IB Matematika HL

Cara memperkirakan fungsi gelombang bunyi menggunakan Deret

Fourier

1
Isi
Isi......................................................................................................................................................2
I.

2
 I. Perkenalan

Memiliki pengalaman mempelajari empat instrumen selama masa kecil saya, musik sangat

memengaruhi saya sebagai pribadi. Kenangan saya mulai belajar biola mengilhami penyelidikan

ini karena saya ingat bagaimana alat musik ini bisa terdengar elegan dan mengerikan saat

ditangani secara berbeda. Saat menonton serial TV Sherlock Holmes beberapa hari yang lalu, ada

bagian yang Sherlock tidak ingin berbicara dengan saudaranya Mycroft sehingga dia memainkan

biolanya sedemikian rupa sehingga tidak menghasilkan musik selain kebisingan, saya teringat

betapa saya suara biola ketika saya pertama kali mulai belajar - suara melengking, seperti yang

dilakukan semua instrumen senar ketika tidak dirawat dengan benar. Ini membuat saya berpikir

tentang apa perbedaan antara musik dan kebisingan.

Dengan bantuan matematika dan fisika, musik dan kebisingan dapat dibedakan. Karakteristik nada

musik dapat diringkas sebagai “loudness”, “pitch” dan “quality”. "Loudness" suara pada dasarnya

adalah seberapa keras suara itu terlihat oleh orang, diukur dengan desibel (dB). "Pitch" adalah

tingkat tinggi atau rendahnya suara, secara lebih ilmiah, frekuensi gelombang suara diukur dengan

hertz (Hz). Sedangkan “timbre” suara adalah kualitas suara yang berbeda dari satu instrumen ke

instrumen lainnya. Itu tergantung pada bentuk gelombangnya. (Hosch)

Penyelidikan ini bertujuan untuk menggunakan Deret Fourier untuk mengetahui persamaan

gelombang bunyi. Karena semua gelombang suara nada musik memiliki periodisitas, fungsi yang

dihasilkan harus merupakan penjumlahan berbobot dari fungsi sinus dan kosinus, yang pada

dasarnya adalah kegunaan Deret Fourier. Apa yang terkait erat dengan investigasi ini adalah

"pitch". Sementara kenyaringan suara akan dijaga konstan dengan bantuan komputer dan

“kualitas” suara adalah biola, variabel independen dari penyelidikan ini adalah perubahan “pitch”.

3
 Gambar 1. Gelombang suara musik dan kebisingan

Ini adalah gambar gelombang suara musik dan kebisingan. Seperti yang dapat dilihat dari gambar,

perbedaan utama antara musik dan kebisingan adalah gelombang suara musik jelas memiliki

periodisitas sedangkan kebisingan tidak. Meskipun telinga manusia tidak dapat mengetahui

apakah suatu musik memiliki periodisitas atau tidak, sangat mudah untuk mengetahui apakah

suatu suara adalah musik atau kebisingan saat Anda mendengarnya. Dalam penyelidikan ini,

keterampilan matematika sangat penting dalam menemukan periodisitas gelombang bunyi musik.

II. Pengenalan Seri Fourier

Deret Fourier adalah fungsi yang diperluas yang terdiri dari jumlah sinus dan kosinus tak

terhingga. Fungsi deret Fourier didefinisikan sebagai: (Carslaw,1950) ∞

f ( t ) = a 0 + ∑ ( an cos cos ( nt ) + b n sin sin ( nt ) ) n = 1

Ini adalah rumus dari a , a n dan b n menurut definisi. Dalam hal ini, periode fungsi dibakukan
0

pada 2π .

a0=2 1
π × ∫ f ( t ) dt
-π

a n = π 1 × ∫ f ( t ) cos ( nt ) dt
-π

4
 b n = π 1 × ∫ f ( t ) sin ( nt ) dt
-π

AKU AKU AKU. Gelombang suara eksperimental

Gambar 2. Gelombang suara (300 titik data)

Dengan bantuan aplikasi Audacity, saya merekam gelombang suara nada F yang dimainkan
dengan biola.

