VISUALISASI APROKSIMASI FUNGSI MENGGUNAKAN DERET FOURIER

DAN DERET WAVELET

Rina Rosdiana
Mahasiswa Lulusan Sekolah Tinggi Sains dan Teknologi Indonesia (ST-INTEN)
Bandung 2006
Email : rosnarosna@gmail.com

Abstrak

Metoda Fourier dan Metoda Wavelet merupakan kajian dalam bidang

Matematika. Transformasi Fourier (FT) dapat memberikan informasi frekuensi
dari suatu sinyal. Sementara Transformasi Wavelet, yang berkembang kemudian
dan melengkapi metoda Fourier, memiliki kemampuan untuk merepresentasikan
informasi waktu dan frekuensi secara bersamaan. Metoda Wavelet telah
digunakan secara luas dalam bidang-bidang ilmu lain untuk berbagai keperluan,
seperti: analisis dan prediksi, pengolahan data (sinyal), pengolahan dan
kompresi citra atau gambar, dan lain sebagainya.
Aplikasi yang kemudian dibuat adalah untuk menampilkan hasil
perhitungan aproksimasi fungsi menggunakan deret Fourier dan deret Wavelet
dalam bentuk grafis. Tujuan pembuatan aplikasi ini untuk media pengenalan dan
pembelajaran metoda Fourier dan Wavelet, dan secara khusus dapat digunakan
sebagai alat bantu peraga untuk mahasiswa dalam mempelajari topik tersebut.
Adapun perangkat lunak yang digunakan untuk mengembangkan aplikasi ini
adalah Borland Delphi (versi 5.0).
Berdasarkan output yang dihasilkan, aplikasi ini dapat membandingkan
aproksimasi fungsi menggunakan deret Fourier dan deret Wavelet. Dengan
aplikasi ini, dapat dilihat bahwa metoda Fourier hanya memiliki kemampuan
untuk mengaproksimasi fungsi-fungsi stasioner, sedangkan metoda Wavelet
memiliki kemampuan untuk mengaproksimasi fungsi-fungsi stasioner dan non-
stasioner.

Kata kunci:
Visualisasi, Aproksimasi, Deret Fourier, Fourier Transform (FT), Deret
Wavelet, Fungsi Stasioner dan Fungsi Non-Stasioner.

PENDAHULUAN
Pada perkuliahan di jurusan matematika, salah satu bahasan yang
dipelajari oleh mahasiswa/i adalah aproksimasi fungsi, yaitu melakukan
pendekatan/perkiraan terhadap nilai suatu fungsi dengan menggunakan suatu
metoda, sehingga didapatkan nilai aproksimasi dari fungsi tersebut. Umumnya
seorang mahasiswa/i akan melakukan perhitungan manual untuk memperoleh
nilai aproksimasi suatu fungsi, dan jika ingin merepresentasikan nilai yang
diperoleh ke dalam suatu grafik, maka digambarkan pula secara manual.

1
 Dengan adanya teknologi informasi, maka komputer dapat dipergunakan
untuk membantu menyelesaikan permasalahan tersebut. Dengan menggunakan
komputer, proses penghitungan akan jauh lebih cepat sehingga lebih efisien, dan
akan dihasilkan data yang akurat. Selain itu, komputer juga dapat dipergunakan
untuk menampilkan grafik dari nilai aproksimasi yang telah diperoleh secara
visual.
Metoda fourier merupakan salah satu bahasan yang dipelajari di jurusan
matematika dan fisika, namun tidak menutup kemungkinan jika seseorang dari
bidang lain mengenal metoda fourier, karena penerapan metoda ini telah
digunakan dalam berbagai bidang teknik dan beberapa bidang ilmu sosial.
Metoda wavelet merupakan bahasan di bidang matematika, yang muncul
beberapa puluh tahun setelah metoda fourier. Karena metoda wavelet lahir
setelah metoda fourier, maka formulanya lebih disempurnakan sehingga dapat
mengatasi kekurangan metoda fourier.

Dasar Teori
Aproksimasi Fungsi
Aproksimasi merupakan istilah serapan dari bahasa Inggris approximation
yang berarti “pendekatan, perkiraan, penaksiran”.
Aproksimasi fungsi adalah mendekati suatu fungsi dengan menggunakan
fungsi lainnya. Aproksimasi terbaik adalah aproksimasi yang menghasilkan
galat terkecil. Galat merupakan selisih yang dihasilkan oleh fungsi yang
diaproksimasi dengan fungsi yang mengaproksimasi. Berdasarkan hal tersebut,
aproksimasi terbaik adalah aproksimasi yang menghasilkan grafik yang semirip
mungkin dengan grafik fungsi yang diaproksimasi.

