Transformasi Fourier

Transformasi Fourier, dinamakan atas Joseph Fourier, adalah sebuah transformasi integral yang menyatakan-kembali sebuah fungsi dalam fungsi basis sinusoidal, yaitu sebuah fungsi sinusoidal penjumlahan atau integral dikalikan oleh beberapa koefisien ("amplitudo"). Ada banyak variasi yang berhubungan-dekat dari transformasi ini tergantung jenis fungsi yang ditransformasikan.

Pengertian
Ada beberapa pengertian mengenai definisi transformasi Fourier dari sebuah fungsi [1] integrasi : R C . Secara umum, definisi transformasi Fourier adalah:

, untuk setiap bilangan riil .

Transformasi Fourier merupakan keluarga dari Transformasi Integral, gampangnya, ini adalah alat yang bisa kita gunakan untuk melihat sinyal dengan kacamata yang lain. Jika selama ini kita hanya melihat sinyal melalui osiloskop atau alat sejenis lainnya, itu adalah visualisasi sinyal dalam ranah waktu (time domain), sumbu horisontal-nya waktu (t) dan sumbu vertikal-nya adalah amplitudo (A) Mmmm lantas ngapain? Ya kita tidak bisa tahu secara langsung informasi penting di ranah waktu kecuali amplitudo dan kapan terjadinya, bisakah menghitung frekuensinya? Mmmm gampang, itu mungkin jawaban Anda, karena bisa jadi Anda hanya membayangkan sebuah gelombang sinusoidal, Anda tinggal hitung berapa gelombang dalam satu detiknya, thing! Langsung ketemu sekian gelombang/detik atau pake satuan cycle/sec atau Hz Nah kalo sinyalnya kayak gini gimana dong

Okey okey, Anda bisa bilang Ya iyalah mosok ya iya donk Gimana ngitungnya kalo bentuk gak karuan kayak gitu, terkesan acak dech, jangan-jangan emang gak periodik piye to iki mas??

Baik sebelum cari informasi frekuensi dari gelombang tersebut, akan saya jelaskan langkah demi langkah Are You ready?? Are You ready?? Are You ready?? wis gak usah kebanyakan omong/tanya Masih pake bantuan Matlab, kita awali dengan mendefinisikan sinyal yang akan digunakan sebagai percobaan. Frekuensi cuplikan 1000 Hz (=fs), kita gambar hanya 0,5 detik pertama (=t) untuk sebuah sinyal dengan 2 kandungan frekuensi 100 Hz dan 200 Hz (=y): fs = 1000; t = 0:1/fs:0.5; y = sin(2*pi*100*t)+sin(2*pi*200*t); kemudian kita gambar yuuk plot(t,y); title(Sinyal dengan kandungan 2 frekuensi) xlabel(waktu (detik)); hasilnya

Kemudian kita lakukan FFT (Fast Fourier Transform), pake perintah fft-nya Matlab: Y = fft(y); Kemudian kita gambar hasilnya apa adanya, ingat bahwa hasil dari FFT selalu ada 2 (karena efek simetris): f = fs*(0:length(Y)-1)/length(Y); figure; plot(f,abs(Y)); title(Kandungan frekuensi sinyal y (gambar 2 sisi)) xlabel(frekuensi (Hz)); hasilnya

Baik sekarang kita gambar 1 sisi saja yach f = figure plot(f,abs(Y(1:(length(Y)+1)/2))); title(Kandungan frekuensi sinyal xlabel(frekuensi (Hz)); hasilnya

fs*(0:(length(Y)-1)/2)/length(Y);

(gambar

sisi))

Gimana mudeng, paham? Enak khan langsung ketahuan frekuensinya 100Hz dan 200Hz! Ups terus gimana dengan gambar pertama tadi? Ini dia hasil FFT-nya

We.. e.. e jebulannya (ternyata) bagaimana? kandungan-nya sama seperti sinyal awal, 100 Hz dan 200Hz, tapi kok ada tambahan gambar rumput-nya ya? Ya iyalah donk lha wong sinyal asli saya kasih derau atau sinyal acak kok he he he Silahken kasih komentar atau pertanyaan, atau barangkali Anda penasaran dengan skrip/program untuk membuat sinyal asli plus acak dan menampilkan FFT-nya? Silahken berkomentar NB: Kenapa saya pake perintah figure untuk memplot gambar-gambar berikutnya? ya supaya gambar awal tidak hilang donk dan ada gambar baru yang muncul he he he gitu aja kok repot

