lapres pemrosesan sinyal digital
TRANSCRIPT
LAPORAN AKHIR PRAKTIKUM
PEMROSESAN SINYAL DIGITAL
Oleh:Kelompok 13
NAMA MAHASISWA NIMRamadhaniar Eka W 141910201078
LABORATORIUM SISTEM KENDALIJURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIKUNIVERSITAS JEMBER
2015
LEMBAR PENGESAHAN
LAPORAN AKHIR MATAPRAKTIKUM PEMROSESAN SINYAL DIGITAL
diajukan sebagai prasyarat telah melaksanakanMatapraktikum Pemrosesan Sinyal Digital
LABORATORIUM SISTEM KENDALIJURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIK UNIVERSITAS JEMBER
Jember, 13 November 2015
Kepala Laboratorium Sistem Kendali
Widjanarko, Amd., S.T., M.T.NIP. 19710908 199903 1001
Dosen Pembina Mata Praktikum
Widjanarko, Amd., S.T., M.T.NIP. 19710908 199903 1001
ii
LEMBAR ASISTENSI
LAPORAN AKHIR MATAPRAKTIKUM PEMROSESAN SINYAL DIGITAL
Diajukan sebagai prasyarat telah melaksanakan Praktikum dan AsistensiMatapraktikum Pemrosesan Sinyal Digital
LABORATORIUM SISTEM KENDALIJURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIK UNIVERSITAS JEMBER
Jember, 13 November 2015
Nama Asisten Tanda Tangan Nilai1. Cries Avian
NIM. 1219102010332. Moh. Riski Ekocahya F
NIM. 1219102010373. M.Agam Syaifur Rizal
NIM. 1219102010384. Moh Agus
NIM. 1219102010535. Agus Hariana Loka
NIM. 1219102010616. Rina Anggraeni
NIM. 121910201110
iii
KATA PENGANTAR
Puji dan syukur saya panjatkan kehadirat Allah SWT yang telah
memberikan dan melimpahkan rezeki serta karunia-Nya sehingga penyusun dapat
menyelesaikan laporan resmi “Praktikum Pemrosesan Sinyal Digital” tanpa
mengalami hambatan. Laporan ini disusun sebagai prasyarat telah menempuh
Matapraktikum Pemrosesan Sinyal Digital pada semester ganjil.
Tak lupa saya mengucapkan terima kasih yang sebesar-besarnya kepada
semua pihak yang telah banyak membantu dalam penyusunan laporan ini.
Terutama ucapan ini kami sampaikan kepada semua asisten laboratorium sistem
kendali yang telah membimbing saya selama melaksanakan praktikum. Serta
semua pihak yang telah membantu saya yang tidak dapat disebutkan satu persatu.
Penyusun telah berusaha untuk memberikan yang terbaik, tetapi saya
sangat menyadari bahwa laporan ini tidak luput dari kesalahan dan jauh dari
kesempurnaan. Oleh karena itu, penyusun mengharapkan kepada para pembaca
untuk memberikan kritik dan saran yang bersifat membangun untuk pembangunan
dimasa yang akan datang.
Akhirnya saya berharap semoga laporan yang telah saya buat ini dapat
bermanfaat khususnya bagi saya penyusun dan umumnya bagi semua pembaca.
Jember, 11 November 2015
Penyusun
iv
DAFTAR ISI
HALAMAN JUDUL ......................................................................................i
LEMBAR PENGESAHAN ...........................................................................ii
LEMBAR ASISTENSI ..................................................................................iii
KATA PENGANTAR ...................................................................................iv
DAFTAR ISI ..................................................................................................v
LAPORAN
Percobaan 1 Konvolusi Analog ..........................................................6
Percobaan 2 Teorema Sampling .........................................................34
Percobaan 3 Deret Fourier .................................................................62
DAFTAR PUSTAKA......................................................................................85
v
LAPORAN PRAKTIKUM
PEMROSESAN SINYAL DIGITAL
PRAKTIKUM 1
KONVOLUSI ANALOG
Oleh:
KELOMPOK 13
Nama : Ramadhaniar Eka W
NIM : 141910201078
Asisten : Moh Riski Ekocahya F
Nilai :
LABORATORIUM SISTEM KENDALIJURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIKUNIVERSITAS JEMBER
2015
BAB 1. PENDAHULUAN
1.1 Tujuan Praktikum
1. Menggambarkan hubungan masukan dan keluaran dari sistem linier, waktu
kontinyu, dan tak berubah waktu.
2. Untuk mengetahui perilaku sistem linier, waktu kontinyu dan tak berubah
waktu.
1.2 Landasan Teori
Ciri khas dari waktu sistem linier, waktu kontinyu, waktu invarian (tak
berubah) dengan masukan sinyal x(t) dan keluaran y(t) dinyatakan dengan integral
konvolusi:
Sinyal h(t), dimisalkan diketahui sebagai respons dari sistem untuk masukan
unit impuls. Untuk menghitung keluaran y(t) dalam bentuk t, pertama nilai h(v)x(t-
v) dihitung sebagai fungsi v. Kemudian pengintegralan untuk v dilakukan, akan
menghasilkan y(t).
Operasi matematika ini merupakan interprestasi (penafsiran) gambar yang
sederhana. Pertama, plot h(v) dan x(t-v) pada sumbu v, dimanat tetap. Kedua,
mengalikan dua sinyal tadi dan hitung tanda daerah dari hasil fungsi v untuk
mendapat y(t). Operasi ini dapat diulang untuk setiap nilai dari t menurut
keinginan kita.
Untuk mengetahui gambar konvolusi, pilihlah x(t) dan h(t) dari contoh atau
gunakan mouse untuk menggambar sinyal yang diinginkan atau merubahnya.
Kemudian klik pada nilai yang diinginkan dari t pada sumbu v pertama. Setelah
beberapa saat, h(v) dan x(t-v) akan muncul. Tarik simbol t bersama dengan sumbu
v untuk mengganti nilai dari t, keterangan integrand h(v) x(t-v) dan keluaran y(t)
akan terlihat pada layar.
7
BAB 2. METODOLOGI PRAKTIKUM
2.1 Alat dan Bahan
Percobaan ini memerlukan sebuah laptop sebagai media penunjang
pelaksanaan praktikum dan dilengkapi aplikasi simulasi java applet yang dapat
diakses dengan internet secara online di situs http://jhu.edu/~signals/convolve/.
2.2 Prosedur Praktikum
2.2.1 Percobaan 1
1. Memperhatikan grafik-grafik yang ada.
2. Memilih sinyal x(t) dan h(t) dari contoh yang disediakan.
3. Meng-klik sumbu v pada grafik baris kedua.
4. Menggeser mouse sepanjang sumbu v.
5. Mengambil empat sampel grafik hasilnya dari titik pergeseran yang berbeda.
6. Membuat kesimpulan.
2.2.2 Percobaan 2
1. Memperhatikan grafik-grafik yang ada.
2. Membuat sendiri sinyal x(t) dan h(t) dengan mengerak-gerakkan mouse pada
grafik yang disediakan.