Ini adalah grafik gelombang suara dalam waktu 0,00680 detik. 300 poin dipilih. Laju sampel
adalah 44100 Hz, yang berarti bahwa 44100 titik diturunkan setiap 1 detik. Untuk menggambar
grafik dengan lebih mudah, saya memperbesar jarak antara setiap titik sehingga semuanya berjarak
1 detik satu sama lain (dalam hal ini bentuk grafik tidak berubah karena rasionya masih sama).
Grafik menunjukkan tanda periodisitas yang jelas, sehingga satu periode (satu titik terendah ke
titik terendah berikutnya) dipotong dari keseluruhan grafik dan diplot secara individual.

5
Tabel 1. Data Terpilih (117 poin dari 12 hingga 139)
Waktu Tekanan Waktu Tekanan Waktu Tekanan Waktu Tekanan
12 -0.05330 44 -0.00378 76 0.05319 108 0.01551
13 -0.05207 45 -0.00446 77 0.05180 109 0.01619
14 -0.05059 46 -0.00483 78 0.05020 110 0.01455
15 -0.05005 47 -0.00214 79 0.05059 111 0.01288
16 -0.05042 48 -0.00233 80 0.04874 112 0.00981
17 -0.04897 49 -0.00035 81 0.04891 113 0.00572
18 -0.04786 50 0.00224 82 0.04789 114 0.00196
19 -0.04531 51 0.00317 83 0.04587 115 -0.00394
20 -0.04385 52 0.00837 84 0.04487 116 -0.01132
21 -0.04368 53 0.01140 85 0.04293 117 -0.01703
22 -0.04333 54 0.01687 86 0.04338 118 -0.02459
23 -0.04388 55 0.02307 87 0.04266 119 -0.02943
24 -0.04090 56 0.02689 88 0.04186 120 -0.03412
25 -0.03950 57 0.03448 89 0.04030 121 -0.04031
26 -0.03851 58 0.03973 90 0.03943 122 -0.04392
27 -0.03889 59 0.04417 91 0.04046 123 -0.04673
28 -0.03965 60 0.04837 92 0.03751 124 -0.04661
29 -0.03754 61 0.05020 93 0.03795 125 -0.04566
30 -0.03661 62 0.05237 94 0.03439 126 -0.04509
31 -0.03344 63 0.05395 95 0.02980 127 -0.04517
32 -0.03258 64 0.05426 96 0.02992 128 -0.04531
33 -0.03125 65 0.05333 97 0.02388 129 -0.04398
34 -0.02821 66 0.05208 98 0.02223 130 -0.04231
35 -0.02549 67 0.05009 99 0.01654 131 -0.04157
36 -0.01917 68 0.05038 100 0.01092 132 -0.04260
37 -0.01525 69 0.05202 101 0.01237 133 -0.04412

6
38 -0.01185 70 0.05186 102 0.00814 134 -0.04655
39 -0.00870 71 0.05264 103 0.01005 135 -0.04716
40 -0.00783 72 0.05141 104 0.01016 136 -0.04765
41 -0.00549 73 0.05114 105 0.00902 137 -0.04861
42 -0.00398 74 0.05303 106 0.01301 138 -0.04959
43 -0.00437 75 0.05252 107 0.01337 139 -0.05162
Karena periode gelombang bunyi ternyata bukan 2π , jadi misalkan periode fungsinya adalah

2L . Dengan periode baru kami menyusun ulang rumus asli untuk Deret Fourier:
∞
f ( x ) = a 0 + ∑ ( a n cos n L π x
+ b n sin n L π x
)
n =1

Nilai x satu periode gelombang bunyi yang diekstraksi seperti yang ditunjukkan pada grafik
adalah dari 12 hingga 139.

