
tikan bahwa pada spreadsheet, rumus untuk menghitung Energi pada sel B14 dan N n=1
Daya pada sel B15 memanfaatkan fungsi array1 yang tersedia pada spreadsheet.
a) sehingga bahwa untuk sinyal baik analog maupun digital berlaku
1 Padaspreadsheet seperti Microsoft Excel, fungsi array diperoleh dengan memasukkan formula pada sel
yang dipilih kemudian diikuti dengan menekan simultan tombol [ctrl − enter]. x[n + N ] = x[n] (1.1.13)
4
1 Pendahuluan
4. Sinyal periodik memiliki energi tak terhingga untuk durasi sinyal yang tak terhingga. b) Karakteristik utama sinyal digital adalah varibel independen dari sinyal digital tidak
Namun demikian sinyal ini dapat memiliki daya terbatas, yakni lagi waktu kontinu, melainkan waktu diskrit (discrete time).
ˆ c) Sebuah alat yang disebut analog to digital converter (ADC) dapat mengubah sinyal
T
1 2 analog menjadi sinyal digital.
P = x (t)dt = x2rms (1.1.14)
T 0
4. Sinyal digital juga merambat secara digital melalui sistem komputer dan jaringan data.
dan a) Sistem digital ini menjadi medium bagi sinyal digital, dan juga memiliki karakte-
ristik frekuensi.
N −1
1 X 2 b) Sehingga medium digital ini adalah juga filter, tepatnya filter digital.
P = x [n] = x2rms (1.1.15)
N n=0
e) Sifat medium yang menapis atau melalukan sinyal berdasarkan karakteristik freku- Bila T = 1/f , maka
ensi disebut filter. x(t + T ) = A cos (2πf t + 2π + θ) = A cos (2πf t + θ) = x(t). Artinya periodik.
3. Dengan hadirnya komputer, yang merupakan teknologi digital, maka sinyal dapat direp- 3. Sinyal digital juga mengenal bentuk sinuosidal
resentasikan sebagai data komputer.
a) Sinyal yang berupa data komputer ini disebut sinyal digital. x[n] = A cos (ωn + θ) = A cos (2πf n + θ) (1.2.2)
5
1 Pendahuluan
a) Namun sinyal ini tidak selalu periodik. i. semakin besar xrms secara proporsional,
k
b) Sinyal ini hanya periodik dengan periode N bila f = N adalah pecahan yang ii. dan semakin besar daya secara kuadratik.
sudah disederhanakan.
k
6. Melalui sinyal sinusoidal kita mengenal frekuensi (ω atau f ).
Contoh: Buktikan bila f = N adalah pecahan yang sudah disederhanakan, maka x[n]
pada Pers. (1.2.2) periodik dengan periode N . a) Frekuensi dari sinyal sinusoidal berhubungan erat dengan periodisitas.
Jawab: b) Bagi sinyal sinusoidal analog:
k k
x[n + N ] = A cos 2π N (n + N ) + θ = A cos 2π N n + 2πk + θ i. frekuensi adalah jumlah osilasi gelombang per satuan waktu
k
Karena f = N, maka ii. Frekuensi berbanding terbalik dengan periode.
k
x[n + N ] = A cos 2π N n + θ = A cos (2πf t + θ) = x[n] c) Bagi sinyal sinusoidal digital:
4. Frekuensi dari sinyal sinusoidal digital juga memiliki sifat periodik: i. adanya frekuensi tidak otomatis berarti periodik.
a) Sinyal dengan frekuensi ω1 dan ω2 = ω1 +2πk (k = · · ·−2, −1, 0, 1, 2, · · · ) adalah ii. sinyal sinusoidal yang unik hanya terbatas pada frekuensi −π < ω < π.
identik. d) Dan setiap sinyal sinusoidal membawa daya (atau energi rata-rata) yang besarnya
b) Jadi sinyal sinusoidal dengan frekuensi yang unik adalah sinyal sinuosidal yang berbanding lurus dengan kuadrat amplituda.
memiliki frekuensi −π < ω < π. e) Setiap sinyal sinusoidal membawa nilai RMS berbanding lurus dengan amplituda.
c) Sinyal sinusoidal pada frekuensi ω2 di luar interval ini merupakan alias (identik)
dengan ω1 di mana −π < ω1 < π dan ω2 = ω1 + 2πk. 1.2.2 Sinyal Eksponensial Kompleks
Contoh: Buktikan x1 [n] = A cos (ωn + θ) identik dengan x2 [n] =
1. Sinyal periodik yang sangat penting adalah sinyal eksponensial kompleks (complex expo-
A cos ((ω + 2πk)n + θ)
nential ).
Jawab: x2 [n] = A cos ((ω + 2πk)n + θ) = A cos (ωn + 2πkn + θ) =
A cos (ωn + θ) = x1 [n] a) Kita dapat mendefinisikan sebuah fungsi kompleks eksponensial menggunakan
fungsi sinusoidal menurut identitas Euler:
5. Sebagai sinyal periodik, energi sinyal sinusoidal tak terhingga.
a) Sehingga kita hanya bisa mengukur daya. ejx = cos x + j sin x
b) Daya sinyal sinusoidal analog adalah
b) Sebuah sinyal kompleks eksponensial analog dan digital masing-masing memiliki
bentuk
ˆ
1 T 2
P = A cos2 (ωt + θ)dt (1.2.3)
T 0 x(t) = cejωt ; x[n] = cejωn (1.2.5)
P = A2 /2 (1.2.4)
c) Sinyal eksponensial kompleks ini memiliki frekuensi ω dan amplituda kompleks c.
c) Hasil yang sama diperoleh juga untuk sinusoidal digital periodik. d) Karena identitas Euler, maka dengan mudah diperlihatkan bahwa semua sifat-sifat
sinyal sinusoidal di atas —periodisitas, frekuensi, dan daya— dapat berlaku pada
d) Dapat disimpulkan, besar daya dari sinyal sinusoidal ditentukan oleh besar ampli-
sinyal eksponensial kompleks.
tuda.
e) Semakin besar amplituda sinusoidal maka 2. Periode dari sinyal ini sama dengan periode dari sinusoidal.