Transformasi Fourier
with 3 comments Tulisan ini penjelasan tentang transformasi fourier secara singkat. Transformasi fourier menjadi alat analisis yang banyak dipergunakan di berbagai bidang. Pada pembahasan kali ini transformasi fourier dikaitkan dengan bidang pengolahan sinyal. Asal kata transformasi berarti mengubah sesuatu, begitu juga dengan transformasi fourier. Secara sederhananya transformasi fourier dipergunakan untuk mengubah dari kawasan waktu menjadi kawasan frekuensi. Mengapa perlu dilakukan pengubahan tersebut?. 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. Mari kita bahas mengapa kita perlu mengubah sinyal dalam kawasan waktu menjadi sinyal dalam kawasan frekuensi. 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. Sekarang bagaimana kalo mengamati sinyal yang lebih kompleks, contohnya sinyal suara manusia? 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 amplitudenya.

Amplitude 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. Apanila 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. Dalam benak mungkin bertanya, Apa sih kegunaan mempelajari itu semua, toh dalam dunia kerja hampir tidak dibutuhkan. Pertanyaan ini benar jika diterapkan pada kondisi dunia kerja di Indonesia dimana kita sebagaian besar hanyalah sebagai operator, pengguna atau perakit. Hampir dikata tidak pernah seseorang menggunakan transformasi fourier untuk menganalis permasalahan walaupun orang tersbut bekerja dalam bidang telekomunikasi. Lain halya kalo bekerja di negara maju yang sangat mengutamakan bagian riset untuk pengembangan produk. Lini terdepan riset akan membutuhkan penguasaan teknik analisis yang mantap. Pengetahuan tentang filosofi sebuah alat bantu analisispun sangat diperlukan untuk menghubungkan rumusan matematis yang rumit dengan permasalahan nyata yang dihadapi. Untuk itu menurut pendapat saya, dalam mempelajari sesuatu, misalkan transformasi fourier, kita harus tahu secara detail tentang apa transformasi tersebut dan kegunaannya. Banyak kasus pada mahasiswa hafal rumusan transformasi fourier dan kalao ada soal menghitung transformasi fourier sebuah persamaan sinyal dengan cepat dapat menyelesain. Akan tetapi saat ditanyakan makna transformasi tersebut dan implementasinya bagaimana ternyata mengalami kesulitan. Mungkin saya sendiri termasuk dalam kelompok tersebut:). Demikian sedikit penjelasan tentang transformasi fourier, lain waktu disambung bagaimana rumusan transformasi fourier, kaitannya dengan DFT dan FFt serta implementasinya

http://dhidik.wordpress.com/2009/10/16/transformasi-fourier/

Spektrofotometer Infra Merah Transformasi Fourier

Spektrofotometer FTIR
Jean Baptiste Joseph Fourier (1768-1830)

Pada dasarnya Spektrofotometer FTIR (Fourier Trasform Infra Red) adalah sama dengan Spektrofotometer IR dispersi, yang membedakannya adalah pengembangan pada sistim optiknya sebelum berkas sinar infra merah melewati contoh. Dasar pemikiran dari Spektrofotometer FTIR adalah dari persamaan gelombang yang dirumuskan oleh Jean Baptiste Joseph Fourier (1768-1830) seorang ahli matematika dari Perancis. Fourier mengemukakan deret persamaan gelombang elektronik sebagai :

dimana : - a dan b merupakan suatu tetapan - t adalah waktu - adalah frekwensi sudut (radian per detik) ( = 2 f dan f adalah frekwensi dalam Hertz) Dari deret Fourier tersebut intensitas gelombang dapat digambarkan sebagai daerah waktu atau daerah frekwensi. Perubahan gambaran intensitas gelobang radiasi elektromagnetik dari daerah waktu ke daerah frekwensi atau sebaliknya disebutTransformasi Fourier (Fourier Transform).

