MAKALAH SINYAL DAN SISTEM

“TRANSFORMASI FOURIER”

DISUSUN OLEH :

NAMA : Tiara Mutia Sari

NIM : 0901118025009
KELAS : SK5A Reguler
DOSEN PENGAMPUH : Abdurrahman, S.Kom., M.Han

PRODI SISTEM KOMPUTER

FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
INDRALAYA
2022
 PEMBAHASAN

1. Pengertian
Transformasi Fourier, dinamakan atas Joseph Fourier, adalah sebuah
transformasi integral yang menyatakan-kembali sebuah fungsi dalam fungsi
basis sinusoidal, yaitu sebuah fungsi sinusiudal penjumlahan atau integral
dikalikan oleh beberapa koefisien (“amplitudo”). Ada banyak variasi yang
berhubungan dekat dari teransformasi ini tergantung jenis fungsi yang di
transformasikan.
Transformasi Fourier merupakan fungsi paling penting didalam bidang
pengolahan sinyal ( signal processing ), khusus nya pada bidang pengelolahan
citra.
Umumnya sinyal dinyatakan sebagai bentuk plot amplitudo versus waktu
(pada fungsi satu matra) atau plot amplitudo versus posisi special (pada fungsi
dwimatra). Pada beberapa aplikasi pengolahan sinyal, terdapat kesukaran
melakukan operasi karena fungsi dalam ranah waktu/special.
Transformasi Fourier adalah kakas (tool) untuk mengubah fungsi dari ranah
waktu/special ke ranah frekuensi. Untuk perubahan sebaliknya digunakan
Transformasi Fourier Balikan. Intisari nya adalah menguraikan sinyal atau
gelombang menjadi sejumlah sinusoida dari berbagai frekuensi, yang jumlahnya
ekivalen dengan gelombang asal.
2. Kelebihan dan kekurangan Transformasi Fourier

- Kelebihanya adalah :
Transformasi Fourier dapat mempermudah analisis terhadap suatu
sinyal yang berada dalam suatu sistem

- Kekuranganya adalah :
Transformasi Fourier hanya dapat menangkap informasi apakah suatu
sinyal memiliki frekuensi tertentu atau tidak, tapi tidak dapat
menangkap dimana frekuensi itu terjadi
3. Contoh program menggunakan Transformasi Fourier pada matlab
Fungsi pada matlab yang digunakan dalam program
• IMREADFungsi ini berguna untuk membaca citra dari suatu file. Jika
citra yang dibacamemiliki format warna grayscale, fungsi ini akan
menghasilkan array dua dimensiyang berisi informasi intensitas
grayscale dari citra tersebut. Fungsi ini mendukungformat BMP,
JPEG, TIF, PNG, HDF, PCX, dan XWD.

• IMSHOWFungsi ini digunakan untuk menampilkan citra pada layer.

• IMWRITEFungsi ini digunakan untuk menyimpan citra ke

dalam file. Fungsi inimerupakankebalikan dari fungsi IMREAD.

• FFT2Fungsi ini digunakan untuk melakukan transformasi Fourier

terhadap array 2dimensi. Hasil yang diperoleh juga akan berbentuk
array 2 dimensi.

• FFTSHIFTFungsi ini digunakan untuk melakukan pergeseran

dari hasil transormasiFourier,sehingga memudahkan analisa
visualisasi dari spektrum Fourier. KarenaspectrumFourier bersifat
periodik, pergeseran ini tidak akan berpengaruh pada
citrayangdihasilkan jika dilakukan inverse transformasi Fourier.

• IFFT2Fungsi ini digunakan untuk melakukan inverse transformasi

Fourier terhadaparray 2dimensi. Hasil yang diperoleh juga akan
berbentuk array 2 dimensi.Langkah pertama yang dilakukan adalah
membaca file citra yang akan diprosesdanmenyimpan informasi
graylevel dari semua pixelnya ke dalam sebuah matriks.Perintah yang
digunakan adalah:nmfile = 'flo_nois.bmp';img = imread(nmfile);

Selanjutnya dilakukan transformasi Fourier dan dilanjutkan

dengan penggeseran(shifting) hasil transformasi Fourier tersebut
supaya hasil visualisasinya lebih mudahdiamati dan dianalisa.

