Transformasi Fourier Waktu-Diskrit

Bab 3a
Transformasi Fourier Waktu-Diskrit
Kuliah PSD 01 (MFS4617)

agfi@ugm.ac.id
Latar Belakang
• Sistem LTI dinyatakan dalam tanggapan terhadap
masukan cuplikan satuan (tanggap cuplikan satuan –
unit impulse response h(n)):
• Bentuknya Konvolusi: sembarang sinyal bisa

dinyatakan dengan kombinasi linear cuplikan satuan
yang terskala dan yang tertunda ;
• Sembarang sinyal diskrit kombiasi sinyal dasar tiap
sinyal dasar penyajian sinyal baru punya kelebihan
dan kelemahan;
• Ada satu cara penyajian yang sangat bermanfaat
berbasis sinyal eksponensial kompleks ej n DTFT;
agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 2

Diskrit
DTFT
• DTFT = Discrete-time Fourier Transform
Transformasi Fourier dalam Waktu-
diskrit;
• Rumus DTFT:
• Rumus IDTFT:

Diskrit
1
Contoh 3.1 & Solusinya
• Tentukan DTFT dari x(n) = 0.5n u(n)!

Diskrit
• Karena X(ej n) merupakan sebuah fungsi nilai-kompleks

perlu digambarkan bagian besaran dan sudut-nya
(bagian nyata dan imajiner-nya) terhadap w secara
terpisah untuk mendeskripsikan X(ej n) secara visual;
• Menggunakan nilai antara 0 hingga ;

Diskrit
2 (dua) Sifat Penting

• Periodisitas: DTFT X(ej n) bersifat periodik dalam ranah-; dengan
periode 2; hanya dibutuhkan satu periode saja (; [0,2>] atau
[->,>]) untuk analisa:
• Simetris: untuk nilai-nyata x(n), X(ej n) bersifat simetrik konjugat:
• Atau dituliskan:

Diskrit
2
2 (dua) Sifat Penting
• Implikasi Simetrik untuk menggambar
X(ej n) hanya perlu diperhatikan setengah
periode-nya saja secara umum periode ini
adalah [0, ]
• Contoh 3.3: untuk persamaan x(n) = 0.5n u(n)!

Diskrit
Solusi Contoh 3.3

w = [0:1:500]*pi/500; % [0, pi] axis divided into 501 points.
X = exp(j*w) ./ (exp(j*w) - 0.5*ones(1,501));
magX = abs(X); angX = angle(X);
realX = real(X); imagX = imag(X);
% --
subplot(2,2,1); plot(w/pi,magX); grid
xlabel('frequency in pi units');
title('Magnitude Part'); ylabel('Magnitude')
% --
subplot(2,2,3); plot(w/pi,angX); grid
title('Angle Part'); ylabel('Radians')
% --
subplot(2,2,2); plot(w/pi,realX); grid
title('Real Part'); ylabel('Real')
% --
subplot(2,2,4); plot(w/pi,imagX); grid
title('Imaginary Part'); ylabel('Imaginary')

Diskrit
Solusi Contoh 3.3

Magnitude Part Real Part
2 2
1.5 1.5
Magnitude
Real
1 1
0.5 0.5
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
frequency in pi units frequency in pi units
Angle Part Imaginary Part

0 0
-0.2 -0.2
Imaginary
Radians
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Diskrit
3
Komputasi Numerik DTFT
• Misalkan x(n) memiliki N cuplikan (data) antara n1 E n E
n2 (tidak perlu dalam jangkauan [0,N-1]) dan akan
dievaluasi X(ej n) pada:
• yang panjangnya (M+1) antara [0, ] sehingga

persamaan (3.1) dituliskan:
• Jika {x(nl)} dan {X(ej n)} disusun dalam vektor kolom

masing-masing x dan X, maka:

Diskrit
Komputasi Numerik DTFT

• Dengan W adalah matriks (M+1) x N:
• Jika kita susun {k} dan {nl} masing-masing sebagai vektor baris k
dan n, maka:
• Di MATLAB, disajikan sebagai vetkor baris, sehingga persamaan

(3.3) menjadi:
• Bentuk nTk merupakan matriks N x (M+1). Sekarang persamaan

(3.4) dapat dituliskan dalam MATLAB:

Diskrit

• Hitunglah DTFT dari deret di contoh 3.2 secara numerik dengan MATLAB!
• Solusinya:
n = -1:3; x = 1:5; % sequence x(n)

k = 0:500; w = (pi/500)*k; % [0, pi] axis divided into 501 points.
X = x * (exp(-j*pi/500)) .^ (n'*k); % DTFT using matrix-vector product
realX = real(X); imagX = imag(X);
subplot(2,2,1); plot(w/pi,magX); grid
title('Magnitude Part'); ylabel('Magnitude')
subplot(2,2,3); plot(w/pi,angX); grid
xlabel('frequency in pi units'); title('Angle Part'); ylabel('Radians')
subplot(2,2,2); plot(w/pi,realX); grid
xlabel('frequency in pi units'); title('Real Part'); ylabel('Real')
subplot(2,2,4); plot(w/pi,imagX); grid
xlabel('frequency in pi units'); title('Imaginary Part');
ylabel('Imaginary')

Diskrit
4
Magnitude Part Real Part
15 15
10
10
Magnitude
Real
5
5
0
0 -5
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Angle Part Imaginary Part

4 5
2
0
Imaginary
Radians
-5
-2
-4 -10
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Diskrit

• Diketahui persamaan x(n)=(0.9 e(j /3))n.
untuk 0 n 10. Tentukan X(ej n) dan
periksalah periodisitas-nya!
• Solusi:
– Karena merupakan deret bilangan kompleks
hanya memenuhi sifat periodisitas;
– Hanya untuk satu periode saja (hingga 2>);
– Akan digambarkan sebanyak 401 titik antara
dua periode [- 2>, 2>] untuk melihat
periodisitas-nya;
Diskrit

subplot(1,1,1)
n = 0:10; x = (0.9*exp(j*pi/3)).^n;
k = -200:200; w = (pi/100)*k;
X = x * (exp(-j*pi/100)) .^ (n'*k);
magX = abs(X); angX =angle(X);
subplot(2,1,1); plot(w/pi,magX);grid
axis([-2,2,0,8])
xlabel('frequency in units of pi'); ylabel('|X|')
title('Magnitude Part')
subplot(2,1,2); plot(w/pi,angX/pi);grid
axis([-2,2,-1,1]);
xlabel('frequency in units of pi');
ylabel('radians/pi');
title('Angle Part');