3. Meng-klik sumbu v pada grafik baris kedua.
4. Menggeser mouse sepanjang sumbu v.
5. Mengambil empat sampel grafik hasilnya dari titik pergeseran yang berbeda.
6. Membuat kesimpulan.
8
BAB 3. ANALISA DATA DAN PEMBAHASAN
3.1 Data Hasil Praktikum
3.1.1 Data Percobaan 1
Tabel 3.1.1 Tabel Hasil Percobaan 1 Konvolusi Sinyal
No Pergeseran Hasil
1
Gambar 3.1 Pergesaran ke 1 dari
Sinyal 1
Gambar 3.2 Hasil Pergeseran ke 1
dari Sinyal 1
2
Gambar 3.3 Pergeseran ke 2 dari
Sinyal 1Gambar 3.4 Hasil Pergeseran ke 2
dari sinyal 1
9
10
3
Gambar 3.5 Pergeseran ke 3 dari
Sinyal 1
Gambar 3.6 Hasil Pergeseran ke 3
dari Sinyal 1
4
Gambar 3.7 Pergeseran ke 4 dari
Sinyal 1Gambar 3.8 Hasil Pergeseran ke 4
dari Sinyal 1
11
3.1.2 Data Percobaan 2
Tabel 3.1.2 Tabel Hasil Percobaan 2 Konvolusi Sinyal
No Pergeseran Hasil
1
Gambar 3.9 Pergeseran ke 1 dari
Sinyal 2Gambar 3.10 Hasil Pergeseran ke 1
dari Sinyal 2
2
Gambar 3.11 Pergeseran ke 2 dari
Sinyal 2
Gambar 3.12 Hasil Pergeseran ke 2
dari Sinyal 2
12
3
Gambar 3.13 Pergeseran ke 3 dari
Sinyal 2
Gambar 3.14 Hasil Pergeseran ke 3
dari Sinyal 2
4
Gambar 3.15 Pergeseran ke 4 dari
Sinyal 2Gambar 3.16 Hasil Pergeseran ke 4
dari Sinyal 2
13
3.2 Pembahasan
Konvolusi adalah suatu operasi dimana terdapat dua buah sinyal atau
mungkin lebih yang dikombinasikan menjadi satu membentuk sinyal yang baru
dengan melalui proses pencerminan, pergeseran, perkalian, dan kemudian
penjumlahan. Selain itu, konvolusi juga dapat didefinisikan sebagai operasi dari
dua fungsi sehingga menghasilkan fungsi ketiga yang mana merupakan
modifikasi dari kedua fungsi aslinya. Secara matematis konvolusi adalah integral
yang menggambarkan jumlah lingkupan fungsi a yang digeser berdasarkan fungsi
b yang menghasilkan fungsi c. Konvolusi terus dievaluasi pada setiap pergeseran
nilai n dengan perkalian sinyal pertama sebanyak n dikali dengan sinyal kedua
sebanyak n dikurangi k untuk semua nilai n yang berjalan dari minus tak hingga
sampai plus tak hingga. Untuk mencari sinyal hasil konvolusi y(t) adalah dengan
mengintegralkan antara sinyal x(t) yang bergeser (x(t-v)) dengan h(v).
Pada praktikum kali ini mengguakan aplikasi java applet yang di akses
melalui situs http://jhu.edu/~signals/convolve/. Dalam situs ini terdapat empat
buah sinyal yang dapat dipilih untuk di konvolusikan baik untuk x(t) maupun h(t).
Dari praktikum ini di ambil dua sampel yaitu data pertama mengkonvolusikan
sinyal yang telah ada pada java applet dan data kedua mengkonvolusikan sinyal
yang ada pada java applet namun bentuk sinyal diubah secara acak. Masing –
masing dari percobaan diambil empat contoh konvolusi sinyal.
Dalam percobaan pertama dengan pergeseran sinyal pertama dipilih gambar
sinyal yang pertama dari sinyal x(t) dan sinyal h(t). Sehingga dapat diketahui
bagaimana penggabungan dua sinyal (konvolusi) itu terjadi. Diketahui bahwa
sinyal yang digeser – geser adalah sinyal x(t) yang berupa sinyal kotak tak penuh
sedangkan sinyal h(t) adalah sinyal gergaji yang perannya sebagai unit impulse
input pada suatu respons system. Dari data yang diperoleh didapatkan pada sumbu
v merupakan suatu keluaran sinyal untuk mengetahui titik puncak dari hasil
konvolusi. Dimana didapatkan hasil konvolusi sinyalnya menghasilkan sinyal
yang baru dan menghasilkan sebuah grafik dimana hanya terdapat daerah puncak
karena sinyal yang dikonvolusikan merupakan sinyal kotak tak penuh dan sinyal
gergaji dan hasilnya positif untuk kluaran sinyal h(t).
14
Pada percobaan pertama dengan pergeseran sinyal yang kedua, pergeseran
kedua sinyal x(t) digeser pada posisi saling tumpang tindih dengan sinyal h(t).
Sehingga didapatkan hasil konvolusi sinyalnya menghasilkan sinyal baru dan
menghasilkan sebuah grafik dimana terdapat titik puncak karena sinyal yang
dikonvolusikan merupakan sinyal kotak tak penuh.
Untuk percobaan pertama dengan pergeseran sinyal yang ketiga, pergeseran
kedua sinyal x(t) digeser pada posisi ditengah – tengah sinyal h(t). Sehingga
menghasilkan sebuah grafik dimana terdapat grafik yang mengarah ke titik 0 (nol)
karena sinyal yang dikonvolusikan merupakan sinyal kotak tak penuh dan sinyal
gergaji berperan sebagai sebagai unit impulse input pada suatu respons system.
Dan percobaan pertama dengan pergeseran sinyal yang keempat, pergeseran
kedua sinyal x(t) adalah sinyal kotak tak penuh digeser pada posisi melebihi sinyal
h(t) atau sinyal gergaji. Dalam percobaan ini dapat diketahui bahwa sinyal x(t)
atau sinyal kotak tak penuh dapat digeser – geser sesuai keinginan dan sinyal h(t)
atau sinyal gergaji bertindak sebagai unit impulse input pada suatu respons
system. Sehingga menghasilkan sebuah grafik dimana hasil tersebut adalah hasil
dari konvolusi kedua sinyal masukan yang menghasilkan sinyal baru dan
terbentuk grafik yang searah dengan 0 (nol).
Dari percobaan pertama dapat disimpulkan, jika memakai sinyal masukan
x(t) atau sinyal kotak tak penuh dan sinyal h(t) atau sinyal gergaji, dapat diketahui
jika dilakukan pergeseran sinyal menghasilkan sinyal baru yang semakin digeser
ke kanan semakin landai atau bentuk sinyalnya semakin kecil. Dari pergeseran
sinyal tersebut juga menhasilkan grafik yang titik puncaknya berada pada daerah
positif (+) dan pada pergeseran sinyal yang keempat, bentuk sinyal yang
dihasilkan semakin landai dari sebelumya atau searah dengan 0 (nol).
Percobaan kedua pada pergeseran sinyal yang pertama dari data hasil
percobaan yang diperoleh dapat dilihat bagaimana konvolusi sinyal terjadi. Dalam
percobaan ini dapat diketahui sinyal yang digeser – geser adalah sinyal x(t) yang
berupa sinyal gergaji dan dimodifikasi sendiri sedangkan sinyal h(t) yang berupa
sinyal kotak tak penuh dan dimodifikasi sendiri berperan sebagai unit impulse
input pada suatu respons system. Menghasilkan sinyal baru dengan tinggi
15
mencapai +1 dan sebuah grafik yang menuju ke titik puncak karena sinyal yang di
konvolusikan adalah sinyal kotak tak penuh dan sinyal gergaji yang dimodifikasi
sendiri.
