LABORATORIUM
MIPA MAHASISWA PSRE
UNIVERSITAS LAMBUNG MANGKURAT
MODUL I
DIODA
MODUL 2
CATU DAYA
MODUL 3
TRANSISTOR BIPOLAR
MODUL 4
5.1.
TUJUAN PERCOBAAN
UGAS AKHIR
A
FTAR PUSTAKA
MODUL 6
OPERASI DASAR PENGOLAHAN SINYAL PADA DSP
c. MATLAB Language
Merupakan suatu high-level matrix/array language dengan control
flow statements, functions, data structures, input/output, dan fitur-fitur
object-oriented programming.
d. Graphics
MATLAB memiliki fasilitas untuk menampilkan vector dan matriks
sebagai suatu grafik. Di dalamnya melibatkan high-level functions
(fungsi-fungsi level tinggi) untuk visualisasi data dua dimensi dan data
tiga dimensi, image processing, animation, dan presentation graphics
e. MATLAB Application Program Interface (API)
Merupakan suatu library yang memungkinkan program yang telah
Anda tulis dalam bahasa C dan Fortran mampu berinterakasi dengan
MATLAB. (Tri Budi Santoso, 2006).
1.2.2 Definisi DSP
2. Mendefinisikan dua buah vektor, yaitu vector x dan vector y, dengan cara
melakukan mengetikan seperti berikut:
» x = [1 2 3] (tekan “Enter”)
» y = [4 5 6] (tekan “Enter”)
Jawabannya adalah 1*4 + 2*5 + 3*6 = 32! Catat, bahwa y' adalah transpose
pada y dan merupakan suatu vektor kolom. Untuk memeriksanya, ketikkan
perintah berikut:
>> y' (tekan “Enter”)
789];
Catat bahwa matrik tidak diulang kalau kita menggunakan semi colon. Kita
sekarang mengalikan matrik A dengan transpose dari x.
» A*x' (tekan “Enter”)
Bagaimana hasilnya?
5 6 78
7 6 5 4];
» A*B (tekan “Enter”)
» ones(3,6)
Bagaimana hasilnya?
time = [0:0.001:0.099]; x =
cos(0.1*pi*(0:99));
plot(time,x)
xlabel('time(msec)') ,
ylabel('x(t)')
Bagaimana hasilnya ?
xlabel('time(msec)') , ylabel('x(t)’)
Bagaimana hasilnya?
3. Cobalah untuk membuat program seperti berikut ini pada M-Editor, dan
jangan lupa Anda simpan dengan nama coba_2
%Coba_2.m
x(1:52) = [0 0 1:1:50];
x(53:102) = [50:-1:1];
h = [1 2];
for n =
3:101,
y(n) =
0;
for m = 1:2,
y(n) = y(n) +
h(m)*x(n-m); end
endplot(y)
Bagaimana hasilnya?
Dalam hal ini, Anda harus memahami arti perintah-perintah tersebut.
Anda dapat mencari fungsi perintah-perintah tersebut di menu “help”
atau tekan F1.
end %plot(x,y)
plot(x,y,'linewidt
h',4)
title('Grafik yang
pertama')
xlabel('x');ylabel
('y'); Bagaimana
hasilnya?
s1=sin(2*pi*t*5); plot(t,s1)
Sinyal yang dibangkitkan adalah sebuah sinus dengan amplitudo Amp =
1, frekuensi f = 5Hz dan fase awal θ = 0. Diharapkan Anda sudah
memahami tiga parameter dasar pada sinyal sinus ini.
2. Lakukan perubahan pada nilai s1
: s1=sin(2*pi*t*10);
Perhatikan apa yang terjadi. Ulangi dengan mengganti angka 10 dengan 15,
dan 20. Perhatikan apa yang terjadi.
