P. 1
Fourier

Fourier

|Views: 757|Likes:
Published by Indra Ramdani

More info:

Published by: Indra Ramdani on Jul 31, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

05/24/2013

pdf

text

original

TRANSFORMASI FOURIER

Oleh :

HENDRY MULIAWAN INDRA RAMDANI PRATAMA

UNIVERSITAS GUNADARMA TAHUN 2011

ABSTRAK Istilah Fourier digunakan untuk menghormati Jean Baptiste Joseph Fourier (1768 ± 1830), matematikawan yang memecahkan persamaan differensial parsial dari model difusi panas, beliau memecahkannya dengan menggunakan deret tak hingga dari fungsi-fungsi trigonometri. Analisis Fourier adalah proses matematika yang digunakan untuk memecahkan masalah bentuk gelombang kompleks dengan menguraikan gelombang itu menjadi komponen sinusoidanya. Setiap bentuk gelombang yang kompleks dapat diperlihatkan terjadi dari sejumlah gelombang sinus murni terdiri dari suatu gelombang sinus dasar ditambah harmonik-harmonik khusus gelombang itu. Sebagai contoh, dengan menambahkan harmonik gasal pada sebuah gelombang sinus (yaitu 3f, 5f, 7f, dst.) akan diperoleh gelombang persegi. Fourier terdiri dari Transformasi Fourier dan Deret Fourier. Transformasi Fourier adalah sebuah transformasi integral yang menyatakan kembali sebuah fungsi dalam fungsi basis sinusioidal, 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. Transformasi Fourier memiliki sifat ± sifat seperti linearitas, time shift, frekuensi shift, konvolusi dan modulasi. Transformasi Fourier juga terdiri dari TF Dikrit, TF Kontinu, TF Balik serta TF cepat. Kata kunci : Transformasi Fourier, sifat-sifat Transformasi Fourier, TF Dikrit, TF Kontinu, TF Balik dan TF cepat.

1. Pendahuluan Seri Fourier umum yang dapat digunakan untuk menggambarkan fungsi periodik apapun ditentukan oleh :
’ ’  

…‘• 

•‹

dan disini harmonik.

dan

adalah koefisien-koefisien yang akan dievaluasi untuk berbagai 


yang disini

…‘• 

•‹

dan T adalah waktu periodik. Suku DC adalah   

.

Perhatikan bahwa jika F (t) = f ( í t) maka fungsi itu adalah genap, yang memberikan simetri terhadap asal dan kemudian hanya suku-suku cosinus yang muncul. Sebaliknya jika F (t) = f ( í t) maka fungsi adalah gasal dan hanya suku-suku sinus yang muncul.

Bentuk Gelombang Persegi Segitiga Gigi gergaji

DC -

Dasar

Ke-2 -

Ke-3

Ke-4 -

Ke-5

Ke-6 -

Ke-7

Gambar 1.1. C t

Anali i Fouri r.

2. Tr

sform si o ri r Transformasi Fouri r adalah operasi matemati a yang terurai sebuah sinyal ke frekuensi penyusunnya. Jadi transformasi Fourier dari sebuah musical chord adalah representasi matematis dari amplitudo dari catatan indi idu yang menebusnya. Sinyal asli tergantung pada waktu, dan karena itu disebut representasi domain waktu dari sinyal, sedangkan transformasi Fourier tergantung pada frekuensi dan disebut domain frekuensi representasi dari sinyal. Istilah transformasi Fourier mengacu baik untuk representasi domain frekuensi dari sinyal dan proses yang mengubah sinyal ke representasi domainnya frekuensi.

F(t)

Transformasi Fourier

F([)

Gambar 1.2. Transformasi Fourier Dalam istilah matematika, salah satu µtransform¶ Transformasi Fourier kompleksnilai fungsi real variabel ke yang lain. Akibatnya, transformasi Fourier terurai fungsi menjadi fungsi osilasi. Transformasi Fourier dan generalisasi adalah subjek analisis Fourier. Dalam kasus khusus ini, baik waktu dan domain frekuensi terbatas linear continua. Hal ini dimungkinkan untuk mendefinisikan transformasi Fourier dari sebuah fungsi dari beberapa variabel, yang penting misalnya dalam studi fisik gerakan gelombang dan optik. Hal ini juga memungkinkan untuk menggeneralisasi Transformasi Fourier pada struktur diskrit seperti kelompok terbatas. Perhitungan efisien struktur tersebut, dengan Transformasi Fourier cepat, adalah penting untuk kecepatan tinggi komputasi.

