SinyalAM merupakan salah satu bentuk modulasi dimana sinyal informasi digabungkan dengan sinyal pembawa (carrier) berdasarkan perubahan amplitudonya. Bentuk modulasi dimana amplitudo sinyal pembawa di variasikan secara proposional berdasarkan sinyal pemodulasi (sinyal informasi). Frekuensi sinyal pembawa tetap konstan. ArticlePDF AvailableFigures Content may be subject to copyright. Discover the world's research25+ million members160+ million publication billion citationsJoin for freeContent may be subject to copyright. ©Authors DOI 81 Komunikasi Fisika Indonesia Edisi Maret 2021 Vol. 18 No. 1 Jurusan Fisika FMIPA Univ. Riau Pekanbaru e-2579-521X Web Email kfi INTENSITAS EFEKTIF SINYAL Wi-Fi DALAM RUANGAN TERTUTUP TERHADAP FUNGSI TERMODINAMIK Zamri*, Saktioto Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau *E-mail korespondensi ekazamry ABSTRACT Wi-Fi signal is an electromagnetic wave which in its transmission does not require an intermediary medium used in communication. But the intensity of the signal is influenced by the media it passes through. So in this article we will investigate how the signal propagation in a room is affected by the thermodynamic function. The treatment carried out is to show how the source point, namely the router and the receiver, namely the receiver, where later what is investigated is the trip to the position function, then a measurement will be carried out at that position which depends on changes in temperature and humidity in a closed room which is limited to the study. The source studied in the study was the signal strength intensity on the position, humidity and temperature functions. What is analyzed is the process of wave fluctuation at a certain time with varied data which will later be compared with other experimental results as a comparison, and will also show the signal intensity contour under normal conditions and conditions when the disturbance occurs. Keywords Wi-Fi, Humidty, Temperature, Signal Strength. ABSTRAK Sinyal Wi-Fi merupakan gelombang elektromagnetik yang dalam transmisinya tidak membutuhkan media perantara yang digunakan dalam komunikasi. Namun intensitas sinyal dipengaruhi oleh media yang dilewatinya. Jadi dalam artikel ini kita akan menyelidiki bagaimana perambatan sinyal di sebuah ruangan dipengaruhi oleh fungsi termodinamika. Perlakuan yang dilakukan adalah menunjukkan bagaimana titik sumber yaitu router dan penerima yaitu penerima, dimana nantinya yang diteliti adalah fungsi perjalanan ke posisi tersebut, kemudian akan dilakukan pengukuran pada posisi tersebut yang bergantung pada perubahannya. dalam suhu dan kelembaban di ruangan tertutup yang dibatasi untuk ruang belajar. Sumber yang dipelajari dalam penelitian ini adalah intensitas kekuatan sinyal pada fungsi posisi, kelembaban dan suhu. Yang dianalisis adalah proses fluktuasi gelombang pada waktu tertentu dengan data yang bervariasi yang nantinya akan dibandingkan dengan hasil percobaan lainnya sebagai pembanding, serta akan menunjukkan kontur intensitas sinyal dalam kondisi dan kondisi normal saat gangguan terjadi. Kata kunci Wi-Fi, Kelembaban, Suhu, Kekuatan Sinyal. PENDAHULUAN Internet merupakan layanan komunikasi yang memberikan kemudahan dalam proses pengiriman data [1]. Pengaksesan internet pun dapat dilakukan dengan berbagai cara antara lain menggunakan jaringan local area network LAN dengan menggunakan kabel, fiber optik, nirkabel wireless dan antena Wi-Fi [2,3]. Pada wireless local area network WLAN udara digunakan sebagai medium penghantarnya. Pemanfaatan jaringan berbasis WLAN banyak digunakan di perkantoran, sekolah, kampus, caffee, rumah makan, mall dan bahkan fasilitas umum seperti perpustakaan umum dan taman kota sudah dilengkapi WLAN. Di lingkungan kampus WLAN banyak digunakan di kelas-kelas, gedung kuliah, Diterima 17-03-2021 Disetujui 24-03-2021 Dipublikasi 31-03-2021 Intensitas Efektif Sinyal Wi-Fi ... Zamri gedung administrasi kampus dan lab-lab kampus. Namun, dalam penggunaannya seringkali kita jumpai terjadinya lagging atau malfunction, yang diakibatkan penurunan sinyal dari sumbernya atau terjadinya kerusakan pada perangkat WLAN. Penurunan kualitas sinyal terjadi disebabkan karena terganggunya proses transmisi sinyal akibat berbagai faktor [4]. Banyak faktor yang penyebabkan tidak maksimalnya proses transmisi, seperti perangkat elektronik lain yang bekerja pada frekuensi yang sama dengan access point WLAN yang menyebabkan terjadinya interferensi sinyal. Kondisi kelembaban dan suhu [5], topologi dari ruangan [6], pemantulan gelombang, absorsi gelombang oleh material tertentu, jarak terhadap access point serta cuaca bisa mempengaruhi transmisi dari gelombang yang bisa mempengaruhi kinerja dan kualitas sinyal dalam ruangan [7,8]. Kondisi dan topologi ruangan di perkantoran atau laboratorium di perguruan tinggi seperti Universitas Riau umumnya menggunakan air conditioner AC dan banyak terdapat alat elektronik yang menyebabkan terjadinya variasi sinyal dari keadaan termal dalam suatu ruangan [9]. Oleh karena itu, pada artikel ini akan dikaji karakteristik sinyal Wi-Fi dalam kondisi suhu dan kelembaban pada ruangan tertutup dan pada jarak tertentu. Dengan penerimaan sinyal Wi-Fi pada fungsi termodinamik ruangan maka penepatan optimal access point sinyal Wi-Fi dapat diperoleh. TINJAUAN PUSTAKA Pengaruh suhu dan kelembaban terhadap transmisi sinyal telah menjadi fokus utama dalam banyak studi terbaru yang berhubungan dengan efek dari kondisi lingkungan pada kualitas jaringan dan koneksi. Pengujian untuk mencari faktor yang mempengaruhi transmisi sinyal Wi-Fi baik di indoor maupun outdoor telah banyak dilakukan. Berbagai cara dan alat yang digunakan dalam penelitian seperti sinyal radio frekuensi, modul Zigbee menggunakan node Tmote Sky [10]. Pada eksperimen di dalam ruangan, beberapa peneliti menggunakan node Tmote Sky radio CC2420 dan node MSB430 radio CC1020. Node Tmote Sky mempelajari pengaruh suhu pada berbagai platform dan radio yang menunjukkan pengaruh suhu yang berbeda pada node pemancar dan penerima sehingga menemukan variasi temporal RSSI selama 3 hari eksperimen di luar ruangan, menggunakann tingkat daya pancar yang berbeda, tetapi mereka tidak menganalisis penyebabnya [11]. Disamping itu juga menggunakan jangkauan transmisi node sensor mica2 menggunakan radio RFM ChipCon saat kondisi hujan dan kabut [7], yang mendemonstrasikan bagaimana hujan dan salju, hujan dan kabut yang membekukan, dan kelembaban dapat secara signifikan mempengaruhi, yang menyebabkan pemudaran besar dan hilangnya konektivitas. Berdasarkan penelitian Wennerström et al. 2013 dalam percobaan setengah tahun mereka di dekat Uppsala, Swedia, menunjukkan bagaimana variasi dalam kondisi meteorologi yang mempengaruhi kinerja saat menggunakan node TelosB dengan radio CC2420. Secara khusus, mereka mempelajari bagaimana variasi dalam PRR Packet Reception Ratio dan RSSI berkorelasi dengan suhu, kelembaban absolut, curah hujan, dan sinar matahari. Hasilnya menunjukkan bahwa PRR dan RSSI sebagian besar berkorelasi dengan suhu [12]. Selain berbagai peralatan yang digunakan penelitian sebelumnya, juga dilakukan diberbagai lokasi dan cuaca yang berbeda, seperti dalam percobaan di luar ruangan, di ladang gandum di Govone, Italia, Boano et al. 2010 menemukan bahwa pembacaan kebisingan mengalami penurunan seiring dengan kenaikan suhu [13]. METODE PENELITIAN Penelitian ini menggunakan komponen jaringan Wi-Fi, dimana sumber sinyal dan receiver pada sisi lain sebagai detektor. Sinyal Wi-Fi dipancarkan menuju receiver melewati medium udara dengan kondisi kelembaban dan suhu tertentu. Dalam hal ini akan dilihat pengaruh dari medium terhadap transmisi sinyal dan faktor termodinamika. Komunikasi Fisika Indonesia KFI 181, 2021 Gambar 1. Skema set up alat dan ruangan. Tabel 1. Jarak antara titik pengukuran dengan sumber sinyal. Jarak pengukuran dari titik sumber m Proses pengukuran dan pengambilan data pada ruangan tertutup dengan ukuran 4,5 × 3,8 m2 dengan sumber sinyal berada 1,5 m dari lantai. Jarak antara satu titik dengan titik penelitian yang lain adalah 0,5 m, total terdapat 48 titik dalam penelitian atau dapat dilihat pada Tabel 1. Sumber kelembaban pada Gambar 1 digunakan untuk mengatur suhu, Receiver akan terhubung langsung ke laptop. Pada proses pengambilan data seperti pada Gambar 2 nantinya dilakukan tanpa merubah kondisi ruangan dan tata letak alat elektronik yang berada dalam ruangan. Intensitas Efektif Sinyal Wi-Fi ... Zamri Gambar 2. Simulasi cara pengambilan data. HASIL DAN PEMBAHASAN Hasil pada Gambar 3 memperlihatkan intensitas kuat sinyal pada ruangan dengan perbandingan intensitas sinyal pada kondisi normal dan pada suhu 24 °C – 26 °C untuk kelembaban berkisar antara 58% – 63% dan 42% – 50% pada suhu 29 °C – 31 °C seperti pada Gambar 4. Pada kondisi ini kenaikan suhu cenderung diikuti oleh kenaikan kelembaban. Pada Gambar 3, garis linier dinilai antara -44 dan -42 dan titik awal sinyal dari nilai -44 dan pada Gambar 4 dimulai dari titik antara -35 dan -36 serta garis liner -36 dan -37. Adanya perangkat logam disekitar ruangan membuat medan lisrtik dari alat elektonik menggangu lintasan transmisi signal [6]. Menurunnya kualitas signal dari server utama juga menjadi indikasi lain yang menyebabkan terjadinya fluktuasi sinyal. Perbedaan nilai tertinggi, terendah dan nilai awal menunjukkan bahwa kondisi kelembaban disetiap ruangan berbeda-beda, perbedaan ini bisa dipengaruhi oleh faktor kondisi termal suatu titik, perbedaan jarak dan lingkungan logam disekitar titik. Gambar 3. Menunjukkan grafik pengukuran intensitas pada titik A sinyal pada suhu 24 °C – 26 °C. Gambar 3 menyajikan 8 bentuk grafik degradasi hasil pengukuran kuat sinyal. Terlihat nilai karakterisasi yang berbeda-beda dari setiap titik terlihat juga beberapa grafik yang saling bersinggungan. Beberapa fluktuasi pada grafik menunjukkan terjadinya beberapa braekdown data karena adanya pengaruh kondisi ruangan yang menghalangi transmisi sinyal router ke receiver serta benda-benda disekitar area pengukuran [5]. Komunikasi Fisika Indonesia KFI 181, 2021 Gambar 4. Menunjukkan grafik pengukuran intensitas pada titik A sinyal pada suhu 29 °C – 31 °C. Gambar 5. Kontur sebaran intensitas sinyal pada suhu 24-26⁰C. Gambar 6. Kontur sebaran intensitas sinyal pada suhu normal. Intensitas Efektif Sinyal Wi-Fi ... Zamri Terdapat perbedaan pola rapatan dan renggangan anatara kontur pada Gambar 5 dan 6. Dari hasil kontur terdapat beberapa daerah yang mempunyai pola rapatan dan renggangan yang berbeda disebabkan oleh perbedaan tekanan udara yang terjadi akibatan perubahan suhu dan kelembaban dalam ruangan. Garis-garis pada pola rapatan dan rengganan merupakan nilai intensitas signal pada kondisi yang berlaku. Pola garis yang rapat menunjukkan bahwa P > kelembaban dan pola garis yang renggang menunjukkan P < kelembaban karena saat suhu atau temperatur naik maka tekanan udara P akan semakin rendah [6], sedangkan kenaikan suhu berbanding lurus dengan kenaikan. KESIMPULAN Perbandingan intensitas sinyal dikondisi suhu 24 °C – 26 °C dan suhu 29 °C – 31 °C menunjukkan bahwa transmisi dari sinyal lebih stabil sehingga intensitas sinyal cendrung tinggi dibandingkan suhu 24 °C – 26 °C. Hubungan antara kelembaban dan suhu dalam proses propagasi sinyal adalah linier terlihat antara suhu dan kelembaban. Ketika suhu naik maka persentase kelembaban dalam ruangan ikut naik. Transmisi sinyal dalam ruangan tidak merata berdasarkan kontur, nilai tertinggi dari kuat sinyal yang dapat terukur dalam ruangan adalah -32 dB dan untuk nilai terendah diangka -42 dB. REFERENSI 1. Zhu, J., Song, Y., Jiang, D., & Song, H. 2016. Multi-armed bandit channel access scheme with cognitive radio technology in wireless sensor networks for the internet of things. IEEE access, 4, 4609–4617. 