Kajian Discrete Fourier Transform untuk Menganalisis Sinyal Arbitrer

Abstract

This study aims to examine the Discrete Fourier Transform using arbitrary signals. Signal processing is a mathematical operation performed on a signal to obtain the required information. In this case, a transformation occurs. The Fourier transform is a popular method often used to change the time form to the frequency form intended to facilitate analysis. The Fourier transform is divided into two parts: the Continuous Fourier and the Discrete Fourier. The program developed by the researcher, DFT, analyzes arbitrary signals created in two programs. The first program is a function of the DFT and the second is the main program used to generate DFT graphs. In this project, researchers will analyze arbitrary signals decomposed into sine waves. This program uses two main libraries, namely matplotlib, and NumPy. In this case, we have used the DFT method and plotted the results of the calculations performed. Now the researcher will analyze the process that the researcher did while using the DFT method and plot the results. Using DFT, arbitrary signals can be arranged into a series of sinusoids, each with a different frequency. The DFT method can arrange signals into a series of sinusoids with different frequencies. In the DFT amplitude spectrum, the signal frequency is shown as a vertical bar, with the height being the signal amplitude in the time domain. DFT can convert a sequence of equally spaced signals into information about the frequencies of all sine waves needed to sum the time domain signals. Abstrak Penelitian ini bertujuan untuk mengkaji Discrete Fourier Transform dengan menggunakan sinyal arbitrer. Pengolahan sinyal adalah suatu operasi matematik yang dilakukan terhadap suatu sinyal sehingga diperoleh suatu informasi yang dibutuhkan. Dalam hal ini terjadi suatu transformasi. Transformasi Fourier merupakan salah satu metode popular yang sering digunakan untuk mengubah bentuk waktu bentuk frekuensi yang ditujukan untuk mempermudah analisis. Transformasi Fourier dibagi menjadi 2 bagian yaitu Fourier Kontinu dan Fourier Diskret. Program yang dikembangkan oleh peneliti yaitu, DFT untuk menganalisis sinyal arbitrer yang dibuat dalam dua program. Program pertama adalah fungsi dari DFT dan program kedua adalah program utama yang digunakan untuk memunculkan grafik DFT. Dalam project ini peneliti akan menganalisis sinyal arbitrer yang sudah diuraikan menjadi gelombang sinus. Program ini menggunakan dua library utama, yaitu matplotlib dan numpy. Pada case kali ini, telah menggunakan metode DFT dan membuat hasil plot dari perhitungan yang dilakukan. Sekarang peneliti akan menganalisis proses yang peneliti lakukan selama menggunakan metode DFT dan membuat hasil plot. Sebelum membahas hasil perhitungan, mari kembali membahas metode DFT itu sendiri. Dengan menggunakan DFT, dapat disusun sinyal arbitrer menjadi serangkaian sinusoid dan masing-masing akan memiliki frekuensi yang berbeda.Metode DFT dapat menyusun sinyal menjadi serangkaian sinusoid yang memiliki frekuensi yang berbeda-beda. Dalam spektrum amplitude DFT, frekuensi sinyal ditampilkan sebagai batang vertikal dengan ketinggiannya adalah amplitude sinyal dalam domain waktu. DFT dapat mengubah urutan sinyal dengan jarak yang sama menjadi informasi tentang frekuensi semua gelombang sinus yang diperlukan untuk menjumlahkan sinyal domain waktu.

Implementasi Algoritma K-Means Clustering Dengan Pendekatan Active Learning Pada Siswa SMA Untuk Menentukan Jurusan Ke Perguruan Tinggi

“…Pada tahap berikutnya dilakukan tahap normalisasi data pada data siswa, lalu melakukan tahap membangun model k-means clustering dengan menggunakan beberapa library yang dibutuhkan untuk proses klasterisasi dengn library NumPy, Pandas, Matplotlib, dan Seaborn. Numpy sendiri merupakan salah satu library python yang digunakan untuk mengimplementasi array dan matriks multidimensi[9], Pandas adalah library pada bahasa pemrograman Python untuk melakukan analisis data[10], Matplotlib adalah library yang bertanggung jawab untuk merencanakan data numerik[11], Seaborn dapat digunakan untuk membuat plot atau grafik yang menjelaskan hasil analisis[12]. Berikutnya, Model akan melakukan perhitungan, Dalam beberapa pendekatan untuk mengoptimasi K-Means, pemilihan centroid awal dilakukan dengan mengambil nilai jarak terjauh atau yang memiliki nilai densitas terbesar antar objek data[13], tentunya dengan menggunakan Euclidean distance yang merupakan salah satu metode perhitungan jarak yang digunakan untuk mengukur jarak dari 2 (dua) buah titik[14], lalu mendapatkan hasil klasterisasi dari training model, setelah melakukan perhitungan dengan training data, dilakukan tahap berikutnya yaitu menerapkan reduksi Principal Component Analysis (PCA), PCA dapat mereduksi dimensi data yang tinggi menjadi dimensi data yang lebih rendah dengan resiko kehilangan informasi yang sangat kecil[15].…”