3. Edit kembali program Anda sehingga bentuknya persis seperti pada langkah
1, kemudian lanjutkan dengan melakukan perubahan pada nilai amplitudo,
sehingga bentuk perintah pada s1 menjadi:
s1=2*sin(2*pi*t*5);
Coba Anda perhatikan, apa yang terjadi? Apa yang baru saja Anda
lakukan adalah merubah nilai fase awal sebuah sinyal dalam hal ini nilai
θ = π/ 2 = 90°. Sekarang lanjutkan langkah Anda dengan merubah nilai
fase awal menjadi 45°, 120°, 180°, dan 225°. Amati bentuk sinyal sinus
terbangkit, dan catat hasilnya.
s1=SQUARE(2*pi*5*
t);
plot(t,s1,'linewi
dth',2) axis([0 1
-1.2 1.2])
2. Coba Anda lakukan satu perubahan dalam hal ini nilai frekuensinya Anda rubah
menjadi
10 Hz, 15 Hz, dan 20 Hz. Apa yang Anda dapatkan?
Sesuai dengan namanya, unit step berarti nilainya adalah satu satuan.
1. Buat program baru dan Anda ketikkan perintah seperti berikut:
%Coba_Unit_Step.m
step(
n)=1;
else
stem(x,step)
Bagaimana hasilnya?
2. Anda ulangi langkah pertama dengan cara me-run program Anda dan masukan
nilai untuk panjang gelombang dan panjang sekuen yang berbeda-beda. Catat apa
yang terjadi.
step(n)=0;
Bagaimana hasilnya?
Fs=20;%frekuensi
sampling t=(0:Fs-
1)/Fs;%proses
normalisasi
s1=sin(2*pi*t*2);
stem(t,s1)
Bagaimana hasilnya?
2. Lakukan perubahan pada nilai Fs, sehingga bernilai 30, 40 dan 50. Catat
apa yang terjadi. Apakah perubahan yang nampak?Lakukan lagi perubahan
pada nilai Fs, sehingga bernilai 18, 15, dan 10. Catat apa yang terjadi.
y1=wavread('nama file
Anda.wav'); Fs=10000;
wavplay(y1,Fs,'async') % Memainkan audio sinyal asli
Bagaimana hasilnya?
2. Tampilkan file audio yang telah Anda panggil dalam bentuk grafik
sebagai fungsi waktu dengan mengetik script berikut di bawah program
di atas.
t=1:lengt
h(y1);
plot(t,y1
,'.')
title('Grafik Sinyal
Audio')
ylabel('Nilai')
xlabel('waktu
(detik)')
Perhatikan bentuk tampilan yang Anda lihat. Catat apa yang Anda dapat
dari hasil tersebut.
s1=sin(2*pi*t*5); plot(t,s1,'g')
hold on
Pada sinyal diskrit, pergeseran dilakukan pada titik sampelnya. Script berikut
untuk mengetahui pergeseran pada sinyal diskrit:
%Geser_d
iskrit.m
n=-
10:10;
u=[zeros(1,3),ones(1,7),zeros(1,11)];
subplot(21
1);
stem(n,u)
u=[zeros(1,5),ones(1,7),zeros(1,9)];
subplot(21
2);
stem(n,u)
u=sin(n*0.25+2);
subplot(3,1,1);
plot(n,u)
u=sin(n*0.25+2); % sebelum
dicerminkan (n) subplot(3,1,2);
stem(n,u)
subplot(3,1,3); stem(n,u)
subplot(2,
1,2)
plot(t,y1_
kuat)
Jangan lupa Anda masukkan sebuah nilai untuk ‘a’, misalnya 1.5 atau yang lain.
Apa yang Anda dapatkan? Apakah gambar seperti berikut? Nilai penguatan
sinyal seringkali dituliskan dalam dBell (dB). Untuk penguatan misalnya 1.5
kali, berapa nilainya dalam dB? Amati pula nilai penguatan untuk nilai a yang
lain yang Anda masukkan.
3. Ulangi langkah 1 dan 2, tetapi dengan nilai a berbeda misalnya 1.7, 2.5, 3.0
atau yang lain. Dan jangan lupa Anda simpan gambarnya dan buatlah
analisa dari apa yang Anda amati dari gambar tersebut? Jangan lupa dalam
setiap penggambaran Anda cantumkan nilai dB setiap percobaan.
y1=sin(2*
pi*t);
subplot(3
,1,1)
plot(t,y1
)
pha2=pi/2;
y2=sin(2*pi*t+p
i);
subplot(3,1,2)
plot(t,y2)
4. Coba Anda ubah nilai f2 menjadi 3, 4, 5,……10. Perhatikan apa yang terjadi
dan catat hasilnya.