Diskrit
5
Magnitude Part
8
4
|X|
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
frequency in units of pi
Angle Part
1
0.5
radians/pi
-0.5
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Diskrit

• Diketahui persamaan x(n)=(-0.9)n untuk
-5EnE5. Periksalah sifat simetrik konjugat
pada DTFT-nya!
• Solusi:
– Terlihat bahwa persamaan merupakan
bilangan nyata (real) sehingga ada sifat
simetrik konjugat-nya

Diskrit

subplot(1,1,1)
n = -5:5; x = (-0.9).^n;
k = -200:200; w = (pi/100)*k;
X = x * (exp(-j*pi/100)) .^ (n'*k);
magX = abs(X); angX =angle(X);
subplot(2,1,1); plot(w/pi,magX);grid
axis([-2,2,0,15])
xlabel('frequency in units of pi'); ylabel('|X|')
title('Magnitude Part')
subplot(2,1,2); plot(w/pi,angX)/pi;grid
axis([-2,2,-1,1])
xlabel('frequency in units of pi');
ylabel('radians/pi')
title('Angle Part')

Diskrit
6
Magnitude Part
15
10
|X|
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Angle Part
3
1
radians/pi
-1
-2
-3
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Diskrit
Bersambung
• Berikutnya...
– 3B: Sifat-sifat Transformasi Fourier Waktu
Diskrit (TFWD)!

Diskrit
7
3B – Sifat-sifat Transformasi
Fourier Waktu Diskrit (TFWD)
agfi@ugm.ac.id
Linearitas
1. Linearity (Linearitas): Transformasi Fourier
waktu-diskrit merupakan suatu bentuk
transformasi yang linear, hal ini dicirikan
melalui persamaan berikut:
agfi@ugm.ac.id III.B. Sifat2 TFWD 2
Penggeseran waktu dan frekuensi

2. Time Shifting (Pergeseran Waktu): suatu
perpindahan dalam ranah waktu ditujukan untuk
perpindahan fase, hal ini dinyatakan dengan
persamaan berikut:
3. Frequency shifting (Pergeseran Frekuensi):

Perkalian dengan sebuah eksponensial kompleks
merupakan suatu penggeseran dalam ranah frekuensi:
1
Konjugasi dan Pelipatan
4. Conjugation (konjugasi): Konjugasi dalam ranah
waktu merupakan lipatan dan konjugasi dalam ranah
frekuensi:
5. Folding (pelipatan): Lipatan dalam ranah waktu

merupakan lipatan dalam ranah frekuensi
Simetri dalam deret nyata

6. Simetri dalam deret nyata:
Implikasi: Jika urutan x(n) adalah real dan genap,

hanya satu plot [0, ] yang dapat digunakan untuk
penyajian lengkap.
Konvolusi vs. Perkalian

7. Convolution (Konvolusi): ini merupakan salah satu dari sifat-
sifat yang sangat berguna dalam analisis sistem yang sesuai
dalam ranah frekuensi
8. Multiplication (Perkalian): ini merupakan suatu sifat konvolusi

rangkap dua
Convolution (konvolusi) seperti operasi diatas disebut dengan

konvolusi periodik (periodic convolution).
2
Energi sinyal
9. Energy (energi): Energi dari sinyal x(n)
dituliskan dengan persamaan berikut:
Catatan Sifat-sifat TFWD

Hal ini juga dikenal sebagai Teorema Parseval. Dari
(3.13) spektrum densitas energi dari x(n) didefinisikan
sebagai berikut
Selanjutnya energi dari x(n) dalam pita atau jangkauan

[ 1, 2] dinyatakan dengan
Contoh soal 3.7

• Dalam contoh ini akan dibuktikan sifat
linearitas menggunakan sinyal/deret real
durasi-terbatas x1(n) dan x2(n), yang
merupakan dua deret acak yang
didistribusikan antara [0,1] untuk
jangkauan 0 n 10.
• Selanjutnya kita dapat menggunakan
prosedur TFWD sebagai berikut…
(Matlab):
3
Contoh soal 3.7 – Solusi Matlab
x1 = rand(1,11); x2 = rand(1,11); n = 0:10;

alpha = 2; beta = 3;
k = 0:500; w = (pi/500)*k;
X1 = x1 * (exp(-j*pi/500)).^(n'*k); % DTFT of x1
X2 = x2 * (exp(-j*pi/500)).^(n'*k); % DTFT of x2
x = alpha*x1 + beta*x2; % Linear combination of x1 & x2
X = x * (exp(-j*pi/500)).^(n'*k); % DTFT of x
% verification
X_check = alpha*X1 + beta*X2; % Linear Combination of X1 & X2
error = max(abs(X-X_check)) % Difference
error =
7.9441e-015
Contoh soal 3.8

• x(n) merupakan deret acak yang
didistribusikan antara [0,1] untuk
jangkauan 0 n 10 dan y(n) = x(n – 2).
• Selanjutnya kita dapat membuktikan
contoh sifat penggeseran sebagai
berikut…
x = rand(1,11); n = 0:10;
k = 0:500; w = (pi/500)*k;
% signal shifted by two samples
y = x; m = n+2;
Y = y * (exp(-j*pi/500)).^(m'*k); % DTFT of y
% verification
Y_check = (exp(-j*2).^w).*X; % multiplication by exp(-j2w)
error = max(abs(Y-Y_check)) % Difference
error =
8.4843e-015
4
Contoh soal 3.9
• Untuk membuktikan sifat penggeseran
frekuensi kita akan menggunakan
pendekatan grafik (visualisasi)…