Untuk percobaan kedua dengan pergeseran sinyal kedua, dari data hasil
percobaan yang diperoleh dapat dilihat bagaimana konvolusi sinyal terjadi. Dalam
percobaan ini dapat diketahui sinyal yang digeser – geser adalah sinyal x(t) yang
berupa sinyal gergaji dan dimodifikasi sendiri sedangkan sinyal h(t) yang berupa
sinyal kotak tak penuh dan dimodifikasi sendiri berperan sebagai unit impulse
input pada suatu respons system. Menghasilkan sinyal baru dengan tinggi
melebihi +1 dan sebuah grafik yang berada dititik puncak karena sinyal yang di
konvolusikan adalah sinyal kotak tak penuh dan sinyal gergaji yang dimodifikasi
sendiri.
Percobaan kedua dengan pergeseran sinyal ketiga, dari data hasil percobaan
yang diperoleh dapat dilihat bagaimana konvolusi sinyal terjadi. Dalam percobaan
ini dapat diketahui sinyal yang digeser – geser adalah sinyal x(t) yang berupa
sinyal gergaji dan dimodifikasi sendiri sedangkan sinyal h(t) yang berupa sinyal
kotak tak penuh dan dimodifikasi sendiri berperan sebagai unit impulse input pada
suatu respons system. Menghasilkan sinyal baru dengan tinggi berkisar +2 dan
sebuah grafik yang berada dititik setengah puncak karena sinyal yang di
konvolusikan adalah sinyal kotak tak penuh dan sinyal gergaji yang dimodifikasi
sendiri.
Percobaan kedua dengan pergeseran sinyal keempat, dari data hasil
percobaan yang diperoleh dapat dilihat bagaimana konvolusi sinyal terjadi. Dalam
percobaan ini dapat diketahui sinyal yang digeser – geser adalah sinyal x(t) yang
berupa sinyal gergaji dan dimodifikasi sendiri sedangkan sinyal h(t) yang berupa
sinyal kotak tak penuh dan dimodifikasi sendiri berperan sebagai unit impulse
input pada suatu respons system. Menghasilkan sinyal baru dengan tinggi berkisar
+2 dan sebuah grafik yang berada dititik kurang dari +1 menuju nilai 0 (nol)
karena sinyal yang di konvolusikan adalah sinyal kotak tak penuh dan sinyal
gergaji yang dimodifikasi sendiri.
16
Dari dua praktikum yang telah dilakukan dapat diketahui bahwa hasil
penggabungan dua sinyal yang berbeda pada setiap proses konvolusi dimana hal
tersebut dipengaruhi oleh adanya pergeseran yang dilakukan serta input sinyal
yang berbeda. Jika sinyal kotak tak penuh digabungkan dengan sinyal gergaji
maka sinyal yang dihasilkan adalah sinyal trapesium hal tersebut dapat dilihat
pada Tabel 3.1.1 Tabel Hasil Percobaan 1 Konvolusi Sinyal. Jika sinyal input
digeser semakin ke kanan, volume dari sinyal output akan semakin kecil. Jika
sinyal gergaji digabungkan dengan sinyal kotak tak penuh yang dimodifikasi
sendiri maka sinyal yang dihasilkan adalah sinyal tak beraturan hal tersebut dapat
dilihat pada Tabel 3.1.2 Tabel Hasil Percobaan 2 Konvolusi Sinyal. Jika sinyal
input digeser semakin ke kanan, maka sinyal yang dihasilkan semakin tidak
beraturan dan titik puncaknya mencapai berkisaran +2 dan paper yang
bersangkutan dengan praktikum kali ini memaparkan hasil penelitian tentang
identifikasi dan klasifikasi sinyal EMG pada gerak Ekstesi – fleksi siku (gerak
45º, 90º dan 135º) dengan menggunakan metode konvolusi dan jaringan syaraf
tiruan. Pengambilan data EMG menggunakan bantuan peralatan medis Biopac
MP30. Output Biopac berupa sinyal rms EMG, dan disampling sebanyak 2000
titik.
BAB 4. PENUTUP
4.1 Kesimpulan
Dari praktikum yang telah dilakukan dapat disimpulkan bahwa :
1. Dari percobaan pertama pada pergeseran sinyal pertama, saat sinyal x(t)
bergeser memotong sedikit sinyal h(t) maka menghasilkan sinyal baru pada
sumbu y didapatkan besar y sebesar +1 dan v berkisar kurang dari +1 dan
dapat dilihat pada Tabel 3.1.1 Tabel Hasil Percobaan 1 Konvolusi Sinyal di
gambar 3.2 Hasil Pergeseran ke 1 dari Sinyal 1.
2. Dari percobaan pertama pada pergeseran sinyal keempat, saat sinyal x(t)
bergeser semakin ke kanan dan memotong sedikit sinyal h(t) maka
menghasilkan sinyal baru pada sumbu y didapatkan y berkisar kurang dari
+1 dan v berkisar kurang dari +1. Hal tersebut menyimpulkan bahwa sinyal
semakin digeser ke kanan akan semakin kecil besar y dan v nya. Dapat
dilihat pada Tabel 3.1.1 Tabel Hasil Percobaan 1 Konvolusi Sinyal di
gambar 3.8 Hasil Pergeseran ke 4 dari Sinyal 1.
3. Dengan adanya noise pada suatu sinyal, grafik hasil konvolusi yang
dihasilkan juga berbeda.
4. Nilai sinyal output (y(t)) berdasarkan perkalian antara sinyal output dan
sinyal proses.
5. Pada percobaan kedua pada pergeseran sinyal kedua, saat sinyal x(t)
bergeser saling tumpang tindih dengan sinyal h(t) maka menghasilkan sinyal
baru dan grafik. Dari grafik tersebut dapat dilihat pada Tabel 3.1.2 Tabel
Hasil Percobaan 2 Konvolusi Sinyal di gambar 3.12 Hasil Pergeseran ke 2
dari Sinyal 2 titik t nya hampir berada di titik puncak yang berkisar +1.
6. Pada percobaan kedua pada pergeseran sinyal keempat, saat sinyal x(t)
bergeser semakin ke kanan dengan memotong sedikit sinyal h(t) maka
menghasilkan sinyal baru dan grafik. Dari grafik tersebut dapat dilihat pada
Tabel 3.1.2 Tabel Hasil Percobaan 2 Konvolusi Sinyal di gambar 3.16 Hasil
Pergeseran ke 4 dari Sinyal 2 titik t nya hampir searah dengan 0 (nol).
17
LAPORAN PRAKTIKUM
PEMROSESAN SINYAL DIGITAL
PRAKTIKUM 2
TEOREMA SAMPLING
Oleh:
KELOMPOK 13
Nama : Ramadhaniar Eka W
NIM : 141910201078
Asisten : Rina Anggraeni
Nilai :
LABORATORIUM SISTEM KENDALI
JURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIK
UNIVERSITAS JEMBER
2015
BAB 1. PENDAHULUAN
1.1 Tujuan Praktikum
1. Mempelajari sifat-sifat dari teorema sampling.
2. Memahami pengaruh pemilihan jumlah sampel dan pengaruhnya pada proses
recovery sinyal.
