Oleh :
Nama : Diki Ramanda
Nim : 2020203020009
Kelas : TRJT 2A
Semester :4
Kelas : TRJT 2A
Nim : 2020203020009
Semester : 4 (Empat)
Mengetahui,
Dosen Penanggung Jawab Praktikum Penyusun
(2.1)
Dimana:
Fenomena Aliasing akan muncul pada sinyal hasil sampling apabila frekuensi
sampling yang digunakan tidak memenuhi kriteria di atas.
(2.2)
Dimana:
A = Amplitudo Sinyal
ω = Frekuensi Sudut
Frekuensi dalam sinyal waktu diskrit memiliki satuan radian per indeks
sampel, dan ekuivalensi dengan 2πf.
Sinyal
sinusoidal pada Gambar 2.3 tersusun dari 61 sampel, sinyal tersebut memiliki
frekuensi f=50Hz, dan disampel dengan Fs = 1000. Sehingga untuk satu siklus
sinyal sinus memiliki sampel sebanyak Fs/f = 1000/50 = 20 sampel.
Berbeda dengan sinyal waktu kontinyu, sifat frekuensi pada sinyal waktu
diskrit adalah:
2. Sinyal dengan frekuensi beda sejauh 2πk (dengan k bernilai integer) adalah
identik. Jadi berbeda dengan kasus pada sinyal kontinyu, pada kasus sinyal
waktu diskrit, sinyal yang memiliki suatu frekuensi unik tidak berarti
sinyalnya bersifat unik.
Sebagai contoh:
Jadi bila , k=0,1,2,...... Dimana , maka
tidak bisa dibedakan satu sama lain.
Jika jarak antara pengulangan atau grid pengulangan cukup lebar, seperti
diperlihatkan pada Gambar 2.5 bagian atas, yang juga berarti bahwa frekuensi
samplingnya cukup besar, maka tidak akan terjadi tumpang tindih antara
spektrum yang bertetangga. Kondisi ini disebut sebagai non-aliasing.
Selanjutnya sifat keunikan dari transformasi Fourier akan menjamin bahwa
sinyal asal dapat diperoleh secara sempurna. Sebaliknya, jika ΩT kurang besar,
maka akan terjadi tumpang tindih antar spektrum yang mengakibatkan hilangnya
sebagian informasi. Peristiwa ini disebut aliasing, seperti diperlihatkan pada
Gambar 2.5 bagian bawah. Pada kondisi ini, sinyal tidak dapat lagi direkontruksi
Gambar 2.5 Kondisi non aliasing dan aliasing pada proses pencuplikan.
secara eksak.
Sebagai contoh, manusia dapat mendengar suara dari frekuensi 20Hz sampai
dengan sekitar 20kHz, artinya lebar pita dari suara yang mampu didengar
manusia adalah sekitar 20kHz. Dengan demikian, pengubahan suara menjadi
data digital memerlukan laju pencuplikan sedikitnya 2x20kHz=40kHz atau
40.000 cuplikan/detik supaya sinyal suara dapat direkontruksi secara sempurna,
yang berarti juga kualitas dari suara hasil perekaman digital dapat dimainkan
tanpa distorsi.
0.5
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
2. Lakukan perubahan pada nilai Fs, pada sinyal s1 sehingga bernilai 10, 12, 14,
16, 20, dan 30. Catat apa yang terjadi. Apa pengaruh Fs terhadap jumlah
sampel? Apa pengaruh jumlah sampel yang berbeda untuk satu periode
sinyal terbangkit?
1. Tentunya anda bosan dengan sesuatu yang selalu serius, marilah kita
sedikit bernafas melepaskan ketegangan tanpa laboratorium. Caranya, coba
anda susun sebuah lagu sederhana dengan cara membuat program baru
berikut ini:
%gundul
clc
Fs=16000;
t=0:1/Fs:0.25;
c=sin(2*pi*262*t);
d=sin(2*pi*294*t);
e=sin(2*pi*330*t);
f=sin(2*pi*249*t);
g=sin(2*pi*392*t);
a=sin(2*pi*440*t);
b=sin(2*pi*494*t);
c1=sin(2*pi*523*t);
nol=[zeros(size(t))];
nada1=[c,e,c,e,f,g,g,nol,b,c1,b,c1,b,g,nol,nol];
nada2=[c,e,c,e,f,g,g,nol,b,c1,b,c1,b,g,nol];
nada3=[c,nol,e,nol,g,nol,f,f,g,f,e,c,f,e,c,nol];
nada4=[c,nol,e,nol,g,nol,f,f,g,f,e,c,f,e,c];
lagu=[nada1,nada2,nada3,nada4];
sound(lagu,Fs)
2. Coba anda edit program diatas, dan anda lakukan perubahan pada nilai
frekuensi sampling Fs=16000, menjadi Fs=10000, 8000, 2000, 1000, 900,
800, 700, 600, dan 500. Apa yang anda dapatkan?