4. Coba Anda rubah nilai f2 menjadi 3, 4, 5,……10. Apa yang terjadi? Catat hasilnya!
5. Lakukan perubahan pada pha2 sehingga nilainya menjadi 0.1*pi, 0.25*pi,
dan 1.5*pi. Apa yang Anda dapatkan dari langkah ini?
1. Untuk contoh kasus ini ikuti langkah pertama dengan membuat file
coba_audio_3.m seperti berikut :
y1=wavread('ALARM
.WAV'); Fs=8000;
3. Apakah Anda mendapat sesuatu yang baru dengan langkah Anda? Coba Anda lakukan
sekali lagi langkah 2 dengan nilai var 0.2, 0.4, 0.8, dst. Coba amati apa yang terjadi?
4. Coba Anda buat 3 buah grafik dalam fungsi waktu yang masing-masing menampilkan
sinyal dari file audio yang telah Anda panggil sebelum penambahan noise, sinyal noise
dan sinyal audio setelah penambahan noise (ingat cara menampilkan grafik pada
langkah sebelumnya!)
sinyal asli
1
-10 2000 4000 6000 8000 10000 12000 14000 16000 18000
white noise Gaussian, var=0.1
0.5
-0.50 2000 4000 6000 8000 10000 12000 14000 16000 18000
sinyal bernoise
1
-10 2000 4000 6000 8000 10000 12000 14000 16000 18000
3. Apakah Anda mengamati sesuatu yang baru pada sinyal audio Anda? Kalau Anda
belum juga memahami, coba rubah nilai amp = 0.1, 0.2, 0.5, dst sampai nilainya 2.0.
(Ingat! Nilai amp > 1 berarti penguatan & amp < 1 berarti pelemahan).
4. Cobalah untuk menampilkan file audio yang telah Anda panggil dalam bentuk grafik
sebagai fungsi waktu, baik untuk sinyal asli atau setelah penguatan dan pelemahan.
Apa yang Anda dapatkan?
REFERENSI
- MacMahon, David. 2007. MATLAB Demystified. McGraw-Hill
- Peranginangin, Kasiman. 2006. Pengenalan Matlab. Penerbit Andi. Yogyakarta
- Santoso, Tri Budi dan Miftahul Huda. 2006. Modul Praktikum Sinyal dan Sistem
(Bagian 1&2).
MODUL 7
TRANSFORMASI FOURIER DAN SPEKTRUM SINYAL
...(1)
−1 − ( )
[]
Persamaan (1) di atas menyatakan bahwa sinyal akan periodik pada setiap nilai N.
Implementasi DFT dapat diujudkan dengan sebuah Bank Filter seperti Gambar 2
berikut ini :
Gambar 2. Blok diagram sistem Bank Filter Spectrum Analyzer untuk menghitung DFT
Selanjutnya, kita mengaplikasikan DFT pda deret x(n) untuk mendapat koefisien
DFT sejumlah N:
Ak = {1
...(5)
X(k) , k = 1 , … N/2
f= ...(6)
( )
...(7)
Selain spektrum amplitudo dan fase, dengan DFT kita juga dapat menghitung
spektrum daya yang didefinisikan sebagai:
1 1
Pk = ...(8)
X(k) 2 = {( [ ( )])2 + ( [ ( )])2}
2 2
dengan k = 0, 1, 2, ... N- 1
Parameter lain yang bisa didapatkan adalah besar spasi frekuensi di antara
koefisien- koefisien DFT dalam domain frekuensi, yaitu :
f= (Hz) ...(9)
Pada proses windowing, respon impulse suatu sinyal infinite h[n] dikalikan
dengan window w[n] untuk mendapatkan respon impulse hd[n] = w[n]h[n].
Sebagai contoh di sini kita akan melihat perbandingan rumus antara window
hamming, hanning dan rectangular (Tri Budi Santoso, 2005).