Gambar 1.3. Kedua gambar di atas courtesy: Margrave G. et al., Consortium for Research in Elastic Wave Exploration Seismology, The University of Calgary. Tabel di bawah ini merupakan beberapa pasangan Transformasi Fourier yang umum dikenal

2.1. T an

a i F u ie 1 Di en i Transformasi Fourier kontinu 1D dari suatu fungsi waktu f(t) didefinisikan dengan :
g

F ([ ) !

´ f (t ).e 
g 

j[t

dt

dimana : F( ) adalah fungsi dalam domain frekwensi adalah frekuensi radial 0 ± 2 f, atau dapat dituliskan bahwa Contoh 2.1 : Diketahui fungsi f(t) sebagai berikut :
f(t) 3

=2 f

-1

0

1

t

Transformasi Fourier dari f(t) di atas adalah :
1 1  j[ t

F ([ ) ! ´ (3)e 
1

dt ! 3 ´ e  j[t dt 
1
1

2.2. T an orma i Fourier 2 Dimen i Transformasi Fourier kontinu 2D dari suatu fungsi spasial f(x,y) didefinisikan dengan :

([1 , [ 2 ) ! 

g

dimana : F( ,  ) adalah fungsi dalam domain frekwensi f(x, y) adalah fungsi spasial atau citra x dan y adalah frekuensi radial 0 ± 2 . Transformasi fourier yang digunakan dalam pengolahan citra digital adalah transformasi fourier 2D.

¢

¢

 

 

!

3 j 6 sin( ) e ej ! j

¡

¡

?

A

´ ´ f ( x, y ).e

 

 

!

¡

3 j e j

t 1

g  j [1 x [ 2 y

dxdy

Contoh 2.2 : Diketahui fungsi spasial f(x,y) berikut:
f(x,y) 1

1

1

y

x

Transformasi fourier dari f(x,y) di atas adalah :
1 1

[ F 1 ,[2 !
1

´ ´ (1).e 
1 1 

j [1 x [ 2 y

dydx

1 « e  j[1 x  j[ 2 y » sin([ 2 )  j[1 x ! ´ ¬ e e dx ¼ dx ! ´ [2 j[ 2 ½ 1 1 ­ 1

1

sin([ 2 ) « e  j[1 x » sin([ 2 ) sin([1 ) ! . ¬ ¼ ! [ 2 ­ j[1 ½ 1 [2 [1 ! sin([ 2 ) sin([1 ) [ 2 [1

1

3. Tran orma i Fourier Di krit Transformasi fourier diskrit atau disebut dengan Discrete Fourier Transform (DFT) adalah model transformasi fourier yang dikenakan pada fungsi diskrit, dan hasilnya juga diskrit. DFT didefinisikan dengan :
N

F (k ) ! § f ( n).e  j 2TknT / N
n !1

3.1. DFT 1 Dimen i DFT seperti rumus di atas dinamakan dengan DFT 1D, DFT semacam ini banyak digunakan dalam pengolahan sinyal digital. Contoh 2.3 : Diketahui f(t) dalam bentuk diskrit f(n) sebagai berikut :
f(t)

0

1

2

3

t

DFT dengan t=1 dari fungsi f(n) di atas adalah :

k=0

F (0) ! § f (n).e  jn 0 ! § f (n)
n! 0 n !0

3

3

! 1111 ! 4
F (1) ! § f ( n).e  j 2Tn / 4 !
n!0 3

k=1

§ f (n).e
n !0

3 

0.5 jnT

!0

3

k=2

F (2) ! § f ( n).e
n !0
3 

j 4n / 4

! § f ( n).e  jnT ! 0
n !0
3

3

k=3

F (3) ! § f ( n ).e  j 6 nn / 4 ! § f ( n).e  j1.5 nT ! 0
n!0 n!0

Hasil dari DFT untuk t (periode sampling) yang berbeda akan juga berbeda. Sehingga dalam proses perhitungan DFT, penentuan nilai T juga merupakan perhatian penting. Sebagai acuan dapat digunakan aturan frekuensi Niquist bahwa frekwensi sampling minimal dua kali frekuensi informasi (data), atau dengan kata lain periode sampling maksimal setengah kali periode dari nilai fungsinya. Contoh 2.4 : Diketahui f(t) dalam bentuk diskrit f(n) sebagai berikut :
f(t) 2 1 t 0 1 2 3 0 1 2 3