1 %sampling 1
t=(0:Fs)./Fs; 0
s1=sin(2*pi*t*2); -0.5
subplot(2,1,1);
stem(t,s1) 8 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t=(0:Fs)./Fs; 0.5
s2=sin(2*pi*t*2) 0
subplot(2,1,2) -0.5
stem(t,s2)
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
2 %sampling 1
Fs=10; %Frekuensi sampling 0.5
t=(0:Fs)./Fs;
0
s1=sin(2*pi*t*2);
subplot(2,1,1); -0.5
stem(t,s1) 10 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1
Fs=16; %Frekuensi sampling
0.5
t=(0:Fs)./Fs;
s2=sin(2*pi*t*2) 0
subplot(2,1,2) -0.5
stem(t,s2) -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
3 %sampling 1
Fs=12; %Frekuensi sampling
0.5
t=(0:Fs)./Fs;
s1=sin(2*pi*t*2); 0
subplot(2,1,1); -0.5
stem(t,s1) 12 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t=(0:Fs)./Fs; 0.5
s2=sin(2*pi*t*2) 0
subplot(2,1,2)
-0.5
stem(t,s2)
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
4 %sampling
1
Fs=14; %Frekuensi sampling
t=(0:Fs)./Fs; 0.5
s1=sin(2*pi*t*2); 0
subplot(2,1,1); -0.5
stem(t,s1) 14 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t=(0:Fs)./Fs; 0.5
s2=sin(2*pi*t*2) 0
subplot(2,1,2) -0.5
stem(t,s2)
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
5 %sampling 1
Fs=16; %Frekuensi sampling
0.5
t=(0:Fs)./Fs;
s1=sin(2*pi*t*2); 0
subplot(2,1,1); -0.5
stem(t,s1) 16 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t=(0:Fs)./Fs; 0.5
s2=sin(2*pi*t*2) 0
subplot(2,1,2) -0.5
stem(t,s2) -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
6 %sampling 1
Fs=20; %Frekuensi sampling 0.5
t=(0:Fs)./Fs;
s1=sin(2*pi*t*2); 0
subplot(2,1,1); -0.5
stem(t,s1) 20 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t=(0:Fs)./Fs; 0.5
s2=sin(2*pi*t*2) 0
subplot(2,1,2) -0.5
stem(t,s2)
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
7 %sampling 1
Fs=30; %Frekuensi sampling
t=(0:Fs)./Fs; 0.5
s1=sin(2*pi*t*2); 0
subplot(2,1,1); -0.5
stem(t,s1) 30 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t=(0:Fs)./Fs; 0.5
s2=sin(2*pi*t*2)
0
subplot(2,1,2)
stem(t,s2) -0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1 clear all; 1
Fs=1000; 0.8
t=0:1/Fs:0.25; 0.6
f=100 0.4
plot(t,x) 0
sound(x,Fs) -0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
clear all;
-14
2 2
x 10
Fs=200;
t=0:1/Fs:0.25; 1.5
f=100 1
x=sin(2*pi*f*t); 200
plot(t,x) 0.5
sound(x,Fs) 0
-0.5
-1
-1.5
0 0.05 0.1 0.15 0.2 0.25
3 clear all; 1
Fs=300; 0.8
t=0:1/Fs:0.25; 0.6
f=100
0.4
x=sin(2*pi*f*t); 300 0.2
plot(t,x)
sound(x,Fs) 0
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
4 clear all; 1
Fs=400; 0.8
t=0:1/Fs:0.25; 0.6
f=100 0.4
x=sin(2*pi*f*t); 400 0.2
plot(t,x)
0
sound(x,Fs)
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
5 clear all; 1
Fs=500; 0.8
t=0:1/Fs:0.25; 0.6
f=100 0.4
x=sin(2*pi*f*t); 500 0.2
plot(t,x)
0
sound(x,Fs)
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
6 clear all; 1
Fs=600; 0.8
t=0:1/Fs:0.25; 0.6
f=100 0.4
x=sin(2*pi*f*t); 600 0.2
plot(t,x) 0
sound(x,Fs)
-0.2
-0.4
-0.6
-0.8
-1
0 0.05 0.1 0.15 0.2 0.25
