LAPORAN PRAKTIKUM

PENGOLAHAN SINYAL DIGITAL

“FAST FOURIER TRANSFORM”
“TRANSFORMASI DOMAIN FREKUENSI KE WAKTU”

DISUSUN OLEH:
Nama : Nurul Masittah
NIM : 1757301030
Kelas : TI 3.B
Dosen Pembimbing : Muhammad Arhami, Ssi, M.Kom

POLITEKNIK NEGERI LHOKSEUMAWE

TAHUN AJARAN 2019/2020
 LEMBAR PENGESAHAN

No Praktikum : 07/PSD/3.B/TI/2019
Judul Praktikum : Fast Fourier Transform & Transformasi Domain
Frekuensi ke Waktu
Tanggal Praktikum : 20 November 2019
Tanggal Penyerahan Laporan : 27 November 2019
Nama Praktikan : Nurul Masittah
NIM : 1757301030
Kelas : 3.B
Jurusan : Teknologi Informasi dan Komputer
Prodi : Teknik Informatika
Nilai :
Keterangan :

Buket Rata, 27 November 2019

Muhammad Arhami, Ssi, M.Kom

NIP. 19741029 2000 3 001

i
 DAFTAR ISI

LEMBAR PENGESAHAN ............................................................................................... i

DAFTAR ISI .................................................................................................................... ii
BAB I PENDAHULUAN ................................................................................................ 1
BAB II TINJAUAN KEPUSTAKAAN ........................................................................... 3
2.1. Fast Fourier Transform....................................................................................3
2.1.1. Transformasi Fourier .............................................................................3
2.1.2. Analisa Spektrum ..................................................................................4
2.2.Transformasi Domain Frekuensi ke Waktu......................................................4
BAB III LANGKAH-LANGKAH PRAKTIKUM .......................................................... 6
3.1. Fast Fourier Transform....................................................................................6
3.1.1. Fenomena Gibb......................................................................................6
3.1.2. Pengamatan Frekuensi Pada Sinyal Tunggal.........................................7
3.1.3. Pengamatan Frekuensi Pada Kombinasi 2 Sinyal .................................8
3.1.4. Pengamatan Frekuensi Pada Kombinasi 4 Sinyal ............................... 10
3.1.5. Pengamatan Frekuensi Pada Kombinasi 6 Sinyal ............................... 11
3.2. Transformasi Domain Frekuensi ke
Waktu...................................................1Error! Bookmark not defined.
3.2.1. Proses Konversi Sederhana Sinyal Dasar ............................................11
BAB IV HASIL DAN PEMBAHASAN ........................................................................ 13
4.1. Fast Fourier Transform..................................................................................13
4.1.1. Fenomena Gibb....................................................................................13
4.1.2. Pengamatan Frekuensi Pada Sinyal Tunggal.......................................14
4.1.3. Pengamatan Frekuensi Pada Kombinasi 2 Sinyal ............................... 16
4.1.4. Pengamatan Frekuensi Pada Kombinasi 4 Sinyal ............................... 18
4.1.5. Pengamatan Frekuensi Pada Kombinasi 6 Sinyal ............................... 19
4.2. Transformasi Domain Frekuensi ke Waktu...................................................20
4.2.1. Proses Konversi Sederhana Sinyal Dasar ............................................20
BAB V PENUTUP ......................................................................................................... 23
5.1 Simpulan………........................................................................................... 23
5.2 Saran………….………………………………………………………........23
REFERENSI ................................................................................................................... 24

ii
iii
 BAB I
PENDAHULUAN

Transformasi Fourier merupakan bentuk umum analisis Fourier sehingga

kita bisa menggunakannya untuk sinyal periodic juga. Transformasi Fourier
digunakan untuk menguraikan sinyal domain waktu menjadi komponen-komponen
frekuensi yang masing-masing memiliki amplitudo dan fase. Menggunakan
transformasi Fourier invers sinyal time series dapat direkonstruksi dari representasi
frekuensi-domainnya. (Fajirwan, 2017)

Suatu Sinyal dapat didekomposisi menjadi komponen-komponen sinusoidal

(atau eksponensial kompleks). Dengan dekomposisi semacam itu, sebuah sinyal
dikatakan direpresentasikan dalam Domain Frekuensi. Pada sinyal periodik,
dekomposisi menjadi komponen sinusoidal disebut Deret Fourier. Sedangkan pada
sinyal aperiodik (finite energy) disebut sebagai Transformasi Fourier.
Transformasi Fourier dan Deret Fourier adalah alat matematis yang sangat penting
dalam analisis dan desain sistem LTI.