Untuk itu digunakan perintah:% Transformasi Fourier dengan

FFTimg_f = fft2(img);img_fs = fftshift(img_f);
 Setelah itu baru digunakan perintah imshow untuk menampilkan
citra maupunspektrum Fouriernya. Namun pada saat spektrum
Fourier akan ditampilkan, karenadynamic range dari spektrum
Fourier sangat besar, lebih dulu dilakukan proses dengan perintah
berikut:img_spectrum = log(1+abs(img_fs));
Proses ini akan memperkecildynamic range sehingga dapat
ditampilkan di layardenganlebih jelas dan lebih mudah untuk
dianalisa.
Untuk menghilangkan noise, lebihdulu dibuat sebuah matriks h yang
dimensinyasama dengan dimensi dari matriks untukmenyimpan hasil
transformasi Fourier, yaitu 256x 256. Matriks h ini dinisialisasi dengandiisi nilai
satu pada setiap elemennya denganmenggunakan perintah:h = ones(256);
Selanjutnya bagian tertentu dari matriks yang menunjukkan area dimana
noiseberada padaspektrum Fourier citra diubah menjadi nol, dengan
menggunakanperintah:% Memilih area frekuensi yang akan difilter% untuk
menghapus noise.for ix = 1:256,for iy = 1:256,% Noise berasal dari frekuensi
yang membentuk garis% vertikal di bagian tengah spektrum.% Nilai pada area
ini akan dihilangkan dengan cara% dikalikan 0.if (iy > 127) & (iy < 130) & ((ix
< 123) | (ix > 134))h(ix,iy) = 0;endendend
Perintah di atas hanya berlaku untuk noise yang ada pada citra yang
digunakan olehpenulis. Jika noise pada spektrum Fourier citra lainnya
berada di area yang berbeda,tentunya perintah di atas harus dimodifikasi
angka-angkanya sehingga sesuai denganareanoise pada spektrum Fourier yang
akan dihilangkan.
Setelah bagian tertentu dari matriks tersebut diberi nilai nol, sedangkan
yanglainnya tetap bernilai satu, maka masing-masing elemen matriks
tersebut dikalikandenganelemen-elemen yang bersesuaian dari matriks
spektrum Fourier citra, denganperintah:g = img_fs .* h; Perkalian ini akan
menghasilkan spektrum Fourier baru dimana areanoise telah hilang karena
dikalikan dengan nol.
Pada visualisasi spektrum Fourier hilangnya areanoise ini ditunjukkan
dengan warna hitam di area tersebut.Langkah berikutnya adalah melakukan
inverse transformasi Fourier darispectrumFourier yang baru untuk
mendapatkan informasi citra kembali, dengan perintah:hasil =
uint8(abs(ifft2(g)));Digunakannya uint8 adalah supaya informasi citra yang
diperoleh memiliki tipedata pixel 8-bit atau 256 graylevel, sehingga sama
dengan citra asalnya.
 4. Transformasi Fourier 1 dimensi
Transformasi Fourier 1 dimensi ada 2 yaitu :
- Transformasi kontinu
- Transformasi diskrit
Transformasi Fourier kontinu
Spektrum Kontinyu. Deret Fourier, yang koefisiennya diberikan oleh
hanya berlaku untuk sinyal periodik. Sinyal-sinyal
aperiodik seperti sinyal eksponensial dan sinyal anak tangga tidak dapat
direpresentasikan dengan deret Fourier. Untuk menangani sinyalsinyal demikian
ini kita memerlukan transformasi Fourier dan konsep spektrum kontinyu. Sinyal
aperiodik dipandang sebagai sinyal periodik dengan perioda tak-hingga. Jika
diingat bahwa ω0 = 2π/T0 ,

Maka (1)

Menjajadi (2)
Kita lihat sekarang apa yang terjadi jika perioda T0 diperbesar. Karena ω0 =
2π/T0 maka jika T0 makin besar, ω0 akan makin kecil. Beda frekuensi antara
dua harmonisa yang berturutan, yaitu

(3)
juga akan makin kecil yang berarti untuk suatu selang frekuensi tertentu jumlah
harmonisa semakin banyak. Oleh karena itu jika perioda sinyal T0 diperbesar
menuju ∞ maka spektrum sinyal menjadi spektrum kontinyu, ∆ω menjadi dω
(pertambahan frekuensi infinitisimal), dan nω0 menjadi peubah kontinyu ω.
Penjumlahan pada (2) menjadi integral. Jadi dengan membuat T0 → ∞
maka (2 ) menjadi