6
1 Pendahuluan
3. Daya dari sinyal ini adalah d) Energi sinyal sinusoidal dibagikan kepada komponen frekuensi berbeda untuk di-
kirim oleh masing-masing komponennya.
2
P = |c| (1.2.6) e) Dengan demikian, perilaku filter terhadap sinusoid dapat dipelajari melalui perilaku
filter terhadap eksponensial kompleks.
4. Sebaliknya, dan ini lebih penting lagi, sinyal eksponensial kompleks dapat dianggap
sebagai komponen penyusun dari sinyal sinusoidal 6. Konsep bahwa energi sinyal yang merambat melalui medium dibawa oleh komponen
kompleks eksponensial dengan frekuensi tertentu melalui amplitudanya adalah konsep
a) Karena sinyal sinusoidal dapat diuraikan ke dalam sinyal eksponensial kompleks paling dasar dari dari pemrosesan sinyal.
melalui identitas
1.2.3 Sinyal Superposisi Eksponensial Kompleks
1 jx 1 1. Kita dapat memperluas cakupan peran sinyal eksponensial kompleks (sebagai pembawa
sin x = e − e−jx (1.2.7)
2j 2j energi pada frekuensi tertentu) dari sinyal sinusoidal ke kelas yang lebih luas yaitu sinyal
1 jx 1 −jx superposisi:
cos x = e + e (1.2.8)
2 2
N −1 N −1
b) Dengan demikian sinyal x(t) = A cos (ωt + θ) dapat ditulis menjadi X X
x(t) = sk (t) = ck ejωk t (1.2.12)
k=0 k=0
N −1 N −1
A j(ωt+θ) A j(ωt+θ) X X
x(t) = e + e (1.2.9) x[n] = sk [n] = ck ejωk n (1.2.13)
2 2
k=0 k=0
A jθ jωt A
= ( e )e + ( e−jθ )e−jωt (1.2.10)
2 2 2. Ini berarti sinyal x(t) (atau x[n]) jenis ini merupakan penjumlahan (superposisi) dari N
= s1 (t) + s2 (t) (1.2.11) buah komponen eksponensial kompleks sk (t) = ck ejωk t (dan sk [n] = ck ejωk n ).
a) Setiap komponen memiliki frekuensi ωk yang berbeda. Daya dari masing-masing
di mana s1 (t) = ( A2 ejθ )ejωt dan s2 (t) adalah konjugasi kompleks dari s1 (t).
komponen ini adalah
c) Dengan kata lain dua eksponensial kompleks s1 (t) dan s2 (t) adalah komponen
penyusun sinyal sinusoidal. Pk = |ck |
2
(1.2.14)
d) Karena setiap eksponensial kompleks memiliki frekuensi sendiri, maka s1 (t) dan
s2 (t) juga dibedakan melalui frekuensi nya. b) dan daya dari sinyal x(t) (atau x[n]) adalah jumlah dari daya komponennya:
A2 N −1
5. Perhatikan bahwa daya dari s1 (t) dan s2 (t) masing-masing adalah 4 , sehingga total X 2 2 2
2
daya adalah A2 seperti yang diperoleh sebelumnya. P = Pk = |c0 | + |c1 | + · · · + |cN −1 | (1.2.15)
k=0
a) Dengan kata lain komponen kompleks eksponensial adalah komponen pembawa
energi dari sinyal sinusoidal. 1.3 Konsep Harmonically Related Complex
b) Merambatnya sinyal sinusoidal ditentukan oleh merambatnya komponen ekspo-
nensial kompleks.
Exponential Signals
c) Kemampuan sinyal sinusoidal menembus medium ditentukan oleh kemampuan in- 1. Sebuah kasus khusus dari sinyal superposisi eksponensial kompleks adalah sinyal di mana
dividual eksponensial kompleks menembus medium ini. sk (t) = ck ejωk t (atau sk [n] = ck ejωk n ) terhubung erat satu sama lain.
7
1 Pendahuluan
a) Frekuensi yang satu merupakan kelipatan (harmonis) dari sebuah frekuensi dasar, 1.4 Konsep Frekuensi Analog dan Digital
yakni
1.4.1 Deret Fourier Untuk Sinyal Periodik
ωk = kω0 (1.3.1)
1. Kita dapat memperluas lebih lanjut sinyal superposisi ini dengan
b) Sinyal jenis ini berbentuk a) mendefinisikan sebuah sinyal yang periodik
N −1 N −1
X X ∞ ∞
x(t) = sk (t) = ck ejkω0 t (1.3.2) x(t) =
X
sk (t) =
X
ck ejkω0 t (1.4.1)
k=0 k=0
k=−∞ k=−∞
N
X −1 N
X −1
x[n] = sk [n] = ck ejkω0 n (1.3.3)
k=0 k=0 b) Sinyal superposisi ini periodik dengan perioda T = 2π/ω0 .
2. Daya dari masing-masing komponen ini masih tetap sama seperti sebelumnya. Demikian 2. Perhatikan bahwa untuk sinyal digital
juga daya totalnya. a) kita tidak perlu memperluas jumlah komponen sampai tak hingga, karena
3. Di sini sk (t) (atau sk [n]) adalah pembawa energi x(t) (atau x[n]) dengan daya sebesar sk+N [n] = sk [n], di mana periode N = 2πk/ω0 .
