Kegunaan Transformasi Fourier yang Sangat Hebat sampai Terasa Tidak Masuk Akal

• Presentasi ini menunjukkan betapa kuatnya Transformasi Fourier bekerja dalam penerapan teknologi nyata
• Pembicara menjelaskan dengan berfokus pada contoh terkait OFDM (Orthogonal Frequency Division Multiplexing) di acara Teardown 2025
• Berbagai materi referensi juga disediakan, termasuk PDF slide, Jupyter notebook, kode dekoder DVB-T, dan video algoritme FFT
• Materi ini menunjukkan bahwa Transformasi Fourier masih berfungsi sebagai alat inti di bidang komunikasi dan pemrosesan sinyal

---

• Sinyal biasanya diperlakukan sebagai sesuatu yang nilainya berubah seiring waktu, tetapi sinyal yang sama juga dapat dinyatakan sebagai penjumlahan komponen frekuensi
• Transformasi Fourier adalah alat yang mengubah satu gelombang kompleks menjadi informasi tentang “frekuensi apa saja yang bercampur dan seberapa besar”
• Misalnya, noise sesaat yang meledak, distorsi yang berayun perlahan, dan pola yang berulang tampak saling terkait di domain waktu, tetapi terpisah di domain frekuensi

• Kanal komunikasi di dunia nyata umumnya memiliki karakteristik linear dan invarian terhadap waktu (LTI, Linear Time-Invariant)
• Dalam sistem LTI, bagaimana sinyal terdistorsi ditentukan secara independen untuk tiap frekuensi
• Delay, pantulan, dan atenuasi di domain waktu muncul sebagai perubahan amplitudo dan perubahan fase di domain frekuensi

• Jika mencoba menyelesaikan masalah di domain waktu, delay, tumpang tindih, dan interferensi akan saling terikat
• Jika masalah yang sama dilihat di domain frekuensi, ia berubah menjadi persoalan mengatur tiap komponen frekuensi satu per satu
• Dari sini muncul gagasan untuk “memindahkan data ke ruang yang lebih mudah diproses”

• Implementasi langsung dari gagasan ini adalah OFDM (Orthogonal Frequency Division Multiplexing)
• Satu aliran data cepat dibagi menjadi banyak subcarrier lambat
• Tiap subcarrier saling ortogonal, sehingga bisa dikirim bersamaan tanpa saling mengganggu
• Dengan FFT (Fast Fourier Transform)/IFFT (Inverse Fast Fourier Transform), banyak subcarrier dapat dikonversi dan dipulihkan sekaligus

• Ketika kondisi kanal berbeda untuk tiap frekuensi, hanya sebagian subcarrier yang kualitasnya memburuk
• Pada metode pembawa tunggal, seluruh data bisa rusak, tetapi pada OFDM hanya sebagian yang terdampak
• Frekuensi yang bermasalah bisa digunakan lebih lemah atau bahkan dibiarkan kosong

• Burst noise yang terjadi terkonsentrasi dalam waktu akan tersebar ke beberapa simbol dan beberapa frekuensi dalam OFDM
• Noise kuat dalam momen singkat tidak langsung menyebabkan kerusakan pada seluruh data

• Multipath di lingkungan nirkabel menciptakan delay karena sinyal tiba melalui beberapa jalur
• Di domain waktu, simbol saling tumpang tindih sehingga terjadi ISI (Inter-Symbol Interference)
• Di domain frekuensi, multipath muncul sebagai kurva respons kanal
• Dengan mengoreksi kurva ini, tiap subcarrier dapat dipulihkan secara independen

• Dengan sinyal pilot, error frekuensi (LO drift) antara pemancar dan penerima dapat dilacak
• Doppler shift yang muncul saat bergerak juga dapat dipisahkan dan dikoreksi per frekuensi

• Skema modulasi yang berbeda dapat diterapkan pada tiap subcarrier
• Band dengan kondisi sinyal baik dapat diberi modulasi berkecepatan tinggi, sedangkan band yang buruk diberi modulasi yang lebih stabil
• Hal ini memungkinkan transmisi data bertingkat yang tidak mungkin dilakukan dalam satu aliran tunggal

• Dapat diperluas ke struktur OFDMA di mana banyak pengguna mengirim secara bersamaan dengan membagi waktu dan frekuensi
• Konsentrasi error dapat dikurangi lewat interleaving yang mencampur data di dimensi waktu dan frekuensi
• Secara alami dapat digabungkan dengan teknik koreksi error seperti kode konvolusi, Reed–Solomon, dan BCH

• Pada akhirnya, Transformasi Fourier adalah “saklar yang mengubah realitas kompleks menjadi masalah pengaturan yang sederhana”
• OFDM adalah desain yang menempatkan saklar ini di pusat arsitektur komunikasi
• Inilah fondasi yang membuat komunikasi nirkabel modern mampu memperoleh kecepatan tinggi dan kestabilan sekaligus

[euphcat]

Dari "komentar HN":
> * Mengejutkan bahwa dia tetap begitu produktif meskipun memiliki enam anak

...?