n = 0:100; x = cos(pi*n/2);
k = -100:100; w = (pi/100)*k; % frequency between -pi and +pi
%
y = exp(j*pi*n/4).*x; % signal multiplied by exp(j*pi*n/4)
Y = y * (exp(-j*pi/100)).^(n'*k); % DTFT of y
% Graphical verification
subplot(1,1,1)
subplot(2,2,1); plot(w/pi,abs(X)); grid; axis([-1,1,0,60])
xlabel('frequency in pi units'); ylabel('|X|')
title('Magnitude of X')
subplot(2,2,2); plot(w/pi,angle(X)/pi); grid; axis([-1,1,-1,1])
xlabel('frequency in pi units'); ylabel('radiands/pi')
title('Angle of X')
subplot(2,2,3); plot(w/pi,abs(Y)); grid; axis([-1,1,0,60])
xlabel('frequency in pi units'); ylabel('|Y|')
title('Magnitude of Y')
subplot(2,2,4); plot(w/pi,angle(Y)/pi); grid; axis([-1,1,-1,1])
xlabel('frequency in pi units'); ylabel('radians/pi')
title('Angle of Y')
Magnitude of X Angle of X
60 1
50
0.5
40
radiands/pi
30 0
|X|
20
-0.5
10
0 -1
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
Magnitude of Y Angle of Y
60 1
50
0.5
40
radians/pi
30 0
|Y|
20
-0.5
10
0 -1
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
5
Contoh soal 3.10
• Membuktikan sifat konjugasi diketahui
sinyal x(n) merupakan sinyal acak
bilangan kompleks untuk –5 n 10 yang
secara umum didistribusikan antara [0,1].
n = -5:10; x = rand(1,length(n)) + j*rand(1,length(n));

% conjugation property
y = conj(x); % signal conjugation
Y = y * (exp(-j*pi/100)).^(n'*k); % DTFT of y
% verification
Y_check = conj(fliplr(X)); % conj(X(-w))
error =
1.1382e-013
Contoh soal 3.11

• Untuk membuktikan sifat pelipatan,
diketahui sinyal x(n) merupakan sinyal
acak untuk –5 n 10 yang secara umum
didistribusikan antara [0,1].
6
n = -5:10; x = rand(1,length(n));
% folding property
y = fliplr(x); m = -fliplr(n); % signal folding
Y = y * (exp(-j*pi/100)).^(m'*k); % DTFT of y
% verification
Y_check = fliplr(X); % X(-w)
error =
1.6012e-015
Contoh soal 3.12

• Dalam masalah ini akan dibuktikan sifat
simetri dari sinyal real
kemudian menggunakan fungsi

evenodd.m (pada Bab 2), dapat dihitung
bagian genap dan ganjil-nya, kemudian
dievaluasi TFWD-nya…
n = -5:10; x = sin(pi*n/2);
% signal decomposition
[xe,xo,m] = evenodd(x,n); % even and odd parts
XE = xe * (exp(-j*pi/100)).^(m'*k); % DTFT of xe
XO = xo * (exp(-j*pi/100)).^(m'*k); % DTFT of xo
% verification
XR = real(X); % real part of X
error1 = max(abs(XE-XR)) % Difference
XI = imag(X); % imag part of X
error2 = max(abs(XO-j*XI)) % Difference
7
% graphical verification
subplot(1,1,1)
subplot(2,2,1); plot(w/pi,XR); grid; axis([-1,1,-2,2])
xlabel('frequency in pi units'); ylabel('Re(X)');
title('Real part of X')
subplot(2,2,2); plot(w/pi,XI); grid; axis([-1,1,-10,10])
xlabel('frequency in pi units'); ylabel('Im(X)');
title('Imaginary part of X')
subplot(2,2,3); plot(w/pi,real(XE)); grid; axis([-1,1,-2,2])
xlabel('frequency in pi units'); ylabel('XE');
title('Transform of even part')
subplot(2,2,4); plot(w/pi,imag(XO)); grid; axis([-1,1,-10,10])
xlabel('frequency in pi units'); ylabel('XO');
title('Transform of odd part')
Real part of X Imaginary part of X

2 10
1 5
Re(X)
Im(X)
0 0
-1 -5
-2 -10
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
Transform of even part Transform of odd part

2 10
1 5
XO
XE
0 0
-1 -5
-2 -10
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
Bersambung…
• Berikutnya...
– 3C: Penyajian sistem LTI dalam Ranah-
Frekuensi!
8
3C – Penyajian Sistem LTI dalam Ranah
Frekuensi

agfi@ugm.ac.id
Tanggap Eksponensial
Kompleks
• x(n)=ej on merupakan suatu masukan terhadap
sistem LTI yang dinyatakan dengan tanggap
impuls h(n)…
agfi@ugm.ac.id III.C. Penyajian Sistem LTI dalam 2

Ranah Frekuensi
Definisi-1: Tanggap Frekuensi

• TFWD dari suatu tanggap impuls disebut
tanggap frekuensi (Fungsi Alih) dari suatu
sistem LTI dan dinyatakan dengan persamaan…
H(e j n ) h(n)e j n
• Dengan demikian persamaan (3.15) dapat
dituliskan sebagai…

Ranah Frekuensi
1
Definisi-1: Tanggap Frekuensi
• Hasil selanjutnya dapat diperluas dengan kombinasi
linear antar eksponensial kompleks menggunakan
linearitas sistem LTI…
• Pada umumnya tanggap frekuensi H(ej ) adalah suatu

fungsi kompleks dari . Magnitude |H(ej )| dari H(ej )
disebut sebagai fungsi tanggap magnitude (atau gain)
dan sudut H(ej ) disebut fungsi tanggap fase.

