Anda di halaman 1dari 22

BAB I

PENDAHULUAN

A. LATAR BELAKANG
Pada jaman dahulu, manusia masih menggunakan burung sebagai
media perantara komunikasi jarak jauh. Berbeda sekali dengan jaman
sekarang ini, kemajuan teknologi lambat laun semakin meningkat. Manusia
sudah dimudahkan melakukan setiap aktivitasnya dengan ditemukan
berbagai macam alat-alat canggih seperti telepon, radio, alat USG. Dimana
penggunaan semua peralatan ini tidak lepas dari adanya gelombang.
Misalkan telepon, dalam penggunaannya digunakan gelombang bunyi
sebagai medium perambatannya. Bunyi yang dihasilkan oleh si penelepon
akan diterima oleh satelit dan kemudian akan dipantulkan kembali ke
penerima. Sehingga komunikasi jarak jauh dapat dilakukan dalam hitungan
detik. Berarti secara tidak langsung, gelombang-gelombang tersebut sudah
melekat pada manusia dalam kehidupan sehari-harinya. Selain itu, matahari
sebagai pusat tata surya dapat memancarkan cahayanya ke bumi karena
adanya gelombang. Dimana berkas cahaya yang jatuh ke bumi memiliki
kecepatan tertentu dalam waktu t detik.

B. RUMUSAN MASALAH
1. Apakah pengertian Transformasi Fourier?
2. Apa saja contoh Transformasi Fourier?
3. Apa saja aplikasi dari Transformasi Fourier?

C. TUJUAN
1. Mengetahui pengertian tentang Transformasi Fourier.
2. Mengetahui contoh-contoh dari Transformasi Fourier.
3. Mengetahui aplikasi Transformasi Fourier.

1
BAB II
PEMBAHASAN

A. PENGERTIAN TRANSFORMASI FOURIER


Transformasi Fourier, dinamakan atas Joseph Fourier, adalah
sebuah transformasi integral yang menyatakan-kembali sebuah fungsi
dalam fungsi basis sinusoidal, yaitu sebuah fungsi sinusoidal penjumlahan
atau integral dikalikan oleh beberapa koefisien ("amplitudo"). Ada banyak
variasi yang berhubungan-dekat dari transformasi ini tergantung jenis
fungsi yang ditransformasikan.

Proses penting dalam pemrosesan sinyal digital adalah menganalisis


suatu sinyal input maupun output untuk mengetahui karakteristik sistem
fisis tertentu dari sinyal. Proses analisis dan sintesis dalam domain waktu
memerlukan analisis cukup panjang dengan melibatkan turunan dari fungsi,
yang dapat menimbulkan ketidaktelitian hasil analisis. Analisis dan sintesis
sinyal akan lebih mudah dilakukan pada domain frekuensi, karena besaran
yang paling menentukan suatu sinyal adalah frekuensi. Oleh karena itu,
untuk dapat bekerja pada domain frekuensi dibutuhkan suatu formulasi yang
tepat sehingga proses manipulasi sinyal sesuai dengan kenyataan. Salah satu
teknik untuk menganalisis sinyal adalah mentransformasikan (alih bentuk)
sinyal yang semula analog menjadi diskrit dalam domain waktu, dan
kemudian diubah ke dalam domain frekuensi.

Transformasi Fourier adalah suatu model transformasi yang


memindahkan sinyal domain spasial atau sinyal domain waktu menjadi
sinyal domain frekuensi. Di dalam pengolahan suara, transformasi fourier
banyak digunakan untuk mengubah domain spasial pada suara menjadi
domain frekuensi. Analisa-analisa dalam domain frekuensi banyak
digunakan seperti filtering. Dengan menggunakan transformasi fourier,
sinyal atau suara dapat dilihat sebagai suatu objek dalam domain frekuensi.