[aer0700]

Kita sudah hidup di era seseorang yang memiliki empat belas anak dan menjadi CEO dari empat perusahaan, jadi...

[aer0700]

Saya ingat pernah memakainya saat menulis logika untuk menghilangkan noise dan menghapus pola berulang.
Belakangan ini, hal serupa tampaknya diimplementasikan dengan autoencoder.

[GN⁺]

Komentar Hacker News

• Orang-orang sering terpukau oleh istilah "ruang frekuensi", tetapi inti sebenarnya adalah betapa bergunanya perubahan sistem koordinat yang berpusat pada masalah
  Seperti Copernicus yang menyederhanakan gerak planet yang rumit dengan mengubah sistem koordinat, analisis Fourier pada dasarnya berangkat dari gagasan yang sama
  Dalam sinyal digital, basis Walsh-Hadamard juga berguna, dan ini sama sekali berbeda dari konsep frekuensi
  Model seperti GPT pun saat ini masih berada dalam kondisi yang mirip Ptolemaios, dan suatu hari nanti kita mungkin akan memahami dinamikanya lewat sistem koordinat yang lebih baik
  • Transformasi seperti ini pada akhirnya adalah proses berpindah ke basis eigen dari suatu operator diferensial
    Harmonik sferis, fungsi Bessel, fungsi Hankel, dan sebagainya masing-masing merupakan variasi dari sinus/kosinus atau fungsi eksponensial kompleks
    Wavelet menggunakan ruang parameter berbentuk pohon, dan belakangan ini riset tentang basis overcomplete juga sangat aktif
    Namun saya rasa pendekatan linear seperti ini tidak punya kaitan langsung dengan pemahaman jaringan saraf yang menangani struktur non-linear berdimensi tinggi
  • Kalau belajar transformasi Fourier atau Laplace dengan cara seperti ini, kelas DSP pasti akan jauh lebih menarik
  • Memprediksi keadaan masa depan sistem kuantum juga menjadi sederhana jika Hamiltoniannya bisa didiagonalisasi
    Masalahnya, secara umum itu hampir mustahil dilakukan
• Kisah transformasi Fourier favorit saya adalah bahwa Gauss menemukan algoritma FFT satu abad sebelum Cooley dan Tukey
  Ia menuliskannya di catatannya saat meneliti gerak asteroid Pallas dan Juno, tetapi tidak pernah dipublikasikan
  Dokumen terkait
  • Ada cerita bahwa ketika matematikawan lain menunjukkan hasil baru, Gauss akan berkata, "Saya sudah melakukannya," lalu mengeluarkan setumpuk makalah terkait dari lacinya
  • Dari cerita yang saya dengar saat magang di Chevron, pada 1950-an mereka sudah memakai transformasi Fourier untuk analisis seismik eksplorasi minyak, tetapi merahasiakannya karena matematika tidak bisa dipatenkan
  • Konon pinggiran catatan Gauss dipenuhi bukti-bukti yang belum dipublikasikan
    Ia juga menyuruh putranya untuk tidak menekuni matematika, karena menganggap mustahil melampaui dirinya
  • Gauss memang benar-benar Gauss
  • Menakjubkan bahwa ia bisa tetap seproduktif itu sambil memiliki enam anak
• Fitur yang paling saya rindukan di Grafana adalah transformasi Fourier yang bisa menemukan pola periodik (epicycle) pada lonjakan trafik
  Saya ingin menangkap trafik periodik seperti Senin pagi atau Selasa siang
  Tetapi saya salah mengatur grafik dan malah menghabiskan setengah kuota penggunaan harian, lalu mengubahnya ke garis -7 hari, yang hanya saya sendiri pahami sementara tim jadi bingung
  • Lonjakan seperti ini tidak cocok dengan asumsi bahwa sinyal memiliki komponen frekuensi di seluruh rentang
    Sebagai gantinya, analisis cepstrum lebih cocok, dan sering dipakai dalam analisis getaran mesin untuk menemukan benturan periodik (misalnya kerusakan roda gigi)
• Sinyal tidak bisa sekaligus dibatasi pita baik dalam waktu maupun frekuensi
  Saat kuliah S1 saya terkejut mengetahui bahwa fakta ini setara dengan prinsip ketidakpastian
  Saya dan istri sering berdebat soal cara menyusun isi mesin pencuci piring; saya melakukannya cepat (meminimalkan waktu), istri saya melakukannya teliti (meminimalkan jumlah pencucian), jadi kami masing-masing mengoptimalkan domain yang berbeda