Ranah Frekuensi
Tanggap thd Deret Sinusoidal

• x(n)=A.cos( 0n+ 0) sebagai masukan ke sistem
LTI h(n). Maka dari persamaan (3.17) dapat
ditunjukkan bahwa tanggap y(n) merupakan
sinusoid lain dari frekuensi ;0 yang sama,
dengan amplitudo yang dikuatkan |H(ej )|
sebesar dan fase yang digeser sebesar H(ej ),
sehingga…

Ranah Frekuensi
Tanggap thd Deret Sinusoidal

• Tanggap ini (persamaan 3.18) disebut
dengan Tanggap Kondisi-Tetap (Steady
State) dan dinyatakan dengan yss(n).
Persamaan tersebut dapat diperluas
menjadi sebuah kombinasi linear deret
sinusoidal:

Ranah Frekuensi
2
Tanggap thd Sembarang Deret
• Persamaan 3.17 dapat digeneralisasi ke bentuk
deret yang dapat secara absolut-dijumlahkan
(absolute summable).Jika X(ej n)=F[x(n)] dan
Y(ej n)=F[y(n)], maka dengan menggunakan
Sifat konvolusi diperoleh…
• Dengan demikian, sebuah sistem LTI dapat

dinyatakan dalam ranah frekuensi sebagai…

Ranah Frekuensi
Contoh Soal 3.13

• Tentukan tanggap frekuensi H(ej ) dari
suatu sistem yang dicirikan dengan
h(n)=(0.9)nu(n). Gambarkan besaran dan
tanggap fase-nya…

Ranah Frekuensi
Contoh Soal 3.13 - Solusi

Ranah Frekuensi
3
• Untuk menggambarkan tanggap ini, dapat
diimplementasikan fungsi |H(ej )| dan
H(ej ) atau tanggap frekuensi H(ej ),
kemudian melakukan proses perhitungan
besaran dan fase-nya, berikut Matlab-
nya…

Ranah Frekuensi

w = [0:1:500]*pi/500; % [0, pi] axis divided into 501pts.
X = exp(j*w) ./ (exp(j*w) - 0.9*ones(1,501));
subplot(2,1,1); plot(w/pi,magX);
grid; axis([0,1,0,10])
xlabel('frequency in pi units'); ylabel('|H|');
title('Magnitude Response');
subplot(2,1,2); plot(w/pi,angX/pi); grid
ylabel('Phase in pi Radians');
title('Phase Response');

Ranah Frekuensi
Contoh Soal 3.13 – Visualisasi Matlab

Magnitude Response
10
6
|H|
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
frequency in pi units
Phase Response
0
-0.1
Phase in pi Radians
-0.2
-0.3
-0.4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Ranah Frekuensi
4
Contoh Soal 3.14
• Misalkan masukan ke sistem pada contoh
3.13 adalah 0.1u(n), tentukan tanggap
kondisi-tetap (steady-state) yss(n)…

Ranah Frekuensi

• Masukan bukan deret yang secara absolut-dapat-
dijumlahkan TFWD tidak terlalu bermanfaat!
• Tapi bisa dipakai untuk menghitung tanggap kondisi-
tetap (steady-state response)!
• Dalam kondisi tetap, untuk n U, masukan merupakan
konstanta (atau sebuah sinusoidal dengan ;0 = V0 = 0),
dengan demikian keluarannya adalah…
yss(n) = 0.1 x H(ej0) = 0.1 x 10 = 1
• Dengan penguatan sistem pada ;=0 (penguatan DC)
adalah H(ej )=10 (dari gambar contoh sebelumnya).

Ranah Frekuensi
Fungsi Tanggap Frekuensi dari

Persamaan Beda
• Jika sebuah Sistem LTI dinyatakan dengan persamaan
beda …
• maka untuk mengevaluasi tanggap frekuensi dari pers

3.16, dibutuhkan tanggap impuls h(n). Namun dengan
pers 3.17 dapat dengan mudah diperoleh H(ej )
• Jika x(n)=ej n, maka y(n) harus , substitusikan ke pers
3.20 diperoleh…

Ranah Frekuensi
5
Fungsi Tanggap Frekuensi dari
Persamaan Beda

Ranah Frekuensi
Contoh Soal 3.15

• Sebuah sistem LTI dinyatakan dengan
persamaan beda berikut…
y(n) = 0.8y(n-1) + x(n)
1. Tentukan H(ej )
2. Hitung dan gambarkan tanggap kondisi-
tetap yss(n) untuk x(n)=cos(0.05 n)u(n)

Ranah Frekuensi

• Tuliskan kembali persamaan beda menjadi…
y(n) – 0.8y(n-1) = x(n)
1. Menggunakan pers 3.21 diperoleh…
2. Untuk kondisi-tetap, masukannya adalah

x(n)=cos(0.05 n) dengan frekuensi 0=0.05
dan 0=0°. Tanggap sistemnya adalah

Ranah Frekuensi
6
Contoh Soal 3.15 – Solusi Matlab
subplot(1,1,1)
b = 1; a = [1,-0.8];
n=[0:100];x = cos(0.05*pi*n);
y = filter(b,a,x);
subplot(2,1,1); stem(n,x);
xlabel('n'); ylabel('x(n)');
title('Input sequence')
subplot(2,1,2); stem(n,y);
xlabel('n'); ylabel('y(n)');
title('Output sequence')

Ranah Frekuensi

Input sequence
1
0.5
x(n)
-0.5
-1
0 10 20 30 40 50 60 70 80 90 100
n
3.42
Output sequence
5
4.092
y(n)
-5
0 10 20 30 40 50 60 70 80 90 100
n

Ranah Frekuensi
Asumsi vs. Kenyataan

• Contoh 3.15 persamaan beda orde pertama (1st
order) dengan mudah dapat diimplementasikan
dengan 3.22 menggunakan Matlab;
• Kenyataannya orde persamaan lebih tinggi perlu
prosedur yang efektif atau singkat untuk implementasi
3.21;
• Gunakan perkalian vektor matriks sederhana Jika kita
evaluasi H(ej ) pada frekuensi k=0,1,…,K yang sama
jaraknya dari [0, ], maka…

Ranah Frekuensi
7
• Jika {bm}, {al} (dengan a0=1), {m=0,..,M}, {l=0,..,N} dan { k}

merupakan larik (atau vektor baris), maka pembilang
dan penyebut pada 3.23 menjadi…

Ranah Frekuensi

• Dengan demikian, larik H(ej ) pada 3.23
dapat dihitung menggunakan operasi ./ di
dalam Matlab…

Ranah Frekuensi
Contoh Soal 3.15

• Penapis lolos-rendah orde-3 dituliskan sebagai
berikut…
• Gambarkan tanggap besaran dan fase dari

penapis ini dan verifikasi-lah bahwa persamaan
beda tersebut merupakan penapis lolos-rendah!