Sekilas Sejarah Metoda Fourier dan Wavelet

Tahun 1822 matematikawan Prancis, Joseph Fourier mengemukakan
bahwa sebuah fungsi periodik dapat direpresentasikan dengan
mengkombinasikan penjumlahan tak hingga dari fungsi sinus dan cosinus [Pol].
Representasi fungsi ini kemudian dikenal sebagai Deret Fourier. Beberapa
tahun setelah penemuan ini, deret fourier dikembangkan menjadi bentuk yang
lebih umum sehingga dapat diterapkan pada fungsi yang non-periodik, bentuk
yang lebih umum ini yang kemudian dikenal sebagai Transformasi Fourier (FT).
Sejak penemuan ini, transformasi fourier menjadi metoda yang sangat cocok
untuk menganalisis fungsi atau sinyal1, karena transformasi fourier dapat
mengubah fungsi atau sinyal dalam domain waktu ke domain frekuensi.
Tahun 1910, seorang matematikawan Hungaria, Alfred Haar
mengembangkan sebuah basis fungsi. Basis fungsi ini yang sekarang dikenal
sebagai wavelet Haar. Transformasi wavelet dikenal sejak tahun 1980-an, lahir
sebagai solusi yang dapat menangani kekurangan transformasi fourier dalam
menganalisis berbagai sinyal yang terdapat pada dunia nyata.

1
Fungsi dalam bahasa matematika atau sinyal dalam bahasa teknik.

2
Konsep Dasar Transformasi Fourier dan Wavelet
Transformasi matematika diterapkan pada sebuah fungsi untuk
memperoleh informasi lebih jauh dari fungsi tersebut, yang informasi tersebut
tidak tersedia pada representasi fungsi dalam domain waktu.
Biasanya sebuah fungsi digambarkan dalam domain waktu. Artinya yang
diukur dari fungsi tersebut adalah waktu. Dengan kata lain, jika kita gambarkan
fungsi tersebut pada sumbu simetri, maka sumbu x (sebagai variabel bebas)
mewakili waktu, dan sumbu y (sebagai variabel tak bebas) mewakili nilai pada
waktu t tertentu, atau nilai amplitudo-nya.
Jika kita menggambar fungsi dalam domain waktu, maka kita akan
memperoleh representasi waktu-amplitudo fungsi tersebut. Pada aplikasinya,
representasi ini tidak selalu merupakan representasi terbaik. Pada banyak kasus,
informasi khusus tersembunyi pada nilai frekuensinya. Spektrum frekuensi dari
sebuah fungsi memperlihatkan frekuensi yang termuat pada fungsi tersebut.
Transformasi Fourier (Fourier Transform atau FT) dapat mengubah fungsi
atau sinyal dalam domain waktu ke dalam domain frekuensi. Jika kita
menerapkan FT pada sebuah fungsi dalam domain waktu, maka kita akan
mendapatkan repesentasi frekuensi-amplitudo fungsi tersebut. Dengan
transformasi fourier, sebuah fungsi dapat digambarkan dalam sumbu x yang
menunjukkan spektrum frekuensi dan sumbu y menunjukkan amplitudo. Gambar
FT menunjukkan berapa banyak frekuensi yang termuat pada fungsi tersebut.
Berikut ini adalah contoh dua buah fungsi stasioner periodik, yang
tergabungkan (y1+y2 = y) beserta gambar FT-nya:

Gambar 1. Fourier Transform pada dua buah fungsi yang tergabungkan

3
Apa kegunaan dari domain frekuensi?
Seringkali, informasi yang tidak dapat dilihat pada domain waktu, dapat
dilihat pada domain frekuensi.
Sebagai contoh dalam bidang medis dikenal sinyal ECG
(ElectroCardioGraphy), yaitu catatan grafik aktivitas elektrik jantung. Bentuk
khusus ECG orang yang sehat, dikenal betul oleh seorang ahli jantung. Sebuah
penyimpangan yang berarti dari bentuk tersebut biasanya dianggap sebagai
gejala adanya penyakit.
Namun gejala adanya penyakit tidak selalu terlihat jelas pada sinyal ECG
dalam domain waktu, terkadang penyakit dapat didiagnosa lebih mudah jika
sinyal dianalisis dalam domain frekuensi. Hal tersebut merupakan contoh
sederhana dari kegunaan domain frekuensi.
Transformasi fourier bersifat reversibel; yaitu suatu fungsi dapat
ditransformasi ke dalam domain frekuensi (yang memuat informasi frekuensi-
amplitudo), dan di inversikan lagi ke domain waktu (yang memuat informasi
waktu-amplitudo). Namun, kedua informasi tersebut tidak bisa didapatkan secara
bersamaan. Representasi fungsi dalam domain frekuensi tidak memuat informasi
waktu, demikian pula sebaliknya.
Untuk fungsi-fungsi yang stasioner, yaitu fungsi yang nilai frekuensinya
tidak berubah-ubah secara kontinu, informasi waktu dan frekuensi secara
bersamaan tidak diperlukan, karena di seluruh interval waktu, nilai komponen
frekuensinya konstan.
Namun jika fungsi yang akan dianalisis merupakan fungsi yang non-
stasioner, yaitu fungsi yang nilai frekuensinya berubah-ubah secara kontinu,
maka informasi waktu dan frekuensi secara bersamaan diperlukan, untuk
mengetahui kapan perubahan itu terjadi.
Ketidakmampuan transformasi fourier dalam merepresentasikan informasi
waktu dan frekuensi secara bersamaan, menyebabkan transformasi fourier tidak
dapat digunakan untuk menganalisis fungsi-fungsi yang non-stasioner.[Pol]
Transformasi wavelet dapat mengatasi kekurangan transformasi fourier,
karena metoda ini dapat merepresentasikan informasi waktu dan frekuensi
secara bersamaan. Representasi waktu-frekuensi ini mengakibatkan
transformasi wavelet dapat digunakan untuk menganalisis fungsi yang non-
stasioner. Dengan transformasi wavelet, sebuah fungsi dapat digambarkan
dalam sumbu x yang menunjukkan waktu (translasi) dan sumbu y menunjukkan
frekuensi (skala), dan dapat juga ditambahkan dengan informasi amplitudo
dalam sumbu z.
Sebagai contoh, hampir seluruh sinyal di bidang biologi adalah non-
stasioner. Beberapa yang terkenal adalah ECG(ElectroCardioGraphy, catatan
grafik dari aktivitas elektrik jantung), EEG(ElectroEncephaloGraph, aktivitas
elektrik otak) dan EMG(ElectroMyoGraph, aktivitas elektrik otot).[Pol]
Berikut ini adalah contoh sebuah fungsi yang non-stasioner berikut
transformasi waveletnya (Continuous Wavelet Transform atau CWT):

4
 Gambar 2. Sebuah fungsi non-stasioner dan CWT-nya.[Pol]

Rumus yang Digunakan

Transformasi fourier diklasifikasikan menjadi:
1. Deret fourier atau fourier series; digunakan untuk menganalisis fungsi-fungsi
yang periodik dengan perioda T.
2. Fourier transform (FT) atau integral fourier; digunakan untuk menganalisis
fungsi-fungsi yang periodik dan non-periodik.

Sedangkan Transformasi wavelet diklasifikasikan menjadi:

1. Deret wavelet atau wavelet series (WS).
2. Continuous wavelet transform (CWT) atau integral wavelet transform (IWT).

5
Rumus-rumus yang digunakan pada penelitian ini adalah sebagai berikut:
1. Deret Fourier [Gos]

a0 ∞
p (t ) ≈ + ∑ [(a k * cos kω 0 t ) + (bk * sin kω 0 t )]
2 k =1
di mana,
T
2
a k = ∫ p(t ) * cos kω 0 t dt
T 0
T
2
T ∫0
bk = p(t ) * sin kω 0 t dt

