NAMA : AINUL SYA’BAN

NIM : H06201048
KELAS : ANALISIS SINYAL B
TUGAS 4 ANALISIS SINYAL

1. Jika x adalah sinyal masukan dan h adalah sinyal respon impuls. Convolusikan ke dua sinyal
tersebut sebagai (y). Nyatakan hasil convolusi sebagai disp keluaran. Buatlah keluaran sebagai
stem dan berilah xlabel ('sinyal n') dan ylabel('Amplitudo')
Jawab :
x = input ('data sinyal:');
h = input ('data response sinyal:');
y = conv(x,h)

data sinyal:[20 30 40 50]

data response sinyal:[60 70 80 90]

y=

1200 3200 6100 10000 9400 7600 4500

>> y = conv (x,h)

y=

1200 3200 6100 10000 9400 7600 4500

>> figure

stem(y), ylabel ('Amplitudo')

xlabel ('sinyal (y) n')

grid on

2. Plot sinyal hasil dari Konvolusikan sinyal berbentuk cos (2*pi*t) dan h = exp(-t) dimana
masukan Suatu sinyal mempunyai time sebesar 20, selang menghitung 0.1. Lebar sinyal mulai t =
-time: 0.1: time;
time = 20 >> x =cos(2*pi*t)
time = x=
20 Columns 1 through 12
>> t = -time:0.1:time 1.0000 0.8090 0.3090 -0.3090 -0.8090 -1.0000 -0.8090 -0.3090 0.3090 0.8090 1.0000 0.8090
t= Columns 13 through 24
Columns 1 through 12 0.3090 -0.3090 -0.8090 -1.0000 -0.8090 -0.3090 0.3090 0.8090 1.0000 0.8090 0.3090 -0.3090
-20.0000 -19.9000 -19.8000 -19.7000 -19.6000 -19.5000 -19.4000 -19.3000 -19.2000 -19.1000 -19.0000 -18.9000 Columns 25 through 36
Columns 13 through 24 -0.8090 -1.0000 -0.8090 -0.3090 0.3090 0.8090 1.0000 0.8090 0.3090 -0.3090 -0.8090 -1.0000
-18.8000 -18.7000 -18.6000 -18.5000 -18.4000 -18.3000 -18.2000 -18.1000 -18.0000 -17.9000 -17.8000 -17.7000 Columns 37 through 48
Columns 25 through 36 -0.8090 -0.3090 0.3090 0.8090 1.0000 0.8090 0.3090 -0.3090 -0.8090 -1.0000 -0.8090 -0.3090
-17.6000 -17.5000 -17.4000 -17.3000 -17.2000 -17.1000 -17.0000 -16.9000 -16.8000 -16.7000 -16.6000 -16.5000
Columns 37 through 48
-16.4000 -16.3000 -16.2000 -16.1000 -16.0000 -15.9000 -15.8000 -15.7000 -15.6000 -15.5000 -15.4000 -15.3000
Columns 49 through 60
-15.2000 -15.1000 -15.0000 -14.9000 -14.8000 -14.7000 -14.6000 -14.5000 -14.4000 -14.3000 -14.2000 -14.1000
Columns 61 through 72
-14.0000 -13.9000 -13.8000 -13.7000 -13.6000 -13.5000 -13.4000 -13.3000 -13.2000 -13.1000 -13.0000 -12.9000
Columns 73 through 84
-12.8000 -12.7000 -12.6000 -12.5000 -12.4000 -12.3000 -12.2000 -12.1000 -12.0000 -11.9000 -11.8000 -11.7000
h = exp(-t)
h=
1.0e+08 *