2
Transformasi Fourier Diskrit
Transformasi Fourier Diskrit (Discrete Fourier Transform - DFT)
adalah prosedur yang paling umum dan kuat pada bidang pemrosesan sinyal
digital. DFT memungkinkan untuk menganalisis, memanipulasi, dan
mensintesis sinyal dengan cara yang tidak mungkin dilakukan dalam
pemrosesan sinyal analog Lyons, Richard G. 1997. Understanding Digital Signal
Processing. Prentice Hall PTR... Meskipun sekarang digunakan dalam hampir
setiap bidang teknik. Aplikasi yang menggunakan DFT terus berkembang
sebagai utilitas yang menjadikan DFT lebih mudah untuk dimengerti.
Karena itu, pemahaman yang kuat tentang DFT adalah wajib bagi siapa saja
yang bekerja di bidang pemrosesan sinyal digital.

DFT merupakan prosedur matematika yang digunakan untuk


menentukan harmonik atau frekuensi yang merupakan isi dari urutan sinyal
diskrit. Urutan sinyal diskrit adalah urutan nilai yang diperoleh dari
sampling periodik sinyal kontinu dalam domain waktu. DFT berasal dari
fungsi Transformasi Fourier X(f) yang didefinisikan:

Dalam bidang pemrosesan sinyal kontinu, Persamaan 2.1 digunakan untuk


mengubah fungsi domain waktu kontinu x(t) menjadi fungsi domain
frekuensi kontinu X(f). Fungsi X(f) memungkinkan untuk menentukan
kandungan isi frekuensi dari beberapa sinyal dan menjadikan beragam
analisis sinyal dan pengolahan yang dipakai di bidang teknik dan fisika.
Dengan munculnya komputer digital, ilmuwan di bidang pengolahan digital

3
berhasil mendefenisikan DFT sebagai urutan sinyal diskrit domain frekuensi
X(m), dimana:

Meski lebih rumit daripada Persamaan 2.2, Persamaan 2.3 lebih mudah
untuk dipahami. Konstanta j = √−1 hanya membantu membandingkan
hubungan fase di dalam berbagai komponen sinusoidal dari sinyal.

Nilai N merupakan parameter penting karena menentukan berapa banyak


sampel masukan yang diperlukan, hasil domain frekuensi dan jumlah waktu
proses yang diperlukan untuk menghitung N-titik DFT. Diperlukan N-
perkalian kompleks dan N-1 sebagai tambahan. Kemudian, setiap perkalian
membutuhkan N-perkalian riil, sehingga untuk menghitung seluruh nilai N
(X(0), X(1), …, X(N-1)) memerlukan N2 perkalian. Hal ini menyebabkan
perhitungan DFT memakan waktu yang lama jika jumlah sampel yang akan
diproses dalam jumlah besar.

4
Fast Fourier Transform

Meskipun DFT memainkan peranan yang penting sebagai prosedur


matematis untuk menentukan isi frekuensi dari urutan domain waktu,
namun sangat tidak efisien. Jumlah titik dalam DFT meningkat menjadi
ratusan atau ribuan, sehingga jumlah- jumlah yang dihitung menjadi tidak
dapat ditentukan. Pada tahun 1965 sebuah makalah diterbitkan oleh Cooley
dan Tukey menjelaskan algoritma yang sangat efisien untuk menerapkan
DFT Cooley, J. & Tukey, J. 1965. An Algorithm for the Machine Calculation of Complex
Fourier Series. Mathematics of Computation. pp. 297-301.. Algoritma yang sekarang
dikenal sebagai Fast Fourier Transform (FFT). Sebelum munculnya FFT,
seribu titik DFT membutuhkan waktu begitu lama untuk melakukan
perhitungan yang pada saat itu masih terbatas pada komputer-komputer
berspesifikasi rendah. Gagasan Cooley dan Tukey, dan perkembangan
industri semikonduktor menjadikan jumlah N-titik DFT semisal 1024- titik,
dapat dilakukan dalam beberapa detik saja pada komputer berspesifikasi
rendah Lyons, Richard G. 1997. Understanding Digital Signal Processing. Prentice Hall
PTR..