2. Deret Wavelet [Wal]

∞ 2 j −1 j
f (t ) ≈ α + ∑ ∑ β kj * 2 2 *ψ (2 j t − k )
0
0
j =0 k =0

di mana,
∞ j
α kj =
−∞
∫ f (t ) * 2 2 * ϕ (2 j t − k )dt

∞ j
β kj = ∫
−∞
f (t ) * 2 2 *ψ (2 j t − k )dt

3. Wavelet Haar [Wal]

1, untuk 0 ≤ t < 1
ϕ (t ) =
0, untuk t lainnya

ψ (t ) = 1, untuk 0 ≤ t < 1
2

-1, untuk 1
2 ≤ t <1

4. Fourier Transform [Pol]

∞
X(f ) = ∫ x(t ) * [cos 2πft + i sin 2πft ]dt
−∞
∞ ∞
X(f ) = ∫ x(t ) * cos(2πft )dt − i ∫ x(t ) * sin(2πft )dt
−∞ −∞

Jika digambarkan ke dalam bentuk grafik, maka rumus di atas harus

dipecah menjadi dua bagian, yaitu:

6
 ∞
A( f ) = ∫ x(t ) * cos(2πft )dt
−∞
untuk komponen Real

∞
B( f ) = ∫ x(t ) * sin(2πft )dt
−∞
untuk komponen Imaginer

Kedua rumus di atas, terkait dengan fungsi x(t). Jika x(t) merupakan
fungsi genap, maka A( f ) ≠ 0 dan B ( f ) = 0 , sehingga grafik yang dipergunakan
adalah grafik A( f ) . Sebaliknya jika x(t) merupakan fungsi ganjil, maka B ( f ) ≠ 0
dan A( f ) = 0 , sehingga grafik yang dipergunakan adalah grafik B ( f ) .
Fungsi x(t) dinamakan fungsi genap, jika x( −t ) = x(t ) , sebagai contohnya
adalah fungsi cosinus. Dan fungsi x(t) dinamakan fungsi ganjil, jika
x(−t ) = − x(t ) , contohnya adalah fungsi sinus.

5. Konversi data [Vid]

Jika terdapat data berjumlah 2 n , sebut saja y = ( y 0 , y1 ,..., y n −1 ) , maka data
y tersebut dapat dikonversi menjadi suatu data baru f (x) dalam interval
0 ≤ x < 1 . Rumus konversi datanya adalah:
2 n −1
f ( x) = ∑y
k =0
k .1(k * 2 −n ≤ x < (k + 1) * 2 −n )

6. Aturan Trapesium [Pur]

b
h
∫ f ( x)dx ≈ 2 [ f ( x
a
0 ) + 2 f ( x1 ) + 2 f ( x 2 ) + ... + 2 f ( x n −1 ) + f ( x n )]

(b − a )
dengan h = , n = banyaknya suku
n

7. Galat persentase [Ant]

Jika kita mengaproksimasi suatu fungsi f (x) oleh fungsi g (x) pada titik x n
maka galat absolut di x n akan disederhanakan menjadi:

galat _ absolut = f ( x n ) − g ( x n )

yang disebut juga sebagai deviasi antara f dan g di x n . Sehingga didapatkan

galat persentasenya adalah sebagai berikut:

f ( xn ) − g ( xn )
galat _ persentase = * 100%
f ( xn )
Untuk keseluruhan titik, maka dilakukan penjumlahan galat di setiap titik.

7
Analisis dan Desain
Analisis Sistem
Permasalahan dalam penelitian ini adalah:
1. Bagaimana mengimplementasikan rumus-rumus yang digunakan ke dalam
bahasa pemrograman Delphi.
2. Bagaimana menentukan bentuk inputan data fungsi yang akan diaproksimasi.
Pada rumus deret fourier, deret wavelet dan fourier transform, terdapat
perhitungan integral. Perhitungan integral ini tidak bisa didapatkan secara
langsung, karena bahasa pemrograman Delphi tidak menyediakan function atau
procedure khusus untuk menghitungnya. Berdasarkan hal tersebut maka
perhitungan integral pada program visualisasi ini dihitung dengan menggunakan
metoda numerik. Pada penelitian ini metoda numerik yang digunakan adalah
aturan Trapesium.
Fungsi yang akan diaproksimasi harus bisa dibaca oleh program
visualisasi kemudian ditampilkan ke dalam bentuk grafik. Jika fungsi tersebut
berbentuk sebuah persamaan matematika, maka input fungsi akan terbatas,
karena tidak semua fungsi atau sinyal memiliki persamaan matematika.
Berdasarkan hal tersebut maka dipilih file *.txt sebagai data input, sehingga
program visualisasi dapat mengaproksimasi fungsi-fungsi yang memiliki
persamaan matematika dan fungsi-fungsi yang tidak memiliki persamaan
matematika. Input untuk program visualisasi aproksimasi ini berupa file *.txt yang
berisi suatu data array angka berjumlah 1024 data, berada dalam selang
x = [0..1] dengan nilai selang atau nilai increment x sebesar 11023 ≈ 0,00098 .