2
Pk = |ck | pada frekuensi ωk = kω0 . b) Sehingga kita cukup menggunakan komponen dasar sebanyak N buah:
4. Perhatikan bahwa sebuah sinyal dasar s0 (t) = c0 ejω0 t (atau s0 [n] = c0 ejω0 n ) cukup
untuk digunakan membangun komponen sinyal sk (t) (atau sk [n]) yang lain. N
X −1 N
X −1
x[n] = sk [n] = ck ejkω0 n (1.4.2)
a) Jadi sekarang komponen eksponensial terhubung secara harmonis. k=0 k=0
b) Setiap komponen adalah harmonis dari komponen dasar s0 (t) (atau s0 [n]).
3. Dengan membuat jumlah komponen sinyal eksponensial kompleks menuju tak hingga
5. Dengan demikian maka sinyal jenis ini adalah sinyal periodik dengan periode T = 2π/ω0 maka Fourier mengklaim bahwa semua sinyal periodik di dunia dapat memiliki bentuk
atau N = 2πk/ω0 (di mana f0 = ω k
2π = N adalah bilangan pecahan/rasional yang sudah
0
superposisi yang sama seperti ini.
disederhanakan).
PN −1 a) Yang membedakan satu sinyal periodik dengan yang lain adalah frekuensi dasarnya
Contoh: Buktikan bahwa x(t) = k=0 ck ejkω0 t periodik dengan periode T = 2π/ω0 . (ω0 ) yang ditentukan oleh periode (T atau N ) dari sinyal periodik ini.
Jawab: Perhatikan bahwa sk (t + T ) = ck ejkω0 (t+2π/ω0 ) = ck ejkω0 t ejk2π = b) Meskipun dua sinyal periodik berbeda, bila mereka memiliki periode yang sama,
ck ejkω0 t = sk (t). maka mereka menggunakan komponen sk (t) (atau sk [n]) yang persis sama.
PN −1 PN −1
Maka x(t + T ) = k=0 sk (t + T ) = k=0 sk (t) = x(t) c) Yang membedakan mereka adalah faktor ck . Sinyal yang satu memiliki ck yang
PN −1 jkω0 n
Contoh: Buktikan bahwa x[n] = k=0 ck e periodik dengan periode N = berbeda dengan sinyal yang lain itu.
2πk/ω0 .
2 4. Karena komponen pembawa frekuensi ejkω0 t selalu tetap untuk sinyal dengan perioda
Jawab: Perhatikan bahwa sk [n + N ] = ck ejkω0 (n+2πk/ω0 ) = ck ejkω0 n ejk 2π
. tertentu, maka besaran ck menjadi penting.
Sehingga sk [n + N ] = ck ejkω0 n = sk [n]
PN −1 PN −1 a) Dengan kata lain sebuah sinyal x(t) (atau x[n]) dapat direpresentasikan sepenuh-
Maka x[n + N ] = k=0 sk [n + N ] = k=0 sk [n] = x[n] nya oleh kumpulan koefisien {ck }, untuk k = · · · , −2, −1, 0, 1, 2, · · · .
8
1 Pendahuluan
b) Kumpulan koefisien ini membentuk deret 7. Sedemikian penting spektrum koefisien {· · · , c−2 , c−1 , c0 , c1 , c2 , · · · } ini sehingga Fo-
urier menurunkan cara cepat untuk mencari nya, yaitu melalui apa yang disebut deret
Fourier (atau dikenal juga dengan nama spektrum sinyal periodik):
{· · · , c−2 , c−1 , c0 , c1 , c2 , · · · }
ˆ
yang terkenal sebagai deret Fourier (Fourier series) dari sinyal periodik x(t) (atau 1
x[n]). ck = x(t)e−jkω0 t (1.4.3)
T T
N −1
5. Kita sekarang dapat mengatakan bahwa semua sinyal periodik x(t) (atau x[n]) dengan 1 X
ck = x[n]e−jkω0 n (1.4.4)
periode 2π/ω0 (atau 2πk/ω0 ) disusun oleh superposisi dari komponen sinyal eksponen- N n=0
2
sial kompleks sk (t) (atau sk [n]), masing-masing pembawa energi/daya sebesar |ck |
pada frekuensi kω0 . dimana T = 2π/ω0 dan N = 2π/ω0 .
6. Meskipun ada banyak jumlah komponen sinyal eksponensial kompleks sk (t) (atau sk [n]), a) Untuk sinyal analog, k = (−∞, ∞).
tidak semua signifikan. b) Sedangkan untuk sinyal digital, cukup k = [0, N − 1], karena ck+N = ck , artinya
selain sinyal periodik, koefisien juga periodik.
a) Signifikansi komponen ini bergantung dari besar energi/daya yang dibawanya.
2 8. Visualisasi dapat membantu memahami konsep spektrum ini. Untuk sinyal analog,
b) Dengan kata lain semakin besar |ck | , semakin penting sk (t) (atau sk [n]).
2 a) kita bisa mendefinisikan sumbu x sebagai garis frekuensi sepanjang −∞ < ω < ∞.
c) Bila pada k tertentu |ck | kecil maka sk (t) (atau sk [n]) pada k tersebut dapat
diabaikan. b) Pada garis ini kita meletakkan titik-titik frekuensi ωk = kω0 untuk k = (−∞, ∞).
2
d) Maka sinyal ini dapat mengambil bentuk Pers (1.3.2) dengan jumlah komponen c) Dan pada titik-titik frekuensi ini kita tarik garis-garis sejajar setinggi |ck | .
yang terbatas. d) Hasilnya adalah gambar power-density spectrum (PDS) dari sinyal x(t), atau sering
e) Sebagaimana sebelumnya daya total sinyal sinyal x(t) dan x[n] masing-masing diringkas spektrum.
adalah
9. Untuk sinyal digital, cara yang sama dapat dilakukan,
2
∞ a) tapi spektrum {|ck | } biasanya unik hanya untuk k = [0, N − 1].
2
X
P = |ck | 2
b) Untuk k di luar itu, spektrum {|ck | } diulang kembali karena {ck+N = ck }.
k=−∞
c) Karena itu garis spektrum bagi sinyal digital sebaiknya bukan garis lurus melainkan
garis lingkaran.