Meskipun telah banyak bermacam-macam algoritma FFT yang


dikembangkan, algoritma FFT radix-2 merupakan proses yang sangat
efisien untuk melakukan DFT yang memiliki kendala pada ukuran jumlah
titik dipangkatkan dua. FFT radix-2 menghilangkan redundansi dan
mengurangi jumlah operasi aritmatika yang diperlukan. Sebuah DFT 8-titik,
harus melakukan N2 atau 64 perkalian kompleks. Sedangkan FFT
melakukan (N/2)log2N yang memberikan penurunan yang signifikan dari
N2 perkalian kompleks. Ketika N = 512 maka DFT memerlukan 200 kali
perkalian kompleks dari yang diperlukan oleh FFT.

Gambar Perbandingan jumlah perkalian kompleks DFT dengan FFT Lyons, Richard
G. 1997. Understanding Digital Signal Processing. Prentice Hall PTR.

5
FFT beroperasi dimulai dengan menguraikan (dekomposisi) sinyal domain
waktu titik N ke N sinyal domain waktu hingga masing-masing terdiri dari
satu titik. Selanjutnya menghitung N frekuensi spektrum yang
berkorespondensi dengan N sinyal domain waktu. Terakhir, spektrum N
disintesis menjadi spektrum frekuensi tunggal.

Gambar Diagram Alir FFT Smith, Steven W. 1997. The Scientist and Engineer's Guide to
Digital Signal Processing. (Online) http://www.dspguide.com (20 Februari 2013).

Dalam proses dekomposisi diperlukan tahapan Log2N. Sebagai contoh, sinyal


16 titik (24) memerlukan 4 tahapan, sinyal 512 titik (29) membutuhkan 9
tahap, sinyal 4096 titik (212) membutuhkan 12 tahapan. Dalam Gambar1,
sinyal 16 titik terurai melalui empat tahap yang terpisah. Tahap pertama
memisahkan sinyal 16 titik menjadi dua sinyal masing-masing terdiri dari 8
titik. Tahap kedua menguraikan data menjadi empat sinyal terdiri dari 4 titik.
Pola ini berlanjut sampai sinyal N terdiri dari satu titik. Dekomposisi
digunakan setiap kali sinyal dipecah menjadi dua, yaitu sinyal dipisahkan
menjadi sampel genap dan sample ganjil.

6
Gambar1 Contoh dekomposisi sinyal domain waktu yang digunakan di FFT Smith,
Steven W. 1997. The Scientist and Engineer's Guide to Digital Signal Processing. (Online)
http://www.dspguide.com (20 Februari 2013).

Setelah dekomposisi, dilakukan Pengurutan Pembalikan Bit (Bit Reversal


Sorting), yaitu menata ulang urutan sampel sinyal domain waktu N dengan
menghitung dalam biner dengan bit membalik dari kiri ke kanan. Asumsi N
adalah kelipatan dari 2, yaitu N = 2r untuk beberapa bilangan bulat r=1, 2,
dst. Algoritma FFT memecah sampel menjadi dua bagian yaitu bagian
genap dan bagian ganjil.

Tabel Pengurutan Pembalikan Bit

Persamaan 2.2 dibagi menjadi bagian ganjil dan bagian genap sebagai berikut:

7
Karena rumusan yang didapat panjang, sehingga digunakan notasi standar
untuk menyederhanakannya. Didefenisikan WN = 𝑒−𝑗2𝜋/𝑁 yang
merepresentasikan nth root of unity. Persamaan 2.4 dapat ditulis:

Sintesis domain frekuensi membutuhkan tiga perulangan. Perulangan luar


menjalankan tahapan Log2N (setiap tingkat mulai dari bawah dan bergerak
ke atas).

Perulangan bagian tengah bergerak melalui masing-masing spektrum


frekuensi individu dalam tahap sedang dikerjakan (masing-masing kotak
pada setiap tingkat). Dalam pemrosesan sinyal digital dikenal istilah
butterfly. Butterfly digunakan untuk menggambarkan peruraian
(decimation) yang terjadi. Karena tampilannya yang bersayap maka disebut
butterfly. Butterfly adalah elemen komputasi dasar FFT, mengubah dua
poin kompleks menjadi dua poin kompleks lainnya. Ada dua jenis peruraian,

8
peruraian dalam waktu (decimation in time-DIT) dan peruraian dalam
frekuensi (decimation in frekuensi-DIF). Gambar dari butterfly dasar untuk
kedua jenis peruraian tersebut dapat dilihat pada Gambar 3 dan Gambar 4

Gambar 3 FFT butterfly dasar untuk peruraian dalam waktu Lyons, Richard G. 1997.
Understanding Digital Signal Processing. Prentice Hall PTR.