Rectangular : w[n] = 1 , 0 ≤ n ≤ N-1 ...(10)
Hanning : w[n] = ( 1 – cos
1 2
) , 0 ≤ n ≤ N-1 ...(11)
2 −1
Hamming : −1
...(12)
clear all;
N=200;
nn=N-1;
for k=1:200;
x_n=0.0;
for n=1:nn
x_n = (3*cos(0.02*pi*n)).*(exp(-j*k*2*pi*n/200)) +
x_n; end
yR(k)=real(x_n);
yI(k)=imag(x_n);
magni_k(k)=sqrt(real(x_n).*real(x_n)
+imag(x_n).*imag(x_n));
end
figure(1)
stem(yR)
xlabel('indeks fekuensi')
title('Bagian Real')
grid;
figure(2)
stem(yI)
xlabel('indeks frekuensi')
title('Bagian Imajiner')
grid;
Perhatikan gambar yang Anda dapatkan. Ada dua nilai non-zero dalam
domain frekuensi indek, tepatnya pada n=2 dan n=N-2 atau 198, masing-masing
bernilai 300. Nilai ini merepresentasikan AN/2, dimana A=3 yang merupakan
amplitudo sinyal cosinus dan N = 200 merupakan jumlah sampel yang digunakan.
Sementara bagian imajiner bernilai nol semua. Mengapa ini terjadi? Bandingkan
dengan hasil langkah pertama.
3. Coba ulangi langkah 1 dan 2 dengan merubah sinyal cosinus menjadi sinyal sinus.
Untuk langkah k-1 anda rubah :
x_t=3*cos(2*pi*n*T); menjadi
x_t=3*sin(2*pi*n*T); Demikian juga pada untuk langkah ke-3
bentuk :
x_n = (3*cos(0.02*pi*n)).*(exp(-j*k*2*pi*n/200)) + x_n;
menjadi :
` x_n = (3*sin(0.02*pi*n)).*(exp(-j*k*2*pi*n/200))
+ x_n; Apa yang Anda dapatkan?
4. Ulangi langkah 1-3 dengan merubah nilai sample N=200, menjadi N=1000. Apa yang
Anda dapatkan?
1.4.1.2 Zero-Padding
Untuk memahami konsep zero padding pada DFT, coba Anda ikuti
langkah- langkah percobaan berikut ini :
1. Buat program baru untuk pembangkitan sekuen unit step dan gunakan juga fft untuk
memperoleh nilai DFT !
%File Name: zero_padding.m
for n = 1:15
if n<= 4 x(n)
= 1;
else
x(n) = 0;
end
end
t = 1:15;
subplot(2,1,1), stem(t,x)
spec = abs(s);
f_x = length(s);
f = 0:f_x-1;
subplot(2,1,2)
; plot(f,spec)
axis([-0.5 17 -0.5 12]), grid;
3. Sekarang coba Anda tambahkan zero padding pada sinyal yang telah Anda bangkitkan.
zpf=2; % faktor zero padding
nn=length(x); k=0:nn-1;
xw=[x,zeros(1,(zpf-1)*T)];
nn=length(xw);
k=0:nn-1;
plot(zpf*k/nn,xw)
Jangan lupa menyesuaikan nama label pada sumbu x. Jelaskan apa pengaruh
penambahan zero padding pada sinyal sesuai hasil yang Anda dapatkan.
t=-3:6/1000:3;
w0=pi;
xN=c0*ones(1,length(t));
for n=1:2:N
theta=((-1)^((n-1)/2)-1)*pi/2;
xN = xN + 2/n/pi*cos(n*w0*t +theta);
end
plot(t,xN)
xlabel('waktu')
ylabel('x(t)')
Bagaimana hasilnya?
2. Jalankan lagi program Anda, dengan cara memberi jumlah masukan sinyal yang
berbeda, misalnya 3, 5, 7, dst. Apa yang Anda dapatkan?
3. Dari langkah percobaan Anda ini, fenomena apa yang didapatkan tentang sinyal
persegi ? Apa kaitannya dengan sinyal sinus?
1.4.1.5 Pengamatan Frekuensi Sinyal Sederhana
Di bagian ini, kita akan mengamati bentuk sinyal dalam domain waktu dan
domain frekuensi dengan memanfaatkan library fft yang ada dalam DSP Toolbox
MATLAB. Apabila ada yang kurang jelas dengan perintah yang diberikan dalam
petunjuk, jangan pernah sungkan menanyakan kepada asisten. Selanjutnya ikuti
langkah berikut:
1. Bangkitkan sinyal sinus yang memiliki frekuensi fs = 100 Hz, t = (1:100)/fs, f = 5 Hz,
dan amplitudo 1 Volt !