Ranah Frekuensi
8
b = [0.0181, 0.0543, 0.0543, 0.0181];
a = [1.0000, -1.7600, 1.1829, -0.2781];
m = 0:length(b)-1; l = 0:length(a)-1;
K = 500; k = 1:1:K;
w = pi*k/K; % [0, pi] axis divided into 501 points.
num = b * exp(-j*m'*w); % Numerator calculations
den = a * exp(-j*l'*w); % Denominator calculations
H = num ./ den;
magH = abs(H); angH = angle(H);

Ranah Frekuensi

subplot(1,1,1);
subplot(2,1,1); plot(w/pi,magH);
grid; axis([0,1,0,1])
xlabel('frequency in pi units'); ylabel('|H|');
title('Magnitude Response');
subplot(2,1,2); plot(w/pi,angH/pi); grid
ylabel('Phase in pi Radians');
title('Phase Response');

Ranah Frekuensi

1
Magnitude Response
Ciri-ciri penapis
0.8
lolos-rendah!
0.6
|H|
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Phase Response
1
0.5
Phase in pi Radians
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Ranah Frekuensi
9
Bersambung
• Berikutnya…
– 3C: Pencuplikan dan Rekonstruksi Sinyal
Analog!

Ranah Frekuensi
10
agfi@ugm.ac.id
3D – Pencuplikan & Rekonstruksi

Sinyal Analog
agfi@ugm.ac.id
Pendahuluan
• Dalam berbagai aplikasi – misalnya dunia komunikasi
digital – sinyal analog dikonversi ke sinyal diskrit
menggunakan pencuplikan dan operasi kuantisasi
(Konversi Analog ke Digital atau ADC).
• Sinyal diskrit ini diolah oleh Prosesor Sinyal Digital dan
sinyal yang diproses dikonversi kembali ke sinyal analog
menggunakan operasi rekonstruksi (Konversi Digital ke
Analog atau DAC).
• Menggunakan Analisa Fourier, kita dapat menjelaskan
operasi pencuplikan dari sudut pandang ranah-frekuensi,
analisa efek dan melakukan operasi rekonstruksi yang
tepat.
agfi@ugm.ac.id III.D. Pencuplikan dan 2

Rekonstruksi Sinyal Analog
Pencuplikan
• xa(t) merupakan sinyal analog. Transformasi Fourier
Waktu-Kontinyu diberikan oleh persamaan sebagai
berikut:
• Dimana adalah frekuensi analog dalam radian/detik.

Kebalikan dari Tranformasi Fourier Waktu Kontinyu
diberikan dengan persamaan berikut:

agfi@ugm.ac.id 1
agfi@ugm.ac.id
Pencuplikan
• Sekarang kita cuplik xa(t) pada pencuplikan tersendiri
Interval Ts detik untuk memperoleh sinyal waktu diskrit
x(n):
• Transformasi Fourier Waktu Diskrit X(ej n)dari x(n)

merupakan jumlah yang dapat dihitung dari skala-
amplitudo, skala-frekuensi dan versi terjemahan dari
Transformasi Fourier Xa(j )

Pencuplikan
• Persamaan 3.26 tersebut dikenal dengan
Persamaan Aliasing. Frekuensi analog dan
digital dihubungkan lewat Ts.
• Frekuensi Pencuplikan diberikan oleh

persamaan berikut:


agfi@ugm.ac.id 2
agfi@ugm.ac.id

Definisi 2: Sinyal Pita-Terbatas

• Suatu sinyal memiliki Pita-Terbatas jika terdapat
frekuensi Radian terbatas sedemikian hingga
0
Xa(j ) adalah 0 untuk | | > 0. Frekuensi

F0= 0/2 disebut lebarpita sinyal dalam Hz.
• Merujuk gambar 3.10 maka jika > Ts atau 0
Fs/2 > F0 maka bentuk persamaannya adalah

sebagai berikut:

Teorema-3: Prinsip Pencuplikan

• Suatu sinyal pita-terbatas xa(t) dengan lebar pita F dapat
0
direkonstruksi dari nilai cuplikannya x(n) = x (nTs), jika

a
pencuplikan frekuensi Fs = 1/Ts lebih besar daripada dua

kali lebar pita F0 dari xa(t).
Fs > 2Fo
• Sebaliknya aliasing akan menghasilkan x(n). Laju
pencuplikan 2F0 untuk suatu sinyal analog pita-terbatas
disebut Laju Nyquist

agfi@ugm.ac.id 3
agfi@ugm.ac.id
Implementasi MATLAB:
Pencuplikan
• Tidak mungkin menganalisa sinyal analog dengan
MATLAB kecuali menggunakan Toolbox Symbolic
proses lama;
• Jika kita mencuplik xa(t) dengan grid yang baik yang
memiliki kenaikan waktu yang cukup kecil sedemikian
hingga menghasilkan plot yang halus dan waktu
maksimum yg cukup besar untuk bisa menampilkan
semua data, maka dapat dilakukan analisa pendekatan.
• Misalkan t sebagai interval grid sedemikian hingga
t << Ts. Maka…

Pencuplikan
• Persamaan 3.30 dapat digunakan sebagai suatu
larik untuk mensimulasikan sinyal analog.
• Interval pencuplikan Ts jangan disamakan
dengan $t, yang digunakan untuk menyatakan
sinyal analog!
• Persamaan Transformasi Fourier 3.24 dapat
didekati dengan persamaan 3.30, sehingga:

Contoh 3.17 & Solusi

• Tentukan dan Gambarkan Transformasi
Fourier dari xa(t) = e-1000|t|.
• Solusi, dari persamaan 3.24…

agfi@ugm.ac.id 4
agfi@ugm.ac.id
Contoh 3.17 – Solusi (lanjt…)