(4)
dengan F(ω) merupakan sebuah fungsi frekuensi yang baru, sedemikian rupa
sehingga

(5)
dan F(ω) inilah transformasi Fourier dari f(t), yang ditulis dengan notasi
F[f(t)] = F(ω)
Proses transformasi balik dapat kita lakukan melalui persamaan (4).
F(t) =F-1(ω)
Transformasi Fourier Diskrit
Transformasi fourier diskrit atau disebut dengan discrete fourier transform
(DFT) adalah model transformasi fourier yang di kenakan pada fungsi diskrit.
DFT didefinisikan dengan :

Seperti rumus diatas dft semacam ibi banyak digunakan dalam pengelolahan
sinyal digital.
5. Sifat – sifat Transformasi Fourier
Kelinieran. Seperti halnya transformasi Laplace, sifat utama transformasi
Fourier adalah kelinieran.

Diferensiasi. Sifat ini dinyatakan sebagai berikut

Integrasi. Sifat ini dinyatakan sebagai berikut:

Suku kedua ruas kanan (24) merupakan komponen searah jika sekiranya
ada. Faktor F(0) terkait dengan f(t); jika ω diganti dengan nol akan kita
dapatkan

Pembalikan. Pembalikan suatu fungsi f(t) adalah mengganti t dengan −t.

Jika kita membalikkan suatu fungsi, maka urutan kejadian dalam fungsi
yang baru berlawanan dengan urutan kejadian pada fungsi semula.
Transformsi Fourier dari fungsi yang dibalikkan sama dengan kebalikan
dari transformasi Fourier fungsi semula. Secara formal hal ini dapat
dituliskan sebagai

Komponen Nyata dan Imajiner dari F(ω). Pada umumnya transformasi

Fourier dari f(t), yaitu F(ω), berupa fungsi kompleks yang dapat kita
tuliskan sebagai

Jika f(t) fungsi nyata, maka dari rumus di atas dapat kita simpulkan
bahwa
1. Komponen riil dari F(ω) merupakan fungsi genap, karena
A(−ω) =A(ω).
2. Komponen imajiner F(ω) merupakan fungsi ganjil, karena
B(−ω) =− B(ω).
3. |F(ω)| merupakan fungsi genap, karena |F(−ω)| = |F(ω)|.
4. Sudut fasa θ(ω) merupakan fungsi ganjil, karena θ(−ω) =− θ(ω).
5. Kesimpulan (1) dan (2) mengakibatkan : kebalikan F(ω) adalah
konjugat-nya, F(−ω) =A(ω) − jB(ω) = F*(ω) .
6. Kesimpulan (5) mengakibatkan : F(ω) × F(−ω) = F(ω) × F*(ω) =
|F(ω)|2.
7. Jika f(t) fungsi genap, maka B(ω) = 0, yang berarti F(ω) riil.
8. Jika f(t) fungsi ganjil, maka A(ω) = 0, yang berarti F(ω) imajiner.
Kesimetrisan. Sifat ini dinyatakan secara umum sebagai berikut.

Pergeseran Waktu. Sifat ini dinyatakan sebagai berikut.

Sifat ini mudah diturunkan dari definisinya

Pergeseran Frekuensi. Sifat ini dinyatakan sebagai berikut.

Sifat ini juga mudah diturunkan dari definisinya.

Penskalaan. Sifat ini dinyatakan sebagai berikut.
6. ANALISIS
- Sinyal waktu kontinyu periodik, digunakan deret fourier waktu
kontiny (DFWK), akan didapatkan spektrum yang diskrit.
- Sinyal waktu kontinyu non periodik (TFWK), akan didapatkkan
spektrum yang kontinyu.
- Sinyal waktu diskrit periodik, digunakan deret fourier waktu diskrit
(DFWD), akan didapatkan spetrum yang diskrit.
- Sinyal waktu diskrit non periodik, digunakan transformasi fourier
waktu diskrit (TFWD), akan didapatkan spektrum yang kontinyu.
- Sinyal waktu diskrit non periodik (terbatas), dan diinginkan spektrum
diskrit, maka digunakan transformasi fourier diskrit (TFD).
7. KESIMPULAN
Bilangan kompleks sangat banyak digunakan terutama dalam berbagai
sunyal, 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 teknolgi –
teknologi baru yang lebih baik dari sebelumnya.