2. Tranformasikan sinyal yang telah Anda bangkitkan ke dalam domain menggunakan
fungsi FFT dengan fungsi Y = fft(X,n) !
S=fft(s,512);
w=(0:255)/256*(Fs/2); % normalisasi frekuensi terhadap Fs
plot(w,abs(S(1:256)))
3. Coba Anda rubah nilai frekuensi menjadi 10, 15 dan 20 Hzt. Apa yang Anda lihat pada
gambar sinyal Anda?
4. Coba Anda rubah nilai amplitudo dari 1 volt menjadi 2, 4 atau 5. Apa yang terjadi
pada sinyal Anda?
5. Coba Anda rubah nilai jumlah titik FFT dari 512 menjadi 256 dan 128. Apa yang
terjadi pada sinyal Anda?
6. Coba Anda bangkitkan dua buah sinyal lain dengan amplitudo dan frekuensi yang
berbeda-beda dengan sinyal pertama, lalu tampilkan plot sinyalnya dalam domain
waktu dan frekuensi.
N= ∆ = 8000
= 1000
Selanjutnya ketik script berikut : 8
t = [0:1:N-1]/fs;
x = 2*sin(2000*pi*t);
% algoritma DFT
xf = abs(fft(x))/N; % menghitung spektrum amplitudo
P = xf.*xf; % menghitung spektrum daya
f =[0:1:N/2]*fs/N;
2. Sekarang kita menghitung spektrum sinyal menggunakan FFT. Untuk itu, jumlah
titik sampel harus merupakan kepangkatan dua. Dari bagian pertama, jumlah titik
sampel yang digunakan adalah 1000. Bila di sini kita menggunakan :
∆ =
= 1024 = 7,8125 Hz
2. Transformasikan sinyal yang telah Anda bangkitkan ke dalam domain frekuensi dan
tampilkan spektrumnya dalam mode single-side menggunakan script berikut:
L = length(x);
NFFT = 2^nextpow2(L); % Specifies the number of FFT points
to use to calculate the PSD
Y = fft(x,NFFT)/L;
f = Fs/2*linspace(0,1,NFFT/2);
plot(f,2*abs(Y(1:NFFT/2)))
ckman');
set(h,'Interpreter','None');
Selain dalam bentuk plot grafik, kali ini Anda juga akan mempelajari bagaimana
menyatakan sinyal audio dalam bentuk spektrogram. Melalui spektrogram, sinyal
dapar dinyatakan sebagai fungsi waktu sekaligus frekuensi.
1. Buat program pemanggil file audio *.wav dengan frekuensi sampling 10 kHz. Coba
tampilkan grafik dalam domain waktu.
2. Transformasikan sinyalnya ke dalam domain frekuensi dengan script berikut :
Y=fft(y);
plot((abs(Y(1:3400))))
REFERENSI
Santoso, Tri Budi dan Miftahul Huda. 2006. Modul Praktikum Sinyal dan Sistem
(Bagian 5 dan 6).
y(n)=H(z) zn ...(1)
Transformasi-Z dari suatu sinyal waktu diskrit umum x(n) adalah seperti
persamaan 2. Dimana z adalah variabel kompleks. Transformasi-Z dari x(n)
biasanya ditulis sebagai z{x[n]} dan hubungan antara x[n] dengan transformsi-Z
yang ditunjukkan sebagai (Oppenheim et al, 2000) :
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 pada 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 (Oppenheim et al, 2000).
Apakah koefisien numerator dan denominator yang Anda dapat dari langkah 1
sama dengan koefisien B dan A di atas? Jelaskan makna baris perintah untuk
mendapatkan zero1, zero2, pole1, dan pole2 pada listing.
4.4.2 Pengenalan Diagram Pole-Zero
zplane(B,A);
Perhatikan diagram yang dihasilkan dan cocokkan nilai pole dan zero yang
ditunjukkan oleh grafik dengan hasil perhitungan!
2. Diberikan fungsi transfer dalam domain Z sebagai berikut :
Dapatkan diagram pole dan zero-nya menggunakan langkah yang sama dengan di atas!
1. Dapatkan invers transformasi-Z dari fungsi transfer pada langkah 4.2 no.2
menggunakan metode ekspansi parsial! Listing selengkapnya :
num = [0 1];
akan didapatkan :
Jangan lupa Anda catat yang terjadi !
