2022
DOI: 10.58797/pilar.0101.02
|View full text |Cite
|
Sign up to set email alerts
|

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 arbi… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...

Citation Types

0
0
0

Year Published

2024
2024
2024
2024

Publication Types

Select...
1

Relationship

0
1

Authors

Journals

citations
Cited by 1 publication
(1 citation statement)
references
References 5 publications
0
0
0
Order By: Relevance
“…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].…”
unclassified
“…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].…”
unclassified