DFT dengan t=1 dari fungsi f(n) di atas adalah :

F ( k ) ! § f (n).e
n !0

7 

j 2Tnk / 8

! § f (n).e  jTnk / 8
n !0

7

Hasil DFT fungsi f(t) di atas adalah : k F(k) 0 12 1 0 2 -2 ± 2j 3 0 4 0 5 0 6 -2 + 2j 7 0 Terlihat bahwa hasil dari DFT adalah bilangan komplek, yang terdiri dari unsur real dan imaginer. Sehingga dapat dipisahkan dalam unsur real dan imaginer sebagai berikut : k Real{F(k)} Im{F(k)} 0 12 0 1 0 0 2 -2 -2 3 0 0 4 0 0 5 0 0 6 -2 2 7 0 0 Dan dapat digambarkan sebagai berikut :

Bagian Real Bagian Imaginer Gambar 1.4. Contoh DFT Real dan Imaginer Atau dapat dinyatakan dalam magnitude dan phase dengan definisi sebagai berikut : Magnitude : Phase :

F (k ) !

e_f (k )a 2  Im_f (k )a 2
Im_ (k )a F Re_ ( k )a F

Arg _ (k )a! F

Magnitude Phase Gambar 1.5. Contoh DFT Real dan Imaginer Bila DFT dihitung untuk k=0 s/d 15 maka hasilnya adalah : k 0 1 2 3 4 5 6 7 F(k) 12 0 -2 ± 2j 0 0 0 -2 + 2j 0 K 8 9 10 11 12 13 14 15 F(k) 12 0 -2 ± 2j 0 0 0 -2 + 2j 0

Terlihat terjadi pengulangan hasil, hal ini disebabkan proses DFT memang mengakibatkan terjadinya periodik. Ini sebagai akibat dari adanya unsur radial 2 dalam bentuk transformasi fourier. Sehingga dalam proses perhitungan DFT, perhitungan cukup dilakukan sampai 1/2 periodik saja. Dan perhitungan inilah yang dinamakan dengan FFT (Fast Fourier Transform). 3.2. DFT 2 Dimen i Transformasi Fourier Diskrit (DFT) 2D adalah tranformasi fourier diskrit yang dikenakan pada fungsi 2D (fungsi dengan dua variabel bebas), yang didefinisikan sebagai berikut :

F ( k1 , k 2 ) !

§ § f (n , n
1 n1 ! 0 n2 ! 0

N1

N2

2

).e  j 2TT ( k1n1 / N1  k 2 n2 / N 2 )

DFT 2D ini banyak digunakan dalam pengolahan citra digital, karena data citra dinyatakan sebagai fungsi 2D.

Contoh 2.5 : Diketahui f(x,y) adalah sebagai berikut : 0 1 1 1 1 0 1 1 0 0 1 1 1 1 0 0 1 1 0 1 1 1 1 0 Bila digambarkan hasilnya adalah sebagai berikut :

Gambar 1.6. Contoh citra dalam f(x,y) DFT dari fungsi f(x,y) di atas adalah :

F ( k1 , k 2 ) !

§§
n1 ! 0 n 2 ! 0

4

6

f (n1 , n 2 ).e  j 2TT ( k1n1 / 4  k 2 n2 / 6 )

Hasil dari DFT adalah sebagai berikut : 16 0 -2 - 3.46i 0 -1.27 - 4.73i 0 0 0 0 0 -4.73+ 1.27i 0

0 0 0 0

-2 + 3.46i 0 0 0

0 4.73 - 1.27i 0 1.27 + 4.73i

Secara Grafis dapat ditunjukkan bahwa :

Bagian Real Bagian Imaginer Gambar 1.7. Contoh hasil DFT 2D Hasil DFT dalam bentuk magnitude dan phase adalah sebagai berikut : Magnitude = 16.0000 0 4.0000 0 4.0000 0 0 4.8990 0 0 0 4.8990 0 0 0 0 0 0 0 4.8990 0 0 0 4.8990 Phase = 0 0 0 0

0 -1.8326 0 2.8798

-2.0944 0 0 0

0 0 0 0

2.0944 0 0 0

0 -2.8798 0 1.8326

Secara grafis dapat digambarkan sebagai berikut :

4.

