1.

Pendahuluan
Asal kata transformasi berarti mengubah sesuatu, begitu juga dengan transformasi
fourier. Secara sederhananya transformasi fourier dipergunakan untuk mengubah dari
kawasan waktu menjadi kawasan frekuensi. Pengubahan itu dimaksudkan untuk
mempermudah analisis yang dilakukan. Dalam bidang pengolahan sinyal maka pengubahan
tersebut dapat dilakukan terhadap sinyal maupun terhadap sistemnya. Transformasi fourier
sinyal akan menghasilkan spektrum sinyal. Sedangkan transformasi fourier terhadap sistem
akan menghasilkan tanggapan frekuensi sistem.
Untuk mempermudah bayangkan, alat yang dasarnya transformasi fourier contohnya
adalah spektrum analyzer. Spektrum analyzer adalah implementasi dari transformasi fourier
cepat (fast fourier transform). Sedangkan alat ukur untuk menampilkan sinyal dalam kawasan
waktu contohnya adalah osiloskop. Kita akan mudah menganalaisis suatu sinyal sederhana
misalkan x(t)=4 sint(100.pi.t). Dengan osisloskop kita dengan mudah menganalisis frekuensi
dari sinyal tersebut dengan meliat waktu yang dibutuhkan untuk mencapai satu gelombang
penuh maka akan didapati periode sinyal. Frekuensi didapatkan dengan rumusan f=1/T.
Untuk amplitudenya juga dengan mudah dapat kita liat pada sumbu vertikal osisloskop
tersebut. Jika kita melihat output pada radio yang menuju loudspeaker maka disitu kita dapati
sinyal suara dalam bentuk isyarat listrik. Akan sangat susah untuk menentukan frekuensi dan
amplitudonya.
Amplitudo dan frekuensi menjadi penting untuk merancang aplikasi lainnya
contohnya filter. Kita harus mengetahui spektrum sinyal untuk dapat merancang sebuah filter.
Untuk itulah spektrum analyser digunakan. Pada spektrum analyzer kita lihat sumbu
vertikalnya adalah magnitude yang bisa berbentuk linear maupun skala logaritmik sedangkan
sumbu horisontalnya adalah frekuensi. jadi dengan mudah dapat ditentukan batasan frekuensi
dan magnitude dari sebuah sinyal. Dasar transformasi fourier adalah penguraian sebuah
sinyal menjadi komponen penyusunnya. Komponen penyusun sinyal yang komplek adalah
sinus. Memang secara sengaja deret fourier mengurai sinyal kompleks menjadi sinyal sinus
penyusunnya.
Apabila transformasi forier diterapkan terhadap sebuah sistem maka akan didapatkan
tanggapan frekuensi dari sistem tersebut. Analisis sistem dalam kawasan frekuensi sama
halnya dengan analisis sinyal dalam kawasan frekuensi, membuat beberapa kemudahan.
Apabila sistem adalah sistem yang kompleks ayng terdiri dari sistem-sistem kecil
penyusunnya maka penyederhanaan untuk mendapatkan karakteristik sistem akan lebih
mudah dalam transformasi fourier. Contoh jelasnya apabila diketuai tanggapan frekuensi
sistem H1(jw) dan H2(j(w) yang di cascade maka dengan mudah gabungan dari sistem
tersebuat adalah perkaliannya. Dalam kawasan waktu kita harus melakukan konvolusi untuk
dua buah sistem yang dicascade.

2. Dasar Teori
Dalam pertengahan tahun 1960, J. W. Cooley dan J. W. Tukey, berhasil
merumuskan suatu teknik perhitungan Fourier Transform yang efisien. Teknik
perhitungan ini dikenal dengan sebutan Fast Fourier Transform atau lebih populer dengan
istilah FFT (Bendat dan Piersol, 1986). Fast Fourier transform (FFT) adalah suatu
algoritma yang efisien untuk menghitung transformasi Fourier diskrit (DFT) dan
inversenya.
Fast Fourier transform (FFT) menjadi penting untuk bermacam macam
aplikasi, dari pengolahan sinyal digital dan memecahkan persamaan diferensial parsial
menjadi algoritma-algoritma untuk penggandaan bilangan integer dalam jumlah yang
banyak. Dua kelas dasar dari algoritma FFT adalah decimation-in-time (DIT) dan
decimation-in-frequency (DIF). Istilah fast digunakan oleh karena formulasi FFT ini jauh
lebih cepat dibandingkan dengan metode perhitungan Fourier Transfrom sebelumnya.
Teknik FFT memerlukan sekitar 10000 operasi matematik untuk data dengan 1000
observasi, yaitu 100 kali lebih cepat dibandingkan dengan teknik perhitungan
sebelumnya. Dengan penemuan FFT ini dan perkembangan personal komputer, teknik
FFT dalam analisa data menjadi populer, dan merupakan salah satu metoda baku dalam
analisa data.
Satu bentuk transformasi yang umum digunakan untuk merubah sinyal dari
domain waktu ke domain frekuensi adalah dengan transformasi Fourier:
Persamaan tersebut merupakan bentuk transformasi Fourier yang siap
dikomputasi secara langsung dari bentuk sinyal x(t).

