BAB 5 Discrete Fourier Transform dan FFT

Bab 5: Discrete Fourier Transform dan FFT

1 Discrete Fourier Transform (DFT)
1.1

Definisi
Tujuan Belajar 1
Peserta dapat mendefinisikan DFT, dan menghitungnya.

Untuk melakukan analisis frekuensi dari sinyal waktu diskrit x(n) maka perlu
mendapatkan representasi domain frekuensi dari sinyal yang biasanya dinyatakan dalam
domain waktu. DFT digunakan untuk melakukan analisa frekuensi dari sinyal waktu
diskrit.
N Po int DFT
x(n)
X (k )

dimana n = 0, N-1 dan k = 0, N-1

DFT dihitung menggunakan persamaan :

N 1

X (k ) = x(n)WNkn dimana WN = e

2
N

n =0

sehingga
N 1

X ( k ) = x ( n) e

k
j 2 n
N

n=0

Invers DFT (IDFT) menghitung kembali representasi sinyal waktu diskrit x(n) dari
sinyal yang dinyatakan dalam domain frekuensi X().
1
x ( n) =
N
=

N 1

X ( k )e

k
j 2 n
N

k =0

1
N

N 1

X (k )W
k =0

kn
N

dimana
WN = e

2
N

akar ke N dari unity

Tujuan Belajar 2
Peserta dapat memandang DFT sebagai transformasi linier dan perkalian
matriks terhadap vektor.
DFT dan IDFT dapat juga dipandang sebagai transformasi linier antara x(n) dan
X(k), jadi

V-1

BAB 5 Discrete Fourier Transform dan FFT

xN X N
dimana xN dan XN masing-masing adalah vektor dengan n buah elemen
x(0)
X (0)

xN = M
X N =
M

x( N 1)
X ( N 1)
Jika dinyatakan matriks WN
WN = wij = WN( i )( j )
maka, N point DFT dapat dinyatakan dalam bentuk
X N = WN xN
sedangkan IDFT dapat dihitung jika terdapat invers dari WN.

xN = WN1 X N bila WN1 exist

Contoh:
Hitung 4 point DFT dari sinyal x(n) = ( 0 1 2 3 )

1
1
1 1
1 W 1 W 2 W 3
4
4
4
W4 =
1 W42 W44 W46

3
6
9
1 W4 W4 W4
k + N2

ingat WN

k+

Ingat WN

= WNk
W44 = 1
W46 = 1

= WNk

1
1
1 1
1 j 1 j

=
1 1 1 1

1 j 1 j
6
2 + 2 j

X 4 = W4 x =
2

2 2 j

1.2

N
2

W49 = j

0
1
W =e

2
N

Hubungan DFT dengan Spektrum

Tujuan Belajar 3
Peserta dapat menghubungkan DFT dengan deret Fourier untuk sinyal
periodik.
Misalkan xp(n) adalah sinyal periodik dengan perioda N, maka dapat dinyatakan

V-2

BAB 5 Discrete Fourier Transform dan FFT

N 1

x p ( n ) = Ck e

k
j 2 n
N

k =0

j 2 n
1 N 1
di mana Ck = x p (n)e N
N n=0
bila ambil x(n) = xp(n) untuk n = 0, N-1

maka Ck =

1
N

N 1

x ( n )e

k
j 2 n
N

(satu perioda)

yang tidak lain adalah X(k).

n=0

Tujuan Belajar 4
Peserta dapat menghubungkan DFT dengan spektrum dari sinyal
aperiodik.
Bila x p (n) =

x(n lN )

xp(n) periodik dengan periode N

l =

j 2 n
2
X
k = x ( n )e N
N n=

= ... +

x ( n )e

k
j 2 n
N

n= N

lN + N 1

x ( n )e

N 1

+ x ( n )e

k
j 2 n
N

+ ...

n =0

k
j 2 n
N

l = n =lN

N 1

j 2 n
= x(n lN )e N = FT x p (n) =2k / N
n = 0 l =

x ( n) 0 n N 1
bila x (n) = p
otherwise
0
maka FT ( x(n)) = 2k / N = X ( 2N k ) = DFT [x (n)] = X (k )
jadi x(n) x p (n) x (n)

hanya bila x(n) finite duration L N maka x(n) = x (n) sehingga IDFT {X(k)} = x(n)

V-3

BAB 5 Discrete Fourier Transform dan FFT

1.3

Hubungan DFT Dengan Transformasi z

Tujuan Belajar 5
Peserta dapat menghubungkan DFT dengan transformasi z dari sinyal
(Langrange interpolator).
X (k ) = X ( z )

z =e

j 2 k n
N

bila durasi x(n) N maka

N 1

X ( z ) = x ( n) z n
n=0

1 z N
N

N 1

X (k )