Dengan melakukan analisis frekuensi, kita dapat melihat representasi

matematis komponen-komponen frekuensi yang terkandung dalam suatu sinyal.
Rangkaian frekuensi yang terkandung dalam sinyal tersebut disebut spectrum.
(Ridha 2004:6)

Di zaman modern ini, perkembangan dalam hal mengidentifikasi suara

belum banyak, dikarenakan belum banyak orang yang mengetahui bagaimana suara
itu bisa diidentifikasi berdasarkan suara yang dimasukan dan akan tampil sinyal
suara yang dihasilkan. Suara merupakan suatu bentuk lazim dari sebuah
komunikasi.(Bagas dan Riedho 2012)

Perkembangan terakhir menciptakan kemungkinan bahwa suara dapat

digunakan dalam sistem security. Suara manusia dihasilkan oleh pita suara yang
menghasilkan bunyi yang berbeda-beda. Setiap individu manusia memilki suara
yang beraneka ragam tergantung dari posisi atau bentuk rongga seseorang.

1
 Fast Fourier Transform (FFT) adalah suatu algoritma untuk menghitung
transformasi Fourier diskrit (Discrete Fourier Transform, DFT) dengan cepat dan
efisien. Dalam melakukan teknik FFT ini terdapat teknik decimation in time (DIT)
dan decimation in frequency (DIF).

Fast Fourier Transform adalah suatu algoritma yang digunakan untuk

merepresentasikan sinyal dalam domain waktu diskrit dan domain frekuensi.
Sementara itu, IFFT adalah singkatan dari Inverse Fast Fourier
Transform. Membahas mengenai FFT-IFFT tentunya tidak dapat dilepaskan dari
DFT (Discrete Fourier Transform). DFT merupakan metode transformasi
matematis untuk sinyal waktu diskrit ke dalam domain frekuensi. Secara sederhana
dapat dikatakan bahwa DFT merupakan metode transformasi matematis sinyal
waktu diskrit, sementara FFT adalah algoritma yang digunakan untuk melakukan
transformasi tersebut..

Pada perkembangan DSP (Digital Signal Processing) yang dapat

mensintesis penjumlah sinyal termodulasi dengan akurat, maka Modulasi
Multicarrier selalu sukses dilaksanakan pada dasawarsa terakhir ini. Salah satu
metode yang digunakan untuk mengatasi kendala dalam modulasi multicarrier
adalah metode IFFT. (Darmayanti, 2006)

2
 BAB II

TINJAUAN KEPUSTAKAAN

2.1. Fast Fourier Transform

2.1.1. Transformasi Fourier

Satu bentuk transformasi yang umum digunakan untuk merubah sinyal

dari domain waktu ke domain frekuensi adalah dengan transformasi Fourier:

(2-9)

Persamaan ini merupakan bentuk transformasi Fourier yang siap

dikomputasi secara langsung dari bentuk sinyal x(t). Sebagai contoh, anda
memiliki sinyal sinus dengan frekuensi 5 Hz dan amplitudo 1 Volt. Dalam domain
waktu anda akan melihat seperti pada Gambar 9.1 bagian atas. Sementara dalam
domain frekuensi akan anda dapatkan seperti pada bagian bawah. Untuk
memperoleh hasil seperti gambar tersebut anda dapat memanfaatkan library fft
yang tersedia pada Matlab.

