SINYAL & Sistem Komunukasi

SPEKTRAL Digital
Teknik Elektro-unikom
(SIGNAL & SPECTRA)
DEGRADASI & REGENERASI SINYAL DIGITAL

Penyebab: noise, interferensi (fungsi transfer frekuensi tidak ideal pada jalur
transmisi), distorsi dan atenuasi
HAL PENTING DALAM SIST. KOMUNIKASI DIGITAL

 Pengiriman data informasi dibatasi oleh waktu/durasi tertentu.

 Kondisi kanal: distorsi, atenuasi & noise.
 Data yang diterima masih dipengaruhi noise.
 probabilitas error di penerima perlu diukur & diperkirakan
 KLASIFIKASI SINYAL
 Sinyal Deterministik dan Random
Sinyal deterministik adalah sinyal yang deskripsi fisiknya diketahui secara lengkap,
baik itu dalam bentuk matematis atau grafis.
Sinyal acak adalah sinyal yang hanya diketahui deskripsi probalistiknya saja , seperti
nilai mean, nilai mean square, dll.
 Sinyal Periodik dan Non Periodik
Sinyal g(t) disebut sebagai sinyal periodik jika memenuhi persamaan :

Periodik artinya sinyal g(t) akan berulang terus dalam waktu periode To.
Contoh sinyal periodi & non periodik

a. Sinyal periodik dengan waktu periode To = 2

b. Sinyak tak periodik

Contoh sinyal analog dan digital

a. Sinyal analog waktu kontinyu b. Sinyal digital waktu kontinyu

c. Sinyal analog waktu diskrit d. Sinyal digital waktu diskrit

KLASIFIKASI SINYAL (2)

 Daya Sinyal ( jenis: sinyal periodic & Acak)

- Sebuah sinyal daya mempunyai daya rata-rata terbatas tetapi mempunyai energi tak
terbatas. 1
  𝑇
1 2
𝑃 𝑥 = lim ∫ |𝑥 (𝑡)| 𝑑𝑡
𝑇→∞ 𝑇 1
−
𝑇

 Energi Sinyal (jenis: sinyal deterministic & non Periodik)

- Sebuah sinyal energi mempunyai energi terbatas , akan tetapi mempunyai daya rata-
rata nol.
∞
  2
𝐸 𝑥 = lim ∫ |𝑔(𝑡)| 𝑑𝑡
𝑇→∞ −∞
Contoh soal 1:
Hitung energi dari sinyal berikut ini:

Penyelesaian:
 0 
Eg   g 2 (t )dt   2 2 dt   4e t dt  4  4  8
 1 0
Contoh soal 2:
Hitung daya dari sinyal berikut ini:

Penyelesaian:
Sinyal diatas termasuk jenis sinyal periodik, yang akan berulang secara teratur dengan
periode tertentu.

1 1
1 1 1
Pg   g (t ) dt   t 2 dt 
2

2 1 2 1 3
 AUTO KORELASI SINYAL (1)

 Pengertian
- Menunjukan nilai kemiripan sinyal dengan dengan proyeksi dirinya atau dengan
sinyal lain,
- Formula ini mengkorelasikan nilai suatu sinyal dengan sinyalnya sendiri.
- Kegunaan fungsi autokorelasi adalah untuk menentukan suatu bentuk repetisi
dari sinyal,
Misal : menentukan suatu kepadatan spektrum frekuensi dari sinyal yang
masuk dari berbagai sumber frekuensi.
VISUALISASI AUTO KORELASI SINYAL
PROPERTI FUNGSI AUTOKORELASI

 Hasil Autokorelasi merupakan format simetrik spectral diantara nilai nol

 Nilai maksimum dari hasil autokorelasi adalah sinyal aslinya
 Nilai pada sinyal aslinya merupakan nilai rata-rata energi atau daya sinyal
 BANDWIDTH SINYAL

 Baseband Vs Bandpass Transmission

 Adanya pembatasan bandwidth memiliki efek terhadap transmisi & penerimaan informasi
 BATAS DAERAH BANDWIDTH

a) Setengan daya bandwith d) Daya sideband yang memiliki bandwith

b) Noise menyerupai bandwith e) Kerapatan daya spektral
c) Batas bandwith utama F) Rentang bandwith mutlak
SIMULASI MATLAB
SINYAL DALAM DOMAIN WAKTU VS DOMAIN FREKUENSI