N −1
2
X
P = |ck | i. Garis lingkaran ini mampu menangkap esensi dari periodisitas spektrum digital.
k=0
ii. Di sini setiap frekuensi merepresentasikan sudut.
2
f) besaran |ck | disebut densitas daya (power density ) pada frekuensi kω0 , dan
1.4.2 Tranformasi Fourier
1. Pertanyaan kita sekarang apakah sinyal tidak periodik x(t) (atau x[n]) dapat juga
n o
2 2 2 2 2
· · · , |c−2 | , |c−1 | , |c0 | , |c1 | , |c2 | , · · ·
dinyatakan sebagai superposisi dari sinyal eksponensial kompleks? Apakah kita bisa
membayangkan adanya komponen frekuensi pembawa energi dalam bentuk eksponensial
dikenal sebagai spektrum densitas daya (power-density spectrum, PSD). kompleks?
9
1 Pendahuluan
2. Ternyata ya. Bila kita membayangkan sinyal aperiodik x(t) adalah limit dari sinyal ˆ ∞
periodik x̃(t) dengan periode menuju tak hingga, maka kita bisa melakukan pendekatan 1
x(t) = X(ω)ejωt dω (1.4.11)
yang serupa terhadap sinyal x(t). 2π −∞
a) Untuk itu kita mulai dengan mendefinisikan Transformasi Fourier dari x(t) sebagai h) Inversi ini memiliki bentuk seperti Pers. (1.4.1), sehingga intepretasi serupa bisa
ˆ ∞
dilakukan terhadap Pers. (1.4.11): sinyal aperiodik x(t) terdiri dari tak hingga eks-
X(ω) = x(t)e−jωt dt (1.4.5) ponensial kompleks dengan frekuensi yang berdekatan satu sama lain membentuk
−∞ garis kontinu.
b) Kemudian kita mengsumsikan x(t) tidak periodik dan berdurasi pendek (yakni, i. Spektrum dari x(t) adalah garis kontinu X(ω) yang merupakan densitas dari
x(t) = 0 untuk t di luar sebuah interval 0 ≤ t < T ). spektrum.
1
c) Maka kita bisa menggunakan x(t) ini untuk membentuk sebuah sinyal periodik ii. Koefisien atau amplituda dari eksponensian kompleks ejωt adalah 2π X(ω)dω.
x̃(t) dengan periode T , dengan cara mereplikasi x(t), 0 < t < T secara periodik, iii. Jadi energi dari sinyal aperiodik x(t) yang besarnya sesuai Pers (1.1.5) ini
sedemikian hingga dapat juga diperoleh melalui
( ˆ ∞
x̃(t), 0 ≤ t < T 1 2
x(t) = (1.4.6) E= |X(ω)| dω (1.4.12)
0, lainnya 2π −∞
2
d) Karena x̃(t) periodik dengan periode T , ω0 = 2π/T , maka x̃(t) memiliki deret i) Oleh sebab itu |X(ω)| adalah spektrum densitas energi (energy-density spe-
Fourier ctrum).
j) Secara visual, berbeda dengan power-density spectrum pada kasus sinyal periodik
ˆ T yang berupa garis-garis pada titik kω0 , energy-density spectrum ini adalah kurva
1
ck = x̃(t)e−jkω0 t dt (1.4.7) kontinu pada garis frekuensi sepanjang −∞ < ω < ∞.
T 0
ˆ 3. Konsep yang serupa dapat dikembangkan untuk sinyal digital aperiodik x[n].
1 T
= x(t)e−jkω0 t dt (1.4.8)
T 0 a) Kita dapat mendefinisikan transformasi Fourier untuk sinyal digital sebagai
ˆ
1 ∞
= x(t)e−jkω0 t dt (1.4.9)
T −∞ ∞
X
X(ω) = x[n]e−jωn (1.4.13)
e) jadi kita peroleh k=−∞
1 b) Asumsikan bahwa sinyal aperiodik x[n] ini berdurasi pendek, artinya memiliki nilai
ck = X(kω0 ) (1.4.10) untuk 0 ≤ n < N , dan x[n] = 0 di luar interval itu.
T
c) Kita dapat menggunakan sinyal ini untuk membentuk sinyal periodik x̃[n], dengan
f) Dengan kata lain, sinyal periodik x̃(t) hasil bentukan seperti ini memiliki spektrum periode N , sedemikian sehingga
yang merupakan hasil sampling dari transformasi Fourier dari x(t) pada titik titik
kω0 dengan skala T1 . (
x̃[n], 0 ≤ n < N
g) Lebih penting lagi, dapat diperlihatkan bahwa inversi dari transformasi Fourier x[n] = (1.4.14)
adalah 0, lainnya
10
1 Pendahuluan
d) Maka sinyal periodik x̃[n] ini memiliki spektrum c) Jadi besar energi yang dibawa oleh eksponensial kompleks pada titik frekuensi ω
1 2 2
adalah 2π |X(ω)| dω. Oleh sebab itu, |X(ω)| dikenal juga sebagai energy-density
spectrum dari x[n].
N −1
1 X
ck = x̃[n]e−jkω0 n (1.4.15) 6. Sebagai catatan terakhir, meskipun penjelasan di atas mengasumsikan bahwa x(t) dan
N n=0
x[n] aperiodik, definisi transformasi Fourier sendiri tidak mengasumsikan hal ini.
∞
1 X a) Asumsi yang digunakan transformasi Fourier hanyalah bahwa integrasi dan sumasi
= x[n]e−jkω0 n (1.4.16)
N n=−∞ pada persamaan transformasi Fourier itu sendiri konvergen.