• Yang merupakan suatu fungsi nilai-nyata karena xa(t)
merupakan sinyal nyata dan genap.
• Untuk mengevaluasi Xa(j ) secara numerik maka xa(t)
harus didekati dengan deretan grid durasi-terbatas
xG(m).
• Menggunakan pendekatan e-5 % 0, maka sinyal xa(t)
dapat didekati dengan sinyal berdurasi-terbatas antara
-0.005 t 0.005 (atau [-5,5] mdetik)
• Persamaan 3.32, Xa(j&) % 0 untuk & ' 2 (2000), sehingga
dipilih…

Contoh 3.17 – Solusi Matlab

% Analog Signal
Dt = 0.00005;
t = -0.005:Dt:0.005;
xa = exp(-1000*abs(t));
%
% Continuous-time Fourier Transform
Wmax = 2*pi*2000;
K = 500; k = 0:1:K;
W = k*Wmax/K;
Xa = xa * exp(-j*t'*W) * Dt;
Xa = real(Xa);
W = [-fliplr(W), W(2:501)]; % Omega from -Wmax to Wmax
Xa = [fliplr(Xa), Xa(2:501)];


subplot(1,1,1)
subplot(2,1,1);plot(t*1000,xa);
xlabel('t in msec.'); ylabel('xa(t)')
title('Analog Signal')
subplot(2,1,2);plot(W/(2*pi*1000),Xa*1000);
xlabel('Frequency in KHz');
ylabel('Xa(jW)*1000')
title('Continuous-time Fourier Transform')

agfi@ugm.ac.id 5
agfi@ugm.ac.id
Contoh 3.17 – Visualisasi Matlab

Analog Signal
1
0.8 xa(t)
0.6
xa(t)
0.4
0.2
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.
Continuous-time Fourier Transform

2
- 4000 1.5
Xa(j2)
Xa(jW)*1000
4000
0.5
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Frequency in KHz

Contoh 3.18
• Untuk mempelajari efek pencuplikan pada
kuantitas ranah frekuensi, kita akan mencuplik
xa(t) pada contoh 3.17 dengan frekuensi
pencuplikan yang berbeda:
a. Cuplik xa(t) pada Fs 5000 cuplik/detik
untuk menghasilkan x1(n).
Tentukan dan gambarkan X1(ej )!
b. Cuplik xa(t) pada Fs 1000 cuplik/detik
untuk menghasilkan x2(n).
Tentukan dan gambarkan X2(ej )!

Contoh 3.18 – Solusi (a)

• Karena lebar-pita dari xa(t) adalah 2 kHz
maka laju Nyquist-nya adalah 4000
cuplikan/detik, kurang dari Fs yang
diinginkan aliasing (hampir) bisa
dihindari…

agfi@ugm.ac.id 6
agfi@ugm.ac.id
Contoh 3.18 – Solusi Matlab (a)

% Analog Signal
Dt = 0.00005;
t = -0.005:Dt:0.005;
xa = exp(-1000*abs(t));
% Discrete-time Signal
Ts = 0.0002; n = -25:1:25;
x = exp(-1000*abs(n*Ts));
% Discrete-time Fourier transform
K = 500; k = 0:1:K;
w = pi*k/K;
X = x * exp(-j*n'*w);
X = real(X);
w = [-fliplr(w), w(2:K+1)];
X = [fliplr(X), X(2:K+1)];

Contoh 3.18 – Solusi Matlab (a)

subplot(1,1,1)
xlabel('t in msec.'); ylabel('x1(n)')
title('Discrete Signal'); hold on
stem(n*Ts*1000,x); gtext('Ts=0.2 msec');
hold off
subplot(2,1,2);plot(w/pi,X);
xlabel('Frequency in pi units');
ylabel('X1(w)')
title('Discrete-time Fourier Transform')

Contoh 3.18 – Visualisasi Matlab (a)

Discrete Signal
1
0.8 Ts=0.2 msec
0.6
x1(n)
0.4
0.2
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.
Discrete-time Fourier Transform

10
8
Bentuk
mirip!
6
X1(w)
0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Frequency in pi units

agfi@ugm.ac.id 7
agfi@ugm.ac.id
Contoh 3.18 – Solusi (b)

• Karena Fs = 1000 < 4000 akan terjadi
efek aliasing…
• Perhatikan MATLAB dan hasilnya…

Contoh 3.18 – Solusi Matlab (b)

% Analog Signal
Dt = 0.00005;
t = -0.005:Dt:0.005;
xa = exp(-1000*abs(t));
% Discrete-time Signal
Ts = 0.001; n = -5:1:5;
x = exp(-1000*abs(n*Ts));
% Discrete-time Fourier transform
K = 500; k = 0:1:K;
w = pi*k/K;
X = x * exp(-j*n'*w);
X = real(X);
w = [-fliplr(w), w(2:K+1)];
X = [fliplr(X), X(2:K+1)];

Contoh 3.18 – Solusi Matlab (b)

subplot(1,1,1)
xlabel('t in msec.'); ylabel('x2(n)')
title('Discrete Signal'); hold on
stem(n*Ts*1000,x); gtext('Ts=1 msec');
hold off
subplot(2,1,2);plot(w/pi,X);
xlabel('Frequency in pi units');
ylabel('X2(w)')
title('Discrete-time Fourier Transform')

agfi@ugm.ac.id 8
agfi@ugm.ac.id
Contoh 3.18 – Visualisasi Matlab (b)

Discrete Signal
1
0.8 Ts=1 msec
0.6
x2(n)
0.4
0.2
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.
Discrete-time Fourier Transform

2.5
2 Bentuk
1.5
tidak sama!
X2(w)
0.5
0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Frequency in pi units

Rekonstruksi
• Dari Teorema Pencuplikan dan contoh-contoh
sebelumnya sangat jelas bahwa jika kita mencuplik
xa(t) pita-terbatas diatas laju Nyquist, maka kita dapat
merekonstruksi xa(t) dari cuplikan x(n).
• Rekonstruksi ini dapat dilakukan dengan proses dua
langkah:
– Pertama: Cuplikan dikonversi menjadi deretan impuls
berbobot:
– Kedua: Deretan impuls berbobot tsb di-tapis melalui sebuah

penapis lolos-bawah ideal dibatasi pada pita [-Fs/2,Fs/2].