  • Sinyal bisa dibatasi secara aproksimatif di kedua sisi
    Misalnya, fungsi Gaussian bersifat kompak di kedua domain
  • Telinga sangat baik dalam pemisahan frekuensi tetapi lemah dalam mendeteksi arah, sedangkan mata justru kebalikannya
  • Ini secara harfiah adalah prinsip ketidakpastian Heisenberg dalam pemrosesan sinyal
  • Saya jadi penasaran apakah maksudnya "dilakukan cepat lalu harus menjalankan satu siklus lagi"
    Sebagai referensi, saya merekomendasikan video mesin pencuci piring dari Technology Connections
  • Mesin pencuci piring dengan pemuatan otomatis akan menjadi penemuan yang menyelamatkan pernikahan
• Setelah mulai melihat dunia dalam domain frekuensi, banyak trik jadi terasa sederhana
  Saya pernah membuat kode demo yang menerapkan transformasi Fourier pada video webcam untuk membaca denyut jantung dari wajah
  Caranya adalah mencari bagian yang energinya memuncak pada frekuensi tertentu
  • Ini adalah dasar dari semua algoritma kompresi lossy
    DCT yang menjadi inti JPEG, h264, dan mp3 pada dasarnya adalah FFT yang dimodifikasi
  • Saya pernah melihat komentar HN lama dari seseorang yang mengatakan perubahan sudut pandang seperti ini mengubah hidupnya
  • Di bidang finansial juga ada analogi serupa — bertindak berdasarkan ambang harga, bukan titik waktu tertentu
  • Tetapi dalam praktiknya, pulsasi kulit akibat aliran darah mungkin saja tidak terlihat dari webcam
• Saya sangat merekomendasikan video terbaru Sebastian Lague
  Ia menjelaskan konsep transformasi Fourier dengan sangat mudah
  Tautan video
• Ada candaan tentang siapa yang akan menulis judul seperti "The Unreasonable Effectiveness of The Unreasonable Effectiveness"
  • Lalu ada balasan bernada meme, "Unreasonable effectiveness is all you need"
  • Mengingat isi makalah aslinya dan bagaimana transformasi Fourier memungkinkan komunikasi di kanal berisik, saya rasa judul itu cukup pas
  • Ini awalnya parodi dari esai terkenal tahun 1960, "The Unreasonable Effectiveness of Mathematics in the Natural Sciences"
    Tetapi judul seperti ini sudah terlalu sering dipakai sehingga sekarang terasa agak manipulatif
  • Ada juga yang bercanda menyebutnya sebagai "kutub berlawanan dari effectiveness-ness yang unreasonable"
  • Saya menganggap judul seperti ini kekanak-kanakan
    Transformasi Fourier sebenarnya adalah konsep yang sangat masuk akal dan intuitif
    Karena matematika memang bahasa sains, ungkapan "matematika itu luar biasa efektif secara tidak masuk akal" juga terasa berlebihan
    Materi presentasinya sendiri pada akhirnya hanya setingkat FT 101 dasar
• Dari sudut pandang ML/data science, FFT mirip dengan PCA
  Prosesnya adalah memproyeksikan data ke sistem koordinat yang lebih baik (waktu → frekuensi), membuang basis dengan varians rendah, lalu memulihkannya dengan transformasi balik (IFFT)
  Bedanya, basis FFT bersifat tetap
• Saya kurang suka transformasi Fourier
  Karena menangani domain tak hingga, ia terasa kasar dan tidak cocok dengan dunia nyata
  • Dalam praktiknya semua orang menerapkan FFT pada data yang diberi window
    Dengan begitu, masalah dukungan tak hingga dan resolusi tak hingga bisa dihilangkan
  • Saya tidak tahu ini lelucon Tomb Raider atau metafora matematika
  • Pokoknya di sini bukan itu maksudnya
• Saat menjelaskan OFDM, dia secara implisit sedang membahas amplitude-shift keying (ASK)
  Jika ingin memakai modulasi lain, cukup perlakukan bilangan kompleks dari subcarrier sebagai titik IQ
  Pada akhirnya kita membaca simbol yang sama di domain frekuensi alih-alih domain waktu, dan ini bekerja setara dengan modulasi biasa berkat prinsip superposisi