2. Roslan, M. S., Chaudhary, K. T., Mazalam, E., & Saktioto, S. 2020. Overview of Temporal Soliton Transmission on Photonic Crystal Fiber and Nanowires. Science, Technology & Communication Journal, 11, 16–19. 3. Soerbakti, Y., Syahputra, R. F., Saktioto, S., & Gamal, M. D. H. 2020. Investigasi kinerja antena berdasarkan dispersi anomali metamaterial struktur heksagonal split ring resonator. Komunikasi Fisika Indonesia, 172, 74–79. 4. Wang, W., Liu, X., Vicente, J., & Mohapatra, P. 2010. Integration gain of heterogeneous WiFi/WiMAX networks. IEEE Transactions on Mobile Computing, 108, 1131–1143. 5. Luomala, J. & Hakala, I. 2015, September. Effects of temperature and humidity on radio signal strength in outdoor wireless sensor networks. 2015 Federated Conference on Computer Science and Information Systems FedCSIS, 1247–1255. 6. Guidara, A. & Derbel, F. 2015. A real-time indoor localization platform based on wireless sensor networks. 2015 IEEE 12th International Multi-Conference on Systems, Signals & Devices SSD15, 1–8. 7. Capsuto, B. & Frolik, J. 2006. A system to monitor signal fade due to weather phenomena for outdoor sensor systems. Fifth International Conference on Information Processing in Sensor Networks IPSN 2006. 8. Kurnia, D., Hamdi, M., & Juandi, M. 2021. Modeling of terahertz radiation absorption temperature distribution in biological tissue of a cattle using simulink-matlab model. Science, Technology & Communication Journal, 12, 37–45. 9. Seprima, M. & Defrianto, D. 2020. Prediksi curah hujan dan kelembaban udara Kota Pekanbaru menggunakan metode Monte Carlo. Komunikasi Fisika Indonesia, 173, 134–138. 10. Boano, C. A., Wennerstrom, H., Zuniga, M., Brown, J., Keppitiyagama, C., Oppermann, F., Roedig, U., Norden, L. A., Voigt, T., & Rmer, K. 2013. Hot Packets A systematic evaluation of the effect of temperature on low power Komunikasi Fisika Indonesia KFI 181, 2021 wireless transceivers. IEEE ExtremeCom 2013. 11. Anastasi, G., Falchi, A., Passarella, A., Conti, M., & Gregori, E. 2004. Performance measurements of motes sensor networks. Proceedings of the 7th ACM international symposium on Modeling, analysis and simulation of wireless and mobile systems, 174–181. 12. Wennerström, H., Hermans, F., Rensfelt, O., Rohner, C., & Nordén, L. Å. 2013. A long-term study of correlations between meteorological conditions and 4 link performance. 2013 IEEE International Conference on Sensing, Communications and Networking SECON, 221–229. 13. Boano, C. A., Tsiftes, N., Voigt, T., Brown, J., & Roedig, U. 2009. The impact of temperature on outdoor industrial sensornet applications. IEEE Transactions on Industrial Informatics, 63, 451–459. Artikel ini menggunakan lisensi Creative Commons Attribution International License ResearchGate has not been able to resolve any citations for this MTM anomaly dispersion characteristics have a great interest to be analyzed in the potential for increasing antenna performance. Dispersion material with a simple structure is able to cover the weaknesses of the antenna parameters. Characterization and optimization need to be applied to the MTM antenna design to obtain more effective antenna performance. Antenna operation is performed at 0-9 GHz microwave frequency with four SRR-H MTM structures varying in three radii of mm, mm, and mm. The highest MTM characteristics occurred at four SRR-H radii of mm with a refractive index of which resulted in antenna parameters RL dB, dBi, and working frequency of GHz. Antenna radiation occurs precisely in all MTM structures with an isotropic pattern or in all directions of dBi at a frequency of Seprima Defrianto DefriantoWeather prediction is important in our lives and can minimize the impact that will occur in the future. Rainfaal and humidity greatly affect the weather conditions in Indonesia. Accuracy in the prediction of rainfall and humidity is very important because it can be used in various interests. The data used are the monthly average data of rainfall and humidity in the city of Pekanbaru in 2014–2018 obtained from BMKG Pekanbaru, then the monthly average data will be processed using a MATLAB R2015a based program so that an average rainfall prediction simulation is obtained and air humidity in 2019–2023. MATLAB R2015a based program using the monte carlo method and has error value Sopi SufiKashif Tufail ChaudharyElham MazalamSaktiotoSolitons are nonlinearwaves that exhibit persistent propagation in the anomalous dispersion regime. In this article, we demonstrate the generation of soliton pulse in photonic crystal waveguide and nanowire at nonlinear length 6-mm in several photonic crystal waveguides and nanowire including fiberglass, silicon, silica, hollow photonic crystal, and tellurite glass. Optical soliton pulse compression with increasing order observed in this model. This study reveals the propagation of soliton is feasible at high order mode in silicon nanowire NW and tellurite glass as compared with normal fiber and photonic ZhuYonghui SongDingde Jiang Houbing Herbert SongThe wireless sensor network WSN is one of the key enablers for the Internet of Things IoT, where WSNs will play an important role in future internet by several application scenarios, such as healthcare, agriculture, environment monitoring, and smart metering. However, today's radio spectrum is very crowded for the rapid increasing popularities of various wireless applications. Hence, WSN utilizing the advantages of cognitive radio technology, namely, cognitive radio-basedWSNCR-WSN, is a promising solution for spectrum scarcity problem of IoT applications. A major challenge in CR-WSN is utilizing spectrum more efficiently. Therefore, a novel channel access scheme is proposed for the problem that how to access the multiple channels with the unknown environment information for cognitive users, so as to maximize system throughput. The problem is modeled as multi-armed bandit model with M cognitive users and N arms M < N. In order to solve the competition and the fairness between cognitive users of WSNs, a fair channel-grouping scheme is proposed. The proposed scheme divides these channels into M groups according to the water-filling principle based on the learning algorithm UCB-K index, the number of channels not less than one in each group and then allocate channel group for each cognitive user by using distributed learning algorithm fairly. Finally, the experimental results demonstrate that the proposed scheme cannot only effectively solve the problem of collision between the cognitive users, improve the utilization rate of the idle spectrum, and at the same time reflect the fairness of selecting channels between cognitive wireless sensor networks operating outdoors are exposed to changing weather conditions, which may cause severe degradation in system performance. Therefore, it is essential to explore the factors affecting radio link quality in order to mitigate their impact and to adapt to varying conditions. In this paper, we study the effects of temperature and humidity on radio signal strength in outdoor wireless sensor networks. Experimental measurements were performed using Atmel ZigBit wireless modules, both in summer and wintertime. We employed all the radio channels specified by IEEE for ISM frequency band with two transmit power levels. The results show that changes in weather conditions affect received signal strength. Of the studied weather variables, variation in signal strength can be best explained by the variation in temperature. We also show that frequency diversity can reduce the effects of channel-specific variation, and the difference between the transmit power levels. [Full text available at knowledge of the current position of people and objects has become a concern for most of us. This can be a challenge when the sought object is located inside a building since the Global Positioning System GPS may not be helpful in this situation. For this reason, many applications are revealed which use new technologies such as Wireless Sensor Networks WSN. In this paper, we present a prototype of an indoor localization platform that is able to provide a Real-Time estimation of target's position using as equipment the WSN and the lateration based on the computation of Received Signal Strength Indicator RSSI as a localization technique. With improvements in terms of signal processing we realize an accuracy of 1 m, which is very useful for many fields of study the integrated WiFi/WiMAX networks where users are equipped with dual-radio interfaces that can connect to either a WiFi or a WiMAX network. Previous research on integrated heterogeneous networks WiFi/cellular usually consider one network as the main, and the other as the auxiliary. The performance of the integrated network is compared with the "main" network. The gain is apparently due to the additional resources from the auxiliary network. In this study, we are interested in integration gain that comes from the better utilization of the resource rather than the increase of the resource. The heterogeneity of the two networks is the fundamental reason for the integration gain. To quantify it, we design a g eneric framework that supports different performance objectives. We focus on max-min throughput fairness in this work. We first prove that it is NP-hard to achieve integral max-min throughput fairness, then propose a distributed heuristic algorithm, which provides 2-approximation to the optimal fractional solution. Simulation results demonstr ate significant integration gain from two sources, namely spatial multiplexing and network diversity. We then analyze the integration gain following the generic framework. We study the impact of different user distributions on the integration gain, and validate the analysis using numerical system to monitor signal fade due to weather phenomena for outdoor sensor systemsB CapsutoJ FrolikCapsuto, B. & Frolik, J. 2006. A system to monitor signal fade due to weather phenomena for outdoor sensor systems. Fifth International Conference on Information Processing in Sensor Networks IPSN 2006.Modeling of terahertz radiation absorption temperature distribution in biological tissue of a cattle using simulinkmatlab modelD KurniaM HamdiM JuandiKurnia, D., Hamdi, M., & Juandi, M. 2021. Modeling of terahertz radiation absorption temperature distribution in biological tissue of a cattle using simulinkmatlab model. Science, Technology & Communication Journal, 12, 37-45.
Indikatorintensitas sinyal dan indikator kualitas sinyal. Kedua petunjuk indikator ini akan membantu dalam mengetahui seberapa besar daya tangkap sinyal oleh antena parabola. Dengan adanya informasi indikator sinyal, pengguna tv parabola dapat mengatur antena parabolanya agar bisa mendapatkan penangkapan sinyal satelit dengan maksimal.