1 b) Dan spektrum sinyal periodik ck dapat diintegrasikan ke dalam kerangka transfor-
= X (kω0 ) (1.4.17)
N masi Fourier X(ω) dengan mengintroduksi sinyal δ(t) dan δ[n].
c) Dengan kata lain transformasi Fourier X(ω) adalah karakterisasi frekuensi dari
sinyal umum (periodik maupun aperiodik), yang dapat menjelaskan perilaku per-
4. Serupa dengan pada kasus sinyal analog, sinyal periodik x̃[n] hasil bentukan seperti ini ambatan sinyal melalui medium.
memiliki spektrum yang merupakan hasil sampling dari transformasi Fourier dari x[n]
pada titik titik kω0 dengan skala N1 . 7. Sebagai kesimpulan, kita dapat mengatakan bahwa setiap sinyal (x(t) maupun x[n])
a) Perbedaan utama adalah sifat periodisitas dari X(ω). Perhatikan bahwa X(ω + dapat dipandang sebagai superposisi (untuk sinyal periodik) atau integral (untuk si-
k2π) = X(ω). nyal umum aperiodik atau periodik) dari sinyal komponen yang bernama eksponensial
kompleks.
b) Jadi kita cukup memperhatikan X(ω) pada suatu interval −π/2 < ω < π/2,
karena X(ω) di luar itu adalah replikasi dari X(ω) dalam interval ini. a) Eksponensial kompleks inilah yang merambat dan menembus medium, sehingga
mengakibatkan sinyal (x(t) maupun x[n]) dapat merambat.
c) Lebih penting lagi, X(ω) pada interval −π/2 < ω < π/2 ini cukup untuk mere-
konstruksi x[n] kembali. b) Sinyal eksponensial kompleks ini terdiri dari dua elemen: (i) frekuensi tertentu ω
dan (2) koefisien/amplituda ck (untuk sinyal periodik) atau H (ω) (untuk sinyal
d) Kita dapat memperlihatkan bahwa inversi dari transformasi Fourier adalah
umum aperiodik atau periodik).
ˆ π c) Frekuensi ini yang menyebabkan komponen kompleks eksponensial dapat meram-
1
x[n] = X(ω)ejωn dω (1.4.18) bat melalui medium, sambil masing-masing komponen ini membawa daya (untuk
2π −π
sinyal periodik) atau energi (untuk sinyal aperiodik) sebesar kuadrat dari magnitu-
e) Jadi sinyal x[n] dapat dipandang terdiri dari tak-hingga komponen-komponen da koefisien/amplituda atau kuadrat dari magnitude transformasi Fourier, untuk
ekponensial kompleks pada frekuensi di sebuah interval garis frekuensi −π/2 ≤ dapat diamati penerima.
ω < π/2 (yang secara visual membentuk lingkaran untuk memperlihatkan perio-
disitas).
1.5 Analog-to-Digital Conversion dan Proses Sampling
1
5. Besar amplituda sebuah ekponensial kompleks pada titik frekuensi ω adalah 2π X(ω)dω.
1. Sinyal digital x[n] bisa diperoleh dari sinyal analog x(t), melalui sebuah alat/sistem
a) Oleh sebab itu X(ω) sering disebut spektrum dari x[n]. bernama analog to digital converter (ADC).
b) Dan selain menggunakan Pers. (1.1.7) energi yang dibawa sinyal ini dapat dihitung
a) Secara sederhana ADC melakukan proses sampling secara periodik.
juga melalui spektrum nya, yakni
b) Perioda sampling (T ) dan frekuensi sampling (Fs ) terhubung dengan Fs = 1/T .
ˆ π
1 2 c) Misalkan perioda sampling T = 0.125 detik, maka dalam satu detik proses sam-
E= |X(ω)| dω (1.4.19)
2π −π pling terhadap x(t) akan menghasilkan 8000 sample x[n], dan Fs = 8000 Hz.
11
1 Pendahuluan
ω = ΩT (1.6.3)
1.6 Sifat Frekuensi Hasil Analog-Digital Conversion
atau secara ekivalen
1. Apa hubungan antara spektrum x(t) dengan spektrum x[n] hasil sampling?
f = F/Fs (1.6.4)
2. Berdasarkan karakteristik frekuensi, sinyal analog x(t) memiliki bentuk Pers. (1.4.11):
sehingga
ˆ ∞
1
x(t) = Xa (Ω)ejΩt dΩ " ∞
#
2π −∞
X 1
Xd (ω) = Xa (Ω − kΩs ) (1.6.5)
T
k=−∞ Ω=ω/T
sedangkan sinyal digital x[n] memiliki bentuk Pers. (1.4.18):
5. Visualisasi dapat membantu, meskipun agak rumit.
ˆ π
1
x[n] = Xd (ω)ejωn dω a) Secara umum spektrum Xa (Ω) bersifat aperiodik sehingga sebaiknya divisualisa-
2π −π sikan sebagai kurva di garis frekuensi yang berbentuk garis lurus −∞ < Ω < ∞,
3. Perhatikan frekuensi analog dan digital masing-masing mendapat notasi Ω = 2πF dan b) sedangkan spektrum digital Xd (ω) bersifat periodik sehingga sebaiknya divisuali-
ω = 2πf agar keduanya mudah dibedakan. sasikan sebagai kurva di garis frekuensi yang berbentuk lingkaran −π ≤ ω < π.
c) Proses sampling menyebabkan ada tak-hingga buah kurva T1 Xa (Ω) digulung-
4. Maka proses sampling mengakibatkan gulung untuk membentuk lingkaran sehingga cocok dengan garis frekuensi yang
berbentuk lingkaran − Tπ ≤ Ω < Tπ .
d) Jadi ada tak-hingga gulungan kurva T1 Xa (Ω). Gulungan ke k (−∞ < k < ∞)
x[n] = x(nT ) (1.6.1) adalah T1 Xa (Ω) yang digeser secara sudut (diputar) sebanyak kΩs menjadi
ˆ π ˆ ∞ 1
1 1 T Xa (Ω − kΩs ) di mana Ωs = 2π/T , kemudian dari gulungan-gulungan di jumlah
Xd (ω)ejωn dω = Xa (Ω)ejΩnT dΩ (1.6.2) sehingga membentuk Xd (ω), menurut Pers. (1.6.5).