Jadi, 2L = 139 – 12 =117 , sehingga diperoleh nilai L , 58,5.

Oleh karena itu, kita juga dapat mengatur ulang rumus untuk a , a n dan b n . 0

139
a 0 = 11 2 7 × ∫ f ( x ) dx
12
139
a n = 11 2 7 × ∫ f ( x ) cos ( 5 n 8 π x 5 ) dx
.
12

139
b n = 11 2 7 × ∫ f ( x ) sin ( 5 n 8 π x 5 ) dx
.
12

Namun, kita belum mengetahui perkiraan fungsi gelombang bunyi f ( x ). Untuk mengetahui luas

di bawah kurva dari grafik di atas, saya dapat menggunakan logger pro untuk mengetahui integral

dari fungsi tersebut. Juga, fungsi tersebut memiliki dua perpotongan dengan sumbu x. Jadi, luas

bagian pertama negatif, bagian kedua positif, dan bagian ketiga negatif. Namun, apa yang saya

sadari adalah fakta bahwa beberapa area negatif sementara beberapa lainnya positif dan total area

di bawah kurva diimbangi ke nilai yang sangat kecil tidak benar-benar memengaruhi fungsi akhir

yang seharusnya saya dapatkan untuk gelombang tersebut, karena yang saya butuhkan hanyalah

area umum di bawah kurva, yaitu

∞
f ( x ) = a 0 + ∑ ( an cos cos n L π x + b n sin sin n L π x )

7
 IV. Menemukan n

Dari sini kita tahu bahwa yang perlu kita cari adalah nilai a n dan b n , dan kita mulai dari nilai a . 0

Untuk menemukannya, kami membawanya kembali ke persamaan. Diketahui bahwa integral dari f
( x ) dapat ditemukan dengan menggambar grafik aslinya dan mencari luas di bawah kurva.

Gambar 4. Daerah di bawah kurva satu periode gelombang bunyi

Luas antara fungsi dan sumbu x adalah penjumlahan dari nilai absolut dari ketiga luasan yang
diarsir.
139
∫ f ( x ) dx ≈ 0,1461 hingga 4 detik . f .
12

Dilihat dari rumus umum Deret Fourier hingga tak terhingga, jadi semakin banyak nilai n yang

diperhitungkan, semakin akurat perkiraan fungsi f ( x ), saya akan mengambil nilai n = 0 hingga n

= 5.

139
ketika n = 0, a n = a 0 = 11 1 7 × ∫ f ( x ) dx = 11 1 7 ×0,1461 ≈ 0,001249 hingga 4 s . f .
12

139
ketika n = 1, a 1 = 11 2 7 × ∫ f ( x ) cos ( 2 1 n 1 π 7 x ) dx
12

Dari persamaan ini kita mengetahui bahwa 1 sama dengan 11 2

7
kali luas daerah bawah kurva
di

8
 g ( x ) = f ( x ) cos (1) . Cara termudah untuk menemukan luas di bawah kurva adalah
2
1
π
7
x

dengan menggambar grafik lain di LoggerPro dan menganalisis integral setiap bagian (di atas dan
di bawah sumbu x).
139
ketika n = 1, a 1 = 11 2 7 × ∫ f ( x ) cos ( 1 2 1 π x 7 ) dx = 11 2 7 × (0,1032) ≈ 0,001166 hingga 4 s . f .
12

Gambar 5. Nilai dari 11 2 7 a 1 (setara dengan integral dari grafik yang diplot f ( x ) cos ( 1 2 1 π x 7 ) terhadap x)
139
bila n =2, a 2 = 11 2 7 × ∫ f ( x ) cos ( 1 4 1 π x 7 ) dx = 11 2 7 × (- 0,04105) ≈ - 0,0004638 menjadi 4 s . f .
12

