LANDASAN TEORI
memudahkan penulis dalam memecahkan suatu masalah yang terdapat dalam suatu
penelitian Skripsi.
2.1. Mikrokontroler
terdiri atas chip mikroprosessor, ROM (Read Only Memory) yang berisi
Memory) yang merisi program atau data sementara dan piranti input-output
komputer yang berukuran mikro dalam satu chip IC (integrated circuit) yang
terdiri dari prosessor, memori, dan antarmuka yang bisa diprogram. Jadi
disebut komputer mikro karena IC atau chip mikrokontroler terdiri dari CPU,
memori, dan jalur I/O (Input/Output) yang bisa kita kontrol dengan
10
11
sering disebut dengan GPIO (General Purpose Input Output Pins) yang
berarti pin yang bisa diprogram sebagai input atau output sesuai kebutuhan.
2.2. Arduino
lebih murah dibanding sistem yang ada pada saat itu. Pembuatan
perangkat tersebut berlanjut hingga pada bulan Mei 2011, sudah lebih
menjadi Arduino yang berarti “teman yang kuat” atau dalam versi
Shiloh, 2014).
lunak.
Arduino IDE adalah Tom Igoe, Gianluca Martino, David Meillis, dan
Nicholas Zambett.
Arduino:
a. Murah
(Djuandi, 2011).
b. Sederhana
(Djuandi, 2011).
clock speed 16MHz, koneksi USB, jack listrik header ICSP, dan
komputer dengan kabel USB atau daya eksternal dengan adapter AC-
berikut :
a. Catu Daya
pin suplai daya pada Arduino Uno yang disadur dari buku
1. VIN
ditoleransi pada pin ini adalah 7-12 volt. Melalui pin ini
2. 5V
3. 3V3
yang disusun secara seri. Arus yang keluar dari pin ini juga
50mA.
17
4. GND
b. Memori
internal dari 20-50 KΩ. Pin digital juga bisa digunakan untuk
1. Serial
logika “low” atau 0, dan VCC (5V atau 3V3) untuk nilai
2. Interupsi Eksternal
interupsi pada nilai yang rendah, tepi naik atau turun, atau
perubahan nilai.
3. PWM
sinyal analog.
4. SPI
SD.
5. LED
d. Komunikasi
e. Arduino Shields
a. Editor Program
b. Compiler
c. Uploader
(Djuandi, 2011).
2.3. Sinyal
Sinyal adalah besaran yang berubah dalam waktu dan atau dalam
seperti pada sinyal audio, Dimensi-2 seperti pada citra gambar, dan Dimensi-
Sinyal analog adalah sinyal yang mempunyai nilai untuk setiap waktu, sinyal
ini bersifat kontinyu terhadap waktu. Sinyal digital adalah sinyal yang
bersifat diskrit terhadap waktu. Sinyal digital berasal dari sinyal analog yang
di sampling, yang artinya mengambil nilai suatu sinyal analog mulai t=0,
digunakan dalam proses konversi sinyal analog menuju sinyal digital. Berikut
adalah variabel yang digunakan dalam proses konversi sinyal analog menjadi
sinyal digital :
2.3.1 N Sample
bentuk frekuensi yang diambil dalam satuan waktu (detik) dari analog
diubah ke dalam sinyal digital atau disebut juga dengan sinyal diskret
(discrete signal).
rumus berikut :
Tn = (2.1)
rate.
22
cos pada sinyal domain waktu yang berada pada sampling time
2.3.6 Periode
T= (2.3)
fb = (2.4)
berikut :
fo = fb*k (2.5)
2.3.9 Magnitudo
maka semakin kuat energi dalam suatu sinyal bahkan dalam suatu
persamaan berikut :
Mk = (2.6)
24
data periodik dan merupakan bentuk diskrit analog dari Hartley Transform
yang ditemukan oleh Ralph V.L. Hartley pada tahun 1942. DHT
Transform yang lebih efisien dalam kasus perhitungan yang melibatkan data
Cooley-Tukey. FFT dan FHT merupakan algoritma yang mirip, hanya saja
berfokus pada pemrosesan bilangan riil. Dengan berfokus pada bilangan riil,
bilangan riil. Jumlah operasi yang lebih sedikit membuat algoritma FHT
25
unggul dalam hal waktu pemrosesan data yang lebih singkat dibanding FFT
memori yang hampir sama. Hal ini dibuktikan oleh Manish Soni dan Padma
yang menunjukkan hasil perbandingan antara FFT dan FHT seperti yang
tercantum pada Tabel 2.1, Tabel 2.2, dan Tabel 2.3 (Soni & Kunthe, 2011).