Columns 1 through 12
4.8517 4.3900 3.9722 3.5942 3.2522 2.9427 2.6626 2.4093 2.1800 1.9725 1.7848 1.6150
Columns 13 through 24
1.4613 1.3222 1.1964 1.0825 0.9795 0.8863 0.8020 0.7257 0.6566 0.5941 0.5376 0.4864
Columns 25 through 36
0.4401 0.3982 0.3603 0.3261 0.2950 0.2670 0.2415 0.2186 0.1978 0.1789 0.1619 0.1465
Columns 37 through 48
0.1326 0.1199 0.1085 0.0982 0.0889 0.0804 0.0728 0.0658 0.0596 0.0539 0.0488 0.0441
Columns 49 through 60
0.0399 0.0361 0.0327 0.0296 0.0268 0.0242 0.0219 0.0198 0.0179 0.0162 0.0147 0.0133
Columns 61 through 72
0.0120 0.0109 0.0098 0.0089 0.0081 0.0073 0.0066 0.0060 0.0054 0.0049 0.0044 0.0040

disp(y)

plot(y)

1200 3200 6100 10000 9400 7600 4500

figure
plot (y)

figure
stem(y),
title('cos(2*pi*t)')
ylabel ('sinyal')
xlabel('lebar sinyal')
grid on
3. Dua sekuen sebagai berikut:

x(n) = [6, 1, 20, 1, 0, 4, 8], 0 ≤ n ≤ 20

dan

h(n) = [2, 3, 2, 0, 2, 1] 1≤ n ≤ 3.
Catatan x(n) merupakan nomor induk mahasiswa saudara, minus H0.
Hitunglah konvolusi dari 2 sekuen di atas
Jawab :

>> figure
% nomor 3 stem(y)
%NIM : 61201048 grid on
x = [6, 1, 20, 1, 0, 4, 8]
x=
6 1 20 1 0 4 8
>> h = [2, 3, 2, 0, 2, 1]
h=
2 3 2 0 2 1
>> y = conv(x,h)
y=
12 20 55 64 55 18 69 54 17 8 20 8
>> disp(y)
12 20 55 64 55 18 69 54 17 8 20 8

4. Jika sinyal masukan adalah x = 0: .001:5; dan y = zeros(size(x)), y(900:1100)=1; bentuk sinyal
memenuhi persamaan y = y +.01.*rand(size(y)) dan c = exp(-(1:lenght(y))./30);
Tentukan konvolusi ke dua sinyal tersebut, setelah didapatkan konvolusi selanjutnya
"dekonvolusi sinyal" hasil dari konvolusi.
Catatan : terdapat 4 gambar ada peng'plot'an.

Jawab :
x = [0: .001:5];
y = zeros(size(x));
y(900:1100)= [1];
y = y +.01.*rand(size(y))
c= exp(-(1:length(y))./30);
y=
Columns 1 through 12
0.0003 0.0041 0.0066 0.0058 0.0098 0.0044 0.0078 0.0057 0.0002 0.0051 0.0041 0.0022
Columns 13 through 24
0.0023 0.0044 0.0092 0.0032 0.0028 0.0036 0.0050 0.0081 0.0023 0.0002 0.0030 0.0030
Columns 25 through 36
0.0083 0.0014 0.0081 0.0086 0.0055 0.0002 0.0051 0.0071 0.0070 0.0089 0.0070 0.0094
Columns 37 through 48
0.0001 0.0082 0.0003 0.0052 0.0065 0.0075 0.0028 0.0060 0.0089 0.0064 0.0079 0.0049
Columns 49 through 60
0.0040 0.0088 0.0071 0.0083 0.0001 0.0010 0.0054 0.0086 0.0026 0.0078 0.0064 0.0073

c= exp(-(1:length(y))./30)

c=
Columns 1 through 12
0.9672 0.9355 0.9048 0.8752 0.8465 0.8187 0.7919 0.7659 0.7408 0.7165 0.6930 0.6703
Columns 13 through 24
0.6483 0.6271 0.6065 0.5866 0.5674 0.5488 0.5308 0.5134 0.4966 0.4803 0.4646 0.4493
Columns 25 through 36
0.4346 0.4204 0.4066 0.3932 0.3803 0.3679 0.3558 0.3442 0.3329 0.3220 0.3114 0.3012
Columns 37 through 48
0.2913 0.2818 0.2725 0.2636 0.2550 0.2466 0.2385 0.2307 0.2231 0.2158 0.2087 0.2019