Gambar 2.10. Sinyal sinus dalam domain waktu dan domain frekuensi

3
2.1.2. Analisa Spektrum

Salah asatu proses analisa di dalam domain frekuensi bisa dilakukan dengan
cara menghitung frekuensi dari suatu sinyal, dalam hal ini bisa memanfaatkan
bentuk waktu diskrit dari analisa Fourier dapat digunakan, yang kemudian lebih
disempurnakan dengan suatu algoritma yang kita kenal sebagai Fast Fourier
transform (FFT). Secara umum teknik ini merupakan pendekatan yang terbaik
untuk transformasi. Dalam hal ini input sinyal ke window ditetapkan memmiliki
panjang 2m. Anda dapat memilih analisis window yang akan digunakan. Output
dari syntax fft(x,n) merupakan sebuah vector komplek, dengan n amplitudo
komplek dari 0 Hz sampai dengan sampling frekuensi yang digunakan. (Santoso,
2016)

2.2. Transformasi Domain Frekuensi ke Waktu

Fast Fourier Transform adalah suatu algoritma yang digunakan untuk
merepresentasikan sinyal dalam domain waktu diskrit dan domain frekuensi.
Sementara itu, IFFT adalah singkatan dari Inverse Fast Fourier Transform.
Membahas mengenai FFT-IFFT tentunya tidak dapat dilepaskan dari DFT
(Discrete Fourier Transform). DFT merupakan metode transformasi matematis
untuk sinyal waktu diskrit ke dalam domain frekuensi. Secara sederhana dapat
dikatakan bahwa DFT merupakan metode transformasi matematis sinyal waktu
diskrit, sementara FFT adalah algoritma yang digunakan untuk melakukan
transformasi tersebut.

Secara matematis, DFT dapat dirumuskan sebagai berikut :

(1)

Dimana disebut sebagai twiddle factor, memiliki nilai , sehingga:

(2)

4
Sementara itu, Inverse Discrete Fourier Transform (IDFT) dapat dirumuskan
sebagai berikut :

(3)

Sehingga persamaan IDFT dapat dituliskan juga sebagai berikut :

(4)

(Bagas dan Riedho 2012)

IFFT merupakan invers atau kebalikan dari metode FFT. FFT adalah
algoritma komputasional yang efisien untuk menghitung DFT (Discrete Fourier
Transform) bila ukuran N adalah pangkat 2 dan bila pangkat 4. Pada saat
pengolahan sinyal DFT mempunyai peran yang penting. Dapat dikatakan bahwa
IFFT merupakan algoritma cepat untuk menghitung IDFT (Invers DFT). Algoritma
cepat dalam IFFT adalah kemampuan menghitung lebih cepat jumlah perkalian
kompleks pada perhitungan langsung yaitu N² menjadi (N/2) log2N perkalian.
Metode IFFT ini akan memberikan perhitungan yang lebih efisien sehingga
mempercepat proses sinyal. (Darmayanti 2006).

5
 BAB III

LANGKAH-LANGKAH PRAKTIKUM

3.1 Fast Fourier Transform

3.1.1. Fenomena Gibb

1.

Gambar 3.1 Program membangkitkan sebuah sinyal sinus

2.

Gambar 3.2. Program sebelumnya yang telah dimodifikasi

6
3.1.2. Pengamatan Frekuensi Pada Sinyal Tunggal

1.

Gambar 3.3. Program membangkitkan sinyal sinus dan memanfaatkan fungsi fft

2.

Gambar 3.4. Program sebelumnya yang telah diubah frekuensinya

7
3.

Gambar 3.5. Program sebelumnya yang dimodifikasi dengan diubah amplitudonya

3.1.3. Pengamatan Frekuensi Pada Kombinasi 2 Sinyal

1.

Gambar 3.6. Program membangkitkan dua buah sinyal

8
2.

Gambar 3.7. Program sebelumnya yang sudah dimodifikasi dengan mengubah f2

3.

Gambar 3.8. Program sebelumnya yang telah dimodifikasi dengan mengubah

amplitudo

9
3.1.4. Pengamatan Frekuensi Pada Kombinasi 4 Sinyal

1.

Gambar 3.9. Program membangkitkan 4 sinyal

2.

Gambar 3.10. Program sebelumnya yang telah dimodifikasi

10
3.1.5. Pengamatan Frekuensi Pada Kombinasi 6 Sinyal

1.

Gambar 3.11. Program membangkitkan 6 sinyal

3.2. Transformasi Domain Frekuensi ke Waktu

3.2.1. Proses Konversi Sederhana pada Sinyal Dasar

1.

Gambar 3.12. Program membangkitkan sebuah sinyal sinus dalam domain waktu
dan frekuensi

11
2.