Gambar 4 FFT butterfly dasar untuk peruraian dalam frekuensi sintesis


butterfly Lyons, Richard G. 1997. Understanding Digital Signal Processing. Prentice Hall PTR.

Perulangan paling dalam menggunakan butterfly untuk menghitung poin


dalam setiap spektrum frekuensi (perulangan melalui sampel dalam setiap
kotak). Gambar 5 menunjukkan implemetasi FFT dari empat spektrum dua
titik dan dua spektrum empat titik. Gambar 5 terbentuk dari pola dasar pada
Gambar 3 berulang-ulang.

9
Gambar 5 FFT sintesis butterfly Lyons, Richard G. 1997. Understanding Digital Signal
Processing. Prentice Hall PTR.

B. CONTOH TRANSFORMASI FOURIER


Kita telah mengenal formulasi deret Fourier dengan x sebagai variabel dan
n sebagai pembentuk polinom ke n

dengan n adalah bilangan real. Kita telah mengetahui pula bahwa:

Atau

Sekali lagi kita mengulangi formula Euler namun dengan variable yang
lebih spesifik yaitu variable yang menunjukkan siklus sinusoidal dalam
ranah (2πN/T)x maka diperoleh:

10
Misalkan f adalah suatu fungsi yang mempunyai nilai nol selain pada
rentang [-L/2, L/2].

Pada setiap T ≤ L kita dapat memperoleh f sebagai deret Fourier pada


interval [-T/2, T/2] yang mempunyai besaran komponen basis sebagai
berikut

Jika T(AN/T+iBN/T)/2 diubah menjadi f^(N/T) maka

Jika N adalah bilangan real maka nilai N dapat digantikan dengan n seperti
pada deret Fourier dan T diasosiasikan sebagai suatu rentang periode
maka:

maka ƒ(x) dapat diperoleh dengan manipulasi matematis dengan


menganggap T/2-(-T/2) adalah rentang untuk f(x) yang linear maka,

Jika x/T ->0 maka haruslah -∞ ≤n ≤∞ maka

11
sehingga

Kita ambil ζn = n/T dan dengan kenyataan bahwa n adalah bilangan real
maka akan memperoleh Δζ = ζ(n+1) – ζn = (n+1)/T-n/T = 1/T sehingga kita
akan memperoleh:

atau

merupakan suatu integral Riemann

Jika 2πn/T = ωn maka n/T = ωn/2π sehingga 1/T =2π Δζ=Δ ω


konsekuensinya Δζ = Δ ω/2π,maka persamaan di atas menjadi:

Jika T -> ∞ pada n -> ∞, maka Δ ω ->0, sehingga persamaan di atas


menjadi:

Merupakan pernyataan fungsi inverse transformasi Fourier.

Persamaan (1) dapat berubah menjadi:

12
dengan ωn/2π adalah frekuensi individual. Jika kita menggantikan x
dengan pernyataan waktu t maka persamaan 2 dan 3 dapat ditulis ulang
menjadi:

dan

Sehingga sebagai deret Fourier f(t), transformasi Fourier dapat dipahami


sebagai suatu fungsi yang mengukur seberapa banyak kah masing-masing
frekuensi individual yang muncul di dalam fungsi original yang kita bahas,
dan kita melakukan penggabungan/kombinasi ulang dengan menggunakan
suatu integral (atau penjumlahan kontinu) untuk menghasilkan kembali
fungsi originalnya.

Contoh 1:

Mari kita mencoba satu ilustrasi untuk memahami transformasi Fourier


dengan lebih baik. Kita akan mencoba menggunakan fungsi yang sangat
sulit diselesaikan menggunakan formula integral kontinu, namun mudah
diselesaikan menggunakan integral diskret Riemann.