Gambar 6. Nilai 11 2 7 a 2
139
ketika n = 3, a 3 = 11 2 7 × ∫ f ( x ) cos ( 1 6 1 π 7 x ) dx = 11 2 7 × (- 0,1405) ≈ 0,001588 menjadi 4 s . f .
12

9
 Gambar 7. Nilai 11 2 7 a 3
139
ketika n = 4, a 4 = 11 2 7 × ∫ f ( x ) cos ( 1 8 1 π 7 x ) dx = 11 2 7 × (- 0,1216) ≈ - 0,001374 hingga 4 s . f .
12

Angka 8. Nilai 11 2 7 a 4
139
ketika n = 5, a 5 = 11 2 7 × ∫ f ( x ) cos ( 1 1 0 1 π 7 x ) dx = 11 2 7 × (- 0,01814) ≈ - 0,0002050 ke 4 s . f . 12

Gambar 9. Nilai 11 2 7 a 5

1
0
 V. Menemukan b n
139
Mengetahui bahwa persamaan untuk mencari b n adalah b n = × ∫ f ( x ) cos ( 11
2
7
2
1
n
1
π
7
x
) , kita
dapat menggunakan 117 yang sama 12 117
cara mencari a n untuk mencari nilai dari b , b , b , b , dan b . 1 2 3 4 5

Integral: 0,1336

Gambar 10. Nilai 11 2 7 b 1

Tor integral: Kumpulan Data | Y

Oleh karena itu, semua grafik akan serupa dengan grafik dari n . Sebagai nilai 2n meningkat
dalam
cos (2
1 ) , periode grafik akan berkurang.
n
1
π
7
x

139
ketika n = 1, b 1 = 11 2 7 × ∫ f ( x ) sin ( 1 2 1 π x 7 ) dx = 11 2 7 ×(0.1336) ≈ 0.002284 to 4 s . f .
12 139
ketika n = 2, b 2 = 11 2 7 × ∫ f ( x ) sin ( 1 4 1 π x 7 ) dx = 11 2 7 ×(0,1574) ≈ 0,002691 to 4 s . f .
12 139
ketika n = 3, b 3 = 11 2 7 × ∫ f ( x ) sin ( 1 6 1 π x 7 ) dx = 11 2 7 ×(0,05986) ≈ 0,001023 to 4 s . f .
12

139
ketika n = 4, b 4 = 11 2 7 × ∫ f ( x ) sin ( 1 8 1 π 7 x ) dx = 11 2 7 ×(- 0,06806) ≈ - 0,001163 menjadi 4 s . f .
12

139
ketika n = 5, b 5 = 11 2 7 × ∫ f ( x ) sin ( 1 1 0 1 π 7 x ) dx = 11 2 7 ×(-0,1219) ≈ - 0,002084 hingga 4 s . f .
12

1
1
 VI. Persamaan akhir fungsi gelombang bunyi

Dengan informasi ini, saya kemudian dapat mengetahui perkiraan fungsi f(x).
∞
f ( x ) = a 0 + ∑ ( an cos cos n L π x + b n sin sin n L π x )
n =1

≈ a 0 + ( a 1 cos cos π L x + b 1 sin sin π L x ) + ( a 2 cos cos 2 L π x + b 2 sin sin 2 L π x )

(a 3 cos cos 3 L π x + b 3 sin sin 3 L π x ) + ( a 4 cos cos 4 L π x + b 4 sin sin 4 L π x ) + ( a 5 cos cos 5 L π x + b 5 sin sin 5 L π x )

Isi.......................................................................................................................................................2

Plot grafik ini pada Desmos, lalu bandingkan dengan grafik eksperimental. Kedua grafik tersebut
adalah

disesuaikan kemudian disatukan untuk tumpang tindih dan dibandingkan satu sama lain.