1 e
k =0

j 2

k
N

z 1

X (k )
1 e jN N 1
X ( ) = X ( z ) z =e j =

j ( 2k / N )
N
k =0 1 e
Lagrange Interpolation

2 Sifat DFT
Tujuan Belajar 6
Peserta mengerti dan dapat memanfaatkan sifat linier, periodik dan
simetri sirkular.
Sifat linier :
Jika
x1(n) N-DFT X1(k)
dan
x2(n) N-DFT X2(k)
maka untuk sebarang konstanta a1 dan a2 real atau kompleks
a1.x1(n) + a2.x2(n) N-DFT a1.X1(k) + a2.X2(k)
Sifat periodik :
Jika x(n) N-DFT X(k)
maka
x(n + N) = x(n) untuk semua n
X(k + N) = X(k) untuk semua k
Sifat simetri sirkular

V-4

BAB 5 Discrete Fourier Transform dan FFT

3 Filter Menggunakan DFT

Tujuan Belajar 7
Peserta dapat melakukan filtering
membandingkannya dengan konvolusi.

linier

dengan

x(n) X()
h(n) H()
y(n) Y()
X() H() Y()=H()X()
Assumsikan FIR dan Finite duration
Let : x(n) = 0, n < 0 dan n L
durasi L
h(n) = 0,
n < 0 dan n M
durasi M
Y() = H() X()

durasi : L + M- 1

Bila Y() disample maka sampling harus N L + M -1

2k IDFT
agar
y
y (n)
N
maka Y (k ) = Y ( ) = 2k

k = 0, , N-1

Y (k ) = X (k )H (k ),

zero padding
IDFT
Y (k )
y (n)

k = 0,..., N 1
N L + M +1

Contoh :
FIR : h(n) = {1, 2, 3}
X(n) = {1, 2, 2, 1}
Cari output dengan menggunakan DFT dan IDFT
L = 4, M =3 N = 6
Pilih N = 8 (agar sesuai dengan FFT)
7

H ( k ) = k ( n )e

j 2 ( k8 )n

n=0

V-5

DFT,

dan

BAB 5 Discrete Fourier Transform dan FFT

H (k ) = 1 + 2e

X (k ) =

j 2

k
8

+ 3e

h ( n)e

j 2

k
4

+ 2e

j 2

3k
8

, k = 0,...,7

k
j 2 n
8

n=0

= 1 + 2e

k
8

+ 2e

k
4

+ 2e

3k
8

, k = 0,...,7

4+3 2
2+ 2

+ j

2
2
43 2
2 2

X (3) =
+ j

2
2
43 2
2 2

X (5) =
+ j

2
2
4+3 2
2+ 2

X (7 ) =
+ j

2
2
H (1) = 1 + 2 j 3 + 2

X ( 0) = 6

X (1) =

X ( 2) = 1 j
X ( 4) = 0
X ( 6) = 1 + j

H ( 6) = 2 + j 2

(
H (3) = (1
H (5) = (1
H (7) = (1 +

Y(k) = H(k) X(k)

Y(0) = 36
Y(2) = j4
Y(4) = 0
Y(6) = -j4

Y(1) = -14.07 - j17.48

Y(3) = 0.07 + j0.515
Y(5) = 0.07 - j0.515
Y(7) = -14.07 + j17.48

H ( 0) = 6
H (2) = 2 j 2
H ( 4) = 2

) (
2 ) + j (3
2 ) j (3
2 ) + j (3 +

)
2)
2)
2)

IDFT
7

y ( n) = Y ( k )e

k
j 2 n
8

n = 0, 1, ,7

k =0

y(n) = {1, 4, 9, 11, 8, 3, 0, 0}

zeropad akibat 8 point

seakan lebih sukar dari konvolusi tetapi akan menguntungkan bila M > 40-43
aliasing terjadi bila N < M + L -1
Tujuan Belajar 8

V-6

BAB 5 Discrete Fourier Transform dan FFT

Peserta dapat melakukan filtering linier dengan DFT, untuk sinyal yang
panjang, melalui metoda overlap-save dan overlap-add.
Untuk melakukan filtering sinyal panjang dapat dilakukan dengan cara Block-by-Block
- Overlap-save method
- Overlap-odd method
Asumsi
FIR durasi M
Blok durasi L
Asumsi L >> M
Metoda overlap-save
N = L + M -1 N point DFT dan IDFT
M-1
x(n)

Old

L New Data

X (k )
N DFT

New
x(n)

Untuk blok -m

YM (k ) = H (k )M
X M (k )

IDFT
h(n)

k = 0, 1,L-1
, N-1

H (k )
y m (n) = { y m (0), y m (1),..., y m ( M 1), y m ( M ),...,
y m
( N
1)}
N DFT