Sinyal dapat direpresentasikan secara matematika sebagai fungsi dari satu atau lebih variabel bebas. Sebagai contoh Dimana fungsi x1 dan x2 berubah-ubah secara linier menurut variabel bebas waktu t. Contoh lain dari sinyal adalah sinyal suara. Sinyal suara dapat direpresentasikan secara matematik sebagai fungsi tekanan akustik terhadap waktu. Tampilan sinyal suara pada output mikropon dapat dilihat seperti gambar 1, dimana sinyal suara sekarang adalah fungsi amplitudo terhadap waktu. Gambar 1 Sinyal gambar grayscale hitam putih seperti gambar 2 merupakan fungsi terang/kecerahan terhadap dua variabel ruang atau dapat dituliskan Ix,y. Sinyal tv hitam putih merupakan fungsi terang/kecerahan terhadap dua variabel ruang dan waktu Ix,y,t. Sinyal tv berwarna dapat dideskripsikan dengan tiga fungsi intensitas dengan bentuk Irx,y,t, Igx,y,t dan Ibx,y,t yang merupakan kuat penerangan dari tiga warna utama merah, hijau dan biru yang dapat digambarkan dengan vektor Pers Sistem dapat didefenisikan sebagai alat fisik yang melakukan operasi pada sinyal. Contoh pemancar dan penerima radio FM merupakan sistem yang mengolah sinyal audio, TV merupakan sistem yang mengolah sinyal audio dan video dan lain-lain. Pemrosesan sinyal berarti melakukan operasi pada sinyal sehingga menghasilkan sinyal dalam bentuk lain. Contoh pada peralatan penerima siaran radio atau sebuah tape recorder, digunakan equalizer untuk mendapatkan konfigurasi audio diinginkan. Contoh lain pada proses pengeditan video pada komputer. Sinyal Kontinu dan Sinyal Diskrit Sinyal waktu kontinu atau sinyal analog adalah sinyal yang didefenisikan untuk setiap waktu dan diambil pada selang waktu kontinu. Bentuk Gelombang suara pada gambar 1 adalah bentuk sinyal kontinu begitu juga dengan sinyal pada persaman 2-1 dan 2-2. Sinyal waktu diskrit atau sinyal digital adalah sinyal yang diambil pada nilai waktu tertentu. Secara Matematis dituliskan sebagai berikut Secara grafis sinyal waktu diskrit ditunjukkan pada gambar 3 Gambar 3. Tampilan grafis sinyal waktu diskrit Sinyal disktrit bisa didapatkan dengan cara mengambil beberapa sampel sederhana dari sinyal analog pada ruang interval waktu yang sama, untuk membentuk satu barisan. Gambar 4. Proses Konversi Analog ke Digital kontinu ke diskrit Sinyal input asli yang tadinya berupa sinyal kontinyu, xt akan dicuplik dan dikuantisasi sehingga berubah menjadi sinyal diskrete xn. Dalam representasi yang baru inilah sinyal diolah. Keuntungan dari metoda ini adalah pengolahan menjadi mudah dan dapat memanfaatkan program sebagai pengolahnya. Dalam proses sampling ini diasumsikan kita menggunakan waktu pencuplikan yang sama dan konstan, yaitu Ts. Parameter pencuplikan ini menentukan dari frekuensi harmonis tertinggi dari sinyal yang masih dapat ditangkap oleh proses pencuplikan ini. Frekuensi sampling minimal adalah 2 kali dari frekuensi harmonis dari sinyal. Jenis-Jenis Sinyal Dasar Fungsi Unit Impuls Salah satu dari sinyal waktu diskrit yang paling sederhana adalah unit impuls cuplikan yang di definisikan sebagai Gambar 5. Unit impuls sinyal waktu diskrit Dan fungsi unit impuls kontinu didefinisikan sebagai Gambar 6. Fungsi unit impuls waktu kontinu Fungsi Unit Step Dan untuk sinyal unit step waktu diskrit disimbolkan dengan u[n] didefinisikan Gambar 7. Unit step waktu diskrit Sedangkan fungsi unit step untuk sinyal waktu kontinu didefinisikan Gambar 8. Fungsi unit step waktu kontinu Fungsi Unit Ramp Sinyal unit step waktu diskrit disimbolkan dengan r[n] didefinisikan Gambar 9. Sinyal Ramp diskrit Untuk sinyal ramp kontinu Gambar 10. Sinyal Ramp Kontinu Sinyal Ekponensial Sinyal ekponensial kompleks waktu kontinu memiliki bentuk dimana C dan a bilangan kompleks. Gambar 11 diilustrasikan bentuk sinyal eksponensial kontinu maupun diskrit. Gambar 11. Sinyal Eksponensial Diskrit dan Kontinu Sinyal Sinusoidal Sinyal sinusoidal waktu kontinu memiliki bentuk dimana A menunjukkan besarnya nilai amplitude, f merupakan frekuensi dan q merupakan nilai fasa awal dari sinyal sinus. Gambar 12 diilustrasikan bentuk sinyal sinusoidal kontinu maupun diskrit. Gambar 12. Sinyal Sinusoidal Diskrit dan Kontinu Post navigation

Indeks 1 Cara mengirimkan sinyal WiFi dari jarak jauh mudah saja. 1.1 Perangkat untuk mengirim sinyal WiFi dari jarak jauh. 1.1.1 Rentang extender. 1.1.2 Sistem jala. 1.1.3 Adaptor Powerline. 1.1.4 Piring satelit untuk wifi. 2 Cara mengirimkan sinyal WiFi

Perbedaan Antara Intensitas Suara dan Kenyaringan Pengarang Christy White Tanggal Pembuatan 4 Boleh 2021 Tanggal Pembaruan 11 Juni 2023 Video Fisika Kelas XI - Bunyi Part 2 Taraf Intensitas Bunyi dan Intensitas Bunyi Intensitas Suara vs Kekerasan Kenyaringan dan intensitas suara adalah dua konsep yang dibahas dalam akustik dan fisika. Intensitas suara adalah jumlah energi yang dibawa oleh suara sedangkan kenyaringan adalah ukuran suara yang terdengar. Konsep intensitas dan kenyaringan suara sangat penting dalam bidang-bidang seperti musik, teknik audio, akustik, fisika, dan berbagai bidang lainnya. Dalam artikel ini, kita akan membahas apa itu intensitas dan kenyaringan suara, aplikasinya, persamaan antara intensitas dan kenyaringan suara, definisi intensitas dan kenyaringan suara dan akhirnya perbedaan antara intensitas dan kenyaringan SuaraIntensitas suara adalah jumlah energi yang dibawa oleh suara per satuan waktu melalui satuan luas permukaan yang dipilih. Untuk memahami konsep intensitas suara, pertama-tama kita harus memahami konsep energi adalah salah satu metode utama penginderaan dalam tubuh manusia. Kami menemukan suara setiap hari. Suara disebabkan oleh getaran. Frekuensi getaran yang berbeda menghasilkan suara yang berbeda pula. Ketika sumber menggetarkan molekul medium di sekitarnya juga mulai berosilasi, menciptakan medan tekanan yang bervariasi waktu. Bidang tekanan ini disebarkan ke seluruh media. Ketika perangkat penerima audio seperti telinga manusia terkena bidang tekanan seperti itu, selaput tipis di dalam telinga bergetar sesuai dengan frekuensi sumber. Otak kemudian mereproduksi suara menggunakan getaran selaput. Jelas terlihat bahwa untuk menyebarkan energi suara harus ada media yang mampu menciptakan medan tekanan yang bervariasi waktu. Dengan demikian suara tidak dapat berjalan di dalam ruang hampa. Suara adalah gelombang longitudinal karena medan tekanan menyebabkan partikel media berosilasi ke arah perambatan energi. Satuan SI untuk intensitas suara adalah Wm-2 Watt per meter persegiKekerasanLoudness didefinisikan sebagai “atribut sensasi pendengaran yang bunyinya dapat diurutkan dalam skala dari diam ke nyaring,” oleh American National Standards Institute. Loudness adalah ukuran suara yang dirasakan oleh telinga mungkin tergantung pada beberapa kualitas suara seperti amplitudo, frekuensi, durasi. Unit "Sone" digunakan untuk mengukur adalah ukuran subjektif. Kenyaringan tergantung pada sifat sumber serta sifat media dan vs Intensitas Suara Intensitas suara adalah properti dari sumber suara, tetapi kenyaringan tergantung pada sumber suara, media, dan penerima suara memegang signifikansi kecil dalam masalah yang melibatkan sistem pendengaran manusia, tetapi kenyaringan adalah properti yang sangat penting untuk dipertimbangkan dalam masalah suara diukur dalam Watt per meter persegi sedangkan kenyaringan diukur dalam Sones.
Dalamfisika / rekayasa, pengurangan bertahap dalam intensitas sinyal (pancaran gelombang) yang menyebar melalui material dikenal sebagai atenuasi. Selain itu, atenuasi gelombang atau balok tergantung pada frekuensi gelombang dan medium yang dilalui gelombang. Satuan atenuasi pengukuran adalah dB/m, dB/cm atau dB/km (desibel per satuan
Perbedaan antara intensitas sinyal dan kualitas sinyal adalah salah satu hal yang seringkali membingungkan para pengguna smartphone atau perangkat elektronik yang menggunakan jaringan seluler. Kedua hal ini sangat penting untuk dipahami karena keduanya memiliki peranan yang berbeda dalam menentukan kualitas jaringan seluler yang digunakan. Apa itu Intensitas Sinyal? Intensitas sinyal adalah ukuran kekuatan sinyal yang diterima oleh perangkat dari stasiun basis atau tower seluler. Intensitas sinyal diukur dalam satuan decibel milliwatts dBm. Semakin besar angka dBm, semakin kuat intensitas sinyal yang diterima oleh perangkat. Intensitas sinyal yang kuat biasanya menunjukkan bahwa perangkat berada dalam jangkauan stasiun basis yang baik. Intensitas sinyal yang buruk biasanya ditandai dengan suara telepon yang putus-putus atau koneksi data yang lambat atau bahkan tidak ada sama sekali. Hal ini dapat disebabkan oleh berbagai faktor seperti jarak antara perangkat dengan stasiun basis, kepadatan bangunan di sekitar, cuaca, dan banyak lagi. Apa itu Kualitas Sinyal? Kualitas sinyal adalah ukuran seberapa baik sinyal yang diterima oleh perangkat. Kualitas sinyal diukur dalam satuan angka 1 hingga 5, di mana angka 1 menunjukkan kualitas sinyal yang buruk dan angka 5 menunjukkan kualitas sinyal yang sangat baik. Kualitas sinyal yang buruk biasanya ditandai dengan suara telepon yang kurang jelas atau suara yang cempreng. Kualitas sinyal yang buruk juga dapat mempengaruhi koneksi data dan menyebabkan koneksi yang lambat atau putus-putus. Perbedaan utama antara intensitas sinyal dan kualitas sinyal adalah bahwa intensitas sinyal mengukur kekuatan sinyal yang diterima oleh perangkat, sedangkan kualitas sinyal mengukur seberapa baik sinyal yang diterima oleh perangkat. Intensitas sinyal yang kuat tidak selalu menjamin kualitas sinyal yang baik. Meskipun perangkat menerima sinyal yang kuat dari stasiun basis, kualitas sinyal dapat dipengaruhi oleh berbagai faktor seperti interferensi sinyal, gangguan pada jaringan seluler, atau masalah pada perangkat itu sendiri. Sebaliknya, kualitas sinyal yang baik juga tidak selalu menjamin intensitas sinyal yang kuat. Meskipun perangkat menerima sinyal yang berkualitas baik, intensitas sinyal dapat dipengaruhi oleh jarak antara perangkat dengan stasiun basis atau oleh kepadatan bangunan di sekitar. Cara Meningkatkan Intensitas Sinyal dan Kualitas Sinyal Berikut ini adalah beberapa cara yang dapat dilakukan untuk meningkatkan intensitas sinyal dan kualitas sinyal 1. Pindah ke tempat yang memiliki sinyal yang lebih baik Jika Anda berada di tempat yang memiliki sinyal yang buruk atau tidak ada sinyal sama sekali, pindahlah ke tempat yang memiliki sinyal yang lebih baik. Jangan terlalu jauh dari stasiun basis atau tower seluler, dan hindari tempat yang tertutup oleh banyak bangunan atau pohon besar. 2. Gunakan penguat sinyal Jika Anda sering berada di tempat yang memiliki sinyal yang buruk, pertimbangkan untuk menggunakan penguat sinyal. Penguat sinyal dapat meningkatkan intensitas sinyal yang diterima oleh perangkat atau memperbaiki kualitas sinyal yang buruk. 3. Gunakan mode pesawat Jika Anda berada di tempat yang memiliki sinyal yang buruk, cobalah untuk mengaktifkan mode pesawat pada perangkat Anda. Mode pesawat akan mematikan semua sinyal di perangkat dan memungkinkan perangkat untuk mengambil sinyal yang lebih kuat ketika mode pesawat dimatikan kembali. 4. Perbarui perangkat lunak perangkat Anda Perbarui perangkat lunak perangkat Anda secara teratur untuk memastikan bahwa perangkat Anda selalu berjalan dengan lancar dan tidak memiliki masalah koneksi yang dapat memengaruhi intensitas sinyal atau kualitas sinyal. 5. Gunakan kartu SIM yang berkualitas baik Pertimbangkan untuk menggunakan kartu SIM yang berkualitas baik untuk memastikan bahwa perangkat Anda dapat menerima sinyal yang kuat dan berkualitas baik. Kesimpulan Intensitas sinyal dan kualitas sinyal adalah dua hal yang berbeda tetapi saling terkait dalam menentukan kualitas jaringan seluler yang digunakan. Intensitas sinyal mengukur kekuatan sinyal yang diterima oleh perangkat, sedangkan kualitas sinyal mengukur seberapa baik sinyal yang diterima oleh perangkat. Untuk meningkatkan intensitas sinyal dan kualitas sinyal, Anda dapat melakukan berbagai cara seperti pindah ke tempat yang memiliki sinyal yang lebih baik, menggunakan penguat sinyal, mengaktifkan mode pesawat, memperbarui perangkat lunak perangkat, dan menggunakan kartu SIM yang berkualitas baik.
E Pengukuran Kualitas Layanan dengan (MOS) E- Model Nilai MOS digunakan untuk menentukan kualitas suara dan gambar pada video conference. Sesuai dengan rekomendasi ITU-T P.800, nilai MOS didapatkan melalui pendekatan matematis E-Model yang dihitung berdasarkan delay dan packet loss. Nilai E-Model ini disebut dengan R faktor. R
Sering kali kita mengalami susah sinyal ketika berada di daerah yang belum terjangkau akses. Terkadang beberapa orang juga beranggapan bahwa sinyal sangat diperlukan untuk bisa berkomunikasi yang menghubungkan perangkat atau gadget yang kita miliki. Nah, sebenarnya apa itu sinyal? Lalu, apa itu sinyal? Sinyal adalah setiap fenomena fisik yang menyampaikan informasi atau sebagai fungsi waktu dari satu atau lebih variabel yang berisi beberapa informasi. Secara garis besar, umumnya variabel parameter dari sinyal terdiri dari amplitudo A dan waktu t. Nah, sinyal juga ada beberapa klasifikasi, lho. Yuk, kita lihat ada apa saja klasifikasi dari sinyal. 1. Sinyal Waktu Kontinyu dan Waktu Diskrit 2. Sinyal Periodic dan Non-Periodik 3. Sinyal Energi dan Power 4. Sinyal Deterministik dan Random Klasifikasi Sinyal 1. Sinyal Waktu Kontinyu dan Waktu Diskrit Sinyal waktu kontinyu adalah sinyal yang terdefinisi untuk setiap waktu t, dimana t adalah bilangan riil. Sumber Gambar Sedangkan sinyal waktu diskrit adalah sinyal yang terdefinisi pada waktu nilai t, dimana t adalah bilangan bulat. Sumber Gambar 2. Sinyal Periodic dan Non-Periodik Sebuah sinyal dikatakan periodik jika memenuhi kondisi xt = xt+T atau xn = xn+N Keterangan T = periode waktu dasar. 1/T = f = frekuensi dasar. Sumber Gambar Sinyal di atas akan berulang untuk setiap interval waktu T0 sehingga periodik dengan periode T0 3. Sinyal Energi dan Power Suatu sinyal dikatakan sinyal energi jika memiliki energi yang terbatas infinite. Sementara itu, sinyal dapat dikatakan sinyal daya power jika memiliki daya yang terbatas. Sebuah sinyal tidak bisa keduanya, baik energi maupun power. 4. Sinyal Deterministik dan Non-Deterministik Sebuah sinyal dikatakan deterministik jika tidak ada ketidakpastian sehubungan dengan nilainya pada setiap saat waktu. Atau, sinyal yang dapat didefinisikan dengan tepat oleh rumus matematika dikenal sebagai sinyal deterministik. Sumber Gambar Sebuah sinyal dikatakan tidak deterministik jika ada ketidakpastian sehubungan dengan nilainya pada beberapa saat. Sinyal non-deterministik bersifat acak karenanya mereka disebut sinyal acak. Sinyal acak tidak dapat dijelaskan oleh persamaan matematika. Mereka dimodelkan dalam istilah probabilistik. Sumber Gambar Nah, kalian jadi tau nih klasifikasi sinyal. Beberapa diantaranya mungkin akan mengalami perkembangan. So, meskipun sinyal gabisa di lihat dalam bentuk wujud nyata, tetapi sinyal itu ada, lho. Semoga menambah wawasan ^0^.