2. Dapatkan invers transformasi-Z dari fungsi transfer pada langkah 4.2 no.1
menggunakan cara seperti di atas.
3. Diberikan sebuah fungsi transfer : 1+ 2 −1 + −2
X(z) =
1− −1+0.3561 −2
47
Dapatkan 5 koefisien pertama dari inversnya menggunakan metode ekspansi
deret! Listing selengkapnya:
b = [1 2 1];
a = [1 -1 0.3561];
n = 5;
b = [b zeros(1,n-
1)]; [x,r] =
deconv(b,a); disp(x)
X(z) =
1( ) 2( ) 3( )
Untuk mencari inversnya, kita dapat menggunakan metode ekspansi parsial maupun
ekspansi deret, namun dengan menambahkan perintah ‘sos2tf’ (second order sections
Diketahui :
N1(z) = 1 – 1,22346z-1 + z-2
N2(z) = 1 – 0,437833z-1 + z-2
N3(z) = 1 + z-1
D1(z) = 1 – 1,433509z-1 +
0,85811z-2 D2(z) = 1 – 1,293601z-1
+ 0,556926z-2 D3(z) = 1 –
0,612159z-1
Listingnya adalah sebagai berikut :
n=5;
N1 = [1 -1,22346 1]; D1 = [1 -1.433509 0.85811];
N2=[………];D2=[………];
N3=[110];D3=[………];
b = [N1 ; N2 ; N3];
a = [D1 ; D2 ; D3];
[b,a] = sos2tf ([b a]);
b = [b zeros(1,n-1)];
[x,r] = deconv(b,a); disp(x)
5. Dapatkan invers dari fungsi transfer pada langkah 4.4.3 no.4 menggunakan metode
ekspansi parsial!
48
4.4.4 Implementasi Persamaan Domain-Z Dalam Penentuan Jenis Filter
Pada dasarnya, filter diklasifikasikan dalam 4 kategori, yaitu : lowpass, highpass,
bandpass, dan bandstop. Setiap jenis memiliki kegunaan khusus di dalam pengolahan sinyal
digital. Kegunaan yang paling mendasar adalah untuk keperluan desain filter digital. Untuk
mengetahui jenis filter, fungsi yang digunakan adalah freqz dengan sintaks :
sehingga didapatkan respon frekuensi filter yang terdiri atas respon magnitude dan
respon fase, dengan N merupakan frekuensi ternormalisasi yang digunakan.
Perbedaan setiap jenis filter dapat dilihat dari bentuk respon magnitudonya
sebagai berikut :
Gambar 2. Respon magnitude lowpass filter Gambar 3. Respon magnitude highpass filter
Gambar 4. Respon magnitude bandpass filter Gambar 5. Respon magnitude bandstop filter
= =
0,5 2 − 0,3 2
c). X(z)
= 2− 0,5 + 0,25
49
1. Dapatkan gambar diagram pole dan zero untuk ketiga fungsi transfer di atas !
Sebelumnya perhatikan bentuk fungsi transfer a dan c) ! Kedua bentuk
tersebut belum dalam bentuk standar (delay form). Oleh karena itu, untuk
mendapatkan nilai numerator dan denominator, ubah dahulu menjadi
bentuk standar.
2. Gambarkan respon frekuensinya dengan N = 1024. Listing berikut
adalah untuk mendapatkan respon frekuensi dari fungsi transfer
pertama (kasus a) :
phi = 180*unwrap(angle(h))/pi;
subplot(2,1,1),plot(w,abs(h)),grid;xlabel('Frekuensi(radian)'
), ylabel('Magnitude')
subplot(2,1,2),plot(w,phi),grid;xlabel('Frekuensi(radian)'),y
la bel('Fase(derajat)')
REFERENSI
Karris,Steven T. 2007. Signal and System with MATLAB®
Computing and SIMULINK®Modeling 3rd. Ed. Orchard
Publication
Tan, Li. 2008. Digital Signal Processing, Fundamentals and Applications. Elsevier
Inc.
50
Weeks, Michele. 2006. Digital Signal Processing Using MATLAB® and Wavelets.
Infinity Science Press : Massachusets
51