3. Memahami dan dapat memilih nilai sampel yang tepat terhadap suatu sinyal.
1.2 Landasan Teori
Suatu sinyal kontinyu time x(t) merupakan sampel pada suatu frekuensi (Hz)
untuk menghasilkan suatu sinyal sampel xs(t). Kita model xs(t) sebagai suatu
impuls dengan area dan impuls yang diberi oleh x(nTs). Suatu low-pass filter ideal
dengan frekuensi digunakan untuk memperoleh sinyal yang direkonstruksi xr(t).
Proses pengolahan sinyal secara digital memiliki bentuk sedikit berbeda.
Komponen utama sistem ini berupa sebuah processor digital yang mampu bekerja
apabila masukannya berupa sinyal digital. Untuk sebuah input berupa sinyal
analog perlu proses awal yang bernama digitalisasi melalui perangkat yang
bernama analog-to-digital converter (ADC), dimana sinyal analog harus melalui
proses sampling, quantizing dan coding.
Dengan memperkirakan komponen highest-frequency dalam x(t) pada
frekuensi fm. Kemudian Theorema sampling states untuk fs>2fm tidak ada
hilangnya informasi pada sampling. Dalam hal ini, memilih fc dalam range fm<fc
<fs-fm memberi xr(t) = x(t). Hasil ini dapat dipahami dengan pengujian fourier
mengubah bentuk X(f), Xs(f) dan Xr(f). Jika fs<2fm atau fc dipilih dengan kurang
baik, maka xr(t) tidak akan menyerupai x(t).
35
BAB 2. METODOLOGI PRAKTIKUM
2.1 Alat dan Bahan
Percobaan ini memerlukan sebuah laptop sebagai media penunjang
pelaksanaan praktikum untuk menjalankan program simulasi teorema sampling
yang dapat anda unduh dari website http://teachme.tuwien.ac.at/world_of_ifx/.
2.2 Prosedur Praktikum
2.2.1 Percobaan 1
1. Menjalankan program sampling.
2. Memilih jenis gelombang.
3. Menggeser-geser frekuensi sampling untuk memindah garis sampling dari
sinyal utama.
2.2.2 Percobaan 2
1. Menjalankan program sampling.
2. Memilih jenis gelombang.
3. Menggeser-geser frekuensi sampling untuk memindah garis sampling dari
sinyal utama.
4. Mencatat Hasil percobaan dan membuat kesimpulan.
36
BAB 3. ANALISA DATA DAN PEMBAHASAN
3.1 Data Hasil Praktikum
3.1.1 Percobaan 1
Gambar 3.1 Teorema sampling menggunakan sinyal sinus dengan time (sample)
61 ns dan frekuensi (sample) 16.39 MHz
Gambar 3.2 Teorema sampling menggunakan sinyal sinus dengan time (sample)
174 ns dan frekuensi (sample) 5.75 MHz
37
38
3.1.2 Percobaan 2
Gambar 3.3 Teorema sampling menggunakan sinyal sinc dengan time (sample)
125 ns dan frekuensi (sample) 8 MHz
Gambar 3.4 Teorema sampling menggunakan sinyal sinc dengan time (sample) 86
ns dan frekuensi (sample) 11.63 MHz
39
3.2 Pembahasan
Pada praktikum kedua pemrosesan sinyal ini kami melakukan percobaan
tentang teorema sampling. Sampling adalah proses mengubah representasi sinyal
yang tadinya berupa sinyal kontinyu menjadi sinyal diskrit. Pada proses sampling,
sinyal kontinyu disampel ke dalam rentang dan frekuensi tertentu.
Percobaan kedua ini kami menggunakan software Sampling Theorem
berupa nykvist. Pada percobaan ini terdapat pengambilan data dari sinyal sinus.
Pada software tersebut terdapat beberapa bentuk sinyal masukan yakni sinyal sine,
3-term sine, sawtooth, sinc, dan chirp. Pada percobaan ini menggunakan sinyal
masukan sine yang diambil dua sample dan sinyal sinc yang diambil dua sample.
Hal yang perlu dilakukan dalam percobaan ini adalah mengubah nilai frekuensi
sinyal sampling agar dapat diketahui karakteristik sampling.
Sebelum memulai percobaan, terlebih dahulu disiapkan alat dan bahannya,
yaitu laptop yang sudah siap dengan program simulasi yang telah ditentukan.
Setelah semua siap, percobaan bisa dimulai dengan langkah pertama yaitu
menghidupkan laptop. Langkah kedua, membuka program simulasi sampling.
Langkah ketiga, memilih jenis gelombang. Langkah keempat, setelah menentukan
sinyal yan akan diuji coba dalam praktikum, mulailah meggeser – geser slider
untuk memindah garis sampling dari sinyal utama sehingga menghasilkan
perpotongan antar sinyal utama dengan sinyal sampling.
Pada percobaan pertama kita menggunakan sinyal sinus sebagai sinyal yang
akan mengalami proses sampling. Uji coba pertama, frekuensi diatur menjadi
16.39 MHz dan waktu sample yaitu 61 ns. Hasil sampling sinyal akan muncul di
bawah grafik sinyal masukan yang akan mengalami proses sampling pada Gambar
3.1. Selanjutnya pada proses sampling yang pertama selesai kemudian berlanjut
pada proses sampling. Uji coba kedua dengan nilai frekuensi diatur menjadi 5.75
MHz dan waktu sample yaitu 174 ns. Hasil sampling sinyal akan muncul di bawah
grafik sinyal masukan yang akan mengalami proses sampling pada Gambar 3.2.
Berdasarkan hasil percobaan dapat diketahui bahwa jika nilai dari frekuensi
sampling ditambah, maka data yang diambil saat sampling akan semakin rapat.
Begitu pula sebaliknya, jika nilai dari frekuensi sampling dikurangi, hasil
40
sampelnya semakin sedikit. Semakin besar nilai frekuensi untuk sampling maka
bentuk sinyal hasil sampling akan semakin mendekati sinyal masukan yang akan
disampling. Dapat diketahui perbedaan secara jelas antara proses sampling
pertama dan proses sampling kedua, yaitu pada tingkat keakuratan gelombang
sample, pada pengambilan sample yang lebih sering dapat diketahui bahwa
gelombang akan lebih akurat dibandingkan dengan pengambilan sample yang
lebih jarang.
Pada percobaan kedua menggunakan sinyal sinc dengan sampling pertama
digunakan frekuensi sample 8 MHz dan waktu sample 125 ns. Hasil sampling
sinyal akan muncul di bawah grafik sinyal masukan yang akan mengalami proses
sampling dan juga dapat dilihat pada Gambar 3.3. Selanjutnya pada proses
sampling yang pertama selesai kemudian berlanjut pada proses sampling. Setelah
proses sampling pertama selesai kemudian sampling kedua menggunakan
frekuensi sample 11.63 MHz dan waktu sampel 86 ns. Hasil sampling sinyal akan
muncul di bawah grafik sinyal masukan yang akan mengalami proses sampling
pada Gambar 3.4. Masih sama seperti pada percobaan pertama, perubahan waktu
pada sampling masih berhubungan erat dengan keakuratan gelombang yang akan
dihasilkan. Semakin besar nilai frekuensi yang digunakan untuk sampling, maka
semakin kecil nilai t sample. Hal terlihat pada Gambar 3.1 Teorema sampling
menggunakan sinyal sinus dengan time (sample) 61 ns dan frekuensi (sample)
16.39 Mhz dan pada Gambar 3.3 Teorema sampling menggunakan sinyal sinc
dengan time (sample) 125 ns dan frekuensi (sample) 8 MHz.