Begitujuga dengan garis-garis bar yang ditampilkan, semakin penuh baris-baris barnya maka hal tersebut menandakan bahwa jaringan 4G yang digunakan sedang kuat. 2. Sinyal memiliki jangkauan yang luas dibandingkan jaringan. Sinyal pada jaringan telekomunikasi memiliki makna dan penggunaan yang lebih luas jika dibandingkan dengan jaringan. Related PapersDalam bab ini, teori keagenan merupakan cabang dari game theory, yakni mempelajari design kontrak antara principal dan agen dimana agen termotivasi untuk bekerja dengan baik demi menarik principal. Diharapkan sebuah kontrak efisien dapat memberikan biaya yang rendah bagi prinsipal. Ada banyak hubungan principal-agent dalam masyarakat, seperti pasien-dokter, klien-pengacara, pemain pemilik-hoki. Dalam setiap kasus, prinsipal ingin agen untuk bekerja keras pada nama nya. Namun terdapat konflik kepentingan antara principal dan agen karena dalam bekerja keras membutuhkan usaha, dan prisipal membutuhkan usaha yang lebih untuk menggerakkan agen manajemen. Dalam banyak kasus, sifat upaya agen terlalu sulit untuk diamati secara langsung, seperti pasien dalam mengamati upaya seorang dokter. Hal ini karena adanya masalah moral hazard pada manajemen, dimana agen tidak akan bekerja keras kecuali agen termotivasi dengan cukup. Walaupun repurtasi dan etika profesional menjadi berkontribusi dalam motivasi, Hal ini sering diinginkan lebih yakni memotivasi kerja keras berbasiskan kompensasi pada beberapa ukuran kinerja yang diamati oleh agen. Dalam kontrak perusahaan, terdapat hubungan yang menarik, yakni kontrak kerja antara owner dengan agen dan kontrak pinjaman antara perusahaan dan kreditur. teori keagenan relevan dengan akuntansi, karena kedua jenis kontrak ini bergantung pada saat perusahaan melaporkan laba. Dalam hal kontrak kerja, perolehan bonus manajemen berdasarkan laba yang diperoleh perusahaan. sementara kontak pinjaman laba juga diamati oleh peminjam, serta biasanya terdapat perlindungan untuk pemberian pinjaman. Akibatnya kebijakan akuntansi penting bagi manajer. Hal ini karena terletak pada kompensasi manajemen dan untuk menghindari pelanggaran perjanjian hutang. Agency Theory Teori keagenan adalah pengembangan dari suatu teori yang mempelajari suatu desain kontrak dimana para agen bekerja atau bertugas atas nama principal ketika keinginan atau tujuan agen bertolak belakang maka akan terjadi suatu konflik. Konflik keagenan yang ditimbulkan oleh tindakan perataan laba dipicu dari adanya pemisahan peran atau perbedaan kepentingan antara principal dengan agen. Secara actual teori keagenan memiliki karakteristik kooperatif dan non This study discusses financial policies related to costs of capital and costs of debt capital structure in the concept of Islamic finance. For a long time capital structure theory has evolved and is used as a reference for evaluating investment decisions for investors and companies that provide a role for managers in making decisions related to the use of company capital so as to improve company performance and value. The current understanding of the cost of equity only refers to the rate of return that is the investor's right to invest in the company. While the cost of debt is understood as the part that must be received from an investment so that the minimum level of return of creditors is met. The underlying theory is, such as the Leverage model; Miller-Modigliani MM model; Capital Asset Pricing Model CAPM; Arbitrage Price Theory APT; and Gordon's model which has so far been used in financial theories relating to capital structure problems. The concept of capital structure in Islamic finance gives specific emphasis on the use of capital. The concept of self-regulated capital must be in accordance with Islamic law. This means that any use of capital or debt must have a clear purpose in accordance with Islamic principles with the aim of maximizing the problem so that the creation of falah. In the concept of Islamic capital, it is permissible to take a share of profits on capital, but the amount cannot be determined based on a percentage of capital. The profit is an incentive for capital used in business projects, the calculation of which is done after the business process is completed and other obligations have been fulfilled. Keywords Costs of Capital, Costs of Debt, Capital Structure, Islamic FinanceManagemen laba bisa muncul dari adanya problem asimetri informasi dan konflik keagenan. Kondisi asimetri informasi ini akan eksis apabila kepemilikan ekuitas terpisah dari operasi perusahaan dan manager memiliki keunggulan atas informasi dibandingkan pemegang saham. Di sisi lain kondisi pasar tidak sempurna mampu menciptakan lingkungan bagi manager untuk melakukan diskresi akuntansi yang dilakukan untuk kepentingan manager yang dibebankan pada pemegang saham. Namun, di sisi lain managemen laba juga mampu menciptakan kesempatan bagi manager untuk menggunakan diskresi akuntansi untuk mengkomunikasikan kinerja perusahaan terkait dengan informasi dengan cara yang memadai kepada para satu alasan yang mendasari fenomena managemen laba ini terus eksis dan dilakukan oleh banyak perusahaan karena adanya sisi baik dari managemen laba. Sisi baik dari managemen laba bisa ditinjau dari sudut pandang kontrak efisien dan pelaporan keuangan. Dari perspektif kontrak efisien dalam Pos...A. Pendahuluan Secara historis peranan seorang manajer keuangan mengalami perkembangan. Semula tugas manajer keuangan hanya sebatas pada proses pembuatan dan pemeliharaan catatan yang bersangkutan dengan transaksi keuangan penyusunan laporan-laporan keuangan secara periodik. Situasi usaha saat ini telah mengharuskan seorang manajer keuangan aktif turut menentukan pengelolaan keseluruhan aktiva yang dimiliki perusahaan dalam artian luas. Manajer keuangan selain menentukan jumlah dana yang dibutuhkan dan cara memperoleh dana tersebut, juga harus menentukan pengalokasian pada berbagai jenis aktiva. Selanjutnya adalah mengawasi pelaksanaan kegiatan atau usaha pencarian pembelanjaan pasif dan pengalokasian dana pembelanjaan aktif sehingga diperoleh suatu kombinasi sumber serta penggunaan dana/modal yang seimbang dan efisien. 2 Perusahaan sebagai sebuah sistem terbuka pada dasarnya tujuan perusahaan dapat dikelompokkan menjadi dua yaitu tujuan yang bersifat ideal dan tujuan yang bersifat komersial. Bersifat ideal antara lain meningkatkan kesejahteraan karyawan, memberi kesempatan kerja, memberikan pelayanan/memenuhi kebutuhan kepada masyarakat, meningkatkan pendapatan pemerintah melalui pajak dan tujuan lain. Tujuan kedua adalah bersifat komersial, antara lain memperoleh keuntungan maksimal dan dilanjutkan mengembangkan usaha ekspansi. Sebagai perusahaan yang terbuka maka setiap bagian harus senantiasa berupaya memelihara serta mempertahankan efisiensi usaha secara optimal. Khususnya untuk bagian keuangan, efisiensi yang optimal dapat tercermin dalam tingkatan penilaian pihak masyarakat terhadap perusahaan yang bersangkutan. 3 Berbicara mengenai ekuitas/modal equity dan hutang debt tidak bisa dilepaskan pada teori-teori keuangan yang berkaitan dengan masalah tersebut, terutama perhatian tersebut sering masuk dalam teori struktur modal. Struktur modal capital structure merupakan kombinasi hutang dan ekuitas dalam struktur keuangan jangka panjang 1 Peneliti Keuangan Syariah 2 John Soeprihanto, Manajemen Modal Kerja Yogyakarta BPFE, 1997, hlm. 1. 3 Ibid., hlm. 7. KualitasSinyal Pusat Kota 4G, 3G, 2G. Telkomsel (terbaik) Indosat, Three; Smartfren ; XL (terburuk) banyak blank spoot; Kualitas Sinyal di Kabupaten 4G. Indosat; Internet 4G/3G indosat lucu karena tidak beda dengan 2G hanya 70kbps kualitas di atas dicatat meliputi Kota Surabaya,Gresik kota dan kabupaten dan Sidoarjo Kota Sinyal elektrokardiogram adalah sinyal bio-electrik yang dihasilkan dari aktifitas kelistrikan jantung. Informasi dari kondisi kesehatan jantung bisa diketahui dengan menganalisis bentuk, irama, durasi, maupun orientasi nya. Berbagai metode dikembangkan untuk melakukan analisis atau mengklasifikasi sinyal EKG secara otomatis. Beberapa diantaranya menggunakan metode transformasi untuk mengubah sinyal dari domain waktu ke domain sinyal yang lain. Pada penelitian ini digunakan Stockwell transform S-transform untuk mengubah sinyal dari domain waktu ke domain waktu-frekuensi. Nilai minimum dan maksimum dari pada deretan waktu dari S-transform digunakan sebagai masukan K-NN sebagai classifer. Akurasi dari penggunaan S-transform dibandingkan dengan akurasi penggunaan short-term Fourier transform STFT yang merupakan transormasi yang setara. Hasil pengujian menunjukkan akurasi S-transform lebih tinggi dibandingkan dengan FFT pada enam kelas data sinyal EKG yang diuji. Discover the world's research25+ million members160+ million publication billion citationsJoin for free AITI Jurnal Teknologi Informasi, Volume 17 No. 1 Februari 2020, 22-32 ISSN 1693-8348 E-ISSN 2615-7128 Aplikasi Stockwell Transforms dan K-Nearest Neighbor untuk Klasifikasi Sinyal Elektrokardiogram Dyah Ayu Pratiwi 1, Achmad Rizal 2, Rita Magdalena 31,2,3Fakultas Teknik Elektro, Telkom University Jl. Telekomunikasi no 1, Ters. Buah Batu, Kab. Bandung Email achmadrizal Riwayat artikel Recieved 17-03-2020 Revised 15-07-2020 Accepted 22-07-2020 Abstract An electrocardiogram signal is a bio-electrical signal that results from the electrical activity of the heart. Information on heart health conditions can be inferred by analyzing its shape, rhythm, duration, and orientation. Various methods have been developed to analyze or classify ECG signals automatically. Some of them use the transformation method to convert signals from the time domain to another signal domain. In this study, the Stockwell transform S-transform was used to convert signals from the time domain to the time-frequency domain. Minimum and maximum values of the time series of S-transforms were used as K-NN inputs as classifiers. The classification accuracy of S-transform was compared with the accuracy of the short-time Fourier transform STFT, which is an equivalent transformation. The test results showed that S-transform produced higher accuracy compared to FFT on the six classes of ECG signal data tested. Keywords electrocardiogram, short-time Fourier transform, Stockwell transform, K-NN Abstrak Sinyal elektrokardiogram EKG adalah sinyal bio-elektrik yang dihasilkan dari aktifitas kelistrikan jantung. Informasi dari kondisi kesehatan jantung bisa diketahui dengan menganalisis bentuk, irama, durasi, maupun orientasi sinyal EKG. Berbagai metode dikembangkan untuk melakukan analisis atau mengklasifikasi sinyal EKG secara otomatis. Beberapa diantaranya menggunakan metode transformasi untuk mengubah sinyal dari domain waktu ke domain sinyal yang lain. Pada penelitian ini digunakan Stockwell transform S-transform untuk mengubah sinyal dari domain waktu ke domain waktu-frekuensi. Nilai minimum dan maksimum pada deretan waktu dari S-transform digunakan sebagai masukan K-NN sebagai classifer. Akurasi klasifikasi dari penggunaan S-transform dibandingkan dengan akurasi penggunaan short-time Fourier transform STFT yang merupakan transformasi yang setara. Hasil pengujian menunjukkan akurasi S-transform lebih tinggi dibandingkan dengan FFT pada enam kelas data sinyal EKG yang diuji. Kata kunci elektrokardiogram, short-time Fourier transform, Stockwell transform, K-NN AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 23 Pendahuluan Elektrokardiogram EKG adalah sinyal sinyal elektrik yang dihasilkan dari kontraksi otot pada jantung yang berakibat pemompaan darah ke seluruh tubuh [1]. Sinyal EKG memiliki suatu informasi