Rekonstruksi
• Dua langkah ini dapat Fungsi Interpolasi
dinyatakan secara
matematis…
• Perhatikan gambar
sin( x)
berikut…
sinc(x) =
x

agfi@ugm.ac.id 9
agfi@ugm.ac.id
Rekonstruksi – Gambar 3.14

Rekonstruksi – Gambar 3.14

Konverter D/A praktis

• Perlu dipikirkan implementasi praktis
(selain menggunakan persamaan 3.33).
• Tetap menggunakan dua langkah, penapis
lolos-bawah ideal penapis lolos-bawah
analog yang praktis!
• Persamaan 3.33 suatu interpolasi orde
tak-berhingga interpolasi orde
berhingga, beberapa pendekatan…

agfi@ugm.ac.id 10
agfi@ugm.ac.id
Konverter D/A praktis: Interpolasi

• Interpolasi Zero-Order-Hold (ZOH): pada interpolasi
ini, nilai cuplikan saat ini ditahan hingga cuplikan
berikutnya diterima:
• Yang dapat diperoleh dengan cara menapis sederetan

impuls melalui penapis interpolasi:
• Yang merupakan pulsa kotak hasilnya berupa

gelombang undah (staircase)…


• Interpolasi First-Order-Hold (FOH): Dalam
kasus ini cuplikan yang berdampingan
digabungkan dengan garis lurus.
• Yang dapat diperoleh dengan cara menapis
sederetan impuls melalui penapis interpolasi
(masih membutuhkan post-filter):


• Interpolasi Kubik Spline (Cubic Spline): Pendekatan ini
menggunakan interpolan spline untuk penghalusan, tetapi tidak
terlalu akurat, memperkirakan sinyal analog antar cuplikan.
• Tidak lagi membutuhkan post-filter analog.
• Rekonstruksi yang halus diperoleh menggunakan sekumpulan
potongan-potongan kontinyu polinomial orde-ketiga cubic spline:
• dengan merupakan koefisien polinomial, yang ditentukan

menggunakan analisa least-square pada tiap-tiap cuplikan.

agfi@ugm.ac.id 11
agfi@ugm.ac.id
Rekonstruksi
• Untuk Interpolasi antara cuplikan MATLAB
menyediakan beberapa pendekatan…
• Fungsi sinc(x), yang menghasilkan Fungsi
(sin x)/ x, dapat digunakan untuk implementasi
persamaan 3.33.
• Jika diketahui {x(n), n1 n n2} dan jika kita ingin
untuk menginterpolasi xa(t) pada suatu grid yang
sangat baik dengan interval grid t, maka
dengan persamaan 3.33 diperoleh…

Rekonstruksi
• Dengan MATLAB dituliskan…
n = n1:n2; t = t1:t2; Fs = 1/Ts; nTs = n*Ts;

% Ts is the sampling interval
xa = x * sinc(Fs*(ones(length(n),1)*t-nTs’*ones(1, length(t)));
• Perhatikan contoh-contoh soal dan

penyelesaian-nya berikut…

Contoh 3.19
• Dari cuplikan-cuplikan x1(n) dalam contoh
3.18a, rekonstruksi-kan xa(t) dan berikan
komentar pada hasilnya!

agfi@ugm.ac.id 12
agfi@ugm.ac.id
Contoh 3.19 - Solusi

• Catatan: x1(n) diperoleh dengan
mencuplik xa(t) pada
Ts = 1/Fs = 0.0002 detik.
• Kita akan menggunakan spasi grid
0.00005 detik pada jangakuan
-0.005 t 0.005, yang akan
menghasilkan x(n) pada jangkauan -
25 n 25.


% Discrete-time Signal x1(n)
Ts = 0.0002; Fs = 1/Ts; n = -25:1:25; nTs = n*Ts;
x = exp(-1000*abs(nTs));
% Analog Signal reconstruction
Dt = 0.00005;
t = -0.005:Dt:0.005;
xa = x * sinc(Fs*(ones(length(nTs),1)*t-
nTs'*ones(1,length(t))));
% check
error = max(abs(xa - exp(-1000*abs(t))))
error =
0.0363


% Plots
plot(t*1000,xa);
title('Reconstructed Signal from x1(n) using sinc function');
hold on
stem(n*Ts*1000,x); hold off

agfi@ugm.ac.id 13
agfi@ugm.ac.id

Reconstructed Signal from x1(n) using sinc function
1
0.9
0.8
0.7
0.6
xa(t)
0.5
0.4
0.3
0.2
0.1
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.


• Dari cuplikan-cuplikan x2(n) dalam contoh 3.18b,
rekonstruksi-kan xa(t) dan berikan komentar
pada hasilnya!
• Dalam kasus ini x2(n) diperoleh dengan
pencuplikan xa(t) pada Ts = 1/Fs = 0.001 detik.
• Kita akan menggunakan lagi spasi grid dari
0.00005 detik pada jangkauan
-0.005 t 0.005, yang menghasilkan x(n) pada
jangkauan -5 n 5.


% Discrete-time Signal x1(n)
Ts = 0.001; Fs = 1/Ts; n = -5:1:5; nTs = n*Ts;
Dt = 0.00005;
t = -0.005:Dt:0.005;
xa = x * sinc(Fs*(ones(length(nTs),1)*t-nTs'*ones(1,length(t))));
% check
error =
0.1852

agfi@ugm.ac.id 14
agfi@ugm.ac.id

plot(t*1000,xa);
xlabel('t in msec.');
ylabel('xa(t)')
title('Reconstructed Signal from x2(n) using sinc function');
hold on
stem(n*Ts*1000,x);
hold off


Reconstructed Signal from x2(n) using sinc function
1.2
0.8
0.6
xa(t)
0.4
0.2
-0.2
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.