Signal Corrupted with Zero-Mean Random Noise

5
Frequency Vs power
80

4
70
3

60
2

power spectral(dB/Hz)
50
1

0
40

-1 30

-2
20

-3
10

-4
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
-5
0 50 100 150 200 250 300 350 400 450 500 frequency (MHz)
time (milliseconds)
ENERGI (E)& DAYA SINYAL
CONTOH SIMULASI CODE MATLAB:
KERAPATAN DAYA SPEKTRUM (TERSEBAR)

Matlab Code Program:

randn('state',0)
fs = 1000; % Sampling frequency
t = (0:fs/10)/fs; % One-tenth of a second worth of samples
A = [1 2]; % Sinusoid amplitudes
f = [150;140]; % Sinusoid frequencies
xn = A*sin(2*pi*f*t) + 0.1*randn(size(t));
periodogram(xn,[],1024,fs);

Matlab Code Program:

randn('state',0)
fs = 1000; % Sampling frequency
t = (0:fs/15)./fs; % 67 samples
A = [1 2]; % Sinusoid amplitudes
f = [150;140]; % Sinusoid frequencies
xn = A*sin(2*pi*f*t) + 0.1*randn(size(t));
periodogram(xn,[],1024,fs);
 KERAPATAN DAYA SPEKTRUM (TAK TERSEBAR)

Matlab List Program : Matlab List Program :

fs = 1000;
t = (0:fs)/fs; fs = 1000;
A = [1 2]; t = (0:fs)/fs;
f = [150;140]; A = [1 2];
xn = A*sin(2*pi*f*t) + 0.1*randn(size(t)); f = [150;140];
[Pxx1,F1] = pmtm(xn,4,fs); xn = A*sin(2*pi*f*t) + 0.1*randn(size(t));
plot(F1,10*log10(Pxx1)) [Pxx2,F2] = pmtm(xn,1.5,fs);
plot(F2,10*log10(Pxx2))
 ANALISIS HASIL OUPUTNYA!
clear all
fs=100e6;
L=30e3;
Pd=-100;
(dBm/Hz)
nfft=2^nextpow2(L);
f=fs/2*[-1:2/nfft:1-2/nfft];
s=wgn(L,1,Pd+10*log10(fs),1,[],'dBm','complex'); %% Analysis
N=nfft/2+1:nfft;
S=fftshift(fft(s,nfft));
S=abs(S)/sqrt(L*fs);
Navg=4e2;
b(1:Navg)=1/Navg;
Sa=filtfilt(b,1,S);
S=20*log10(S)+30;
Sa=20*log10(Sa)+30;


o
% sampling frequency (Hz) o
% length of time-domain signal o
% desired power specral density
%% Plot
figure(1)
% number of FFT points
clf
% frequency plotting vector
plot(f(N)/1e6,S(N))
hold on
% analyze spectrum plot(f(N)/1e6,Sa(N),'r')
xlabel('Frequency (MHz)')
ylabel('Power Density (dBm/Hz)')
% time-average for spectrum title(['Power Spectral Density'])
legend('Noise Spectrum','Time-Averaged Spectrum')
axis([10e-4 fs/2/1e6 -120 -60])
% convert to dBm/Hz grid on
hold off
ANALISIS HASILNYA !

>> dt = 1/100; % sampling rate

>> et = 4; % end of the interval
>> t = 0:dt:et; % sampling range
>> y = 3*sin(4*2*pi*t) + 5*sin(2*2*pi*t);% sample the signal
>> subplot(2,1,1); % first of two plots
>> plot(t,y); grid on % plot with grid
>> axis([0 et -8 8]); % adjust scaling
>> xlabel('Time (s)'); % time expressed in seconds
>> ylabel('Amplitude'); % amplitude as function of time
>> Y = fft(y); % compute Fourier transform
>> n = size(y,2)/2; % 2nd half are complex conjugates
>> amp_spec = abs(Y)/n; % absolute value and normalize
>> subplot(2,1,2); % second of two plots
>> freq = (0:79)/(2*n*dt); % abscissa viewing window
>> plot(freq,amp_spec(1:80)); grid on % plot amplitude spectrum
>> xlabel('Frequency (Hz)'); % 1 Herz = number of cycles/second
>> ylabel('Amplitude'); % amplitude as function of frequency