Magnitude Phase Gambar 1.8. Contoh hasil DFT 2D dalam magnitude dan phase Fa t Fourier Tran orm FFT (Fast Fourier Transform) adalah teknik perhitungan cepat dari DFT. Untuk pembahasan FFT ini, akan dijelaskan FFT untuk 1D dan FFT untuk 2D. Dimana FFT 2D adalah pengembangan dari DFT 2D.

4.1. FFT 1D FFT adalah DFT dengan teknik perhitungan yang cepat dengan memanfaatkan sifat periodikal dari transformasi fourier. Perhatikan definisi dari DFT :
N

F (k ) ! § f (n).e  j 2TknT / N
n !1

Atau dapat dituliskan dengan :
N n !1 N n !1

F ( k ) ! § f ( n) cos(2TnkT / N )  j § f (n) sin( 2TnkT / N )
Perhatikan fungsi cosinus berikut ini :

Gambar 1.9. Fungsi cosinus 1 periode Pada gambar di atas, dapat dilihat bahwa nilai fungsi cosinus untuk setengah bagian bila dilihat dari kiri dan setengah bagian dari kanan akan sama, atau dapat dikatakan bahwa nilai fungsi cosinus untuk setengah periode adalah kebalikan horisontal (shift) dari nilai setengah periode sebelumnya, atau dapat dituliskan bahwa : cos(T/2-x) = -cos(x), untuk 0<x<T/2 Perhatikan fungsi sinus berikut ini :

Gambar 2. Fungsi sinus 1 periode

Pada gambar di atas, dapat dilihat bahwa nilai fungsi sinus untuk setengah periode adalah kebalikan dari nilai setengah periode sebelumnya, atau dapat dituliskan bahwa : sin(x+T/2) = -sin(x), untuk 0<x<T/2 Dari kedua sifat di atas, maka perhitungan DFT dapat disederhanakan dengan cukup menghitung setengah periode saja, sedangkan setengah periode berikutnya dapat dihitung dengan menggunakan : F(x+T/2) = Real{F(T/2-x)} - j Im{F(x)} Contoh 2.6 : Perhatikan pada contoh 2.4, hasil dari DFT adalah sebagai berikut : k F(k) k F(k) 0 12 5 0 1 0 6 -2 + 2j 2 -2 ± 2j 7 0 3 0 8 12 4 0 Untuk menghitung hasil tersebut diperlukan 8x8 = 64 kali perhitungan (looping). Bila dihitung dengan menggunakan FFT seperti diatas, maka akan diperoleh (5x8+4) = 44 kali perhitungan, hal ini terlihat sangat meng/hemat perhitungan. Tentunya dengan bertambahnya ukuran data, maka perbedaan kecepatan perhitungannya akan semakin terasa. Untuk n buah data, DFT memerlukan n2 kali perhitungan, dan FFT memerlukan (n/2 + 1)xn + n/2 kali perhitungan. Misalkan jumlah data n=100 maka dengan menggunakan DFT diperlukan 100x100 = 10.000 kali perhitungan, dengan dengan menggunakan FFT cukup dilakukan (51x100+50) = 5150 kali perhitungan. Catatan : Proses FFT di atas adalah proses DFT dengan dibagi menjadi 2 bagian, sebenarnya hal ini masih bisa dilanjutkan dengan memperhatikan kembali sifat dari fungsi sinus dan cosinus pada setengah bagian, seperempat bagian dan seterusnya. Sehingga prosesnya menjadi lebih cepat. Cara perhitungan FFT adalah sebagai berikut : (1) Hitung dengan cara DFT Untuk k=0 : F(0) = 12 + 0j Untuk k=1 : F(1) = 0 + 0 j Untuk k=2 : F(2) = -2 ± 2j Untuk k=3 : F(3) = 0 + 0 j Untuk k=4 : F(4) = 0 + 0 j (karena posisi ditengah)