2π −π 2π −∞
12
1 Pendahuluan
6. Kita hanya membahas kasus khusus, di mana diasumsikan bahwa Xa (Ω) = 0 untuk
Ω diluar interval − Tπ ≤ Ω < Tπ . Sinyal yang memenuhi asumsi ini disebut memenuhi
kriteria Nyquist.
karena
∞
X
Xa (Ω − kΩs ) = Xa (Ω) (1.6.7)
k=−∞
∞
X
Xa (Ω − kΩs ) = X̃a (Ω) 6= Xa (Ω) (1.6.8)
k=−∞
c) akibat nya sinyal digital yang kita peroleh memiliki spektrum yang berbeda
1
Xd (ω) = X̃a (Ω) (1.6.9)
T Ω=ω/T
9. Untuk seterusnya kita hanya akan menangani sinyal x(t) yang memenuhi kriteria Nyqu-
ist.
13
2 Sistem LCCDE dan Implementasinya
x[n] y[n]
x1 [n] y[n] x1 [n] y[n] x[n] z −1 y[n]
SISTEM
(a) (b) (c)
x2 [n] x2 [n]
Gambar 2.1.1: Sistem.
Gambar 2.1.2: Sistem dasar: (a) penjumlahan sinyal, (b) perkalian skalar, dan (c) elemen
delay.
1. Sebuah sumber mengirimkan energi yang membawa sinyal x[n] (atau x(t)).
2. Karena sinyal mengandung energi dalam komponen frekuensi, maka sinyal dapat me- b) pengali sinyal dengan skalar, dan
rambat melalui medium sehingga tiba di pengamat.
c) penunda sinyal, (lihat Gambar 2.1.2) yang masing-masing dimodelkan dengan
3. Persoalannya, medium pun mengambil atau menambah energi dari sinyal sehingga energi
sinyal yang tiba di pengamat sudah berubah.
y[n] = x1 [n] + x2 [n]
4. Sinyal yang diamati di penerima bukan lagi sinyal x[n] (atau x(t)) tapi sinyal y[n] (atau
y(t)).
y[n] = αx1 [n]
5. Medium ini dapat dimodelkan dengan sebuah sistem yang menrima sinyal input x[n]
(atau x(t)) dan menghasilkan sinyal output y[n] (atau y(t)).
y[n] = x1 [n − k]
2.1 Sistem Pemroses Sinyal
3. Sebuah sistem yang disebut linear constant coefficient differential equation LCCDE orde
1. Sebuah sistem memiliki input sinyal x[n] (atau x(t)) dan menghasilkan output sinyal 2 memiliki bentuk
y[n] (atau y(t)).
a) Seringkali sistem direpresentasikan oleh persamaan input-output y[n] = F {x[n]}
(atau y(t) = F {x(t)}), sebagaimana diperlihatkan pada Gambar 2.1.1. a0 y[n] = −a1 y[n − 1] − a2 y[n − 2] + b0 x[n] + b1 x[n − 1] + b2 x[n − 2] (2.1.1)
b) Persamaan ini menjelaskan output y(t) (atau y[n]) apa yang akan diterima oleh
4. Contoh: Sebuah LCCDE orde dua memiliki nilai koefisien seperti diperlihatkan pada
pengamat saat sistem menerima input x[n] (atau x(t)) dari sumber.
Tabel 2.1.
c) Sinyal input x[n] (atau x(t)) sering disebut eksitasi (excitation) dan sinyal output
y[n] (atau y(t)) disebut respon (response). a) Bila sistem dimasuki oleh sebuah sinyal x[n] = {0, 1, 2, 3, 3, 1, 1, 0}, maka kita
dapat menghasilkan output y[n] menurut persamaan sistem.
2. Tiga sistem dasar adalah b) Dengan menggunakan spreadsheet, kita dapat menghitung y[n] misalnya 60 sam-
a) penjumlah sinyal, ples, menurut Tabel 2.2dan Gambar 2.1.3berikut.
14
2 Sistem LCCDE dan Implementasinya
15
2 Sistem LCCDE dan Implementasinya
5. Sistem analog dimodelkan secara serupa dengan c) sedangkan sinyal impuls didefinsikan sebagai
y(t) = x1 (t − T ) 5. Sebuah medium yang sempurna akan menembuskan step dan impuls secara utuh tiba
di penerima.
6. Tapi dalam praktek umumnya tidak demikian.
2.2 Sistem LTI
a) Medium/sistem mengubah input sinyal step menjadi output sinyal respons step
1. Sebuah sistem dapat bersifat linier, bila persamaan input-output memenuhi (step response) s(t) (atau s[n]), dan mengubah input sinyal impuls menjadi output
sinyal respons impulse (impulse response) h(t) (atau h[n]).
b) Umumnya s(t) 6= u(t), h(t) 6= δ(t), s[n] 6= u[n], dan h[n] 6= δ[n].
F {α1 x1 (t) + α2 x2 (t)} = α1 F {x1 (t)} + α2 F {x2 (t)} (2.2.1)
7. Semakin sempurna sebuah medium/sistem dalam melalukan sinyal, semakin dekat ben-
F {α1 x1 [n] + α2 x2 [n]} = α1 F {x1 [n]} + α2 F {x2 [n]} (2.2.2) tuk step respons pada unit step, dan semakin dekat bentuk impulse respons pada impuls.