Pada gambar sebelah kanan terdapat gambar power spectrum untuk sinyal
masukan dan sinyal hasil sampling. Gambar power spectrum untuk sinyal
masukan dan sinyal hasil sampling terlihat berbeda karena pada sinyal hasil
sampling telah terjadi proses harmonisasi yakni distorsi periodic dari gelombang
dengan bentuk gelombang yang frekuensinya merupakan kelipatan di luar
bilangan satu terhadap frekuensi fundamental. Untuk memperkecil harmonisasi
yang ditimbulkan dapat menggunakan Low Pass Filter yang berfungsi untuk
melewatkan sinyal dengan frekuensi rendah (lebih kecil dari frekuensi cut off) dan
melemahkan sinyal yang berfrekuensi tinggi (lebih besar dari frekuensi cut off).
41
Sebagai penunjang, terdapat jurnal mengenai sampling yang berjudul “Identifikasi
Sinyal Elektrode Enchepalo Graph untuk Menggerakkan Kursor Menggunakan
Teknik Sampling dan Jaringan Syaraf Tiruan”. Jurnal tersebut menjelaskan
aplikasi dari jaringan syaraf tiruan propagasi balik sebagai klasifikasi dan Teknik
Sampling (TS) untuk ekstraksi fitur dari gelombang sinyal Electro Encephalo
Graph (EEG). Teknik sampling (TS) diterapkan untuk mendeteksi fitur-fitur dari
data EEG. Sampling merupakan salah satu teknik penting utama dalam statistik.
Jika ukuran sampel cukup diambil maka dapat memberitahu karakteristik dari
sinyal EEG. Ada berbagai jenis teknik sampling yang digunakan dalam statistik.
Penerapan Simple Random Sampling (SRS) digunakan untuk mengekstrak cirri
sinyal EEG di dua kelas yaitu pada orang normal dan orang yang menderita
penyakit epilepsi. LeastSquare Support Vector Machines (LS-SVM) dengan RBF
Kernel dirancang dan diimplementasikan pada ekstraksi vektor fitur diperoleh dari
dua kelas tersebut. Ketepatan klasifikasi LS-SVM dicapai 80,31% untuk data
pelatihan dan 80,05% untuk data pengujian. Metode analisis sinyal EEG
menggunakan wavelet relatif energi, sedangkan klasifikasi menggunakan jaringan
syaraf tiruan. Ketepatan klasifikasi yang diperoleh menegaskan bahwa skema
yang diusulkan memiliki potensi dalam mengklasifikasikan sinyal EEG.
Penelitian ini mengusulkan TS diterapkan untuk memilih fitur yang
merupakan perwakilan dari sinyal EEG dan fitur yang dipilih kemudian diolah
dengan metode propagasi balik dalam rangka untuk memisahkan sinyal EEG
antara subyek membayangkan gerakanke kanan, gerakanke kiri, gerakan lidah dan
gerakan kaki. Hasil dari empat gerakan tersebut digunakan untuk menggerakkan
kursor ke kanan, ke kiri, atas dan bawah.
Penelitian ini bertujuan untuk mengembangkan suatu sistem yang dapat
mengenali sinyal EEG yang digunakan untuk menggerakkan kursor. Data yang
diambil dalam penelitian ini adalah 50 data file sinyal untuk masing-masing
subyek, sehingga didapatkan 50 dikalikan tiga sama dengan 150 data file subyek.
Satu file sinyal mempunyai 250 point data. Peneltian ini membagi satu sinyal
menjadi lima sub sinyal. Sehingga tiap sub sinyal mempunyai 50 point data.
Dari sub sinyal kemudian dicari nilai minimum, maksimum, rata-rata dan
42
standart deviasi untuk dijadikan ekstrasi ciri bagi proses klasifikasi. Hasil nilai
minimum, maksimum, rata-rata dan standart deviasi merupakan contoh mencari
fitur masing-masing sinyal. Sehingga didapatkan empat kali lima sub sinyal
menghasilkan 20 fitur ekstrasi ciri untuk masing-masing gerakan.
BAB 4. PENUTUP
4.1 Kesimpulan
Dari praktikum yang telah dilakukan dapat disimpulkan bahwa :
1. Semakin besar nilai frekuensi untuk sampling maka bentuk sinyal hasil
sampling akan semakin mendekati sinyal masukan yang akan disampling.
Hal tersebut dapat dilihat pada Gambar 3.1 Teorema sampling menggunakan
sinyal sinus dengan time (sample) 61 ns dan frekuensi (sample) 16.39 MHz
2. Jika nilai dari frekuensi sampling ditambah, maka data yang diambil saat
sampling akan semakin rapat. Hal tersebut dapat dilihat pada Gambar 3.1
Teorema sampling menggunakan sinyal sinus dengan time (sample) 61 ns
dan frekuensi (sample) 16.39 MHz dan Gambar 3.2 Teorema sampling
menggunakan sinyal sinus dengan time (sample) 174 ns dan frekuensi
(sample) 5.75 MHz.
3. Semakin besar nilai frekuensi yang digunakan untuk sampling, maka
semakin kecil nilai t sample. Hal tersebut terlihat pada Gambar 3.3 Teorema
sampling menggunakan sinyal sinc dengan time (sample) 125 ns dan
frekuensi (sample) 8 MHz dan Gambar 3.4 Teorema sampling menggunakan
sinyal sinc dengan time (sample) 86 ns dan frekuensi (sample) 11.63 MHz.
4. Semakin akurat sinyal sampling maka kekuatan spectrumnya akan semakin
mirip dengan kekuatan spectrum sinyal asli. Hal tersebut dapat dlihat dari
Gambar 3.1 Teorema sampling menggunakan sinyal sinus dengan time
(sample) 61 ns dan frekuensi (sample) 16.39 MHz dan Gambar 3.2 Teorema
sampling menggunakan sinyal sinus dengan time (sample) 174 ns dan
frekuensi (sample) 5.75 MHz. Untuk percobaan pada sinyal sinc dapat
dilihat pada Gambar 3.3 Teorema sampling menggunakan sinyal sinc
dengan time (sample) 125 ns dan frekuensi (sample) 8 MHz dan Gambar 3.4
Teorema sampling menggunakan sinyal sinc dengan time (sample) 86 ns dan
frekuensi (sample) 11.63 MHz.
5. Proses sampling bertujuan untuk membuat suatu sinyal analog yang
mulanya tidak begitu bagus (bisa berupa efek noise) menjadi sinyal analog
43
44
yang lebih halus. Dapat dilihat pada Gambar 3.3 Teorema sampling
menggunakan sinyal sinc dengan time (sample) 125 ns dan frekuensi
(sample) 8 MHz.
6. Semakin jarang sampling dilakukan maka kemungkinan terjadinya noise
semakin tinggi berkaitan dengan keakuratan sinyal. Hal tersebut dapat
dilihat pada Gambar 3.3 Teorema sampling menggunakan sinyal sinc
dengan time (sample) 125 ns dan frekuensi (sample) 8 MHz.