Zero Padding

M-1 point
datang dari old data
buang

L hasil konvolusi

Untuk blok m+1

- ambil M-1 point terakhir di blok m untuk digunakan sebagai old data pada
bagian berikut
- ulangi
x1(n) = {0, 0, 0, x(0), x(1), x(L-1)}

Overlap-add Method

4 Fast Fourier Transform (FFT)

Tujuan Belajar 9
Peserta mengerti konsep FFT dan butterfly.
Kebutuhan kalkulasi DFT
N 1

X (k ) = x(n)W
n=0

kn
N

WN = e

2
N

V-7

= cos

2
2
j sin
N
N

BAB 5 Discrete Fourier Transform dan FFT

karena x(n) = xr(n) + jxI(n) bisa bernilai kompleks,

maka X(k) = XR(k) + jXI(k)
N 1

k
k

1. X R (k ) = xr (n) cos 2 n + xI (n) sin 2 n

N
N
n =0
N 1
k
k

2. X I (k ) = xR (n) sin 2 n xI (n) cos 2 n

N
N
n =0

perlu 2N2 evaluasi trigonometric function

+ 4N2 real multiplications
+ 4N(N-1) real addition
+ sejumlah indexing + addressing operators
Sering disebut O(N2)
k+ N

Gunakan fakta : WN 2 = WNk (simetri)

untuk menekan komputasi

k + N2

WN

= WNk

Fast algorithms tersedia untuk

N = r1, r2, rv di mana {rj} = prime

Tujuan Belajar 10
Peserta dapat menjelaskan FFT Radix-2 desimasi dalam waktu.

Radix-2 FFT]
- Kasus khusus N = r x r x r x xr = rv
- R =2 radix-2 FFT N = 2v
Decimation in Time
FFT
x(n)
X (k )
1.

N
1
x ( n)
2
f 2 (n) = x(2n + 1) bagi 2 sequences f1 , f 2
f1 (n) = x(2n)

n = 0,1,...,

f1 dan f2 diperoleh melalui desimasi x(n)

x(n
F1(n)
F2(n)

V-8

BAB 5 Discrete Fourier Transform dan FFT

N 1

X (k ) = x(n)WNkn

2.

k = 0, 1, , N-1

n=0

x(n)W

n even

kn
N

m =0

kn
N

n odd

N 1
2

N 1
2

= x(2m)W

x(n)W

2 mk
N

+ x(2m + 1)WNk ( 2 m+1)

m =0

namun WN2 = WN / 2 , maka

N 1
2

X (k ) = f1 (m)WN 2 + W
km

m =0

N
2

k
N

m=0

(m)WNk2( 2 m+1)

X (k ) = F1 (k ) + W F2 (k ) k = 0,1,...N 1
di mana
F1(k) : N/2 point DFT dari f1(m)
F2(k) : N/2 point DFT dari f2(m)
k
N

Karena F1(k) dan F2(k) periodik, dengan perioda N/2,

F1(k+N/2) = F1(k) dan F2(k+N/2) = F2(k)
k + N2

Juga WN

= WNk , maka
X (k ) = F1 (k )+ WNk F2 (k )
k = 0, (N/2)-1
N
X (k + ) = F1 (k ) WNk F2 (k ) k= 0, (N/2)-1
2

G1 (k ) = F1 (k )
G2 (k ) = WNk F2 (k )

Bila

X (k ) = G1 (k )+ G2 (k )

2 po int DFT
N
X (k + ) = G1 (k ) G2 (k )
2

Lanjutkan

f1

V11 (n) = f1 (2n)

V12 (n) = f1 (2n + 1)

N
po int s
4
N
po int s
4

N
po int s
4
f2
N
V22 (n) = f 2 (2n + 1)
po int s
4
N
F1 (k ) = V11 (k ) + W NkV12 (k ) k po int s
2
4
V21 (n) = f 2 (2n)

V-9

BAB 5 Discrete Fourier Transform dan FFT

F1 (k + N4 ) = V11 (k ) W NkV12 (k ) k
2

N
po int s
4

N
po int s
2
4
N
F2 (k + N4 ) = V21 (k ) W NkV22 (k ) k po int s
2
4

F2 (k ) = V21 (k ) + W NkV22 (k ) k

di mana

vij
Vij (k )

N/4 DFT point O(nlogn)

Ilustrasi untuk 8 samples

V11(n) = f1(2n)= x(4n) = {x(0), x(4)}
V12(n) = f1(2n+1) = x(2(2n+1)) = x(4n+2) ={x(2), x(4)}
V21(n) = f2(2n) = x(2(2n+1)) = x(4n+2) = {x(1), x(5)}
V22(n) = f2(2n+1) = x(2(2n+1)+1) = x(4n+3) = {x(3), x(7)}

Tujuan Belajar 11
Peserta dapat menjelaskan FFT Radix-2 desimasi dalam frekuensi.

V-10