Bagaimana aplikasi bisa mengenali lagu hanya dari beberapa detik suara? Salah satu ide dasarnya adalah membaca jejak frekuensi. FFT membantu mengubah sinyal dari domain waktu menjadi spektrum frekuensi.
Domain waktu vs domain frekuensi
Di domain waktu, kita melihat nilai sinyal berubah terhadap waktu. Ini cocok untuk melihat amplitudo, puncak, dan noise. Tetapi jika ingin tahu komponen frekuensi apa saja yang menyusun sinyal, domain frekuensi jauh lebih jelas.
Contoh sederhana: sinyal yang terlihat rumit bisa saja tersusun dari gelombang 5 Hz, 20 Hz, dan sedikit noise. Di grafik waktu, semuanya bercampur. Di spektrum FFT, frekuensi dominan muncul sebagai puncak.
X[k] = sum x[n] * exp(-j2*pi*k*n/N)DFT menghitung kontribusi tiap frekuensi. FFT adalah cara cepat untuk menghitung DFT dengan kompleksitas lebih efisien.DFT: O(N^2), FFT: O(N log N)Mengapa FFT penting untuk ML?
Banyak data sensor, audio, getaran mesin, dan sinyal biologis lebih mudah dianalisis setelah dipetakan ke frekuensi. Audio classification, speech recognition, anomaly detection, dan preprocessing CNN audio sering memanfaatkan representasi frekuensi.
Nyquist dan sampling rate
Sampling rate menentukan batas frekuensi tertinggi yang bisa dibaca. Secara sederhana, frekuensi maksimum yang dapat diamati adalah setengah sampling rate, disebut batas Nyquist. Jika sampling terlalu rendah, frekuensi tinggi bisa menyamar menjadi frekuensi lain.
Coba di workspace
- Buka FFT Spectrum.
- Masukkan sinyal gabungan, misalnya 5 Hz + 20 Hz.
- Ubah amplitudo dan noise.
- Lihat puncak spektrum bergerak sesuai komponen sinyal.
- Bandingkan dengan Signal Filtering untuk menghapus frekuensi tertentu.
FFT bukan hanya topik teknik elektro. Untuk machine learning berbasis sinyal, FFT adalah kacamata yang sering membuat pola tersembunyi menjadi terlihat.
Ringkasan praktis
- Pelajari FFT dari konsep dasar hingga visualisasi spektrum interaktif dan lihat bagaimana sinyal waktu diubah menjadi frekuensi.
- Mulai dari intuisi visual, lalu cocokkan dengan rumus, contoh, dan batasan penggunaannya.
- Gunakan lab interaktif untuk menguji konsep setelah membaca, terutama jika artikel membahas metode atau evaluasi model.
Pertanyaan yang sering muncul
Siapa yang cocok membaca artikel ini?
Pembaca yang ingin memahami signal processing dengan bahasa Indonesia yang praktis, tanpa kehilangan konteks teknis penting.
Apa langkah berikutnya setelah membaca?
Coba ulang konsep dengan data kecil, bandingkan hasilnya, lalu buka artikel terkait atau eksperimen interaktifnya agar pemahaman tidak berhenti di teori.
NumPy FFT dan Signal Processing Guides
Lanjutkan membaca pada sumber penerbit untuk mendapatkan konteks lengkap.
Buka sumber asli →