Rekonstruksi – Pendekatan lain

(MATLAB)
• Pendekatan MATLAB yang kedua adalah
pendekatan plot/gambar;
• Fungsi stairs digunakan untuk
menggambarkan ZOH sinyal analog,
sedangkan fungsi plot digunakan untuk
FOH…

agfi@ugm.ac.id 15
agfi@ugm.ac.id

• Gambarkan rekonstruksi sinyal dari
cuplikan-cuplikan x1(n) dalam contoh 3.18
menggunakan interpolasi ZOH dan POH.
Berikan Komentar pada hasilnya!
• Sebagai catatan bahwa dalam
rekonstruksi ini kita tidak menghitung xa(t)
tetapi hanya menggunakan cuplikan-
cuplikan-nya.


figure(1); clf
% Discrete-time Signal x1(n) : Ts = 0.0002
Ts = 0.0002; n = -25:1:25; nTs = n*Ts;
% Analog Signal reconstruction using stairs
subplot(2,1,1); stairs(nTs*1000,x);
title('Reconstructed Signal from x1(n) using zero-order-hold');
hold on
stem(n*Ts*1000,x);
hold off
% Analog Signal reconstruction using plot
subplot(2,1,2); plot(nTs*1000,x);
title('Reconstructed Signal from x1(n) using first-order-hold');
hold on
stem(n*Ts*1000,x);
hold off


Reconstructed Signal from x1(n) using zero-order-hold
1
0.8
0.6
xa(t)
0.4
0.2
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.
Reconstructed Signal from x1(n) using first-order-hold

1
0.8
0.6
xa(t)
0.4
0.2
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.

agfi@ugm.ac.id 16
agfi@ugm.ac.id

• Dari cuplikan x1(n) dan x2(n) dalam contoh
3.18, tentukan rekonstruksi xa(t)
menggunakan fungsi spline. Berikan
komentar pada hasilnya!
• Contoh ini hampir sama dengan contoh
3.19 dan 3.20. Oleh sebab itu parameter
pencuplikan sama dengan sebelumnya.


% a) Discrete-time Signal x1(n): Ts = 0.0002
Ts = 0.0002; n = -25:1:25; nTs = n*Ts;
Dt = 0.00005;
t = -0.005:Dt:0.005;
xa = spline(nTs,x,t);
% check
error =
0.0317


figure(1); clf
title('Reconstructed Signal from x1(n) using cubic spline function');
hold on

agfi@ugm.ac.id 17
agfi@ugm.ac.id

% b) Discrete-time Signal x2(n): Ts = 0.001
Ts = 0.001; n = -5:1:5; nTs = n*Ts;
Dt = 0.00005;
t = -0.005:Dt:0.005;
xa = spline(nTs,x,t);
% check
error =
0.1679


% Plots
title('Reconstructed Signal from x2(n) using cubic spline function');
hold on


Reconstructed Signal from x1(n) using cubic spline function
1
0.8
0.6
xa(t)
0.4
0.2
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.
Reconstructed Signal from x2(n) using cubic spline function

1
0.8
0.6
xa(t)
0.4
0.2
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t in msec.

agfi@ugm.ac.id 18
agfi@ugm.ac.id
Terima Kasih!
• TFWD selesai...
• Berikutnya
– 4A: Transformasi Z bilateral!

agfi@ugm.ac.id 19

Transformasi Fourier Waktu-Diskrit

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Transformasi Fourier Waktu-Diskrit

Cargado por

Copyright:

Formatos disponibles

Bab 3a

Transformasi Fourier Waktu-Diskrit

Kuliah PSD 01 (MFS4617)

• Bentuknya Konvolusi: sembarang sinyal bisa

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 2

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 3

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 4

Contoh 3.2 & Solusinya

• Karena X(ej n) merupakan sebuah fungsi nilai-kompleks

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 5

2 (dua) Sifat Penting

• Simetris: untuk nilai-nyata x(n), X(ej n) bersifat simetrik konjugat:

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 6

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 7

Solusi Contoh 3.3

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 8

Solusi Contoh 3.3

Angle Part Imaginary Part

• yang panjangnya (M+1) antara [0, ] sehingga

• Jika {x(nl)} dan {X(ej n)} disusun dalam vektor kolom

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 10

Komputasi Numerik DTFT

• Di MATLAB, disajikan sebagai vetkor baris, sehingga persamaan

• Bentuk nTk merupakan matriks N x (M+1). Sekarang persamaan

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 11

Contoh 3.4 & Solusinya

n = -1:3; x = 1:5; % sequence x(n)

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 12

Angle Part Imaginary Part

Contoh 3.5 & Solusinya

Contoh 3.5 & Solusinya

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 15

Contoh 3.6 & Solusinya

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 17

Contoh 3.6 & Solusinya

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 18

agfi@ugm.ac.id III.A. Transformasi Fourier Waktu 20

agfi@ugm.ac.id III.B. Sifat2 TFWD 2

Penggeseran waktu dan frekuensi

3. Frequency shifting (Pergeseran Frekuensi):

agfi@ugm.ac.id III.B. Sifat2 TFWD 3

5. Folding (pelipatan): Lipatan dalam ranah waktu

agfi@ugm.ac.id III.B. Sifat2 TFWD 4

Simetri dalam deret nyata

Implikasi: Jika urutan x(n) adalah real dan genap,

agfi@ugm.ac.id III.B. Sifat2 TFWD 5

Konvolusi vs. Perkalian

8. Multiplication (Perkalian): ini merupakan suatu sifat konvolusi

Convolution (konvolusi) seperti operasi diatas disebut dengan

agfi@ugm.ac.id III.B. Sifat2 TFWD 6

agfi@ugm.ac.id III.B. Sifat2 TFWD 7

Catatan Sifat-sifat TFWD

Selanjutnya energi dari x(n) dalam pita atau jangkauan

agfi@ugm.ac.id III.B. Sifat2 TFWD 8

Contoh soal 3.7

agfi@ugm.ac.id III.B. Sifat2 TFWD 9

x1 = rand(1,11); x2 = rand(1,11); n = 0:10;

agfi@ugm.ac.id III.B. Sifat2 TFWD 10

Contoh soal 3.8

agfi@ugm.ac.id III.B. Sifat2 TFWD 11

Contoh soal 3.8 – Solusi Matlab

agfi@ugm.ac.id III.B. Sifat2 TFWD 12

agfi@ugm.ac.id III.B. Sifat2 TFWD 13