7. Ada 20 fitur ekstrasi ciri untuk masing-masing gerakan dalam jurnal
Identifikasi Sinyal Elektrode Enchepalo Graph untuk Menggerakkan Kursor
Menggunakan Teknik Sampling dan Jaringan Syaraf Tiruan. Dapat diketahui
dari 50 data file sinyal untuk masing-masing subyek, didapatkan lima
puluh dikali tiga sama dengan 150 data file subyek. Satu file sinyal
mempunyai 250 point data. Peneltian ini membagi satu sinyal menjadi
lima sub sinyal. Sehingga tiap sub sinyal mempunyai 50 point data. Dari
sub sinyal kemudian dicari nilai minimum, maksimum, rata-rata dan
standart deviasi. Sehingga didapatkan empat dikali lima sub sinyal
menghasilkan 20 fitur ekstrasi ciri untuk masing-masing gerakan.
LAPORAN PRAKTIKUM
PEMROSESAN SINYAL DIGITAL
PRAKTIKUM 3
DERET FOURIER
Oleh:
KELOMPOK 13
Nama : Ramadhaniar Eka W
NIM : 141910201078
Asisten : Moh Agus
Nilai :
LABORATORIUM SISTEM KENDALI
JURUSAN TEKNIK ELEKTRO STRATA 1
FAKULTAS TEKNIK
UNIVERSITAS JEMBER
2015
BAB 1. PENDAHULUAN
1.1 Tujuan Praktikum
a. Menggambar deret fourier dari beberapa sinyal.
b. Mengetahui karakteristik magnitude dari deret fourier.
1.2 Landasan Teori
Deret Fourier merupakan penguraian fungsi periodik menjadi jumlahan
fungsi-fungsi berosilasi, yaitu fungsi sinus dan kosinus, ataupun eksponensial
kompleks. Studi deret Fourier merupakan cabang analisis Fourier. Pada
umumnya nilai frekuensi ω0 adalah 2p /T rad/sec, dengan koefisien amplitude a1,
…, aN adalah non-negatif, dan sudut fasa radian memenuhi £ q1 , ..., qN < 2p. Suatu
gelombang sinyal yang mempunyai persamaan waktu selalu kita ingat fourier
transform sebagai metoda analisa. Akan tetapi bentuk gelombang yang akan
dianalisa haruslah stabil dan diketahui dari waktu lampau sampai tak hingga. Oleh
karena itu, terhadap sebuah konsep running spectrum akan menjadi tidak
sempurna jika akan diterapkan, dan memerlukan fungsi window untuk analisa
gelombang pendek. Untuk itu perlu dipakai suatu metode yang bersifat alami
untuk menganalisa gelombang dalam waktu yang singkat. Iijima telah
mengajukan suatu metoda untuk analisa gelombang secara natural, yang di sebut
Natural Observation Method (NOM).
Untuk menganalisa penaksiran deret Fourier, pilih sinyal yang telah
ditandai, gunakan mouse untuk menggambar sinyal satu periode, atau gunakan
mouse untuk mengganti sinyal yang dipilih. Tentukan jumlah untuk nilai
harmonis, dan klik “Calculate”. Penaksiran akan muncul dengan warna merah.
Untuk tambahan, spektrum magnitude (plot an & n) dan spektrum fasa (plot dari
qn & n) akan terlihat. (Jika komponen-dc adalah negative, a0 < 0, kemudian |a0|
terlihat pada spektrum magnitude dan sebuah sudut dari p radians terlihat pada
spektrum fasa). Untuk melihat tabel koefisien, klik tabel.
63
BAB 2. METODOLOGI PRAKTIKUM
b.1 Alat dan Bahan
Percobaan ini menggunakan aplikasi java applet yang di akses dengan
internet secara online di situs http://www.jhu.edu/~signals/fourier2/index.html.
b.2 Prosedur Praktikum
a. Memilih tombol Rectangular Pulse pada simulator.
b. Mengisi koifisien deret fourier mulai angka 1 – 20.
c. Menekan tombol “Calculate”.
d. Menambahkan koefiesien tranformasi fourier dengan nilai satu.
e. Mengambil beberapa sample (minimal 3) grafik plot grafik asli dan hasil dari
deret fourier.
f. Mengambil grafik magnitude yang bersesuaian.
g. Mencatat nilai koifisen deret fouriernya dengan meng-klik table.
h. Menscreenshoot hasil percobaan
i. Membuat data percobaan dan kesimpulan.
64
BAB 3. ANALISA DATA DAN PEMBAHASAN
3.1 Data Hasil Praktikum
Gambar 3.1 Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan
Koefisien 3
Gambar 3.2 Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan
Koefisien 5
65
66
Gambar 3.3 Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan
Koefisien 8
Gambar 3.4 Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan
Koefisien 12
67
Gambar 3.5 Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan
Koefisien 17
Gambar 3.6 Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan
Koefisien 20
68
3.2 Pembahasan
Deret fourier merupakan penguraian fungsi periodik menjadi jumlahan
fungsi-fungsi berosilasi, yaitu fungsi sinus dan kosinus, ataupun eksponensial
komplek atau uraian deret fungsi periodik. Transformasi fourier adalah sebuah
transformasi integral yang menyatakan kembali sebuah fungsi dalam fungsi basis
sinusoidal, yaitu sebuah fungsi sinusoidal penjumlahan atau integral dikalikan
oleh beberapa koefisien atau amplitudo. Ada banyak variasi yang berhubungan
dekat dari transformasi ini tergantung jenis fungsi yang ditransformasikan.
Transformasi fourier mengubah sinyal dari domain waktu ke domain frekuensi.
Secara teori, deret fourier merupakan deret dalam bentuk sinusoidal (sinus
dan cosinus) yang digunakan untuk merepresentasikan fungsi-fungsi periodik
secara umum. Selain itu, deret ini sering dijadikan sebagai alat bantu dalam
menyelesaikan persamaan diferensial, baik persamaan diferensial biasa maupun
persamaan diferensial parsial. Deret fourier yang dikenakan pada sinyal akan
menghasilkan spektrum frekuensi yang terdiri dari spectrum magnitude dan
spektrum fasa yang menunjukan hubungan antara magnitude, fasa dengan
frekuensi. Artinya kita dapat melihat komponen penyusun sinyal tersebut dari
magnitude sinyal pada rentang frekuensi. Begitu juga dengan fasenya. Misalnya
digunakan untuk analisis suara manusia maka kita dapat melihat sebenarnya suara
kita mempunyai magnitude besar pada frekuensi berapa saja, yang menunjukkan
dominan frekuensi dari suara kita. Salah satu aplikasi dari deret fourier yaitu
untuk mengubah sinyal dari domain waktu ke frekuensi atau sebaliknya yang
berarti diubah ke domain frekuensi agar kita bisa melihat suatu sinyal itu memiliki
frekuensi berapa hertz.
Pada percobaan kali ini, akan melakukan percobaan untuk deret fourier
dengan menggunakan simulator yang dapat dikunjungi melalui laman
http://www.jhu.edu/~signals/fourier2/index.html. Percobaan deret fourier ini
dilakukan untuk mengetahui gambaran deret fourier dari beberapa sinyal dan
mengetahui karakteristik magnitude dari deret fourier. Percobaan deret fourier ini
dilakukan dengan memilih sinyal asli yaitu sinyal rectangular pulse, dimana pada
simulator menunujukan gambar gelombang berwarna biru (phase spectrum). Dan
69
masukkan nilai pada fourier series coefficient dengan membandingkan 3 sampel
data yaitu data pada saat fourier series coefficient sebesar 3 dan 5, 8 dan 12, 17
dan 20 akan menghasilkan sinyal dari analisa deret fourier yaitu sinyal berwarna
merah (magnitude spectrum).