Ambil satu fungsi:

yang dapat diuraikan menjadi,

yang menunjukkan bahwa persamaan ini mempunyai getaran dasar 1/T=3,


atau T=1/3 =0.3333. Persamaan ini mengindikasikan bahwa semakin besar
besaran-nilai t maka fungsi tersebut akan menuju 0. Kita mencoba
menggunakan rentang t yang diperluas hingga t = 3.383333334 mulai dari

13
t = -1.691666667 hingga t = 1.691666667 dengan ∆t = 0.001, maka kita
akan memperoleh grafik original sebagai berikut:

Gambar 1. Gelombang original

Untuk memperoleh transformasi Fourier yang menunjukkan fungsi getaran


individual pada getaran dasarnya kita harus mengintegrasikan
f(t)sejalan formula (5) sehingga diperoleh:

dengan ∆t = 0.001.

Berikut ini adalah grafik dari fungsi real:

Gambar 2. Grafik transformasi bagian real pada 3×1/T=3

14
dan grafik fungsi imajiner:

Gambar 3. Grafik transformasi bagian imajiner pada 3×1/T=3

Untuk f^(5): Bagian real,

Gambar 4. Grafik transformasi bagian imajiner pada 5×1/T=5

bagian imajiner,

Gambar 5. Grafik transformasi bagian imajiner pada 5×1/T=5

15
Spektrum transformasi Fourier yang muncul :

Gambar 6. Kehadiran spectrum-spektrum frekuensi(1/T)

Tambahan:

Untuk f^(1):

Bagian real,

Gambar 7. Grafik transformasi bagian real pada 1×1/T=1

bagian imajiner,

Gambar 8. Grafik transformasi bagian imajiner pada 1×1/T=1

16
Untuk f^(2):

Gambar 9. Grafik transformasi bagian real pada 2×1/T=2

bagian imajiner,

Gambar 10. Grafik transformasi bagian imajiner pada 2×1/T=2

Pada Gambar 6, tampak bahwa, selain spectrum pada 1/T=3 adalah tidak
signifikan bahkan 0 artinya bahwa spectrum pada frekuensi tersebut tidak
muncul pada pembentukan fungsi deret Fourier ataupun transformasi
Fouriernya. Mengapa demikian ? Hal ini terjadi karena gelombang
transformasi Fourier selain 1/T=3 baik bagian real maupun imajinernya
mempunyai kesimetrisan nilai positif terhadap negatifnya sehingga
integrasi yang dibentuk menuju 0. Spektrum pada 1/T = 3 mempunyai nilai
paling besar yaitu 0.5, komponen spectrum ini disebut juga komponen
dasar.

Fakta kerekayasaan:

Pada transformator-daya (5MVA ke atas) sumbangan kecacatan harmonisa


bisa terjadi karena beberapa sebab:

1. Sumbangan arus kulit yang bersifat kapasitif karena adanya jarak/gap


yang tidak layak antar lilitan, oleh karena itu pada manufaktur
tranformator daya setelah lilitan selesai dipasang pada inti-magnetnya

17
kemudian dilakukan pressing pada bagian atas dari satu paket lilitan
dengan bagian bawah ditahan. Pressing dapat menggunakan tekanan
hingga 30 kPa ke atas.

2. Sumbangan lucutan muatan statis dari bagian dalam tank logam yang
bersudut tajam atau kasar ketika transformator sedang dioperasikan
sehingga electrical active part transformator harus ditutup dengan
insulation paper board atau bahkan dengan corrugated insulation
paper supaya muatan statis yang terlucut tidak menyumbangkan cacat
harmonisa.

3. Rugi-rugi arus eddy (eddy current losses) selain mengurangi efisiensi


transformator juga dapat menyumbangkan cacat harmonisa mengingat
frekuensinya yang mempunyai besar beberapa kali lipat dari frekuensi
dasar listrik. Eddy current ini dihasilkan oleh penataan silicon laminated
magnetic steel sheet yang tidak rapat pada paket-paketnya.