FFT Order
Algorithm
16 64 256 1024 4096 16384
FFT RAD2 20 60 260 1960 6800 30500
FFT RAD4 20 60 300 1800 6940 29000
FHT 20 40 120 560 3240 14020
memori seperti yang ditampilkan pada Tabel 2.3, akan tetapi FHT memiliki
ukuran FFT order. Tabel 2.2 menunjukkan bahwa FHT juga memiliki
1024 point FFT. Selain keunggulan dalam kecepatan proses, FHT juga
domain waktu dalam deret bilangan riil menjadi data dalam deret bilangan
∑ ( ) (2.7)
Keterangan :
Algoritma FHT secara teori divide and conquer pada awalnya akan
sequence yaitu x1(n) dan x2(n). Pemecahan N-point sequence x(n) menjadi
dan
Sequence pertama, x1(n) berisi angka genap dari x(n), dan x2(n) berisi
∑ (( ) ) ∑ (( ) )
(2.10)
kernel DHT sehingga x2(n) perlu dimodifikasi menggunakan DHT shift rule
Huruf c pada rumus DHT shift rule yang ditunjukkan pada persamaan
( ) ( ) (2.12)
( ) ( ) (2.13)
sebagai
(( ) ) (( ) ) (2.14)
dan
(( ) ) (( ) ) (2.15)
persamaan 2.14 dan 2.15, maka nilai Xn(k) untuk semua k dapat ditunjukkan
( ) ( )
( ) (( ) ( )) ( )
(( ) ( )) ( )
{
(2.16)
mendapatkan suatu nilai dalam satuan baru seperti satuan decibel. Berikut
29
kali ini sinyal suara dengan frekuensi 1 Hz dan amplitudo 1 seperti yang
3. Setelah letak N ditentukan maka kita bisa mendapatkan nilai x(n) dengan
cara melihat posisi titik N dari amplitudo suatu sinyal. Dalam simulasi
berikut :
Pada Gambar 2.3 ditunjukkan bahwa nilai x(n) adalah sebagai berikut
x(0) = 0
x(1) = 0.707
x(2) = 1
x(3) = 0.707
x(4) = 0
x(5) = - 0.707
x(6) = -1
x(7) = - 0.707
( ) (
) ( ) (
) ( )
( ) (
) ( )=0
X0(0) = 0
( ) (
) ( ) (
32
) ( )
( ) (
) ( )
(
) ( )
=
berikut :
X0(0) = 0.000
X1(1) = 4.007
X2(2) = - 0.003
X3(3) = - 0.003
33
X4(4) = - 0.003
X5(5) = - 0.004
X6(6) = - 0.291
X7(7) = - 4.038
Limit didapatkan dari jumlah sampling (N) dibagi 2. Pada simulasi kita
adalah 8//2 = 4.
34
dua nilai Xn(k) pada bin yang termasuk dalam anggota Nyquist Limit lalu
kemudian dibagi dengan jumlah sampling point (N). Dalam simulasi kali
ini maka nilai yang diproses hanyalah pada frekuensi bin dibawah
X0(0) = 0.000*2/8 = 0
Dari hasil perhitungan diatas, tampak bahwa nilai X1(1) adalah 1.002
baik karena magnitudo pada bin sinyal diskret hamper sama dengan
10. Dengan dikonversinya nilai FHT kedalam satuan decibel, maka grafik
dari nilai akhir yang akan ditampilkan pada tampilan spectrum analyzer
2.5. Prototipe
model yang mula-mula (model asli) yang menjadi contoh; contoh baku.
Model prototipe bisa juga diartikan sebagai contoh desain dan juga contoh
sistem yang sudah jadi namun belum berfungsi secara sempurna. Prototipe
sistem potensial yang memberikan ide bagi para pengembang dan calon
pengembangannya yaitu :
a. Prototipe Evolusioner
b. Prototipe Persyaratan
36
2.6. Bahasa C
aras tinggi) dan bahasa pemrograman tingkat rendah (bahasa aras rendah).
Bahasa aras rendah artinya bahasa yang berorientasi pada mesin dan bahasa
bahasa yang berisi sandi – sandi yang mudah dipahami oleh mesin namun
teliti bagi pemrogram karena perintahnya harus rinci, ditambah lagi masing
pindah ke register AX dengan nilai 1111. Bahasa aras tinggi relatif mudah
digunakan pada komputer. Contoh bahasa aras tinggi adalah bahasa C, C++,
2.7. Suara
amplitudo dan semakin tinggi tingkat tekanan suara maka semakin nyaring
2.8. Kebisingan
menyebabkan rasa sakit atau yang menghalangi gaya hidup. (JIS Z 8106
2.9.Kajian Pustaka
dan hasil yang lebih jernih saat sinyal suara disusun kembali oleh
ini adalah sinyal suara dengan nilai rata-rata magnitudo sebesar 0.6
magnitudo 0.2 hingga 0.8 dan sinyal yang sudah dideskripsi juga
magnitudo, dan fase dari sinyal suara senjata api. Metode yang
transform dan HPS dari algoritma DTHT. Hasil dari penelitian ini
2012).