Pada percobaan yang pertama dengan sinyal asli berupa sinyal rectangular
pulse yang menunujukan gambar gelombang berwarna biru (phase spectrum)
yang mana akan diketahui sinyal hasil analisa deret fourier yaitu sinyal berwarna
merah (magnitude spectrum) dengan memasukan nilai pada fourier series
coefficient sebesar 3 dan 5. Dari data yang telah didapatkan pada data hasil
percobaan dapat diketahui bahwa sinyal berwarna merah (magnitude spectrum)
yang terbentuk pada fourier series coefficient sebesar 3 dengan nilai magitude
sebesar 46.830 dan dengan nilai phasenya sebesar 0.0 dan pada fourier series
coefficient sebesar 5 dengan nilai magitude sebesar 23.582 dan dengan nilai
phasenya sebesar 0.0.
Percobaan yang kedua dengan sinyal asli berupa sinyal rectangular pulse
yang menunujukan gambar gelombang berwarna biru (phase spectrum) yang
mana akan diketahui sinyal hasil analisa deret fourier yaitu sinyal berwarna merah
(magnitude spectrum) dengan memasukan nilai pada fourier series coefficient
sebesar 8 dan 12. Dari data yang telah didapatkan pada data hasil percobaan dapat
diketahui bahwa sinyal berwarna merah (magnitude spectrum) yang terbentuk
pada fourier series coefficient sebesar 8 dengan nilai magitude sebesar 6.5421 dan
dengan nilai phasenya sebesar 3.072 dan pada pada fourier series coefficient
sebesar 12 dengan nilai magitude sebesar 10.312 dan dengan nilai phasenya
sebesar 3.077.
Percobaan yang ketiga dengan sinyal asli berupa sinyal rectangular pulse yang
menunujukan gambar gelombang berwarna biru (phase spectrum) yang mana
akan diketahui sinyal hasil analisa deret fourier yaitu sinyal berwarna merah
(magnitude spectrum) dengan memasukan nilai pada fourier series coefficient
sebesar 17 dan 20. Dari data yang telah didapatkan pada data hasil percobaan
dapat diketahui bahwa sinyal berwarna merah (magnitude spectrum) yang
terbentuk pada fourier series coefficient sebesar 17 dengan nilai magnitude
70
sebesar 7.9103 dan dengan nilai phasenya sebesar 0.0 dan pada pada fourier
series coefficient sebesar 20 dengan nilai magitude sebesar 4.4111 dan dengan
nilai phasenya sebesar 0.0.
Dari hasil pembahasan ketiga sampel data yang telah diperoleh maka dapat
diketahui bahwa semakin besar nilai fourier series coefficient yang dimasukan
maka akan semakin banyak gelombang analisa deret fourier atau gelombang yang
berwarna merah yang terbentuk. Semakin besar nilai fourier series coefficient
maka gelombang analisa deret fourier atau gelombang yang berwarna merah akan
mendekati bentuk sinyal asli atau sinyal berwarna biru.
Dari paper yang berjudul “Penyesuaian Fungsi Deret Fourier untuk
Karakteristik Pola Curah Hujan di Kota Pontianak” dapat diketahui bahwa secara
umum karakteristik curah hujan bulanan di Indonesia menunjukkan adanya pola
hubungan dengan frekuensi revolusi bumi yang menyebabkan spektrum
gelombang tidak bisa dianggap berdiri sendiri. Karakteristik curah hujan yang
merupakan superposisi gelombang tersebut dapat didekati dengan analisis deret
fourier. Hasil simulasi menggunakan metode leastsquare non linier.
Tahap awal yang dilakukan adalah menginisiasi Initial value ini diperoleh
melalui pencocokan kurva (curve fitting). Pada saat mencocokan titik data
observasi dengan kurva fungsi deret fourier maka secara otomatis akan
ditampilkan nilai initial value. Selain menggunakan pencocokan kurva initial
value juga dapat diperoleh secara try and error. Secara umum data model yang
dihasilkan mampu menghasilkan pola yang menyerupai pola data observasi
walaupun untuk beberapa titik data model yang dihasilkan belum mampu
mendekati nilai data observasi secara maksimal. Data model ini kemudian
dikorelasikan dengan data untuk mengetahui tingkat hubungan diantara curah
hujan bulanan observasi dan curah hujan hasil model Kota Pontianak. Koefisien
korelasinya 70%, hal ini menunjukkan bahwa fungsi gelombang yang dihasilkan
dari deret fourier orde-8, telah berhasil dengan baik mengikuti pola curah hujan
bulanan Kota Pontianak. Dengan nilai RMSE 104,84.
BAB 4. PENUTUP
4.1 Kesimpulan
Dari praktikum yang telah dilakukan dapat disimpulkan bahwa :
1. Sinyal fourier yang terbentuk mengikuti bentuk sinyal asli karena semakin
besar nilai fourier series coefficients yang digunakan maka, sinyal fourier
yang terbentuk semakin rapat. Hal ini dapat dilihat pada data Gambar 3.1
Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan Koefisien
3, Gambar 3.2 Gambar Hasil Percobaan Gelombang Rectangular Pulse
dengan Koefisien 5, Gambar 3.3 Gambar Hasil Percobaan Gelombang
Rectangular Pulse dengan Koefisien 8, Gambar 3.4 Gambar Hasil
Percobaan Gelombang Rectangular Pulse dengan Koefisien 12, Gambar 3.5
Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan Koefisien
17, dan Gambar 3.6 Gambar Hasil Percobaan Gelombang Rectangular Pulse
dengan Koefisien 20.
2. Jika phase spektrum bernilai 0.0 maka, tidak akan berbentuk spektrum. Hal
tersebut dapat dilihat pada Gambar 3.1 Gambar Hasil Percobaan Gelombang
Rectangular Pulse dengan Koefisien 3. Dari phase pertama dan kedua yang
nilainya 0.0 pada gambar tersebut tidak terbentuk phase spektrum.
3. Magnitude spektrum membentuk grafik seperti gelombang periodik yang
nilainya semakin mengecil. Hal ini dapat dilihat pada data Gambar 3.1
Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan Koefisien
3, Gambar 3.2 Gambar Hasil Percobaan Gelombang Rectangular Pulse
dengan Koefisien 5, Gambar 3.3 Gambar Hasil Percobaan Gelombang
Rectangular Pulse dengan Koefisien 8, Gambar 3.4 Gambar Hasil
Percobaan Gelombang Rectangular Pulse dengan Koefisien 12, Gambar 3.5
Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan Koefisien
17, dan Gambar 3.6 Gambar Hasil Percobaan Gelombang Rectangular Pulse
dengan Koefisien 20 dan mencocokan nilai dari magnitude yang mengecil.
71
72
4. Pada selang tujuh data magnitude nilai dari phase spektrum tidak terbentuk
atau nilainya 0.0. Hal ini dapat dilihat dari data Gambar 3.4 Gambar Hasil
Percobaan Gelombang Rectangular Pulse dengan Koefisien 12.