2. Sebuah sistem disebut time invariant, bila persamaan input-output memenuhi 8. Contoh: Diketahui sistem seperti pada Contoh 2.1.1.
a) Untuk menghitung respons impulse h[n], kita bisa menggunakan cara yang sama
seperti pada contoh tersebut, namun input diganti dengan δ[n].
y(t − T ) = F {x(t − T )} (2.2.3) b) Pada Tabel 2.3 dan Gambar 2.2.1 diperlihatkan bahwa sinyal impuls keluar dari
y[n − N ] = F {x[n − N ]} (2.2.4) sistem ini berubah bentuk sama sekali.
3. Sistem disebut linier dan tak berubah waktu (linear time invariant, LTI) bila sistem
memiliki kedua sifat tersebut.
2.3 Konvolusi
4. Sifat sistem dapat dilihat juga dari kemampuannya menembuskan sinyal. 1. Bagi sistem LTI, karakterisasi sistem melalui respons impuls (h[n] atau h(t)) sangat
penting.
a) Untuk keperluan ini, dua sinyal paling sederhana adalah sinyal step dan sinyal
a) Karena dalam perspektif ini sinyal input x(t) dapat dipandang sebagai integrasi
impuls.
dari δ(t), sedangkan x[n] dapat dipandang sebagai superposisi dari sinyal impuls
b) Sinyal step didefinisikan sebagai δ[n].
b) Tepatnya,
(
1, t ≥ 0 ∞
u(t) = (2.2.5) X
0, t < 0 x[n] = x[k]δ[n − k] (2.3.1)
k=−∞
(
1, n ≥ 0 ˆ ∞
u[n] = (2.2.6)
0, n < 0 x(t) = x(τ )δ(t − τ )dτ (2.3.2)
−∞
16
2 Sistem LCCDE dan Implementasinya
∞
X
y[n] = x[k]h[n − k] (2.3.3)
k=−∞
17
2 Sistem LCCDE dan Implementasinya
2. Interpretasi bentuk ini adalah sebagi berikut. 5. Karena konvolusi bersifat komutatif,
a) Sebuah sistem dipandang memiliki pembangkit sinyal respons impuls. a) maka v[n] ⊗ w[n] = w[n] ⊗ v[n]
b) Setiap saat sistem menerima input yang terdiri dari serangkaian impuls (yak- b) dan v(t) ⊗ w(t) = w(t) ⊗ v(t).
ni x[k]δ[n − k]), sistem ini membangkitkan respons impuls yang sesuai (yakni
x[k]h [n − k]). c) Dengan demikian y[n] = h[n] ⊗ x[n] dan y(t) = h(t) ⊗ x(t),
c) Sistem kemudian mengabungkan semua respons impuls dari setiap impuls yang d) atau untuk sistem digital
masuk ini secara aditif, sehingga sistem dapat mengeluarkan output sebagai pen-
jumlahan dari respons impuls ini. ∞
X
y[n] = h[k]x[n − k] (2.3.7)
d) Dari cara pandang ini, setiap sample sinyal input (x[k]) memboboti setiap respon
k=−∞
impuls (yakni x[k]h [n − k]).
ˆ ∞ ˆ ∞
y(t) = x(τ )h(t − τ )dτ (2.3.4) y(t) = h(τ )x(t − τ )dτ (2.3.8)
−∞ −∞
∞
7. Pada kasus sistem analog, intepretasi serupa dapat dibuat.
X
v[n] ⊗ w[n] = v[k]w[n − k] (2.3.5) a) Di sini jumlah subsistem menjadi sangat banyak dan rapat dari segi waktu, sehingga
k=−∞ konsep densitas dari subsistem menjadi lebih sesuai.
ˆ ∞
v(t) ⊗ w(t) = v(τ )w(t − τ )dτ (2.3.6) b) Untuk respons impuls h(τ )dτ , (densitas) subsistem menunda input sejauh durasi τ
−∞
kemudian membobotinya dengan respons impuls h(τ )dτ , menjadi h(τ )dτ x(t − τ ).
b) sehingga c) Maka gabungan (integrasi) dari semua sinyal hasil densitas subsistem menghasilkan
sinyal output y(t).
8. Contoh: Karena kita sudah mengetahui response impulse dari sistem pada Contoh ??,
y[n] = x[n] ⊗ h[n]
maka kita bisa menggunakan konvolusi untuk menghitung output y[n] dari input x[n]
y(t) = x(t) ⊗ h(t) = {0, 1, 2, 3, 3, 1, 1, 0}.
18
2 Sistem LCCDE dan Implementasinya
Tabel 2.4: Output dari sistem melalui konvolusi dengan respons impulse menurut spreadsheet
A B C D
1 n x[n] h[−n] y[n]
2 -59 0 0.000380119 0
3 -58 0 9.86231E-05 0
4 -57 0 -0.000345912 0
.. .. .. .. ..
. . . . .
59 -2 0 2.108289696 0
60 -1 0 1.414004769 0
61 0 1 1.356789856 1.356789856
62 1 2 4.127584481
63 2 3 9.006668802
Gambar 2.3.1: Kurva output hasil konvolusi dengan respons impulse.
64 3 3 14.10244827
65 4 1 15.4617216
a) Dalam praktek, kita membatasi respons impulse h[n] misalnya untuk 60 sample 66 5 1 13.91480459
pertama, sehingga aproksimasi dari output menjadi 67 6 0 6.907056044
68 7 0 -0.393006652
59 69 8 0 -5.62727172
X
y[n] ' h[k]x[n − k] 70 9 0 -6.714910757
k=0 71 10 0 -4.175708386
.. .. .. ..
b) Maka kita bisa memperoleh hasil perhitungan output sebagaimana diperlihatkan . . . .
pada Tabel 2.4 dan Gambar 2.3.1 berikut. 119 58 0 0 -0.004623447
120 59 0 0 -0.003580681
c) Meskipun kita hanya melakukan aproksimasi dengan 60 sample respons impuls, Kode spreadsheet:
tetapi ternyata output yang dihasilkan sangat mendekati output dari sistem yang D61:=SUM(B2:B61*C$2:C$61) [ctrl+shift]-[enter]
dihitung melalui persamaan input-output, pada Contoh ??. D62:=SUM(B3:B62*C$2:C$61) [ctrl+shift]-[enter]
D63: dst
9. Jadi dapat disimpulkan sementara bahwa medium/sistem LTI memiliki respons impuls
yang menentukan bagaimana input dapat menembus medium/sistem.
a) Semakin rumit respons impuls semakin banyak proses yang dialami sinyal input
sebelum berhasil menebus medium/sistem.
b) Kita ingin agar respons impuls ini sesedikit atau sependek mungkin.
