Contoh 4:
Kita akan merancang sebuah Band Pass Filter (BPF) dengan frekuensi cut off sebesar
2000 Hz (untuk daerah rendah) dan 5000 Hz (untuk daerah tinggi). Frekuensi sampling
yang ditetapkan adalah 10000 Hz. Orde filter ditetapkan sebesar 32. Beberapa bagian
program diatas perlu modifikasi seperti berikut.
Wn1 = [.20, .50];
BP = fir1(N,Wn1);
Hasilnya akan didapatkan respon frekuensi seperti pada Gambar 6 berikut ini.
Gambar 6. Respon Frekuensi Band Pass Filter
Contoh 5:
Kita akan merancang sebuah High Pass Filter (HPF) dengan frekuensi cut off sebesar
5000 Hz (untuk daerah tinggi). Frekuensi sampling yang ditetapkan adalah 10000 Hz.
Orde filter ditetapkan sebesar 32. Beberapa bagian program diatas perlu modifikasi
seperti berikut.
Wn2 = .50;
HP = fir1(N,Wn2,’high’);
27
Hasilnya berupa akan didapatkan respon frekuensi seperti pada Gambar 7 berikut ini.
Gambar 7 Respon Frekuensi High Pass Filter
2.3. Filter Pre-Emphasis
Dalam proses pengolahan sinyal wicara pre emphasis filter diperlukan setelah proses
sampling. Tujuan dari pemfilteran ini adalah untuk mendapatkan bentukspectral
frekuensi sinyal wicara yang lebih halus. Dimana bentukspectral yang relatif bernilai
tinggi untuk daerah rendah dan cenderung turun secara tajam untuk daerah fekuensi diatas
2000 Hz.
Filter pre-emphasis didasari oleh hubungan input/output dalam domain waktu yang
dinyatakan dalam persamaan beda seperti berikut:
dimana:
y(n) = x(n) – ax(n−1)
(3)
a merupakan konstanta filter pre-emhasis, biasanya bernilai 0.9 < a < 1.0
Dalam bentuk dasar operator z sebagai unit filter, persamaan diatas akan memberikan
sebuah transfer function filter pre-emphasis seperti berikut.
H(z) = 1− az−1
(4)
Bentuk ini kemudian akan memberikan dasar pembentukan diagram blok yang
menggambarkan hubungan input dan output seperti pada Gambar 8.
Dengan memanfaatan perangkat lunak Matlab kita akan dengan mudah mendapatkan
bentuk respon frekuensi filter pre-empasis.
clear all;
w=0:.01:3.14;
a=0.93;
H=1-a*exp(-j*w);
plot(w/3.14,20*log10(abs(H)),’linewidth’,2)
grid
axis([0 1.00 -25 10])
xlabel(’frekuensi ternormalisasi’)
ylabel(’magnitudo (dB)’)
title(’Pre-Emphasis filter’)
29
Gambar 10. Respon frekuensi filter pre-emphasis
Dengan nilai a = 0,93 akan mampu melakukan penghalusan spectral sinyal wicara yang
secara umum mengalami penurunsan sebesar 6 dB/octav.
Sekarang yang menjadi pertanyaan adalah bagaimana pengaruh sebenarnya filter ini
pada sebuah sinyal wicara? Untuk itu anda dapat memanfaatkan program dibawah ini.
clear all;
fs=10000;[x,fs]=wavread(’a.wav’);
xx=length(x)+1;x(xx)=0; alpha=0.96;
for i=2:xx
y0(i)=x(i-1);
end
for i=1:xx
y(i) = x(i) - alpha*y0(i);
end
subplot(211)
t=1:xx;
plot(t/fs,y);legend(’input’);grid
xlabel(’waktu (dt)’); ylabel(’magnitudo’);axis([0 0.7 -0.25 0.25]);
subplot(212)
plot(t/fs,y0); legend(’output’);grid
xlabel(’waktu (dt)’); ylabel(’magnitudo’); axis([0 0.7 -1 1.5])
30
Hasilnya adalah berupa sebuah gambaran bentuk sinyal input dan output dari file sinyal
wicara ’a.wav’ dalam domain waktu.
Gambar 11.Sinyal input dan output dari pre-emphasis filter dalam domain waktu
Sedangkan hasil yang didapatkan dalam bentuk domain frekuensi adalah seperti berikut.
Gambar 12. Sinyal input dan output dari pre-emphasis filter dalam domain frekuensi
3