(2) Perhitungan selanjutnya dilakukan dengan menggunakan cara konjugate diatas. Untuk k=5 : F(5) = Real{F(3)} - Im{F(1)} = 0 + 0 j Untuk k=6 : F(6) = Real{F(2)} - Im{F(2)} = -2 + 2 j Untuk k=7 : F(7) = Real{F(1)} - Im{F(3)} = 0 + 0 j 4.2. FFT 2D FFT 2D adalah DFT 2D dengan teknik perhitungan yang cepat dengan memanfaatkan sifat periodikal dari transformasi fourier. Seperti halnya FFT 1D, maka dengan menggunakan sifat fungsi sinus dan cosinus, algoritma dari FFt 2D ini adalah : (1) Hitung FFT 2D untuk n1 = 1 s/d N1/2 dan n2 = 1 s/d N2/2 menggunakan rumus DFT. (2) Untuk selanjutnya digunakan teknk konjugate 2D. Contoh 2.7 : Perhatikan contoh 2.5. dengan fungsi f(x,y) sebagai berikut : 0 1 1 1 1 0 1 1 0 0 1 1 1 1 0 0 1 1 0 1 1 1 1 0 DFT dari fungsi ini adalah sebagai berikut : 16 0 -2 - 3.46i 0 -2 + 3.46i 0 -1.27 - 4.73i 0 0 0 0 0 0 0 0 0 -4.73+ 1.27i 0 0 0 2 Jumlah perhitungan DFT di atas adalah (4x6) = 576 kali. Dengan menggunakan FFT, maka perhitungannya adalah : (1) Hitung DFT untuk ukuran 4x4 sehingga diperoleh : F(0,0) = 16 F(0,1) = 0 F(0,2) = -2 ± 3.46i F(0,3) = 0 F(1,0) = 0 F(1,1) = -1.27 ± 4.73i F(1,2) = 0 F(1,3) = 0 F(2,0) = 0 F(2,1) = 0 F(2,2) = 0 F(2,3) = 0 F(3,0) = 0 F(3,1) = -4.73 + 1.27i F(3,2) = 0 F(3,3) = 0 (2) Dengan cara konjugate dapat diperoleh : F(0,4) = conjugate(F(0,2)) = -2 + 3.46i F(0,5) = conjugate(F(0,1)) = 0 F(1,4) = conjugate(F(3,2)) = 0 F(1,5) = conjugate(F(3,1)) = -4.73 ± 1.27i

0 4.73 - 1.27i 0 -1.27 + 4.73i

F(2,4) = conjugate(F(2,2)) = 0 F(2,5) = conjugate(F(2,1)) = 0 F(2,4) = conjugate(F(1,2)) = 0 F(2,5) = conjugate(F(1,1)) = -1.27 + 4.73i Jumlah perhitungan dari FFT adalah (4x4x4x6) + 2x4 = 392 kali. Catatan : Jumlah perhitungan dari FFT untuk fungsi 2D yang berukuran mxn adalah (m/2+1)x(n/2+1)xmxn + mxn/4 5. Si at Tran orma i Fourier Beberapa sifat yang berguna dari Transformasi Fourier akan disajikan di sini. Sifat ± sifat ini memberikan kita wawasan dengan jumlah yang signifikan dalam mengubah dan dalam hubungan antara deskripsi domain-waktu dan frekuensi-domain dari suatu sinyal. 5.1. Linearitas Pertimbangkan z(t) = ax(t)+by(t) sebagai kombinasi linear dari dua sinyal, x(t) dan y(t), dimana a dan b adalah skalar. Transformasi Fourier z(t) dihitung dengan merubah x(t) dan y(t) dalam pola tranformasi Fourier sebagai berikut : z(f) = F{ax(t) + by(t) = aF {x(t)} + bF {y(t)} = aX(f) + bY(f) Properti linier dapat dengan mudah diperluas untuk kombinasi linear dari sejumlah sinyal. Properti ini jelas berlaku untuk invers Fourier transform. 5.2. Time Shift Biarkan z(t) = x(t- ) menjadi versi time-shifted dari x(t), di mana adalah bilangan real. Tujuannya adalah untuk mengaitkan Transformasi Fourier z(t) dengan Transformasi Fourier x(t).

Menunjukkan perubahan variable 

, diperoleh

Hasil pengalihan waktu dengan

adalah untuk mengalikan transformasi dengan

. Ini berarti bahwa sinyal yang bergeser dalam waktu tidak mengubah

besarnya magnitudo Transformasi Fourier tetapi menginduksi dalam transformasi sebuah pergeseran fasa, yaitu . Sebuah rumus bermanfaat yang terkait adalah sebagai berikut :

5.3. Frekuensi Shift Dalam sifat Time Shift di atas, kita beranggapan pengaruh pergesera waktu pada representasi frekuensi-domain. Sekarang kita mempertimbangkan efek dari pergeseran frekuensi pada sinyal waktu-domain. Mengingat x(t) merupakan Transformasi Fourier-nya adalah x(f). Misalkan kita melakukan pergeseran frekuensi. Kita memiliki x(f - ). Pertanyaannya adalah : Apa yang invers transformasi yang bersesuaian, yaitu dalam domain waktu, x(f - )?. Yaitu kita akan mengungkapkan transformasi fourier dari z(f) = x(f - ) dalam hal x(t), dimana adalah bilangan real. Dengan definisi Transformasi Fourier, kita memiliki

Melakukan substitusi variabel v = f - , kita mendapatkan

Maka hasil pengalihan frekuensi oleh waktu oleh sinusoida kompleks

sesuai dengan kelipatan dalam domain

.