19
2 Sistem LCCDE dan Implementasinya
i. Sistem dengan durasi respons impuls yang pendek disebut sistem respons
impuls terbatas (finite impulse response, FIR).
c) Sayangnya keinginan kita ini tidak selalu dapat dipenuhi. v[n]
x[n] b b b
y[n]
i. Ada banyak medium/sistem yang memiliki respons impuls yang tak hingga
(infinite impulse respons, IIR). z −1 b0 z −1
ii. Akibatnya analisa perilaku sistem tidak selalu sederhana.
b b
b b
2.4 Direct Form LCCDE
z −1 bM−1 aN −1 z −1
1. Secara umum sebuah LCCDE digital dengan orde N berbentuk
N
X M
X
y[n] = − ak y[n − k] + bk x[n − k] (2.4.1)
bM aN
k=1 k=0
2. Sistem ini dapat diimplementasi menggunakan komputer atau spreadsheet, seperti pada Gambar 2.4.1: LCCDE Direct Form tipe 1.
contoh sebelumnya, dengan menggunakan diagram sistem seperti diperlihatkan pada
Gambar 2.4.1.
a) Bentuk ini disebut bentuk direct form tipe 1 karena bentuk ini langsung diperoleh
dari persamaan.
b) Jumlah komputasi yang diperlukan adalah kombinasi dari jumlah perkalian skalar,
penjumlahan, dan elemen delay.
Tabel 2.5: Jumlah komputasi untuk LCCDE dalam implementasi direct form.
c) Sebagaimana diperlihatkan pada Tabel 2.5, jumlah komputasi untuk direct form Komputasi Tipe I Tipe II
tipe I adalah 3M + 3N + 1.
Perkalian skalar N +M +1 N +M +1
3. Perhatikan bahwa sistem pada Gambar 2.4.1 ini dapat dianggap kaskade antara dua Perjumlahan N +M N +M
sistem FIR dan IIR, dengan persamaan sistem masing-masing: Elemen Delay N +M N
Jumlah 3N + 3M + 1 3N + 2M + 1
M
X
v[n] = bk x[n − k]
k=0
20
2 Sistem LCCDE dan Implementasinya
v[n]
x[n] FIR b
IIR y[n]
(a)
w[n]
x[n] IIR b
FIR y[n]
(b)
z −1 z −1 b0
N
X
y[n] = − ak y[n − k] + v[n] b b
k=1
a) Karena kedua sistem ini linier, maka kaskade ini bersifat komutatif, sebagaimana a1 z −1 z −1 b1
diperlihatkan pada Gambar 2.4.2. b b
b) Jadi kaskade ini dapat diubah menjadi kaskade antara dua sistem IIR dan FIR.
b a2 z −1 z −1 b2 b
N
X b b b b
w[n] = − ak w[n − k] + x[n]
k=1
b b
M
X aN −1 z −1 z −1 bM−1
y[n] = bk w[n − k]
k=0
c) Meskipun sinyal antara v[n] sudah berubah menjadi w[n], sinyal akhir yang diha-
aN bM
silkan tetap identik. Hasil komutasi ini diperlihatkan juga pada diagram sistem
pada Gambar 2.4.3.
Gambar 2.4.3: Kaskade dua sistem hasil komutasi.
d) Karena kedua subsistem ini menggunakan w[n−k] yang sama, maka kedua kaskade
dapat digabung dengan men-share elemen delay, sebagaimana diperlihatkan pada
2.4.4.
e) Bentuk ini disebut direct form tipe II.
f) Karena delay elemen digabung, maka terjadi penghematan sumberdaya komputasi.
Asumsi N ≥ M , maka jumlah sumber daya komputasi yang diperlukan tinggal
3N + 2M + 1.
21
2 Sistem LCCDE dan Implementasinya
x[n] b
y[n]
z −1 b0
b
a1 z −1 b1
b
a2 b2
x[n] b
y[n]
Gambar 2.5.1: LCCDE Orde 2 digital.
z −1 b0
b
a) dimana N = 2, dan N ≥ M .
a2 b2 b) Sistem ini memiliki persamaan input output sebagai berikut.
b b b
b b
b b b
b b
b b b
b b
2
X 2
X
y[n] = − ak y[n − k] + bk x[n − k] (2.5.1)
b
k=1 k=0
aN −1 z −1 bN −1
22
2 Sistem LCCDE dan Implementasinya
z −1 b10 z −1 bK0
b b b b b
2
X 2
X
y1 [n] = − a1k y1 [n − k] + b1k x1 [n − k]
k=1 k=0
2
X 2
X
y2 [n] = − a2k y2 [n − k] + b2k y1 [n − k]
k=1 k=0
.. .
. = ..
2
X 2
X
yK [n] = − aKk yK [n − k] + bKk yK−1 [n − k]
k=1 k=0
2.7 Penutup
1. Perilaku sistem dapat diamati melalui persamaan sistemnya.
2. Khusus untuk sistem LTI, perilaku sistem dapat dilihat dari respons impuls nya.
3. Sistem LCCDE dapat diimplementasi menggunakan direct form tipe I dan II.
4. Tipe II selalu digunakan karena menghemat sumber daya komputasi.
5. Sebuah sistem LCCDE dapat diimplementasi juga menggunakan kaskade dari sistem
orde dua.
23