5. Nilai dari magnitude spektrum dan phase spektrum pada table
mempengaruhi tinggi rendahnya spektrum yang terbentuk. Hal tersebut
dapat dilihat pada data Gambar 3.1 Gambar Hasil Percobaan Gelombang
Rectangular Pulse dengan Koefisien 3, Gambar 3.2 Gambar Hasil
Percobaan Gelombang Rectangular Pulse dengan Koefisien 5, Gambar 3.3
Gambar Hasil Percobaan Gelombang Rectangular Pulse dengan Koefisien
8, Gambar 3.4 Gambar Hasil Percobaan Gelombang Rectangular Pulse
dengan Koefisien 12, Gambar 3.5 Gambar Hasil Percobaan Gelombang
Rectangular Pulse dengan Koefisien 17, dan Gambar 3.6 Gambar Hasil
Percobaan Gelombang Rectangular Pulse dengan Koefisien 20.
6. Pola curah hujan Kota Pontianak terbukti dapat didekati dengan fungsi
superposisi beberapa gelombang harmonik. Superposisi dari gelombang
harmonik ini menghasilkan gelombang periodik tak harmonik dimana
parameter amplitudo tiap sukunya ditentukan dari metode least square
menggunakan algoritma Gauss Newton. Korelasi antara data curah hujan
observasi dengan fungsi hujan gelombang yang dihasilkan cukup kuat. Nilai
korelasi bersesuaian dengan koefisien korelasi 70%.
DAFTAR PUSTAKA
http://jhu.edu/~signals/convolve/ ( diakses pada tanggal 6 Oktober 2015 )
http://teachme.tuwien.ac.at/world_of_ifx/ (diakses pada tanggal 27 Oktober 2015)
http://www.jhu.edu/~signals/fourier2/index.html (diakses pada tanggal 3
November 2015)
Saravanan N Madras, Mr.Mehboob Kazi M.S. Prof.G.Muralidharan “Biosignal
Based Human-Machine Interface for Robotic Arm.” Technology
Chromepet,Chennai, Electronic Engineering Corporation, Technology
Institute of Technology Mechatronics, Madras Institute of Department of
Production. Paper diakses menggunakan http://www.Google.com. pada 30
Mei 2008.
M. M. Rahman, R. Ikeura and K. “Impedance Charasteristic Of Human Arm For
Cooperative Robot”. Mizutani Department of Mechanical Engineering, Mie
University. Paper diakses menggunakan http://www.Google.com. Pada 21
Oktober 2008 pukul 13.41 WIB.
Januardi Effyandono, Purnomo, Donny. 1998. Penelitian, “Studi Perancangan
Protese Lengan Dengan Input Sinyal Ektromyograp “. Teknik Fisika,
Institute Teknologi Bandung-ITB. Bandung. Paper diakses menggunakan
http://www.Google.com. pada 8 September 2008.
Adil, Ratna, Kemalasari, Arief Zaenal. “Praktikum Elektronika Medika”. Buku
Penunjang Praktikum. Surabaya.
Jee Hong Quach. “Surface Electromyography - Use, Design & Technological
Overview”. Paper diakses menggunakan http://www.Google.com. Pada 8
januari 2009 pukul 11.32 WIB.
Hary O. “Modul Praktikum Pengolahan Sinyal – Analog to Digital Converter
(ADC)”. 2007, eepis-its.
Ardik Wijayanto. “ Modul Praktikum Jaringan Syaraf Tiruan.” Eepis - its.
Wolpaw JR, Birbaumer N, McFarland DJ, Pfurtscheller G,and Vaughan TM,Brain
Computer Interfaces for Communication and Control, Clinical
Neurophysiology, 113(6):767-791, 2002.
85
86
VaughanTM, HeetderksWJ, TrejoLJ, Rymer WZ, WeinrichM, MooreMM,
KublerA, Dob kinBH, BirbaumerN, DonchinE, WolpawEW,and
WolpawJR,Brain Computer Interface Technology, Areview of The Second
International Meeting. IEEE Transactions on Neural Systems and
Rehabilitation Engineering, 11(2):94-109, 2003.
PourPA,GulrezT,AlZoubiO, Gargiulo G,and CalvoRA,BrainComputer Interface:
Next Generation Thought Controlled Distributed Video Game Development
Platform, IEEE Symposium on Computational Intelligence and Games
(CIG),251 - 257,2008.
Yan Li, S and Wen, P, Classification of EEG Signals Using Sampling Techniques
and LeastSquare SupportVectorMachines.In:4th InternationalConference on
Rough Set and Knowledge Technology(RSKT2009), LNCS 5589, pp. 375-
382,2009.
Guo L,Rivero D, SeoaneJA,dan Pazos A,Classification of EEG SignalsUsing
Relative Wavelet Energy and Artificial Neural Networks,Proceedings of the
first ACMSIGEVO Summit on Genetic and Evolutionary
ComputationGEC’09,pp. 177-183, 2009.
LotteF, L´ecuyer A, and Arnaldi B, FURIA An Inverse Solution Based Feature
Extraction Algorithm Using Fuzzy SetTheory for Brain –Computer
Interfaces, IEEE Transactions On Signal Processing, Vol 57:3253-
3263,2009.
Ramage, C.S., 1971, Monsoon Meteorology, Academic Press Inc., International
Geophysics Series, Vol. 15.
Tjasjono, B, 2004, Klimatologi, Edisi Kedua , Penerbit Institut Teknologi
Bandung , Bandung.
Ihwan, A., 2012, Algorithma Fast Fourier Trasform (FFT) Untuk Analisis Pola
Curah Hujan Di Kalimantan Barat, Jurnal Aplikasi Fisika, Unhalu Vol. 8
No. 1 Hal. 60 – 65.
Grandis, H., 2003, Inversi Geofisika, Edisi Ke- 1, Program Studi Geofisika
Fakultas Ilmu Kebumian dan Teknologi Mineral, ITB, Bandung.
87
Howison, S., Crighton (Deceased), C. G., Ablowitz, M. J., Davis, S. H.; Hinch, E.
J., Iserles, A.’ Ockendon, J., Olver, P. J., 2005, Practical Applied
Mathematics: Modelling, Analysis, Approximation, Cambridge University
Press.
Mukti, Abdul .M.T.. 2014. Penyelesaian Konvolusi Sinyal Waktu Diskrit secara
Grafis. Widyaiswara Departemen Elektro PPPPTK BOE : Malang.
http://www.vedcmalang.com/pppptkboemlg/index.php/menuutama/listrik-
electro/587-penyelesaian-konvolusi-sinyal-waktu-diskrit-secara-grafis.
(diakses pada tanggal 7 Oktober 2015)
Dogan, Ibrahim. “Hand Book Microcontroller Based Applied Digital Control”,
Department of Computer Engineering Near East University, Cyprus.
Partawijaya, C.,” Tunable Bandpass Filter Aktif dengan Persentase Bandwidth
10% ”, Undergraduate Theses from JBPTITBTF, 2007
Malik, N.,” Electronic Circuits : Analysis, Simulation, and Design”, Prentice-
Hall, Inc., New Jersey, 1995.
Kumar, S., Govil, A., Bhattacharyya, A., Dutta, D.,”A wide-range tunable
bandpass filter cum sinusoidal oscillator using a new current-controlled
resistor”, Epic Syst. Corp., Madison, WI , Circuits and Systems, 1999.
ISCAS '99. Proceedings of the 1999 IEEE International Symposium.