Sebuah rumus yang terkait yang bermanfaat adalah sebagai berikut :

5.4. Konvolusi Konvolusi z(t) dari dua sinyal x(t) dan y(t) didefinisikan sebagai berikut :

Operasi konvolusi adalah komutatif, yaitu x(t) * y(t) = y(t) * x(t). Berikut ini, marilah kita mencoba untuk mencari transformasi Fourier dari z(t).

Sehingga memiliki

Ini adalah sifat penting yang dapat digunakan untuk menganalisis perilaku input-output dari sistem linier dalam domain frekuensi menggunakan perkalian transformasi Fourier bukan konvolusi sinyal waktu. Arti fisik konvolusi akan menjadi jelas setelah kita telah memperkenalkan konsep modulasi. 5.5. Modulasi Properti modulasi ini mengacu pada perkalian dua sinyal, salah satu perubahan sinyal atau ³memodulasi´ amplitudo yang lain. Kita ingin mengekspresikan Transformasi Fourier produk z(t) = x(t)*y(t) dalam pola transformasi Fourier dari sinyal x(t) dan y(t). Mari kita merepresentasikan x(t) dan y(t) dalam hala transformasi Fourier mereka masing-masing dalam hal berikut :

Istilah produk z(t), sehingga dapat ditulis dalam bentuk :

Melakukan perubahan variable mendapatkan :

dan menggantikannya 

›’‡‡“—ƒ–‹‘Š‡”‡ , kita

Bagian integral dari v dalam persamaan di atas merupakan knvolusi x (f ± dan Y Hi). Karena itu, sinyal termodulasi z (t) dapat ditulis kembali sebagai :

6. Aplika i Tran orma i Fourier Seringkali informasi yang kita dapat tidak dapat dilihat pada domain waktu, tetapi 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 di nalisis a dalam domain frekuensi. Pada ECG dapat memanfaatkan transformasi fourier tergantung yang diinginkan. Seperti telah disinggung sebelumnya bahwa tidak selalu suatu gejala kejanggalan pembacaan catatan grafik aktifitas elektrik jantung dapat teramati dengan baik dalam domain waktu. Sehingga diperlukan domain lain yang sesuai dan dapat memberikan informasi yang lebih akurat kepada pembaca. Domain lain yang dapat digunakan adalah domain frekuensi. Dan sebaliknya tidak semua gejala kejanggalan juga dapat dibaca pada domain ini. Sehingga antara doain waktu dan domain frekuensi akan saling melengkapi, tergantung dengan kebutuhan. 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. Represe ntasi 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 dip erlukan, karena di seluruh interval waktu, nilai komponen frekuensinya konstan.

Gambar. ECG (ElectroCardioGraphy)

REFERENSI 1. http://id.wikipedia.org/wiki/Analisis_Fourier 2. http://ensiklopediseismik.blogspot.com/2008/02/analisis-fourier-deret-fourier.html 3. http://docs.google.com/viewer?a=v&q=cache:lvN5r_c6uTAJ:fadlibae.files.wordpress.co m/2010/04/deretfourier.pdf+deret+fourier&hl=id&gl=id&pid=bl&srcid=ADGEEShV2K1HVjfW3jGcPaqBLHbIw9AzEkjXIzpu_pFba7y5rZ2HFKxmVyMKOnPahJSa2xiCqunQb6SIurEV WOwx53vSCImqAP03_h1LgLII7TcGU73Q8T4H3IxzQuSBdASMQOyjFa&sig=AHIEtbSKsRNrQdeYjlfRhg7Fr0ozsCi_g 4. http://fendi-fkmt.blogspot.com/2010/11/aplikasi-deret-fourier-dan-transformasi.html 5. R.C.T. Lee, Mao-Ching Chiu, and Jung-Shan Lin, ³Communications Engineering,´ Jhon Wiley & Sons (Asia) Pte Ltd. 2007.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->