Spektrofotometer FTIR

APLIKASI TRANSFORMASI FOURIER Banyak ilmuwan yang telah mengenal Transformasi Fourier (TF) atau Analisis Fourier, analisis ini sudah banyak digunakan dalam pengolahan sinyal. AnalisisFourier adalah analisis gelombang yang mengekspansikan sinyal atau fungsi ke dalamgelombang sinus (atau exponensial kompleks, yang ekivalen) yang terbukti sangatberharga dalam metematika, sains dan teknik, terutama untuk fenomena periodik, tak gayut waktu, atau stasioner. Seperti halnya Transformasi Fourier, Transformasi Wavelet digunakan juga untuk menganalisis sinyal ataupun data. Transformasi

Wavelet (TW) adalah suatu alat untuk memilah-milah data, fungsi atau operator ke dalam komponen frekuensi yang berbeda-beda, kemudian mempelajari setiap komponen dengan suatu resolusi yang cocok dengan skalanya. Dahulu teknik ini ditemukan sebagai alat dalam menyelesaikan persoalan dalam matematika murni, misalnya Calderon (1994), fisika dalam mekanika kuantum oleh Aslaken dan Klauder (1968), Hamiltonian atom Hidrogen oleh Paul (1985) dan dalam ilmu teknik dikenalkan oleh Esteban dan Galland (1977) dalam mendesain filter QMF, filter QMF ini kemudian dikembangkan dengan konstruksi eksak oleh Smith dan Barnwell (1986), dalam teknik kelistrikan lainnya oleh Vetterli (1986) dan pada tahun 1983 Wavelet digunakan dalam menganalisis data seismic oleh J. Morlet. Pada kurun waktu lima tahun terakhir ini telah terlihat suatu sintesis antara semua pendekatan yang berbeda, yang telah sangat kaya dengan harapan untuk semua lapangan yang dikaji. Dengan menggunakan metoda wavelet telah secara umum dilakukan dengan sukses penyelesaian numerik persamaan diferensial parsial, pengolahan sinyal seismik dan geofisika, pengolahan sinyal dan citra biomedik/medis, komunikasi dan bahkan dikombinasikan dengan fractal untuk digunakan salah satunya menghilangkan noise dalam musik. Dalam penginderaan jauh salah satunya Marcello Melis dan Andrea Lazzori menggunakan transformasi wavelet untuk mereduksi noise pada citra ERS-1 yang dilaporkan pada First ERS-1 Pilot Project Workshop di Toledo Spanyol tahun 1994. Transformasi diperlukan bila kita ingin mengetahui suatu informasi tertentu yang tidak tersedia sebelumnya Contoh : jika ingin mengetahui informasi frekuensi kita memerlukan transformasi Fourier Jika ingin mengetahui informasi tentang kombinasi skala dan frekuensi kita memerlukan transformasi wavelet Transformasi Citra Transformasi citra, sesuai namanya, merupakan proses perubahan bentukcitra untuk mendapatkan suatu informasi tertentu Transformasi bisa dibagi menjadi 2 : Transformasi piksel/transformasi geometris Transformasi ruang/domain/space Transformasi Pixel Transformasi piksel masih bermain di ruang/domain yang sama (domain spasial), hanya posisi piksel yang kadang diubah Contoh: rotasi, translasi, scaling, invers, shear, dll. Transformasi jenis ini relatif mudah diimplementasikan dan banyak aplikasi yang dapat melakukannya (Paint, ACDSee, dll) Transformasi Ruang Transformasi ruang merupakan proses perubahan citra dari suatu ruang/domain ke ruang/domain lainnya, contoh: dari ruang spasial ke ruang frekuensi

 Masih ingat istilah ruang ? Ingat-ingat kembali pelajaran Aljabar Linier tentang Basis dan Ruang Contoh : Ruang vektor. Salah satu basis yang merentang ruang vektor 2 dimensi adalah [1 0] dan [0 1]. Artinya, semua vektor yang mungkin ada di ruang vektor 2 dimensi selalu dapat direpresentasikan sebagai kombinasi linier dari basis tersebut. Ada beberapa transformasi ruang yang akan kita pelajari, yaitu : Transformasi Fourier (basis: cos-sin) Transformasi Hadamard/Walsh (basis: kolom dan baris yang ortogonal) Transformasi DCT (basis: cos) Transformasi Wavelet (basis: scaling function dan mother wavelet) Transformasi Fourier Pada tahun 1822, Joseph Fourier, ahli matematika dari Prancis menemukan bahwa: setiap fungsi periodik (sinyal) dapat dibentuk dari penjumlahan gelombang-gelombang sinus/cosinus. Contoh : Sinyal kotal merupakan penjumlahan dari fungsi-fungsi sinus Selain itu salah satu aplikasi transformasi Fourier adalah mengetahui adanya arus bocor pada isolator.