C. KEGUNAAN TRANSFORMASI FOURIER


Fungsi periodik adalah fungsi yang berulang dengan pola
tertentu. Suatu fungsi periodik dapat diuraikan dalam bentuk deret
Fourier. Semakin banyak suku dalam deret Fourier, maka semakin
bagus deret tersebut mendekati fungsi yang diuraikan. Fungsi
dengan periode tak terhingga atau tidak periodik dapat juga
diuraikan dengan deret Fourier, tetapi penjumlahan pada deret
digantikan dengan integral. Metode ini dinamakan Transformasi
Fourier. Manfaat dari deret Fourier adalah seperti dalam analisis
gelombang bunyi, vibrasi, optika, maupun pengolahan citra seperti
dalam pencitraan medis.

Dalam beberapa permasalahan yang berhubungan dengan


gelombang (gelombang suara, air, bunyi, panas, dsb) pendekatan
dengan deret fourier yang suku-suku nya memuat sinus dan
cosinus sering digunakan. Dengan mengekspansikan ke dalam
bentuk deret Fourier, suatu fungsi periodik bisa dinyatakan sebagai
jumlahan dari beberapa fungsi harmonis, yaitu fungsi dari sinus
dan cosinus (fungsi sinusoidal)

18
Salah satu aplikasi dari deret fourier adalah pada pemisahan
perpaduan gelombang. Suatu gelombang yang bergerak pada sutu
medium bukan hanya gelombang yang berupa gelombang tunggal
namun merupakan perpaduan dari banyak gelombang. Dengan
menggunakan deret fourier maka perpaduan dari banyak panjang
gelombang ini dapat dipisahkan kembali menjadi gelombang-
gelombang penyusunnya. Misalkan saja pada gelombang radio.
Gelombang radio FM mempunyai frekuensi 88 Mhz sampai
dengan 108 Mhz. Tapi yang menimbulkan pertanyaan adalah
kenapa kita dapat mendengarkan suara penyiar radionya padahal
batas pendengaran manusia hanya 20 Hz sampai dengan 20.000 Hz
saja?. Ini dapat dijawab karena gelombang radio tersebut hanya
sebagai pembawa. Yang nantinya pada radio penerima gelombang
datang tersebut akan dipecah kembali yang salah satunya berupa
gelombang suara yang dapat kita dengarkan.

Pada gambar diatas disajikan dua bentuk gelombang yang


mempunyai bentuk yang sangat berbeda. Namun pada gambar kiri
itu merupakan gelombang perpaduan dari banyak sekali
gelombang. Sedangkan pada gambar kanan merupakan bentuk-
bentuk gelombang yang menyusun gambar kiri tadi. Gambar kiri
dapat di pecah menjadi gambar kanan dengan bantuan deret

19
fourier. Hal ini pula yang berlaku pada frekuensi radio yang telah
disinggung sebelumnya.

20
BAB III
PENUTUP

A. KESIMPULAN
Bilangan kompleks sangat banyak digunakan, terutama dalam berbagai
sinyal. Sinyal –sinyal tersebut telah menjadi bagian penting dalam
kehidupan kita, seperti listrik, gambar digital, suara audio, dan sinyal –
sinyal lain. Hadirnya bilangan kompleks sangat mendukung perkembangan
sinyal sehingga teknologi dapat semakin maju seperti saat ini. Penggunaan
bilangan kompleks dan pemrosesan sinyal dengan sistem transformasi tentu
akan terus berkembang dan menghasilkan teknologi –teknologi baru yang
lebih baik dari sebelumnya.

21
DAFTAR PUSTAKA

http://majalah1000guru.net/2014/04/deret-dan-transformasi-fourier/
http://muhammadirfan-m12.blogspot.co.id/2013/09/deret-fourier-dan-deret-
taylor.html
https://www.slideshare.net/Lukman_Hakim1992/04-deretfouriergt
http://zuhdiismail.blog.uns.ac.id/2010/10/17/aplikasi-deret-fourier-dan-
transformasi-fourier/

22