f = conv(y,c)
f=
Columns 1 through 12
0.0017 0.0065 0.0111 0.0191 0.0240 0.0249 0.0328 0.0382 0.0418 0.0484 0.0496 0.0565
Columns 13 through 24
0.0597 0.0587 0.0614 0.0625 0.0657 0.0728 0.0740 0.0718 0.0766 0.0773 0.0812 0.0833
Columns 25 through 36
0.0889 0.0932 0.0940 0.0959 0.0984 0.1001 0.1039 0.1075 0.1059 0.1068 0.1083 0.1062
Columns 37 through 48
0.1103 0.1083 0.1095 0.1084 0.1109 0.1117 0.1105 0.1120 0.1093 0.1111 0.1157 0.1190
Columns 49 through 60
0.1203 0.1228 0.1271 0.1283 0.1329 0.1339 0.1378 0.1377 0.1347 0.1326 0.1342 0.1340
Columns 61 through 72
0.1355 0.1333 0.1380 0.1402 0.1422 0.1413 0.1430 0.1426 0.1475 0.1436 0.1434 0.1454

i = deconv(f,c)
i=
Columns 1 through 12
0.0017 0.0050 0.0050 0.0086 0.0057 0.0017 0.0091 0.0066 0.0050 0.0082 0.0029 0.0088
Columns 13 through 24
0.0053 0.0009 0.0048 0.0032 0.0054 0.0096 0.0037 0.0003 0.0074 0.0032 0.0067 0.0050
Columns 25 through 36
0.0086 0.0075 0.0040 0.0051 0.0058 0.0051 0.0073 0.0073 0.0019 0.0045 0.0052 0.0015
Columns 37 through 48
0.0078 0.0017 0.0050 0.0026 0.0062 0.0046 0.0026 0.0053 0.0009 0.0056 0.0085 0.0073
Columns 49 through 60
0.0054 0.0067 0.0086 0.0055 0.0091 0.0056 0.0086 0.0045 0.0016 0.0024 0.0061 0.0043
Columns 61 through 72
0.0061 0.0024 0.0093 0.0070 0.0068 0.0039 0.0065 0.0045 0.0099 0.0009 0.0047 0.0069
 figure
plot(y)

figure
plot(c)

>> figure
plot(f)
 >> figure
plot(i)

5. Apakah yg dimaksudkan dengan proses dekonvulusi seperti di bawah ini

• Spiking Deconvolution
• Filter Inversi Least Square
• Predictive Deconvolution
• Inversi Source Wavelet
Jawab :

• Spiking Deconvolution yaitu digunakan untuk mengubah wavelet seismik menjadi spike.
Dekonvolusi paku memperpendek wavelet tertanam dan berusaha membuatnya sedekat
mungkin dengan paku. Bandwidth frekuensi data membatasi sejauh mana hal ini
dimungkinkan. Ini juga disebut dekonvolusi pemutih, karena mencoba mencapai spektrum
datar, atau putih. Dekonvolusi semacam ini dapat mengakibatkan peningkatan kebisingan,
terutama pada frekuensi tinggi.

• Filter Inversi Least Square yaitu menghasilkan nilai resistivitas dan ketebalan sebenarnya
yang sangat mendekati dengan model data sintetik yang telah dibuat. Sebuah wavelet input
yang berperilaku baik, seperti (1, - 12) sebagai lawan (- 12, 1), memiliki transformasi z
yang inversnya dapat diwakili oleh deret konvergen. Kemudian pemfilteran terbalik yang
dijelaskan di atas menghasilkan perkiraan yang baik untuk keluaran lonjakan nol lag (1, 0,
0).

• Predictive Deconvolution yaitu digunakan untuk mendesain wavelet yang dapat

merepresentasikan filter di dalam bumi, dapat menekan reverberasi (perulangan) dan
memperbaiki resolusi. Predictive Deconvolution merupakan proses yang meniadakan
 multiple (juga reverberasi dan ghosting). Dekonvolusi prediktif merupakan proses
mengaplikasikan informasi dari awal trace seismik untuk memprediksi sistem noise dan
multiple.

• Inversi Source Wavelet untuk mencari data dengan fasa non-minimum.