Isolator merupakan bagian penting dalam transmisi dan distribusi energi elektrik. Pada saat ini isolator keramik pasangan luar banyak dipakai di sistem jaringan energi elektrik termasuk kepunyaan PT. PLN. Dalam kenyataan sering terjadi kegagalan sistem akibat kegagalan isolator. Salah satu faktor yang mempengarahi proses kegagalan isolator pasangan luar (outdoor insulator) adalah pengotoran yang terjadi pada permukaannya. Pengotoran tersebut sangat dipengaruhi oleh kondisi lingkungan dimana isolator tersebut ditempatkan [1,2,3]. Adanya pengotoran akan menyebabkan kenaikan arus bocor. Arus bocor akan mengakibatkan rugi-rugi energi listrik dan meningkatkan degradasi permukaan isolator yang pada jangka lama dapat menyebabkan kegagalan isolasi. Pada studi ini diteliti bagaimana pengaruh kondisi permukaan isolator dan lingkungan terhadap magnituda, bentuk gelombang, dan spektrum harmonik dari arus bocor. Dengan mengetahui hubungan antara kondisi permukaan isolator dan pola arus bocor diharapkan dapat dilakukan diagnosis kondisi isolasi dari isolator. Salah satu contohnya adalah isolator keramik pos pin 20 kV produksi PT. Twink Indonesia. Pengukuran dilakukan dengan menggunakan tegangan tinggi bolak-balik pada frekuensi jala-jala 50 Hz. Pada pengujian tersebut, isolator ditempatkan di ruang pengujian (test chamber) yang dindingnya terbuat dari alumunium dan berukuran (90 x 90 x 120) cm. Ruang pengujian tersebut dilengkapi oleh sistem pengaturan suhu dan kelembaban, sistem pembuat kabut, dan sistem pemanas. Untuk mensimulasikan pengotoran yang terjadi di alam, digunakan polusi buatan (artificial pollution) yang terdiri dari polusi semen (berupa semen

yang ditaburkan secara merata di permukaan isolator) dan polusi garam (berupa larutan yang terdiri dari campuran air, garam, dan kaolin, dimana isolator dicelupkan secara merata pada larutan tersebut) menurut standar IEC 815. Arus bocor yang mengalir pada permukaan isolator diukur dengan mengukur tegangan jatuh pada resistor seri dengan menggunakan digitalstorage osciloscope. Untuk memproteksi peralatan ukur terhadap tegangan lebih dipergunakan MOV 47 V dan arester DEHN UGKF/BINC. Data digital dari osciloscope ditransfer ke komputer dengan bantuan GPIB dari National Instrument dan perangkat lunak Wavestar. Selanjutnya terhadap data arus bocor yang telah disimpan di dalam komputer dilakukan analisa harmonik dengan transformasi fourier menggunakan perangkat lunak Matlab.
PEMANFAATAN WAVELET

Seperti telah dikemukakan pada pendahuluan Transformasi Wavelet dapat digunakan untuk menyelesaikan masalah dalam berbagai macam lapangan ilmu. Dalam pengolahan sinyal transformasi ini dapat dikombinasikan dengan FFT dan mempercepat perhitungan tersebut sehingga mengurangi kekomplekan komputasi (computation complexity) menjadi O(N). Diantara banyak pemanfaatan Transformasi Wavelet ada tiga macam yang akan dikemukakan dalam tulisan ini yang berkaitan dengan pengolahan sinyal dan citra penginderaan jauh, yaitu; pengurangan noise (denoising), dan kompresi. Sumber :
Mohammad Nadsyir

http://zulkaryanto.wordpress.com