Transformasi Fourier: Contoh Soal & Penjelasan Lengkap

Halo para analis sinyal dan para penggemar matematika! Kali ini kita bakal ngebahas tuntas tentang Transformasi Fourier, sebuah alat matematis yang super kece badai buat ngurai sinyal kompleks jadi komponen frekuensi dasarnya. Buat kalian yang berkutat di dunia teknik elektro, fisika, pemrosesan sinyal, atau bahkan deep learning, konsep ini tuh kayak makanan sehari-hari, guys. Jadi, siapin kopi kalian, yuk kita bedah bareng-bareng contoh soal transformasi Fourier biar makin jago!

Memahami Konsep Dasar Transformasi Fourier

Sebelum loncat ke contoh soal, penting banget nih buat kita ngingetin lagi apa sih sebenernya Transformasi Fourier itu. Bayangin aja gini, kita punya sinyal yang bentuknya ruwet banget, naik turun nggak karuan. Nah, Transformasi Fourier itu ibarat kacamata ajaib yang bisa nunjukkin, 'Eh, sinyal ruwet ini tuh ternyata gabungan dari gelombang-gelombang sinus dan kosinus dengan frekuensi dan amplitudo yang beda-beda, lho!' Keren, kan? Intinya, transformasi ini mengubah representasi sinyal dari domain waktu (bagaimana sinyal berubah seiring waktu) ke domain frekuensi (komposisi frekuensi dari sinyal tersebut).

Secara matematis, untuk sinyal kontinu $f(t)$, Transformasi Fourier didefinisikan sebagai:

$F(\omega) = u_0^ u f(t) e^{-i u t} dt$

Di mana:

• $F(\omega)$ adalah representasi sinyal di domain frekuensi.
• $f(t)$ adalah sinyal asli di domain waktu.
• $\omega$ adalah frekuensi angular.
• $i$ adalah unit imajiner ($\sqrt{-1}$).

Nah, kalau buat sinyal diskrit (yang datanya cuma ada di titik-titik waktu tertentu), kita pakai yang namanya Diskret Transformasi Fourier (DFT). Rumusnya sedikit beda, tapi prinsipnya sama:

$X_k = u_{n=0}^{N-1} x_n e^{-i 2\pi k n / N}$

Kenapa sih kok kita perlu repot-repot pakai Transformasi Fourier? Gini, guys. Dengan ngeliat sinyal di domain frekuensi, kita jadi bisa nganalisis karakteristik penting yang kadang tersembunyi di domain waktu. Contohnya, kita bisa tau frekuensi dominan yang ada di sinyal, mendeteksi noise (gangguan) yang seringkali punya karakteristik frekuensi tertentu, atau bahkan merancang filter buat ngilangin frekuensi yang nggak diinginkan. Ini aplikasinya luas banget, mulai dari kompresi data audio dan gambar, analisis getaran mesin, sampai interpretasi sinyal medis kayak EEG dan EKG. Jadi, jangan remehin si Fourier ini, ya!

Contoh Soal Transformasi Fourier 1: Fungsi Kotak (Rectangular Pulse)

Oke, guys, mari kita mulai pemanasan dengan contoh soal yang paling sering muncul pas kuliah atau ujian: transformasi Fourier dari fungsi kotak atau rectangular pulse. Fungsi ini tuh kayak sinyal yang 'nyala' di satu rentang waktu dan 'mati' di luar rentang itu.

Misalkan kita punya fungsi kotak $f(t)$ yang didefinisikan sebagai berikut:

$f(t) = \begin{cases} 1, & |t| \le T/2 \\ 0, & |t| > T/2 \end{cases}$

Kita mau cari $F(\omega)$ menggunakan rumus Transformasi Fourier:

$F(\omega) = u_{- u}^ u f(t) e^{-i u t} dt$

Karena $f(t)$ bernilai 1 hanya untuk $|t| \le T/2$ dan 0 di luarnya, integralnya jadi lebih sederhana:

$F(\omega) = u_{-T/2}^{T/2} (1) e^{-i u t} dt$

Sekarang kita tinggal hitung integralnya. Ingat, $e^{ax} = \frac{1}{a} e^{ax}$. Jadi:

$F(\omega) = \left[ \frac{e^{-i u t}}{-i u} \right]_{-T/2}^{T/2}$

Substitusikan batas atas dan bawah:

$F(\omega) = \frac{e^{-i u (T/2)}}{-i u} - \frac{e^{-i u (-T/2)}}{-i u}$

$F(\omega) = \frac{e^{-i u T/2} - e^{i u T/2}}{-i u}$

Kita bisa pakai identitas Euler: $e^{ix} - e^{-ix} = 2i \sin(x)$. Nah, biar cocok sama identitas itu, kita kaliin pembilang dan penyebutnya sama -1:

$F(\omega) = \frac{e^{i u T/2} - e^{-i u T/2}}{i u}$

Sekarang, kita bisa substitusi $x = \nu T/2$ ke identitas Euler:

$F(\omega) = \frac{2i \sin(\nu T/2)}{i u}$

Coret $i$-nya:

$F(\omega) = \frac{2 \sin(\nu T/2)}{\nu}$

Biar makin cakep dan sering ditemui di buku, kita bisa ubah bentuknya sedikit. Ingat kalau $\text{sinc}(x) = \frac{\sin(\pi x)}{\pi x}$. Kalau kita mau bikin bentuk $\text{sinc}$ yang unnormalized, yaitu $\frac{\sin(x)}{x}$, maka kita bisa manipulasi:

$F(\omega) = T \frac{\sin(\nu T/2)}{\nu T/2}$

Nah, kalau kita definisikan fungsi sinc sebagai $\text{sinc}(x) = \frac{\sin(x)}{x}$, maka hasil akhirnya adalah:

$F(\omega) = T \; \text{sinc}(\nu T/2)$

Wih, ternyata fungsi kotak yang keliatannya simpel di domain waktu, pas ditransformasi Fourier jadi fungsi sinc di domain frekuensi. Fungsi sinc ini punya main lobe di tengah dan side lobes yang makin kecil ke arah frekuensi yang lebih tinggi. Ini nunjukkin kalau sinyal kotak itu punya spektrum frekuensi yang lebar, tapi frekuensi yang lebih tinggi punya amplitudo yang lebih kecil. Mantap, kan?

Contoh Soal Transformasi Fourier 2: Fungsi Eksponensial

Selanjutnya, kita coba fungsi yang agak beda, yaitu fungsi eksponensial yang meluruh. Fungsi ini sering muncul buat modelin fenomena peluruhan atau respons sistem orde pertama.

Misalkan kita punya fungsi $f(t) = e^{-at} u(t)$, di mana $a > 0$ dan $u(t)$ adalah fungsi Heaviside step function (yang bernilai 1 untuk $t \ge 0$ dan 0 untuk $t < 0$). Fungsi ini cuma ada di sisi kanan sumbu waktu dan nilainya makin kecil seiring waktu.

Kita cari $F(\omega)$ nya:

$F(\omega) = u_{- u}^ u f(t) e^{-i u t} dt$

Karena $f(t) = e^{-at}$ untuk $t \ge 0$ dan $f(t)=0$ untuk $t < 0$ (karena $u(t)$), maka integralnya jadi:

$F(\omega) = u_0^ u e^{-at} e^{-i u t} dt$

Gabungin eksponensialnya:

$F(\omega) = u_0^ u e^{-(a+i u)t} dt$

Sekarang kita integralkan:

$F(\omega) = \left[ \frac{e^{-(a+i u)t}}{-(a+i u)} \right]_0^ u$

Substitusikan batas atas dan bawah:

$F(\omega) = \frac{e^{-(a+i u) u}}{-(a+i u)} - \frac{e^{-(a+i u)0}}{-(a+i u)}$

Karena $e^0 = 1$ dan $\nu$ di sini merujuk pada batas atas integral (bukan frekuensi $\omega$ yang kita cari, ini kadang bikin bingung, mari kita ganti batas atasnya jadi $M$ untuk sementara biar jelas):

$F(\omega) = u_0^M e^{-(a+i u)t} dt$

$F(\omega) = \left[ \frac{e^{-(a+i u)t}}{-(a+i u)} \right]_0^M$

$F(\omega) = \frac{e^{-(a+i u)M}}{-(a+i u)} - \frac{e^0}{-(a+i u)}$

$F(\omega) = \frac{1 - e^{-(a+i u)M}}{a+i u}$

Nah, untuk kasus sinyal yang benar-benar meluruh sampai nol di tak hingga (yaitu, ketika $M \to u$), suku $e^{-(a+i u)M}$ akan mendekati nol karena $a > 0$. Jadi, kita bisa anggap:

$F(\omega) = \frac{1 - 0}{a+i u}$

$F(\omega) = \frac{1}{a+i u}$

Voila! Transformasi Fourier dari fungsi eksponensial $e^{-at} u(t)$ adalah $\frac{1}{a+i\nu}$. Bentuk ini menunjukkan bahwa spektrum frekuensinya itu kompleks. Ada bagian real ($\frac{a}{a^2+\nu^2}$) dan bagian imajiner ($\frac{-\nu}{a^2+\nu^2}$). Magnitudonya adalah $\frac{1}{\sqrt{a^2+\nu^2}}$ yang makin kecil seiring meningkatnya frekuensi, dan fasanya bergantung pada $\nu$. Ini nunjukkin kalau sinyal eksponensial yang meluruh itu didominasi oleh frekuensi rendah.

Contoh Soal Transformasi Fourier 3: Fungsi Delta Dirac

Terakhir, kita bahas fungsi yang unik banget: Fungsi Delta Dirac, sering dilambangkan $\delta(t)$. Fungsi ini punya nilai tak hingga di $t=0$ dan nol di semua $t$ lainnya, tapi total luasnya (integral) adalah 1. Konsepnya memang agak abstrak, tapi penting banget buat representasi impuls atau event sesaat.

Sifat paling penting dari fungsi Delta Dirac adalah:

$\nu_{- u}^ u f(t) \delta(t-t_0) dt = f(t_0)$

Artinya, kalau kita mengalikan sembarang fungsi $f(t)$ dengan $\delta(t-t_0)$ lalu diintegralkan, hasilnya adalah nilai fungsi $f(t)$ di titik $t_0$. Kalau $t_0=0$, maka $\nu_{- u}^ u f(t) \delta(t) dt = f(0)$.

Sekarang, mari kita cari Transformasi Fourier dari $\delta(t)$:

$F(\omega) = u_{- u}^ u \delta(t) e^{-i u t} dt$

Kita bisa pakai sifat saringan (sifting property) dari Delta Dirac. Di sini, $f(t) = e^{-i u t}$ dan $t_0 = 0$. Jadi:

$F(\omega) = e^{-i u (0)}$

$F(\omega) = e^0$

$F(\omega) = 1$

Gimana, guys? Ternyata Transformasi Fourier dari fungsi Delta Dirac $\delta(t)$ adalah fungsi konstan bernilai 1 di semua frekuensi! Ini masuk akal banget. Fungsi Delta Dirac itu kan 'impuls' sesaat yang punya energi di semua frekuensi dengan kekuatan yang sama (secara teori). Makanya, di domain frekuensi, dia direpresentasikan sebagai sinyal 'datar' di semua frekuensi. Ini nunjukkin hubungan dualitas yang menarik antara domain waktu dan frekuensi.

Kesimpulan: Kekuatan Analisis Domain Frekuensi

Nah, itu dia beberapa contoh soal transformasi Fourier yang sering kita temui. Dari fungsi kotak yang menghasilkan sinc, fungsi eksponensial yang menghasilkan $\frac{1}{a+i\nu}$, sampai fungsi Delta Dirac yang menghasilkan konstanta 1. Setiap contoh nunjukkin bagaimana sinyal yang berbeda di domain waktu punya 'sidik jari' frekuensi yang unik di domain sebaliknya.

Kunci utama memahami transformasi Fourier itu ada di memvisualisasikan bagaimana sinyal tersebut bisa dipecah jadi komponen sinusoida. Semakin kalian banyak latihan soal dan melihat berbagai jenis sinyal, semakin kalian akan terbiasa mengenali bentuk spektrum frekuensinya. Ingat, guys, di dunia nyata, sinyal jarang ada yang sesederhana contoh-contoh tadi. Tapi, dengan memahami dasar-dasarnya lewat contoh soal ini, kalian punya toolkit yang kuat buat menganalisis sinyal yang lebih kompleks sekalipun. Terus eksplorasi, terus belajar, dan jangan takut sama rumus-rumus yang kelihatan rumit, ya! Happy analyzing!