Gambar 7. Grafik Terhitung dan eksperimental saling tumpang tindih

VII. Kesimpulan

Seperti yang dapat disimpulkan dari grafik di atas, tren gelombang suara not musik dapat

1
2
dinyatakan dalam bentuk penjumlahan Deret Fourier dengan sangat akurat. Meskipun kurva dari

model yang dikembangkan tidak sesuai dengan grafik eksperimental nada F dengan sempurna,

mereka masih menunjukkan tren kenaikan dan penurunan yang serupa, sedangkan jumlah puncak

juga sama di kedua grafik. Ini penting, karena berfungsi sebagai alat matematika bagi saya untuk

membedakan antara karakteristik yang mendasari not musik dan kebisingan.

VIII. Evaluasi

Alasan mengapa fungsi yang dihitung bervariasi dari fungsi eksperimental adalah sebagai berikut.

Seperti disebutkan di atas, dalam rumus Deret Fourier, nilai n berlanjut hingga tak terbatas, yang

berarti bahwa akan ada harmonik dalam jumlah tak terhingga yang dijumlahkan bersama dalam

fungsi teoretis. Namun, dari jumlah harmonik yang tak terbatas, saya hanya memilih dari 0 hingga

5 sambil mengabaikan sisanya. Ini menyebabkan perbedaan antara bentuk yang dihitung dan

fungsi eksperimental. Perbaikan yang bisa dilakukan di sini adalah dengan menambahkan lebih

banyak harmonik ke fungsi dengan menghitung lebih banyak nilai a n dan b n , sehingga

menemukan fungsi yang lebih akurat yang cocok dengan fungsi eksperimental. Alasan lain yang

mungkin adalah saat merekam not musik, sekelilingnya tidak sepenuhnya sunyi, dengan kata lain

grafik eksperimental tidak akurat. Hal ini juga dapat ditingkatkan dengan merekam not musik di

lingkungan yang sunyi untuk meminimalkan efek kebisingan sekitar terhadap bentuk gelombang

suara.

Keuntungan dari investigasi ini adalah penggunaan Audacity dan LoggerPro. Audacity membantu

mengumpulkan semua titik data gelombang suara dengan frekuensi 44100 Hz hingga sangat

akurat dan membantu konsistensi grafik. Sementara LoggerPro tidak hanya membantu

merencanakan grafik, tetapi juga membantu menganalisis integral grafik. Metode asli untuk

1
3
mencari luas di bawah kurva untuk fungsi eksperimental dan nilai a n dan b n adalah Teorema

Nilai Rata-Rata. Masalah dengan metode asli ini adalah bahwa semua grafik memiliki banyak titik

belok, dengan kata lain, akan ada banyak titik di mana garis singgungnya sejajar dengan garis

yang menghubungkan titik data awal dan akhir. Dalam hal ini, satu grafik harus dipecah menjadi

banyak bagian dan melakukan teorema nilai rata-rata satu per satu untuk menemukan luas di

bawah kurva. Tidak hanya memakan waktu tetapi juga sangat mudah terjadi kesalahan selama

perhitungan.

Akhirnya, meskipun eksplorasi berhasil membuat model yang diuji secara kualitatif berdasarkan

Deret Fourier untuk merepresentasikan gelombang suara not musik, model itu sendiri tidak dapat

dievaluasi secara kuantitatif karena hanya menunjukkan apakah amplitudo akan bertambah atau

berkurang pada waktu tertentu, tetapi tidak nilai eksaknya. Oleh karena itu, alat statistik seperti

Chi-square atau R2 tidak dapat diterapkan.

IX. Bibliografi

1. Para Editor Ensiklopedia Britannica. (1 Februari 2018). Warnanada. Diambil dari

https://www.britannica.com/science/timbre

2. Carslaw HS (1 Januari 1950). “Pengantar Teori Deret Fourier dan Integral” .

3. Gambar 1. (nd). Gelombang suara not Musik dan Kebisingan.Diperoleh dari

http://www.tpub.com/neets/book10/NTX1-13.GIF

1
4