yang merepresentasikan kondisi jantung. Biasanya dinilai berdasarkan bentuk, irama, orientasi, dan durasi [2]. Teknik penilaian sinyal EKG paling dasar yaitu menilai secara visual dari kertas rekaman EKG yang dilakukan oleh dokter. Penilaian seperti ini membutuhkan keahlian dan pengalaman dari dokter. Mengingat keterbatasan jumlah dokter spesialis jantung, maka dirasa perlu dibangun sistem untuk menganalisis sinyal EKG untk membantu dokter memberikan analisis awal sinyal EKG. Berbagai teknik dikembangkan untuk menghasilkan metode yang dapat mengklasifikasi sinyal EKG menggunakan komputer. Selain metode pada domain waktu [3], berbagai metode tranformasi sinyal digunakan untuk menganalisis sinyal seperti transformasi Fourier [4], tranformasi wavelet [5][6], maupun transformasi domain waktu-frekuensi seperti short-time Fourier transform STFT [7]. STFT merupakan metode yang sederhana dalam untuk melakukan transformasi dari domain waktu ke domain waktu-frekuensi. Pada STFT, dilakukan segmentasi sinyal kemudian dilakukan transformasi Fourier pada segmen sinyal tersebut. Hal ini menyebabkan resolusi di domain waktu dan frekuensi sangat tergantung pada panjang segmen sinyal yang dilakukan FFT. Segmen sinyal yang panjang akan menurunkan resolusi ada domain waktu dan menaikkan resolusi pada domain frekuensi, demikian sebaliknya [8]. Xia dkk menggunakan STFT dan deep convolutional neural network untuk mendeteksi atrial fibrillation [7]. Sementara itu metode yang hampir sama digunakan oleh Huang dkk. Untuk mendeteksi arrhythmia pada sinyal EKG [9]. Kedua penelitian tersebut menggunakan masukan berupa matrik 2D dari spektrogram hasil STFT sebagai masukan. Hal ini membutuhkan teknik klasifikasi yang canggih yaitu deep learning. Selain untuk klasifikasi sinyal EKG, STFT juga bisa digunakan dalam pengolahan komponen sinyal dalam sinyal EKG [10]. Pada metode ini, STFT digunakan untuk memperhalus sinyal atau mengekstraksi komponen sinyal EKG. Dari uraian di atas, kelemahan dari STFT adalah trade-off antara panjang segmen dan resolusi dari spektrogram. Kelemahan ini diatasi dengan adanya Stockwell transform atau S-transform yang menggunakan Gaussian window pada segmentasi sinyal. Pada penelitian ini diusulkan metode klasifikasi sinyal EKG menggunakan S-transform. Resolusi tinggi dari S-transform diharapkan mampu menghasilkan akurasi yang lebih tinggi dari pada STFT. Untuk itu pada penelitian ini dibandingkan performansi FFT dan S-transform menggunakan K-NN sebagai classifier. Pada penelitian ini dipilih metode K-NN yang sederhana sebagai classifier untuk menunjukkan bahwa metode yang digunakan tidak membutuhkan komputasi yang tinggi. Hasil yang didapat diharapkan dapat menjadi alternatif metode pengolahan sinyal EKG menggunakan transformasi pada domain waktu-frekuensi. 24 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena Kajian Pustaka Elektrokardiogram EKG adalah sinyal listrik yang terjadi akibat aktifitas jantung yang menggambarkan kondisi jantung [1]. Sinyal EKG dapat menggambarkan kondisi kesehatan jantung seseorang melalui irama, durasi, bentuk, dan orientasinya. Sinyal EKG normal terdiri dari sinyal P, Q, R, S, dan T yang mewakili depolarisari atrium, depolarisasi ventrikel, dan repolarisasi ventrikel [11]. Perubahan bentuk dan orientasi dari sinyal EKG normal mengindikasikan kelainan yang terjadi pada jantung. Beberapa kelainan jantung diantaranya atrial fibrilation AF, ventricular tachicardia VT, ventricular fibrilation VF, prematur ventricular contraction PVC, paced rhytms PR. Pada AF terjadi kontraksi otot jantung tidak beraturan sehingga proses pemompaan darah menjadi tidak efisien [12]. AF terjadi karena kelainan atau gangguan impuls listrik pada jantung. Pada VT, irama jantung menjadi sangat cepat di ventrikel. Sementara itu pada VF, irama jantung terjadi sangat cepat di ventrikel namun menpunyai kecepatan dan ritme yang tidak teratur dan bentuk yang berbeda. PVC adalah denyut jantung terjadi sebelum waktunya atau prematur yang berasal dari ventrikel [11]. PR merupakan bentuk sinyal EKG dengan QRS yang terjadi berulang-ulang tetapi tidak muncul gelombang P. Short-time Fourier Transform STFT atau spectrogram merupakan metode transformasi sinyal dari domain waktu ke domain domain waktu-frekuensi. Pada algoritma ini, sinyal akan disegmen pada selang waktu tertentu tertentu. Sinyal hasil segmentasi ditransformasi menggunakan FFT ke domain frekuensi. Persamaan 1 menampilkan ekspresi matematis dari STFT. 𝑆𝑇𝐹𝑇 𝜏,𝑓 ℎ𝑡𝑔𝑡𝜏𝑒𝑑𝑡~~ 1 dimana menunjukkan waktu lokasi spektral dan f merupakan frekuensi, sedangkan gt menunjukkan fungsi window yang digunakan dalam STFT. Ilustrasi STFT ditampilkan pada Gambar 1. STFT mencuplik sinyal pada window yang ditentukan dan melakukan FFT pada tiap cuplikan sinyal. Selanjunya hasil proses ini ditata menjadi representasi sinyal dalam domain waktu-frekuensi. Gambar 1 Short Time Fourier Transforms Transformasi Stockwell S-transform merupakan metode transformasi sinyal dari domain waktu ke domain waktu-frekuensi [8]. S-transform mampu melakukan AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 25 analisis sinyal yang berubah terhadap waktu secara multiresolusi. Perbedaan S-transform dengan STFT adalah penggunaan Gaussian window yang mempunyai kemampuan adaptasi pada lebar dan amplitudo terhadap variasi frekuensi. Secara matematis Gaussian window ditulis seperti Persamaan 2. 𝑔𝑡√𝑒 2 KarenaS-transform berasal dari Persamaan 1 dengan mengganti fungsi window 𝑔𝑡 dengan Persamaan 2 maka S-transform dapat didefinisikan seperti Persamaan 3. 𝑆𝜏,𝑓  𝑆𝑇𝐹𝑇 𝜏,𝑓 ℎ𝑡√~~𝑒𝑒𝑑𝑡 3 dimana 𝑓 adalah variabel frekuensi, 𝑡 adalah variabel waktu dan adalah pergeseran waktu. Lebar fungsi Gaussian window proporsional dengan kebalikan dari frekuensi. Spektrum Stockwell𝑠 , 𝑓 menyatakan bagaimana komponen frekuensi pada sinyal bervariasi dari waktu ke waktu. S-transforms mengatasi kelemahan STFT yang mengakibatkan diskontinuitas dalam representasi waktu-frekuensi dan dan resolusi yang tergantung dari panjang cuplikan sinyal [8]. S-transform merupakan suatu kasus khusus pada STFT yang berbasis pada Gaussian window. Penyajian umum S-transforms pada penerapannya memiliki ketergantungan pada window yang digunakan. Untuk aplikasi yang berbeda, dapat dipilih window yang tepat dan parameter tertentu untuk memperoleh resolusi yang lebih baik pada bagian yang ditekankan. Metode Penelitian Gambar 2 Metode yang diusulkan Metode yang diusulkan pada penelitian ini seperti ditampilkan pada Gambar 2. Masukan dari sistem ini adalah sinyal EKG dengan lima jenis kelainan dan EKG normal sebagai pembanding. Selanjutnya pada sinyal EKG dilakukan preprocessing untuk menormalisasi amplitudo sinyal. Pada tahap berikutnya dilakukan transformasi untuk merubah sinyal dari domain waktu ke domain waktu-frekuensi. Pada penelitian ini digunakan transformasi Stockwell dan STFT sebagai pembanding. Proses ekstraksi ciri dilakukan untuk mendapatkan karakteristik dari sinyal dalam domain waktu-frekuensi. Performansi ekstraksi ciri dilakukan dengan menghitung akurasi hasil klasifikasi menggunakan K-NN. Detail dari proses di atas dijelaskan pada subbagian berikut ini. Data masukan pada sistem ini berupa sinyal EKG berformat .mat dengan panjang rekaman data kurang lebih 4 detik. Sinyal EKG diambil dari website yang dipotong sehingga menampilkan paling tidak 3 - 6 sinyal QRS [13]. Frekuensi pencuplikan yang digunakan pada sistem yang dirancang sebesar 1000 Hz. Data sinyal 26 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena EKG terdiri dari 60 data latih dan 60 data uji dengan rincian AF, NSR, VT, PR, VF, dan PVC masing-masing 10 data latih dan 10 data uji. Pada tiap data dilakukan proses normalisasi untuk menyeragamkan rentang amplitudo data menggunakan Persamaan 4. 𝑦𝑛 4 dengan 𝑥𝑛 adalah sinyal masukan dan 𝑦𝑛 adalah sinyal hasil normalisasi. Menggunakan proses di atas maka sinyal EKG akan mempunya rentang -1 sampai +1. Tahap selanjutnya dilakukan S-transform untuk mengubah sinyal dari domain waktu ke domain waktu-frekuensi. Pada penelitian ini digunakan Gaussian window dengan lebar 10 sampel non-overlap dan NFFT 1000 titik. Dengan demikian nantinya akan didapat matrik berukuran 1000 x 400 untuk representasi tiap sinyal. Selanjutnya akan diambil nilai minimum dan nilai maksimum dari tiap kolom pada matrik hasil S-transform. Proses ini akan menghasilkan 400 nilai maksimum dan 400 nilai minimum yang dijadikan ciri dari tiap sinyal. Ciri nilai minimum ini adalah nilai minimum yang diambil dari tiap kolom dari matrik1000 x 400 hasil S-transform. Sedangkan ciri nilai maksimum adalah nilai maksimum diambil dari tiap kolom dari matrik1000 x 400 hasil S-transform. Nilai-nilai ini menggambarkan fluktuasi frekuensi pada tiap rentang waktu. Jumlah ciri ini lebih sedikit dibandingkan dengan sinyal asli yang terdiri 4000 sampel sinyal. Pada tahap selanjutnya lebar window diubah menjadi 5, 10, dan 20 untuk melihat pengaruh lebar window terhadap akurasi. Untuk STFT, dilakukan hal sama dengar beberapa perbedaan. Window yang digunakan adalah rectangular window dengan lebar 10 sampel. Kemudian NFFT 1000 titik digunakan untuk mengubah sinyal dari domain waktu ke domain frekuensi. Pada matrik hasil transformasi ini diambil nilai maksimum dan minimum seperti halnya pada S-transform. K-nearest neighbor K-NN merupakan metode klasifikasi yang menggunakan jarak dalam menentukan hasil klasifikasi berdasarkan kelas data latih yang terbanyak yang mempunyai jarak terdekat dengan data uji [14]. Secara sederhana K-NN dapat dijelaskan seperti dalam Gambar 3. Gambar 3 Illustrasi K-NN AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 27 Pada saat ditentukan nilai K = 3, maka dicari tiga data latih terdekat dengan data uji. Pada Gambar 3, maka data uji akan dikenali sebagai bagian dari segitiga merah karena terdapat dua data latih yang lebih dekat dengan data uji lingkaran hijau. Jika ditentukan K = 5, maka data uji akan dikenali sebagai bagian dari segiempat biru. Jarak antar data pada K-NN dihitung beberapa metode sebagai berikut  Euclidean Distance 𝐷 x2-x1 = x2-x1 = 𝑥𝑥 5  Cityblock Distance 𝐷 x2-x1 = x2-x1 = 𝑥𝑥 6 . Nilai absolute  Cosine similarity simx,x’ = ∑∑ ∑ 7 dimana 𝑝 adalah dimensi data dan . adalah nilai absolut. Hasil dan Pembahasan Gambar 4 menampilkan sinyal EKG yang digunakan dalam penelitian ini. Ka ren a frekuensi sampling 1000 Hz dan lama rekaman 4 detik maka akan dihasilkan panjang sampel 4000. Tiap data terdiri dari 3-5 atau lebih puncak QRS yang mewakili jumlah detak jantung. Pada kelainan tertentu tidak dapat diidentifikasi puncak gelombang QRS-nya. Jumlah ini berbeda-beda karena perbedaan heart-rate, jenis kelainan, dan arah orientasi sinyal EKG. Hasil STFT dan S-transform untuk sinyal EKG-AF pada Gambar 4 ditampilkan pada Gambar 5. Perbedaan yang terlihat jelas pada hasil kedua transformasi adalah pada detail resolusi. Pada STFT, apabila window yang digunakan panjang, maka resolusi pada domain waktu akan menurun tetapi resolusi pada domain frekuensi meningkat. Hal ini tidak terjadi pada S-transform dimana penggunaan Gaussian window menjamin resolusi yang merata setiap pita frekuensi. Pada Gambar 5a terlihat diskontinyuitas pada representasi waktu dan frekuensinya sementara pada Gambar 5b hasil S-transform cenderung lebih halus dan tidak terlihat transisi antar segmen sinyal pada domain waktu. Hasil ekstraksi ciri berupa nilai maksimum dan nilai minimum dari sinyal EKG-AF dari dua jenis tranformasi yang dilakukan seperti pada Gambar 6. Nilai maksimum dan minimum dari domain waktu ini dimaksudkan untuk menangkap selubung dari hasil transformasi. Pada penelitian lainnya penggunaan