Desain Sistem
Berikut ini rancangan diagram konteks dan data flow diagram untuk
visualisasi aproksimasi:

Gambar 3. Diagram Konteks

8
 Gambar 3. DFD level 0

Gambar 4. DFD level 1 untuk proses 2

9
Gambar 5. DFD level 1 untuk proses 3

Gambar 6. DFD level 1 untuk proses 4

10
Implementasi
Program visualisasi aproksimasi diimplementasikan dengan
menggunakan Borland delphi 5.0. Program ini hanya memiliki sebuah form
utama, tampilan form tersebut dapat dilihat pada gambar 7.

Gambar 7. Tampilan Program Visualisasi Aproksimasi

Tahapan Proses
Untuk mengaproksimasi suatu fungsi tertentu, tahap-tahap yang dilakukan
program visualisasi adalah sebagai berikut:
1. Buka file *.txt yang berisi data fungsi yang akan diaproksimasi.
Maka fungsi tersebut akan ditampilkan ke dalam bentuk grafik, dan akan
tampilkan pula grafik FT untuk fungsi tersebut.
2. Lakukan aproksimasi pada fungsi tersebut menggunakan metoda fourier dan
wavelet. Aproksimasi yang dapat dilakukan mulai dari iterasi 1 s/d 9.
Maka akan ditampilkan grafik hasil aproksimasi fourier beserta nilai galatnya,
dan grafik hasil aproksimasi wavelet beserta nilai galatnya (dalam %).

11
Berikut ini beberapa contoh tampilan program:

Gambar 8. Contoh Fungsi stasioner periodik y1

yang akan diaproksimasi

Gambar 9. Hasil aproksimasi fungsi y1

12
Gambar 10. Contoh Fungsi non stasioner y2
yang akan diaproksimasi

Gambar 11. Hasil aproksimasi fungsi y2

13
Kesimpulan
Berdasarkan hasil perancangan dan pembuatan program visualisasi
aproksimasi, dapat disimpulkan bahwa:
1. Aproksimasi fungsi menggunakan metoda fourier dan wavelet yang tadinya
dilakukan menggunakan perhitungan manual, kini dapat dihitung
menggunakan komputer dan hasilnya divisualisasikan.
2. Program visualisasi ini dapat dijadikan sebagai alat bantu peraga dalam
perkuliahan khususnya pada jurusan matematika.
3. Metoda wavelet dapat digunakan untuk mengaproksimasi fungsi-fungsi yang
non-stasioner dengan baik, berdasarkan kecilnya nilai galat yang dihasilkan.
4. Program visualisasi ini dapat digunakan untuk mengaproksimasi fungsi-fungsi
yang tidak mempunyai persamaan matematika.

Saran
Adapun saran-saran untuk pengembangan program visualisasi ini adalah
sebagai berikut:
1. Program dilengkapi dengan fasilitas untuk meng-generate data fungsi, yang
persamaan fungsi matematika-nya diinputkan oleh pengguna. Sehingga
pengguna tidak perlu menginputkan file *.txt untuk fungsi-fungsi yang
mempunyai persamaan matematika.
2. Program dikembangkan ke studi kasus tertentu.

Daftar Pustaka
1. Anton, Howard (1995), Aljabar Linear Elementer, Penerbit Erlangga, hal
309 – 314.
2. Goswami, Jaidewa C (1999), Fundamentals of Wavelets, John Wiley &
Sons,INC , hal 32. hal 73-74
3. Polikar, Robi (1996), The Wavelet Tutorial, Internet.
4. Purcell (1998), Kalkulus dan Geometri Analitis Jilid I, Erlangga.
5. Roland, Nicholas G (2000), Fourier and Wavelet Representations of
Functions, Electronic Journal of Undergraduate Mathematics, Volume 6, 1 –
12, 2000.
6. Vidakovic, Brani and Peter Muller (1991), Wavelets For Kids : A Tutorial
Introduction, Am.Math.Soc.
7. Walker, James S (1997), Fourier Analysis and Wavelet Analysis, Notices
of The AMS, Volume 44 Number 6, 658 – 670.

14