Gambar 3.13. Program membangkitkan sinyal persegi

3.

Gambar 3.14. Program membangkitkan sinyal persegi

12
 BAB IV

PEMBAHASAN DAN HASIL PRAKTIKUM

4.1. Fast Fourier Transform

4.1.1. Fenomena Gibb

1.

Gambar 4.1 Hasil program membangkitkan sebuah sinyal sinus

Gambar diatas adalah hasil dari program fenomena gibb dengan membangkitkan
sebuah sinyal sinus menggunakan fungsi for dan menginputkan nilai berupa jumlah
sinyal yang dikehendaki oleh pengguna. Pada gambar pertama, diinputkan nilai N
sebesar 2, grafik menunjukkan bahwa sinyal gelombang sempurna seperti pada
umumnya, gelombang lurus tidak memiliki noise dan memiliki 3 gelombang.
Sedangkan pada gambar kedua, nilai N dimasukkan sebesar 7. Grafik menunjukkan
bahwa gelombang memiliki noise, karena gelombang bergerigi dan tidak lurus.
Oleh karena itu, semakin banyak jumlah masukan sinyal, sinyal semakin memiliki
noise.

13
4.1.2. Pengamatan Frekuensi Pada Sinyal Tunggal

1.

Gambar 4.2. Hasil program membangkitkan sinyal sinus dan memanfaatkan

fungsi fft

Pada gambar diatas, menunjukkan program yang memperlihatkan bentuk

sinyal dalam domain waktu dan domain frekuensi dengan memanfaatkan library fft
yang ada dalam DSP Toolbox Matlab. Dengan menentukan nilai amplitudonya
menjadi 1, sehingga pada grafik yang teratas, ujung puncak gelombang terletak
pada 1. sedangkan frekuensinya adalah 5, sehingga pada grafik bawahnya puncak
penaikan gelombang paling tinggi terdapat pada bilangan 5 sejajar pada sumbu x.

14
2.

Gambar 4.3. Hasil program sebelumnya yang telah dimodifikasi

Pada gambar diatas, menunjukkan program sebelumnya yang telah

dimodifikasi dengam mengubah frekuensi dan amplitudonya. Untuk gambar
pertama, dimodifikasi dengan mengubah frekuensi menjadi 20, sehingga pada
grafik pertama bawah, puncak penaikan gelombang paling tertinggi terdapat pada
bilangan 20 sejajar pada sumbu x. sedangkan pada gambar kedua, frekuensi tetap
20Hz, tetapi amplitudonya dimodifikasi menjadi 1, terdapat perbedaan pada grafik
atas kedua dan atas pertama, pada gambar atas pertama terdapat gelombang yang
penuh dari awal sampai akhir, sedangkan pada grafik atas kedua dimulai dengan
permukaan yang kosong, lalu garis terdapat pada bilangan 0 sejajar sumbu y. akan
tetapi, tidak terdapat perbedaan dari grafik bawah pertama dan grafik bawah kedua.

15
4.1.3. Pengamatan Frekuensi Pada Kombinasi 2 Sinyal

1.

Gambar 4.4. Hasil program membangkitkan dua buah sinyal

Gambar diatas adalah hasil dari program pembangkitan dua sinyal sinus
dengan menginputkan f1 dan f2. Variabel f1 diinput sebesar 1 dan variabel f2
diinput sebesar 3, oleh karena itu terlihat pada grafik sinyal pada frequency tersebut
terdapat 2 kali pembangkitan sinyal yang terletak pada bilangan 1 dan 3 sejajar
sumbu x, dan pada grafik time tersebut terlihat bahwa gelombang lebih sedikit
mengalami noise, ditandai dengan gelombang yang tidak terlalu banyak gerigi.

2.