nilai maksimum pada STFT suara paru menghasilkan akurasi yang cukup tinggi [15]. Maka pada penelitian ini, selain nilai maksimum, juga dieksplorasi nilai minimum dari STFT maupun dari S-transform. Secara umum ciri keduanya relatif sama dengan puncak yang menunjukkan QRS dari 28 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena sinyal EKG. Perbedaan terdapat pada detail dimana pada STFT lebih banyak fluktuasi yang biasanya terjadi pada transisi tiap segmen window. a b c d e f Gambar 4 a Sinyal EKG-AF, b Sinyal EKG-NSR, c Sinyal EKG-PR, d Sinyal EKG-PVC, e Sinyal EKG-VF, f Sinyal EKG- VT abGambar 5 a Hasil STFT dari sinyal EKG- AF b Hasil S-transform dari sinyal EKG-AF dengan lebar segmen 10 sampel dan α = 2,5 AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 29 a b c d Gambar 6 a Ciri minimum hasil STFT pada EKG-AF b Ciri maksimum hasil STFT pada EKG-AF c Ciri minimum hasil S-transform pada EKG-AF d Ciri maksimum hasil S-transform pada EKG-AF Tabel 1 dan Tabel 2 menampilkan akurasi klasifikasi menggunakan berbagai nilai K, pengukuran jarak, dan ciri. Akurasi tertinggi 76,67 persen dihasilkan oleh ciri minimum dengan K= 3 dan jarak cityblock. Akurasi ini tidak dipengaruhi oleh lebar window. Hasil ini lebih baik dibandingkan dengan akurasi tertinggi pada STFT sebesar 70 persen menggunakan K = 3 dan K = 5 dengan jarak cityblok seperti ditampilkan pada Tabel 3. Jarak cityblock menghasilkan akurasi yang lebih tinggi karena kemampuannya menghasilkan jarak yang lebih jauh dibandingkan dengan jarak Euclidean maupun cosine. Dengan jarak yang lebih jauh maka keterpisahan antar data menjadi lebih besar. STFT dan S-transform dipengaruhi oleh berapa hal seperti pemotongan sinyal, panjang window/segmen sinyal yang akan di FFT, dan resolusi FFT. Pemilihan ciri yang dihitung dari hasil transformasi juga berperan pada akurasi. Ciri lain yang digunakan dalam penelitian sebelumnya seperti parameter statistik [16], sample entropy [17], variogram [18] dan lain-lain. Karena STFT atau S-transform berupa matrik dua dimensi maka analisis citra bisa dilakukan untuk mengolah lebih lanjut. Sekalipun hasil akurasi dari S-tranform tidak terlalu tinggi, S-transform memberikan peluang untuk pengembangan penelitian lebih lanjut. Pemotongan data sinyal EKG yang memperhatikan lokasi dari gelombang QRS akan memberikan data yang lebih seragam. Selain itu ekplorasi terhadap parameter pada window Gaussian y ang dipakai juga menarik untuk dilakukan. Pemilihan metode berbagai ekstraksi ciri juga akan menantang dilakukan pada selanjutnya. Metode yang diusulkan juga diharapkan bisa digunakan untuk kasus sinyal biomedis yang lain seperti suara jantung, suara paru, sinyal EEG, sinyal EMG, dan lain-lain. 30 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena Tabel 1 Akurasi pada Berbagai Jarak, Nilai K, dan Ciri yang Digunakan pada S-transform dengan lebar window 5 K Jarak Akurasi ciri minimum ciri maksimum 3 Cosine 43,33% 35% Euclidean 46,67% 56,67% Cityblock 76,67% 51,67% 5 Cosine 26,67% 23,33% Euclidean 45% 41,67% Cityblock 73,33% 45% 7 Cosine 26,67% 25% Euclidean 40% 43,33% Cityblock 65% 36,67% Tabel 2 Akurasi pada Berbagai Jarak, Nilai K, dan Ciri yang Digunakan pada S-transform dengan lebar window 10 K Jarak Akurasi ciri minimum ciri maksimum 3 Cosine 48,33% 38,33% Euclidean 48,33% 56,67% Cityblock 76,67% 51,67% 5 Cosine 35% 25% Euclidean 45% 43,33% Cityblock 70% 45% 7 Cosine 23,33% 25% Euclidean 40% 43,33% Cityblock 65% 40% Tabel 3 Akurasi pada Berbagai Jarak, Nilai K, dan Ciri yang Digunakan pada STFT K Jarak Akurasi ciri minimum ciri maksimum 3 Cosine 50% 36,67% Euclidean 51,675 56,67% Cityblock 70% 41,67% 5 Cosine 25% 25% Euclidean 51,67% 41,67% Cityblock 70% 45% 7 Cosine 23,34% 26,67% Euclidean 46,67% 43,34% Cityblock 60% 40% AITI Jurnal Teknologi Informasi Volume 17 No. 1 Februari 2020, 22-32 31 Simpulan Pada artikel ini dipaparkan penggunaan S-transform untuk ekstraksi ciri sinyal EKG pada klasifikasi sinyal EKG. S-transform memiliki kelebihan dalam hal resolusi yang relatif tinggi dibandingkan dengan spektrogram. Dari pengujian akurasi didapatkan akurasi tertinggi 76,67 persen menggunakan nilai minimum, jarak cityblock, dan K = 3. Hal ini menunjukkan bahwa S-transform menghasilkan akurasi yang lebih tinggi dibandingkan dengan STFT yang menghasilkan akurasi hingga 70 persen. Eksplorasi terhadap ciri yang lain dan berbagai parameter S-trasnform menarik untuk diteliti lebih lanjut. Penggunaan metoda yang diusulkan untuk analisis sinyal biomedis yang lain dapat dilakukan pada penelitian selanjutnya. Daftar Pustaka [1] T. A. M. Brosche, The EKG Handbook. Jones & Bartlett Publisher, 2010. [2] J. Rahul, M. Sora, and L. D. Sharma, “An overview on biomedical signal analysis,” Int. J. Recent Technol. Eng., vol. 7, no. 5, pp. 206–209, 2019. [3] A. Rizal and S. Hadiyoso, “ECG signal classification using Hjorth Descriptor,” in Proceedings of the 2015 International Conference on Automation, Cognitive Science, Optics, Micro Electro-Mechanical System, and Information Technology, ICACOMIT 2015, 2016. [4] I. Pázsit, “Analysis of heartbeat data with spectral and fractal techniques,” Fluct. Noise Lett., vol. 5, no. 3, pp. L357–L363, 2005. [5] A. Singh, D. Bhowmick, and S. Biswas, “Recognition of arrhythmic electrocardiogram using wavelet based feature extraction,” in 2017 2nd International Conference for Convergence in Technology I2CT, 2017, pp. 610–613. [6] H. M. Rai, A. Trivedi, and S. Shukla, “ECG signal processing for abnormalities detection using multi-resolution wavelet transform and Artificial Neural Network classifier,” Measurement, vol. 46, no. 9, pp. 3238–3246, 2013. [7] Y. Xia, N. Wulan, K. Wang, and H. Zhang, “Detecting atrial fibrillation by deep convolutional neural networks,” Comput. Biol. Med., vol. 93, no. July 2017, pp. 84–92, 2018. [8] R. G. Stockwell, L. Mansinha, and R. P. Lowe, “Localization of the complex spectrum the S transform,” IEEE Trans. Signal Process., vol. 44, no. 4, pp. 998–1001, Apr. 1996. [9] J. Huang, B. Chen, B. Yao, and W. He, “ECG Arrhythmia Classification Using STFT-Based Spectrogram and Convolutional Neural Network,” IEEE Access, 2019. [10] B. S. Shaik, G. V. S. S. K. R. Naganjaneyulu, T. Chandrasheker, and A. V. Narasimhadhan, “A Method for QRS Delineation Based on STFT Using Adaptive Threshold,” in Procedia Computer Science, 2015. [11] W. J. Tompkins, “Electrocardiography,” in Biomedical Digital Signal Processing, W. J. Tompkins, Ed. New Jersey Prentice Hall, 2000, pp. 24–54. [12] A. Rizal, “Perbandingan Skema Dekomposisi Paket Wavelet untuk Pengenalan Sinyal EKG,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 4, no. 2, 2015. [13] “ECG Database.” [Online]. Available [14] A. Feltane, G. F. B. Bartels, J. Gaitanis, Y. Boudria, and W. Besio, “Human Seizure Detection Using Quadratic Renyi entropy,” in 2013 6th International IEEE/EMBS Conference on Neural Engineering NER, 2013, pp. 815–818. [15] A. Rizal and V. Suryani, “Lung Sound Recognition Using Spectrogram and Adaptive Resonance Theory 2 Neural Network ART2 ,” in Proceeding Biomedical Engineering Day 2008, 2008. 32 Klasifikasi Sinyal EKG Menggunakan Stockwell Transforms...Pratiwi, Rizal, Magdalena [16] A. Rizal, R. Hidayat, and H. A. Nugroho, “Lung sounds classification using spectrogram’s first order statistics features,” in 2016 6th International Annual Engineering Seminar InAES, 2016, pp. 96–100. [17] F. Jin, F. Sattar, and D. Y. T. Goh, “Automatic wheeze detection using histograms of sample entropy.,” in Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society, 2008, vol. 2008, pp. 1890–3. [18] Z. Esmaileyan and H. Marvi, “Recognition of emotion in speech using variogram based features,” Malaysian J. Comput. Sci., vol. 27, no. 3, pp. 156–170, 2014. ABSTRAK Sinyal elektrokardiogram EKG dapat dianalisis dengan memperhatikan bentuk, durasi, dan irama. Pada penelitian ini, dikembangkan sebuah metode ekstraksi ciri sinyal EKG dengan menggunakan parameter Hjorth dan ciri statistik. Kedua parameter tersebut diaplikasikan untuk mengekstrak ciri-ciri dari rekaman suara sinyal EKG. Terdapat tiga kondisi rekaman sinyal EKG yang menjadi masukan dari sistem, kondisi normal, atrial fibrillation AF, dan congestive heart failure CHF. Set ciri rekaman EKG yang didapatkan kemudian diklasifikasikan dengan menggunakan metode support vector machine SVM dan k-Nearest Neighbor k-NN untuk dibandingkan performansinya. Hasil pengujian menggunakan semua ciri sebagai prediktor menunjukkan bahwa usulan sistem mampu memberikan akurasi sebesar 100%. Sementara itu pada skenario reduksi ciri dimana hanya dua ciri yaitu skewness dan complexity, performansi sistem tidak berkurang. Komparasi dengan beberapa studi sebelumnya menunjukkan bahwa usulan metode lebih unggul dalam hal akurasi deteksi dan jumlah ciri yang digunakan. Kata kunci EKG, atrial fibrillation, congestive heart failure, Hjorth, SVM, k-NN ABSTRACT An electrocardiogram ECG signal can be analyzed by paying attention to its shape, duration, and rhythm. In this study, feature extraction for ECG signals is applied using the Hjorth parameter and statistical characteristics. These two parameters are applied to extract the characteristics of the ECG signal sound recording. There are three conditions of ECG signal recording that are used as input for the system. They are normal conditions, atrial fibrillation AF, and congestive heart failure CHF. The set of ECG recording features are classified using the support vector machine SVM and k-Nearest Neighbor k-NN methods. The test results using all features show that the proposed system can achieve 100% of accuracy. On the other hand, by reducing the feature using only skewness and complexity, the system’s performance is not reduced. Comparative studies with several previous studies show that the proposed method is superior in detection accuracy and the number of features used. Keywords ECG, atrial fibrillation, congestive heart failure, Hjorth, SVM, k-NNThe classification of electrocardiogram ECG signals is very important for the automatic diagnosis of heart disease. Traditionally, it is divided into two steps, including the step of feature extraction and the step of pattern classification. Owing to recent advances in artificial intelligence, it has been demonstrated that deep neural network, which trained on a huge amount of data, can carry out the task of feature extraction directly from the data and recognize cardiac arrhythmias better than professional cardiologists. This paper proposes an ECG arrhythmia classification method using two-dimensional 2D deep convolutional neural network CNN. The time domain signals of ECG, belonging to five heart beat types including normal beat NOR, left bundle branch block beat LBB, right bundle branch block beat RBB, premature ventricular contraction beat PVC, and atrial premature contraction beat APC, were firstly transformed into time-frequency spectrograms by short-time Fourier transform. Subsequently, the spectrograms of the five arrhythmia types were utilized as input to the 2D-CNN such that the ECG arrhythmia types were identified and classified finally. Using ECG recordings from the MIT-BIH arrhythmia database as the training and testing data, the classification results show that the proposed 2D-CNN model can reach an averaged accuracy of On the other hand, in order to achieve optimal classification performances, the model parameter optimization were investigated. It was found when the learning rate is and the batch size parameter is 2500, the classifier achieved the highest accuracy and the lowest loss. We also compared the proposed 2D-CNN model