Pengamatan Efek Aliasing pada Audio
1 %gundul 1
clc
0.8
Fs=1000;
t=0:1/Fs:0.25; 0.6
c=sin(2*pi*262*t);
0.4
d=sin(2*pi*294*t);
e=sin(2*pi*330*t); 1000 0.2
f=sin(2*pi*249*t); 0
g=sin(2*pi*392*t);
a=sin(2*pi*440*t); -0.2
b=sin(2*pi*494*t); -0.4
c1=sin(2*pi*523*t);
nol=[zeros(size(t))]; -0.6
nada1=[c,e,d,e,f,g,f,nol,b,c1,b,c1,f,g,nol,nol]; -0.8
nada2=[c,e,c,e,f,g,g,nol,b,c1,b,c1,b,g,nol];
nada3=[c,nol,e,nol,a,nol,f,f,g,f,e,c,f,e,c,nol]; -1
0 0.05 0.1 0.15 0.2 0.25
nada4=[c,nol,e,nol,g,nol,f,e,g,f,e,c,f,e,c];
lagu=[nada1,nada2,nada3,nada4];
sound(lagu,Fs)
2 %kepalabotak 1
clc 0.8
Fs=2000;
t=0:1/Fs:0.25; 0.6
c=sin(2*pi*262*t); 0.4
d=sin(2*pi*294*t);
e=sin(2*pi*330*t); 2000 0.2
f=sin(2*pi*249*t); 0
g=sin(2*pi*392*t);
a=sin(2*pi*440*t); -0.2
b=sin(2*pi*494*t); -0.4
c1=sin(2*pi*523*t);
nol=[zeros(size(t))]; -0.6
nada1=[c,e,d,e,f,g,f,nol,b,c1,b,c1,f,g,nol,nol]; -0.8
nada2=[c,e,c,e,f,g,g,nol,b,c1,b,c1,b,g,nol];
nada3=[c,nol,e,nol,a,nol,f,f,g,f,e,c,f,e,c,nol]; -1
0 0.05 0.1 0.15 0.2 0.25
nada4=[c,nol,e,nol,g,nol,f,e,g,f,e,c,f,e,c];
lagu=[nada1,nada2,nada3,nada4];
sound(lagu,Fs)
3 %gundul
clc
Fs=8000; 1
t=0:1/Fs:0.25; 0.8
c=sin(2*pi*262*t);
0.6
d=sin(2*pi*294*t);
e=sin(2*pi*330*t); 8000 0.4
f=sin(2*pi*249*t); 0.2
g=sin(2*pi*392*t);
0
a=sin(2*pi*440*t);
b=sin(2*pi*494*t); -0.2
c1=sin(2*pi*523*t); -0.4
nol=[zeros(size(t))];
nada1=[c,e,d,e,f,g,f,nol,b,c1,b,c1,f,g,nol,nol]; -0.6
nada2=[c,e,c,e,f,g,g,nol,b,c1,b,c1,b,g,nol]; -0.8
nada3=[c,nol,e,nol,a,nol,f,f,g,f,e,c,f,e,c,nol]; -1
nada4=[c,nol,e,nol,g,nol,f,e,g,f,e,c,f,e,c]; 0 0.05 0.1 0.15 0.2 0.25
lagu=[nada1,nada2,nada3,nada4];
sound(lagu,Fs)
4 %gundul
clc
Fs=10000;
1
t=0:1/Fs:0.25;
c=sin(2*pi*262*t); 0.8
d=sin(2*pi*294*t); 0.6
b=sin(2*pi*494*t); -0.2
c1=sin(2*pi*523*t); -0.4
nol=[zeros(size(t))];
-0.6
nada1=[c,e,d,e,f,g,f,nol,b,c1,b,c1,f,g,nol,nol];
nada2=[c,e,c,e,f,g,g,nol,b,c1,b,c1,b,g,nol]; -0.8
nada3=[c,nol,e,nol,a,nol,f,f,g,f,e,c,f,e,c,nol]; -1
0 0.05 0.1 0.15 0.2 0.25
nada4=[c,nol,e,nol,g,nol,f,e,g,f,e,c,f,e,c];
lagu=[nada1,nada2,nada3,nada4];
ANALISA
Borang Data 1: Semakin besar fruekuensi sampling semakin tebal frekuensi
yang keluar pada grafik frekuensi.
Borang Data 2: Jika program dijalankan terdapat suara yang muncul pada waktu t.
Kemudian kita ubah f menjadi 200 sampai 900. Hasilnya adalah ada perubahan
tinggi nada yang dihasilkan kemudian kembali merendah seperti pada nada
sebelumnya. Yaitu nada yang dihasikan frekuensi 100 sama dengan frekuensi
900, frekuensi 200 sama dengan frekuensi 800, frekuensi 300 sama dengan
frekuensi 700, frekuensi 400 sama dengan frekuensi 600.
KESIMPULAN
Pada frekuensi sampling didapatkan fs =8 dan sinyal yang keluar tidak terlalu
kuat,dan apabila kita naikkan fs nya menjadi 16,maka sinyal yang keluar akan
bertambah kuat,kesimpulannya adalah jika semakin tinggi frekuensi dari sebuah
sinyal maka akan semakin banyak pula jumlah sinyal yang keluar.dan itu akan
berpengaruh pada saat proses sampling berlangsung.