16
 Gambar 4.5. Hasil program sebelumnya yang sudah dimodifikasi dengan
mengubah f2 dan amplitudo

Sedangkan pada program yang telah dimodifikasi, dengan mengganti nilai

f2 menjadi 10 dan mengubah amplitudo menjadi 3. Terlihat grafik yang pertama
untuk modifikasi f2 menjadi 10, sehingga pembangkitan sinyal yang kedua terletak
pada bilangan 10 sejajar dengan sumbu x, telah dibangkitkan kedua sinyal yang
tadinya terletak di bilangan 3 sudah terletak di bilangan 10, karena f2nya sudah
diganti dengan bilangan 10. Dan pada grafik bagian atas, gelombang lebih terlihat
tidak beraturan dan memiliki gerigi yang tandanya gelombang tersebut memiliki
noise lebih banyak daripada grafik sebelum dimodifikasi, tetapi bentuk gelombang
sama dari awal hingga akhir. Pada grafik kedua untuk modifikasi amplitudo
menjadi 3, tetapi f2 nya tetap 10. tidak terlihat perbedaan yang ditunjukkan oleh
bentuk gelombang antara ampiltudo 1 dengan amplitudo 3, akan tetapi sama halnya
seperti program sebelumnya, jika amplitudo telah terubah, maka awal gelombang
kosong, tidak rapat sejajar pada bilangan 0 sejajar sumbu x. jika dilihat pada bentuk
gelombang diatara keduanya sebelum atau setelah dimodifikasi ampiltudo, tidak
ditemui perbedaan yang jelas.

17
4.1.4. Pengamatan Frekuensi Pada Kombinasi 4 Sinyal

1.

Gambar 4.6. Program membangkitkan 4 sinyal

Gambar diatas adalah hasil dari pembangkitan 4 sinyal sinus dengan f1, f2,
f3, dan f4. variabel f1 diinput sebesar 1, f2 sebesar 3, f3 sebesar 5, dan f4 sebesar
7. Sama halnya seperti program sebelumnya, pembangkitan sinyal grafik frequency
terlihat bangkit dibilangan pada variabel frekuensi dari f1 hingga f4 yang telah
diinputkan. Pada program diatas, grafik pertama menunjukkan pembangkitan sinyal
awal terletak pada bilangan 1, pembangkitan kedua terletak pada 3, pembangkitan
ketiga terletak pada bilangan 5, dan pembangkutan terkahir terletak pada bilangan
7. pada grafik kedua telah dimodifikasi f2 menjadi 10, f3 menjadi 20, dan f4
menjadi 30 juga. Oleh karena itu, terlihat pada grafik kedua pembangkitan pertama
tetap pada bilangan 1, pembangkitan kedua terletak pada bilangan 10,
pembangkitan ketiga terletak pada bilangan 20, dan pembangkitan terakhir terletak
pada bilangan 30.

18
4.1.5. Pengamatan Frekuensi Pada Kombinasi 6 Sinyal

1.

Gambar 4.11. Program membangkitkan 6 sinyal

Gambar diatas adalah hasil pembangkitan 6 sinyal sinus, yang sama halnya
seperti program pada pembangkitan 2 sinyal dan 4 sinyal. Tetapi, pada program ini
pastinya digunakan frekuensi dari f1 hingga f6. f1 diinputkan sebesar 1, f2 sebesar
3, f3 sebesar 5, f4 sebesar 7, f5 sbeesar 9, dan f6 sebesar 11. sama halnya seperti
program sebelumnya pada pembangkitan 4 sinyal, 6 pembangkitan pada program
ini terletak sesuai dengan frekuensi yang telah diinputkan, pembangkitan pertama
terletak pada bilangan 1, pembangkitan kedua terletak pada bilangan 3,
pembangkitan ketiga terletak pada bilangan 5, pembangkitan keempat terletak pada
bilangan 7, pembangkitan kelima terletak pada bilangan 9, sedangkan
pembangkitan terakhir terletak pada bilangan 11.

19
4.2. Transformasi Domain Frekuensi ke Waktu

4.2.1. Proses Konversi Sederhana pada Sinyal Dasar

1.

Gambar 4.12. Hasil program membangkitkan sebuah sinyal sinus dalam domain
waktu dan frekuensi

Program diatas adalah hasil dari pembangkitan sebuah sinyal sinus dalam
domain waktu dan frekuensi, terdapat 3 figure pada 1 program ini. Figure 1
berisikan variabel t dengan 0:.001:2 dengan axis yaitu batas awal dan batas akhir
sebesar 0 2010 -1.2 1.2. lalu pada figure 2 terdapat variabel X_F yang berisikan
fariabel x_t yang telah didefinisikan pada figure 1, dan memiliki nilai axis dengan
nilai batas awal dan batas akhir sebesar -100 2100 -10 1100. Lalu dilanjutkan
dengan figure 3 yang memiliki variabel x_tt yang berisikan ifft(X_F) yang telah
didefinisikan oleh figure 2, juga memiliki nilai axis 0 2010 -1.2 1.2.

