Membedakan cara membaca sinyal pada domain waktu dan domain frekuensi.
Melihat bagaimana frekuensi dominan muncul dari gabungan beberapa gelombang.
Menghubungkan spektrum FFT dengan filtering, audio, dan analisis getaran.
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
- Lihat bagaimana FFT memecah sinyal yang rumit menjadi komponen frekuensi yang dapat kita ukur dan bandingkan.
- Periksa contoh dan batas metode sebelum menarik kesimpulan dari hasilnya.
- Gunakan lab interaktif untuk menguji satu perubahan pada satu waktu.
Pertanyaan yang sering muncul
Apa yang perlu disiapkan sebelum membaca?
Tidak ada prasyarat khusus. Istilah tentang signal processing akan dijelaskan saat pertama kali digunakan.
Bagaimana cara menguji pemahaman ini?
Gunakan data kecil dan ubah satu parameter pada satu waktu. Setelah itu, buka eksperimen interaktifnya untuk melihat apakah intuisi kita sesuai dengan hasilnya.
NumPy FFT dan Signal Processing Guides
Sumber berikut dapat dibuka untuk memeriksa konteks dan rujukan yang digunakan.
Buka sumber asli →