tema kompresi file audio ini adalah suatu file audio yang memiliki
data audio dan juga media simpan karena ukuran berkas yang cukup
algoritma DWT yang hanya mencapai 18. Peak signal to noise ratio
39.5. Nilai compression factor yang mampu dicapai oleh FHT adalah
kualitas yang tidak jauh berbeda dengan data asli meskipun ukuran
and the use of the Whitened Hartley spectrum as a tool for phase
menjadi spektrum fase akibat bilangan imajiner dan bilangan riil hasil
berkas audio digital yang berisi konten komplek seperti musik atau
hingga 0.92 dan nilai Bit Error Ratio (BER) sebesar 9% hingga 12%.
Hal ini menunjukkan hasil yang sangat baik bila dibandingkan dengan
metode lain yang menghasilkan nilai NC sebesar 0.40 hingga 0.99 dan
Tabel 2. 4. Persamaan dan Perbedaan Artikel yang Direview dengan Penelitian yang Dilakukan
Penulis Perbedaan
Persamaan
(Tahun)
Variabel yang digunakan adalah frekuensi. Metode Sinyal suara yang digunakan pada artikel adalah suara rekaman
yang digunakan untuk mengkonversi sinyal suara dari pidato, sedangkan pada penelitian sinyal suara yang
Kuriakose, M. dari domain waktu ke domain frekuensi adalah digunakan adalah pink noise dan suara dari sound system. Dalam
(2013) FHT. artikel, algoritma FHT digabung dengan OFDM sedangkan pada
penelitian, algoritma yang digunakan hanya FHT
Variabel yang digunakan yaitu magnitudo dan Sinyal suara yang digunakan pada artikel adalah suara rekaman
frekuensi dari sinyal suara. Metode yang digunakan dari senjata api, sedangkan dalam penelitian penulis
untuk mengkonversi sinyal suara dari domain waktu menggunakan pink noise dan suara musik dari sebuah acara
Paraskevas, I ke domain frekuensi adalah FHT. langsung. Dalam artikel, hasil perhitungan FHT yang diolah
(2012) lanjut adalah magnitudo dan fase sedangkan dalam penelitian
hasil perhitungan FHT langsung ditampilkan dalam bentuk
spektrum magnitudo.
Variabel yang digunakan adalah frekuensi pada Variabel yang digunakan pada artikel adalah frekuensi dan hasil
suatu sinyal suara, metode yang digunakan untuk konversi FHT langsung diberi threshold sedangkan dalam
konversi sinyal suara adalah algoritma FHT penelitian variable yang digunakan adalah frekuensi dan
Bousselmi, S., magnitudo serta tidak adanya pembatasan koefisien pada hasil
Aloui, N., & konversi. Sinyal suara manusia menjadi variabel dalam artikel,
Cherif, A. dalam penelitian pink noise dan suara dari sound system. Metode
(2017) yang digunakan dalam artikel adalah gabungan algoritma FHT
dengan New Modified Run Length Encoding, dalam penelitian ini
algoritma FHT digunakan untuk mengkonversi sinyal suara dari
domain waktu ke frekuensi kemudian ditampilkan dalam bentuk
46
Penulis Perbedaan
Persamaan
(Tahun)
magnitudo spectrum.
Proses awal perhitungan menggunakan algoritma Variabel yang digunakan dalam artikel adalah fase suara, dalam
Paraskevas, FHT untuk mengubah sinyal suara dari domain penelitian variabel yang digunakan adalah frekuensi dan
I., waktu ke domain frekuensi. magnitudo dari sinyal suara. Algoritma FHT dilanjutkan dengan
Barbarosou, proses Whitened Hartley Transform untuk mengubah hasil
M., & konversi FHT menjadi spektrum fase dalam artikel, dalam
Chilton, E. penelitian penulis hasil konversi algoritma FHT langsung
(2015) ditampilkan dalam bentuk magnitudo spectrum.
Variabel yang digunakan adalah frekuensi sinyal Variabel yang digunakan dalam penelitian adalah magnitudo dari
suara dan algoritma FHT digunakan dalam sinyal suara. Dalam artikel tujuan penelitian adalah membuktikan
Dhar, P., mengubah sinyal suara dari domain waktu ke bahwa algoritma FHT yang digabung dengan non-negative
Hasan, E. domain frekuensi. Matrix Factorization bisa digunakan sebagai alternatif dalam
(2017) memberi watermark pada file audio sedangkan pada penelitan,
hasil konversi langsung ditampilkan tanpa ada proses lanjut
47
Lima artikel sudah di review oleh peneliti dan dari review yang