with a conventional one-dimensional CNN model. Comparison results show the 1D-CNN classifier can achieved an averaged accuracy of Therefore, it is validated that the proposed CNN classifier using ECG spectrograms as input can achieve improved classification accuracy without additional manual pre-processing of the ECG signal processing is widely used tool in biomedical field for extracting the information of physiological activities for diagnosis purpose. Aim of this paper is to give an overview on various transforms used for biomedical signal analysis, Fast Fourier Transform FFT, Laplace Transform LT, Hilbert Transform, Wavelet Transform WT and Hadamard Transform are discussed for ECG and EEG. The finally some advanced algorithms and methods for automatic detection of abnormalities in cardiovascular system and neuroscience have been considered in this study. Wavelet transform gives highest accuracy in feature identification of both ECG and EEG. The variety of transform techniques are explored in this study and found that wavelet transform is very good tool for both stationary ST and non-stationarynon-ST biomedical signal analysis. The CWT and DWT are suitable for ECG and EEG signal analysis respectivelyArrhythmia is one of the most common cardiac diseases. Efficient methods of detecting arrhythmia have been proposed in literatures. Our study proposes a unique feature extraction approach with entropy and Hjorth descriptor to classify a set of ECG signals into normal and arrhythmic with a considerable amount of accuracy. The conventional approach involving wavelet decomposition as the primary feature extraction method yields classification accuracy of The method proposed in the study using entropy and Hjorth descriptor provides higher classification rate at Our study is validated by a reliable dataset. V S S K R Naganjaneyulu GudapatiElectrocardiogram ECG is the electrical manifestation of the contractile activity of the heart. In this work, it is proposed to utilize an adaptive threshold technique on spectrogram computed using Short Time Fourier Transform STFT for QRS complex detection in electrocardiogram ECG signal. The algorithm consists of preprocessing the raw ECG signal to remove the power-line interference, computing the STFT, applying adaptive thresholding technique and followed by identifying QRS peaks. Sensitivity, Specificity and Detection error rate are calculated on MIT-BIH database using the proposed method, which yields a competitive results when compared with the state of art in QRS Atrial fibrillation AF is the most common cardiac arrhythmia. The incidence of AF increases with age, causing high risks of stroke and increased morbidity and mortality. Efficient and accurate diagnosis of AF based on the ECG is valuable in clinical settings and remains challenging. In this paper, we proposed a novel method with high reliability and accuracy for AF detection via deep learning. Method The short-term Fourier transform STFT and stationary wavelet transform SWT were used to analyze ECG segments to obtain two-dimensional 2-D matrix input suitable for deep convolutional neural networks. Then, two different deep convolutional neural network models corresponding to STFT output and SWT output were developed. Our new method did not require detection of P or R peaks, nor feature designs for classification, in contrast to existing algorithms. Finally, the performances of the two models were evaluated and compared with those of existing algorithms. Results Our proposed method demonstrated favorable performances on ECG segments as short as 5 s. The deep convolutional neural network using input generated by STFT, presented a sensitivity of specificity of and accuracy of For the deep convolutional neural network using input generated by SWT, a sensitivity of specificity of and accuracy of was achieved. Conclusion The proposed method using deep convolutional neural networks shows high sensitivity, specificity and accuracy, and, therefore, is a valuable tool for AF Lung sounds can indicate a person's health condition. Lung sounds are generated from the air flow in the respiratory tract. Various of signal processing techniques are used for lung sounds analysis to reduce the subjectivity of the lung sound analysis. In this study, we propose lung sound signal analysis using first order statistic texture analysis on the spectrogram. The mean, variance, skewness, kurtosis, and entropy are used as features of each lung sound. These features are analyzed using KNN with two methods of distance measurement. The proposed method achieves an accuracy of for 81 data. Keywords— lung sound, spectrogram, textures analysis, first order statistics, K-Nearest NeighbourZeynab Esmaileyan Hossein MarviSpeech Emotion Recognition SER is a relatively new and challenging branch in speech processing area. In this study, we propose new features derived from speech spectrogram using image processing techniques for emotion recognition. For this purpose, variogram graphs are calculated from speech spectrogram. The significant Discrete Cosine Transform DCT coefficients of variogram are used as proposed features. The contribution of these features as a complementary for the widely used prosodic and spectral features is also investigated. The feature selection is performed using Fisher Discriminant Ratio FDR filtering method. Finally, a linear Support Vector Machine SVM classifier is employed. All results are achieved under the 10 fold cross-validation on the Berlin and PDREC speech databases. Our results show that combining the proposed features with prosodic and spectral features significantly improves the classification accuracy. For Berlin database, when the proposed features were added to the prosodic and spectral ones, the recognition rates were improved from and to and for females and males, respectively. Also, on the PDREC, combining the proposed features with the prosodic and spectral features improve the recognition rate of females and males by and respectively. For this database, the best classification accuracy of and were obtained for females and males, signals from mice, and simultaneous ECG and blood pressure signals from rats are analyzed for a small number of cases. The data were obtained from four mice and two rats with one animal having health problems in each group, the rest being control cases. For the rats, the phase of the cross-spectra between the ECG and blood pressure, and for the mice the fractal properties of the interbeat series RR-interval fluctuations are found to be suitable as an indicator of health this study, the quadratic Rényi entropy is applied for seizure detection from human electroencephalography EEG signals. Quadratic Rényi entropy was combined with two different methods; the empirical mode decomposition EMD and discrete wavelet transform DWT. The use of these two methods is justified since EEGs are non-linear and non-stationary signals. First, the EEG signal is decomposed into sub-signals using the EMD method or the DWT. Then, the quadratic Rényi entropy is used as an input feature. The k-nearest neighbor k-NN classifier algorithm extracted the features with accuracy. penguranganintensitas berkas cahaya (atau sinyal) sehubungan dengan jarak tempuh melalui media transmisi. Satuan dalam redaman serat optik adalah satuan dB / km. Penelitian empiris menunjukkan bahwa redaman serat optik disebabkan terutama oleh hamburan rayleighdan penyerapan . Redaman serat optik bergantung pada panjang Perbedaan Intensitas Sinyal Dan Kualitas Sinyal – Perbedaan intensitas sinyal dan kualitas sinyal adalah dua hal yang berbeda, meskipun terkadang saling berhubungan. Intensitas sinyal adalah besarnya sinyal yang dikirimkan oleh sebuah perangkat. Intensitas sinyal dapat diukur dengan satuan kekuatan sinyal dBm. Semakin tinggi angka yang dicapai, semakin kuat sinyalnya. Kualitas sinyal adalah jenis sinyal yang dikirimkan. Jika sinyal terganggu atau terdistorsi, maka kualitas sinyal menurun. Kualitas sinyal dapat diukur dengan berbagai metode seperti bergerak, menggunakan pengukuran BER bit error rate atau menggunakan metode lain. Intensitas sinyal dapat ditingkatkan dengan cara memperkuat antena atau meningkatkan daya yang dikirimkan oleh perangkat. Namun, jika sinyal telah terdistorsi, maka tidak ada yang bisa dilakukan untuk memperbaiki kualitas sinyal. Hal ini karena yang dapat diperbaiki adalah kekuatan sinyal, tidak kualitas sinyal. Oleh karena itu, untuk meningkatkan kualitas sinyal, kualitas transmissi harus meningkat. Intensitas sinyal dan kualitas sinyal memiliki peran penting dalam menentukan kualitas koneksi. Intensitas sinyal yang kuat dapat membantu meningkatkan kualitas koneksi, tetapi jika kualitas sinyal buruk, maka intensitas sinyal tinggi tidak akan banyak membantu. Kualitas sinyal yang buruk dapat menyebabkan gangguan pada koneksi, yang dapat menyebabkan koneksi lambat, koneksi terputus, kesalahan pada data yang dikirimkan, dan masalah lainnya. Oleh karena itu, penting untuk memahami perbedaan intensitas sinyal dan kualitas sinyal. Sebagai pengguna, kita harus mengontrol intensitas sinyal yang kita dapat dan memastikan bahwa kualitas sinyal yang kita dapat cukup baik. Jika kualitas sinyal buruk, maka kita harus mencoba meningkatkan kualitas sinyal dengan memperbaiki kualitas transmisi atau memperkuat antena. Dengan begitu, kita dapat memastikan bahwa koneksi kita stabil dan cukup cepat. Penjelasan Lengkap Perbedaan Intensitas Sinyal Dan Kualitas Sinyal– Intensitas sinyal adalah besarnya sinyal yang dikirimkan oleh perangkat dan dapat diukur dengan satuan kekuatan sinyal dBm.– Kualitas sinyal adalah jenis sinyal yang dikirimkan dan dapat diukur dengan metode seperti BER bit error rate.– Intensitas sinyal dapat ditingkatkan dengan cara memperkuat antena atau meningkatkan daya yang dikirimkan oleh perangkat.– Kualitas sinyal yang buruk dapat menyebabkan gangguan pada koneksi seperti koneksi lambat, terputus, kesalahan data, dan masalah lainnya.– Intensitas sinyal dan kualitas sinyal memiliki peran penting dalam menentukan kualitas koneksi.– Untuk meningkatkan kualitas sinyal, kualitas transmisi harus meningkat.