Fast Fourier Transform juga 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 :

dimana

disebut sebagai twiddle factor, memiliki nilai

, sehingga

Sementara itu, Inverse Discrete Fourier Transform (IDFT) dapat dirumuskan

sebagai berikut :

Sehingga

persamaan

IDFT

dapat

dituliskan

juga

sebagai

berikut

FFT dipergunakan untuk mengurangi kompleksitas transformasi yang dilakukan

dengan DFT. Sebagai perbandingan, bila kita menggunakan DFT, maka kompleksitas
transformasi kita adalah sebesar O(N2), sementara dengan menggunakan FFT, selain
waktu transformasi yang lebih cepat, kompleksitas transformasi pun menurun, menjadi
O(N log (N)). Untuk jumlah sample yang sedikit mungkin perbedaan kompleksitas tidak
begitu terasa, namun lain ceritanya bila kita mengambil jumlah sample yang sedikit lebih
banyak. Misalnya kita hanya mengambil 2 sample, dengan menggunakan DFT, tingkat
kompleksitas transformasi kita adalah 4, sementara dengan menggunakan FFT
kompleksitasnya sebesar 0,602. Perbedaan yang semakin mencolok tampak bila kita
mengambil jumlah sample yang lebih banyak lagi, misalnya kita ingin meninjau 64 titik
sample, maka kompleksitas dengan menggunakan DFT adalah sebesar 4096, sementara
dengan menggunakan FFT kompleksitasnya menjadi 115,6. Perbedaan yang sangat
mencolok melihat perbandingan yang mencapai hampir 40 kali lipatnya. Kompleksitas
transformasi ini terutama menjadi vital saat diimplementasikan pada perangkat riil.
3. Metodologi
Pada percobaan kali ini akan belajar memasukan data dengan format .wav ke
dalam program MatLab. Program tersebut akan membaca file dengan format .wav
tersebut sehingga memunculkan suara. Output pada program tersebut berupa grafik
gelombang suara. Langkah yang digunakan untuk memunculkan grafik gelombang suara
adalah, pertama kita merekam suara tersebut dengan format .wav. Alat yang digunakan
adalah handphone atau alat perekam. Kemudian simpan file tersebut, dan masukkan ke
input program Matlab agar dapat terbaca. Keluaran data tersebut nantinya terdapat tiga
grafik yaitu grafik wav time vs Y, wav frekuensi vs gradien X, dan wav frekuensi vs
gradien X diagram batang. Berikut merupakan skrip dari program Matlab tersebut:
[y,fs] = wavread('asd.wav');

sound (y,fs);
time = (1:length(y))/fs;
figure(1);
plot(time,y);
nfft=1024;
x=fft(y,nfft);
x=x(1:nfft/2);
mx=abs(x);
f=(0:nfft/2-1)*fs/nfft;
figure(2);
plot(f,mx);
figure(3);
stem(f,mx);

4. Pembahasan

Keterangan skrip:
[y,fs] = wavread('asd.wav');
sound (y,fs);
time = (1:length(y))/fs;
figure(1);
plot(time,y);
nfft=1024;
x=fft(y,nfft);

untuk memanggil file assd.wav

untuk meunculkan suara
time vector pada sumbu y
plot gelombang suara
plot gelombang suara pada time dan sumbu y
number fft dengan panjang fft 2^10
fft

x=x(1:nfft/2);
mx=abs(x);
f=(0:nfft/2-1)*fs/nfft;
figure(2);
plot(f,mx);
figure(3);
stem(f,mx);

fft simetrik
take magnitude on fft
merupakan frekuensi pd fft
plot gelombang suara
keluaran gelombang suara
plot gelombang suara
keluaran gelombang suara

berikut merupakan hasil dari output program:

a. grafik wav time vs Y

b. wav frekuensi vs gradien X

c. wav frekuensi vs gradien X diagram batang

5. Kesimpulan

Transformasi Fourier digunakan untuk merubah sinyal dari domain waktu ke

domain frekuensi.

Matlab merupakan salah satu aplikasi yang digunakan untuk mengolah suatu
sinyal dengan Fast Fourier Transform ( FFT ) dengan hasil berupa grafik baik
grafik periode terhadap magnitud atau frekuensi terhadap magnitud.

Interpretasi data dapat dilakukan dengan menganalisa grafik yag terbentuk.

6. Daftar pustaka
Bendat, J.S and A.G. Piersol. 1986. Random Data, Analysis And measurement
Procedures. John Wiley & Sons, 566 pp.
Cooley, J. W. and J. W. Tukey, "An Algorithm for the Machine Computation of the
Complex Fourier Series,"Mathematics of Computation, Vol. 19, April 1965, pp. 297-301.
Duhamel, P. and M. Vetterli, "Fast Fourier Transforms: A Tutorial Review and a State of
the Art," Signal Processing, Vol. 19, April 1990, pp. 259-299.
Frigo, M. and S. G. Johnson, "FFTW: An Adaptive Software Architecture for the
FFT,"Proceedings of the International Conference on Acoustics, Speech, and Signal
Processing, Vol. 3, 1998, pp. 1381-1384.