20
2.

Gambar 4.13. Hasil program membangkitkan sinyal persegi

Gambar diatas adalah hasil dari program pembangkitan sinyal persegi dalam
domain waktu diskrit dan domain frekuensi dengan menggunakan 4 grafik dengan
4 figure dalam program. Program ini menggunakan variabel x berisi
1111000000000000, sehingga pada grafik figure pertama terdapat 4 titik awal pada
bilangan 1 sejajar sumbu y, dan 12 titik terakhir terdapat pada bilangan 0 sejajar
sumbu y. Figure 2 menggunakan variabel Xf yang berisi fft dari x yang sudah
didefinisikan sebelumnya sehingga muncul grafik seperti pada figure 2. Selanjutnya
pada figure 3 dan figure 4, menggunakan variabel xtt=ifft(Xf) sehingga grafik
mengkonversikan kembali dari domain frekuensi ke domain waktu seperti pada
figure 1.

21
3.

Gambar 4.14. Hasil program membangkitkan sinyal persegi

Gambar diatas adalah hasil dari program untuk membangkitkan sinyal

persegi, dengan menggunakan variabel Fs sebesar 10000, lalu mendefinisikan
variabel t sebesar 0:1/Fs:.0625. pada program ini terdapat 3 grafik dengan membuat
3 figure pada script. Dengan mendefinisikan variabel y pada figure 1 sebesar
square(2*pi*30*t), menggambarkan t dan y yang sudah didefinisikan, mempunyai
axis 0 0.07 -1.5 1.5. Figure 2 mempunyai variabel Yf yang berisikan fft dari y pada
figure 1, lalu mendefinisikan Yf_dB sebesar 20*log10(abs(Yf)). Selanjutnya, pada
figure 3 didefinisikan ytt sebesar ifft dari Yf dan menggambarkan t dan ytt tersebut
pada figure 3 dengan mempunyai nilai axis sebesar 0 0.07 -1.5 1.5.

BAB V

22
 PENUTUP

5.1 Simpulan
Dari hasil percobaan diatas, dapat disimpulkan bahwa:
1. Apabila nilai n dikurangi atau dilebihkan, akan berpengaruh pada
kemulusan suatu sinyal cosine sehingga mempenaruhi hasil konvolusi
sinyal.
2. Suatu Sinyal dapat didekomposisi menjadi komponen-komponen sinusoidal
(atau eksponensial kompleks). Dengan dekomposisi semacam itu, sebuah
sinyal dikatakan direpresentasikan dalam Domain Frekuensi.

3. Pada sinyal periodik, dekomposisi menjadi komponen sinusoidal disebut

Deret Fourier. Sedangkan pada sinyal aperiodik (finite energy) disebut
sebagai Transformasi Fourier

4. Fenomena Gibb merupakan riak yang dihasilkan gelombang persegi, pada

praktikum ini dibangkitkan dari sinyal sinus.

5. Semakin banyak jumlah masukan sinyal, sinyal semakin memiliki noise.

5.2 Saran
Saran kepada praktikan, untuk lebih banyak belajar mengenai penggunaan
tools-tools pada Matlab agar lebih memahami dan menguasai output-output yang
dihasilkan beserta fungsi dari perintah-perintah yang telah dilakukan dan lebih
memahami grafik sesuai dengan script yang dibuat.

23
 REFERENSI

Amalia Rizka Damayanti (2006). Perancangan dan Sintesis Arsitektur Hardware

IFFT (Inverse Fast Fourier Transform) 32 Titik Berbasis Bahasa
Pemrograman VHDL.

B Susetyo Bagas S dan Altedzar Riedho W.D.(2012). Aplikasi Pengenalan

Gender Menggunakan Suara

Derry Fajirwan (2017). Project Pengolahan Sinyal Digital

Ridha (2004), Sinyal dan Sistem Domain Frekuensi

Tri Budi Santoso (2016). Modul Praktikum Sinyal dan Sistem

24