– Sebagai pengguna, kita harus mengontrol intensitas sinyal dan memastikan kualitas sinyal yang kita dapat cukup baik. Penjelasan Lengkap Perbedaan Intensitas Sinyal Dan Kualitas Sinyal – Intensitas sinyal adalah besarnya sinyal yang dikirimkan oleh perangkat dan dapat diukur dengan satuan kekuatan sinyal dBm. Intensitas sinyal adalah besarnya sinyal yang dikirimkan oleh perangkat dan dapat diukur dengan satuan kekuatan sinyal dBm. Intensitas sinyal dapat digunakan untuk mendeteksi posisi dari perangkat yang mengirimkan sinyal dan juga untuk menentukan jarak antar perangkat. Semakin besar intensitas sinyal, semakin dekat jarak antar perangkat. Intensitas sinyal juga berhubungan dengan kemampuan untuk mendeteksi sinyal di suatu wilayah atau lokasi. Semakin besar intensitas sinyal, semakin luas wilayah yang dapat dideteksi. Sedangkan kualitas sinyal adalah seberapa baik sinyal yang dikirimkan oleh perangkat. Kualitas sinyal dapat diukur dengan menggunakan nilai Signal to Noise Ratio SNR atau nilai BER Ber Error Rate. Nilai SNR dan BER menunjukkan seberapa baik sinyal yang diterima dibandingkan dengan kesalahan yang terjadi. Semakin tinggi SNR dan BER, semakin baik kualitas sinyal. Kualitas sinyal juga berhubungan dengan kecepatan koneksi, sehingga jika kualitas sinyal rendah, maka kecepatan koneksinya pun akan rendah. Kesimpulannya, intensitas sinyal mengukur besarnya sinyal yang dikirimkan oleh perangkat, sedangkan kualitas sinyal mengukur seberapa baik sinyal yang diterima dibandingkan dengan kesalahan yang terjadi. Kedua konsep ini sangat penting untuk menjamin koneksi yang stabil, baik dari segi jangkauan dan kecepatan. – Kualitas sinyal adalah jenis sinyal yang dikirimkan dan dapat diukur dengan metode seperti BER bit error rate. Kualitas sinyal adalah ukuran seberapa baik sinyal dapat diterima oleh penerima. Kualitas sinyal dapat diukur dengan menggunakan metode seperti BER bit error rate yang mengukur seberapa baik sinyal dapat diterima oleh penerima. Intensitas sinyal adalah besarnya sinyal yang diterima oleh penerima. Intensitas sinyal dapat diukur dengan menggunakan metode seperti SNR Signal to Noise Ratio yang mengukur seberapa kuat sinyal yang tersedia untuk penerima. Kualitas sinyal dan intensitas sinyal merupakan konsep yang berbeda tapi saling berkaitan. Intensitas sinyal yang lemah dapat menyebabkan rendahnya kualitas sinyal, tetapi kualitas sinyal yang tinggi tidak selalu berarti sinyal yang kuat. Hal ini dikarenakan ada faktor lain seperti gangguan atau noise yang dapat menurunkan kualitas sinyal meskipun intensitas sinyal tetap kuat. Kualitas sinyal dan intensitas sinyal juga berbeda dalam hal karakteristik sinyal yang mereka ukur. Intensitas sinyal mengukur kekuatan sinyal yang tersedia untuk penerima, sedangkan kualitas sinyal mengukur seberapa baik sinyal dapat diterima oleh penerima. Kedua konsep ini sangat penting untuk mengukur kinerja jaringan seluler karena jaringan hanya dapat menyampaikan sinyal dengan baik jika keduanya memenuhi persyaratan tertentu. – Intensitas sinyal dapat ditingkatkan dengan cara memperkuat antena atau meningkatkan daya yang dikirimkan oleh perangkat. Intensitas sinyal dan kualitas sinyal adalah dua konsep yang berbeda yang harus dipahami ketika menggunakan sistem komunikasi wireless. Intensitas sinyal mengacu pada kekuatan sinyal yang diterima oleh sistem komunikasi wireless dari sumber sinyal. Kualitas sinyal mengacu pada tingkat ketidakpastian sinyal yang ada di sistem komunikasi wireless. Intensitas sinyal ditentukan oleh jumlah energi yang dikirimkan oleh sumber sinyal, yang dapat berkisar dari rendah hingga tinggi. Intensitas sinyal yang lebih tinggi berarti bahwa sinyal lebih kuat dan lebih mungkin untuk diterima oleh sistem komunikasi wireless. Intensitas sinyal dapat ditingkatkan dengan cara memperkuat antena atau meningkatkan daya yang dikirimkan oleh perangkat. Kualitas sinyal, di sisi lain, mengacu pada tingkat ketidakpastian yang ada dalam sinyal. Ketidakpastian ini dapat disebabkan oleh berbagai faktor, seperti interferensi, noise, dan faktor lainnya. Kualitas sinyal yang rendah berarti bahwa sinyal yang diterima memiliki tingkat ketidakpastian yang tinggi dan mungkin tidak dapat digunakan dengan baik. Kualitas sinyal dapat ditingkatkan dengan memperbaiki antena atau menggunakan teknologi yang lebih baik. Dengan demikian, intensitas sinyal dan kualitas sinyal adalah dua konsep yang berbeda yang harus dipahami ketika menggunakan sistem komunikasi wireless. Intensitas sinyal mengacu pada kekuatan sinyal yang diterima oleh sistem komunikasi wireless dari sumber sinyal, sedangkan kualitas sinyal mengacu pada tingkat ketidakpastian sinyal yang ada di sistem komunikasi wireless. Intensitas sinyal dapat ditingkatkan dengan cara memperkuat antena atau meningkatkan daya yang dikirimkan oleh perangkat, sedangkan kualitas sinyal dapat ditingkatkan dengan memperbaiki antena atau menggunakan teknologi yang lebih baik. – Kualitas sinyal yang buruk dapat menyebabkan gangguan pada koneksi seperti koneksi lambat, terputus, kesalahan data, dan masalah lainnya. Intensitas sinyal dan kualitas sinyal adalah dua hal yang berbeda, tetapi sering saling berinteraksi. Intensitas sinyal adalah jumlah energi yang dikirim oleh sinyal dan dapat diukur dalam satuan decibel dB. Intensitas sinyal menentukan seberapa jauh sinyal dapat ditangkap oleh perangkat yang terhubung ke jaringan. Intensitas sinyal yang lemah dapat menyebabkan masalah koneksi, seperti pemutusan sinyal atau masalah waktu rata-rata. Kualitas sinyal adalah tingkat ketepatan yang terdapat pada sinyal yang dikirim. Kualitas sinyal dapat diukur dengan indikator seperti SNR Signal-to-Noise Ratio, BER Bit Error Rate, atau PER Packet Error Rate. Kualitas sinyal yang buruk dapat menyebabkan gangguan pada koneksi seperti koneksi lambat, terputus, kesalahan data, dan masalah lainnya. Kedua, intensitas dan kualitas sinyal berinteraksi. Intensitas sinyal yang lemah akan menyebabkan kualitas sinyal menjadi buruk. Jika intensitas sinyal lemah, maka sejumlah kesalahan dapat terjadi saat sinyal dikirimkan, menyebabkan masalah pada kualitas sinyal. Sebaliknya, jika kualitas sinyal buruk, ini berarti bahwa sinyal yang dikirimkan tidak dapat diterima dengan benar, menyebabkan intensitas sinyal menjadi lebih lemah. Ketiga, intensitas dan kualitas sinyal dapat mempengaruhi kinerja jaringan. Jika intensitas sinyal rendah, maka koneksi komputer akan lambat. Jika kualitas sinyal buruk, maka perangkat yang terhubung ke jaringan akan mengalami masalah dengan data yang dikirimkan. Keduanya dapat menyebabkan gangguan dan masalah yang dapat menyebabkan kinerja jaringan menurun. Kesimpulannya, intensitas sinyal dan kualitas sinyal adalah dua hal yang berbeda, tetapi saling berinteraksi. Intensitas sinyal menentukan seberapa jauh sinyal dapat ditangkap oleh perangkat yang terhubung ke jaringan, sedangkan kualitas sinyal menentukan tingkat ketepatan dari sinyal yang dikirim. Kualitas sinyal yang buruk dapat menyebabkan gangguan pada koneksi seperti koneksi lambat, terputus, kesalahan data, dan masalah lainnya. – Intensitas sinyal dan kualitas sinyal memiliki peran penting dalam menentukan kualitas koneksi. Intensitas sinyal dan kualitas sinyal adalah dua konsep yang berbeda yang berhubungan dengan kualitas koneksi dalam jaringan nirkabel. Intensitas sinyal mengacu pada jumlah sinyal nirkabel yang diterima oleh perangkat, sedangkan kualitas sinyal mengacu pada kualitas sinyal yang diterima. Keduanya memiliki peran penting dalam menentukan kualitas koneksi. Intensitas sinyal mengukur jumlah sinyal yang diterima oleh perangkat. Semakin tinggi intensitas sinyal, semakin kuat sinyal yang diterima. Intensitas sinyal juga akan meningkat atau berkurang tergantung pada jauhnya jarak antara perangkat dan router. Semakin jauh jarak, semakin lemah intensitas sinyal. Kualitas sinyal adalah kualitas sinyal yang diterima oleh perangkat. Kualitas sinyal akan berpengaruh pada kecepatan koneksi dan kemampuan untuk mempertahankan koneksi. Semakin tinggi kualitas sinyal, semakin kencang koneksi yang dapat diakses. Kualitas sinyal dapat dipengaruhi oleh berbagai faktor, termasuk jumlah perangkat yang menggunakan jaringan, kondisi fisik di sekitar router, dan banyak lagi. Keduanya berkontribusi terhadap kualitas koneksi yang berbeda. Intensitas sinyal mempengaruhi jarak jangkauan dan ketersediaan koneksi, sedangkan kualitas sinyal mempengaruhi kecepatan koneksi dan kestabilan koneksi. Semakin kuat intensitas sinyal dan semakin tinggi kualitas sinyal, semakin kencang koneksi yang dapat diakses. Dengan demikian, baik intensitas sinyal maupun kualitas sinyal berperan penting dalam menentukan kualitas koneksi. – Untuk meningkatkan kualitas sinyal, kualitas transmisi harus meningkat. Perbedaan antara intensitas sinyal dan kualitas sinyal adalah salah satu konsep penting dalam teknologi komunikasi. Intensitas sinyal adalah besar atau kekuatan energi yang ditransmisikan oleh suatu sinyal. Ini berkaitan dengan jumlah daya yang diberikan. Sementara itu, kualitas sinyal adalah bagaimana sinyal ditransmisikan. Ini melibatkan faktor seperti distorsi, interferensi, dan noise. Untuk meningkatkan kualitas sinyal, kualitas transmisi harus meningkat. Ini dapat dilakukan dengan meningkatkan intensitas sinyal. Dengan peningkatan intensitas sinyal, sinyal yang lemah akan menjadi lebih kuat sehingga dapat ditransmisikan dengan lebih baik. Juga, peningkatan intensitas sinyal dapat mengurangi masalah distorsi, interferensi, dan noise yang dapat menurunkan kualitas sinyal. Peningkatan intensitas sinyal juga dapat mengurangi masalah gangguan yang disebabkan oleh perangkat lain yang beroperasi di dekat sinyal yang ditransmisikan. Hal ini akan memastikan bahwa sinyal yang ditransmisikan tidak akan terganggu oleh perangkat lain yang beroperasi di dekatnya. Hal ini juga akan membantu meningkatkan kualitas sinyal yang ditransmisikan. Kesimpulannya, intensitas sinyal dan kualitas sinyal adalah konsep yang berbeda. Untuk meningkatkan kualitas sinyal, kualitas transmisi harus meningkat. Ini dapat dilakukan dengan meningkatkan intensitas sinyal. Peningkatan intensitas sinyal dapat mengurangi masalah distorsi, interferensi, dan noise yang dapat menurunkan kualitas sinyal. Selain itu, hal ini juga akan membantu mengurangi gangguan dari perangkat lain yang beroperasi di dekatnya. – Sebagai pengguna, kita harus mengontrol intensitas sinyal dan memastikan kualitas sinyal yang kita dapat cukup baik. Intensitas sinyal dan kualitas sinyal adalah dua istilah yang berbeda yang berhubungan dengan jaringan nirkabel. Intensitas sinyal adalah besarnya tingkat sinyal yang dipancarkan oleh perangkat nirkabel, sedangkan kualitas sinyal adalah kemampuan sinyal untuk mencapai perangkat yang dimaksudkan. Sebagai pengguna, kita harus mengontrol intensitas sinyal dan memastikan kualitas sinyal yang kita dapat cukup baik. Intensitas sinyal adalah kekuatan sinyal yang dipancarkan oleh perangkat nirkabel. Intensitas sinyal dapat dilihat dalam bentuk desibel dBm, yang menggambarkan jumlah energi dalam sinyal. Intensitas sinyal diperlukan untuk mengirimkan data dari satu perangkat ke perangkat lain, dan semakin kuat sinyal, semakin banyak data yang dapat dikirim. Intensitas sinyal dapat diubah dengan mengubah jangkauan antena atau dengan menambah jumlah perangkat yang terhubung ke jaringan. Kualitas sinyal adalah kemampuan sinyal untuk mencapai perangkat yang dimaksudkan. Kualitas sinyal ditentukan oleh jumlah penghalang yang menghambat sinyal, seperti tembok, benda-benda logam, dan lingkungan sekitar. Sinyal yang lebih kuat dapat menembus lebih banyak penghalang dan meningkatkan kualitas sinyal. Kualitas sinyal juga dipengaruhi oleh jenis perangkat nirkabel yang digunakan. Beberapa perangkat nirkabel lebih baik dalam menangani berbagai jenis penghalang daripada yang lain. Keduanya sangat penting untuk menjamin jaringan nirkabel yang baik. Intensitas sinyal harus cukup kuat untuk menangani jumlah data yang dikirimkan, dan kualitas sinyal harus cukup baik untuk menghindari gangguan atau penghalang. Sebagai pengguna, kita harus mengontrol intensitas sinyal dan memastikan kualitas sinyal yang kita dapat cukup baik. Hal ini dapat memastikan bahwa jaringan nirkabel kita dapat berfungsi dengan baik. Setelahsaya cek pada receiver ternyata semua Intensitas Signal ( Signal Intensity ) 0% dan Kualitas Sinyal ( Quality Signal ) 0% itu semua ada pada 2 LNB Palapa D dan Telkom 4, disini membuktikan bahwa sinyal yang ada pada Parabola ke saluran receiver anda ada masalah pada bagian Kabel. Xsq9jL.
  • jsgzl33cb8.pages.dev/7
  • jsgzl33cb8.pages.dev/789
  • jsgzl33cb8.pages.dev/312
  • jsgzl33cb8.pages.dev/766
  • jsgzl33cb8.pages.dev/622
  • jsgzl33cb8.pages.dev/722
  • jsgzl33cb8.pages.dev/396
  • jsgzl33cb8.pages.dev/503
  • jsgzl33cb8.pages.dev/509
  • jsgzl33cb8.pages.dev/306
  • jsgzl33cb8.pages.dev/214
  • jsgzl33cb8.pages.dev/758
  • jsgzl33cb8.pages.dev/746
  • jsgzl33cb8.pages.dev/897
  • jsgzl33cb8.pages.dev/220

    • perbedaan intensitas sinyal dan kualitas sinyal