Transformasi Fourier Diskrit (Discrete Fourier Transform - DFT) adalah prosedur yang paling

umum dan kuat pada bidang pemrosesan sinyal digital. DFT memungkinkan untuk menganalisis,
memanipulasi, dan mensintesis sinyal dengan cara yang tidak mungkin dilakukan dalam
pemrosesan sinyal analog Lyons, Richard G. 1997. Understanding Digital Signal Processing. Prentice Hall
PTR... Meskipun sekarang digunakan dalam hampir setiap bidang teknik. Aplikasi yang
menggunakan DFT terus berkembang sebagai utilitas yang menjadikan DFT lebih mudah untuk
dimengerti. Karena itu, pemahaman yang kuat tentang DFT adalah wajib bagi siapa saja yang
bekerja di bidang pemrosesan sinyal digital.

DFT merupakan prosedur matematika yang digunakan untuk menentukan harmonik atau
frekuensi yang merupakan isi dari urutan sinyal diskrit. Urutan sinyal diskrit adalah urutan nilai
yang diperoleh dari sampling periodik sinyal kontinu dalam domain waktu. DFT berasal dari
fungsi Transformasi Fourier X(f) yang didefinisikan:

Dalam bidang pemrosesan sinyal kontinu, Persamaan 2.1 digunakan untuk mengubah fungsi
domain waktu kontinu x(t) menjadi fungsi domain frekuensi kontinu X(f). Fungsi X(f)
memungkinkan untuk menentukan kandungan isi frekuensi dari beberapa sinyal dan menjadikan
beragam analisis sinyal dan pengolahan yang dipakai di bidang teknik dan fisika. Dengan
munculnya komputer digital, ilmuwan di bidang pengolahan digital berhasil mendefenisikan
DFT sebagai urutan sinyal diskrit domain frekuensi X(m), dimana:
Meski lebih rumit daripada Persamaan 2.2, Persamaan 2.3 lebih mudah untuk dipahami.
Konstanta j = 1 hanya membantu membandingkan hubungan fase di dalam berbagai
komponen sinusoidal dari sinyal. Nilai N merupakan parameter penting karena
menentukan berapa banyak sampel masukan yang diperlukan, hasil domain frekuensi dan jumlah
waktu proses yang diperlukan untuk menghitung N-titik DFT. Diperlukan N-perkalian kompleks
dan N-1 sebagai tambahan. Kemudian, setiap perkalian membutuhkan N-perkalian riil, sehingga
untuk menghitung seluruh nilai N (X(0), X(1), , X(N-1)) memerlukan N2 perkalian. Hal ini
menyebabkan perhitungan DFT memakan waktu yang lama jika jumlah sampel yang akan
diproses dalam jumlah besar.

Fast Fourier Transform

Meskipun DFT memainkan peranan yang penting sebagai prosedur matematis untuk menentukan
isi frekuensi dari urutan domain waktu, namun sangat tidak efisien. Jumlah titik dalam DFT
meningkat menjadi ratusan atau ribuan, sehingga jumlah- jumlah yang dihitung menjadi tidak
dapat ditentukan. Pada tahun 1965 sebuah makalah diterbitkan oleh Cooley dan Tukey
menjelaskan algoritma yang sangat efisien untuk menerapkan DFT Cooley, J. & Tukey, J. 1965. An
Algorithm for the Machine Calculation of Complex Fourier Series. Mathematics of Computation. pp. 297-301. .
Algoritma yang sekarang dikenal sebagai Fast Fourier Transform (FFT). Sebelum munculnya
FFT, seribu titik DFT membutuhkan waktu begitu lama untuk melakukan perhitungan yang pada
saat itu masih terbatas pada komputer-komputer berspesifikasi rendah. Gagasan Cooley dan
Tukey, dan perkembangan industri semikonduktor menjadikan jumlah N-titik DFT semisal 1024-
titik, dapat dilakukan dalam beberapa detik saja pada komputer berspesifikasi rendah Lyons,
Richard G. 1997. Understanding Digital Signal Processing. Prentice Hall PTR..

Meskipun telah banyak bermacam-macam algoritma FFT yang dikembangkan, algoritma FFT
radix-2 merupakan proses yang sangat efisien untuk melakukan DFT yang memiliki kendala
pada ukuran jumlah titik dipangkatkan dua. FFT radix-2 menghilangkan redundansi dan
mengurangi jumlah operasi aritmatika yang diperlukan. Sebuah DFT 8-titik, harus melakukan
N2 atau 64 perkalian kompleks. Sedangkan FFT melakukan (N/2)log2N yang memberikan
penurunan yang signifikan dari N2 perkalian kompleks. Ketika N = 512 maka DFT memerlukan
200 kali perkalian kompleks dari yang diperlukan oleh FFT.

Gambar Perbandingan jumlah perkalian kompleks DFT dengan FFT Lyons, Richard G. 1997.
Understanding Digital Signal Processing. Prentice Hall PTR.

FFT beroperasi dimulai dengan menguraikan (dekomposisi) sinyal domain waktu titik N ke N
sinyal domain waktu hingga masing-masing terdiri dari satu titik. Selanjutnya menghitung N
frekuensi spektrum yang berkorespondensi dengan N sinyal domain waktu. Terakhir, spektrum N
disintesis menjadi spektrum frekuensi tunggal.
 Gambar Diagram Alir FFT Smith, Steven W. 1997. The Scientist and Engineer's Guide to Digital Signal
Processing. (Online) http://www.dspguide.com (20 Februari 2013).

Dalam proses dekomposisi diperlukan tahapan Log2N. Sebagai contoh, sinyal 16 titik (24)
memerlukan 4 tahapan, sinyal 512 titik (29) membutuhkan 9 tahap, sinyal 4096 titik (212)
membutuhkan 12 tahapan. Dalam Gambar1, sinyal 16 titik terurai melalui empat tahap yang
terpisah. Tahap pertama memisahkan sinyal 16 titik menjadi dua sinyal masing-masing terdiri
dari 8 titik. Tahap kedua menguraikan data menjadi empat sinyal terdiri dari 4 titik. Pola ini
berlanjut sampai sinyal N terdiri dari satu titik. Dekomposisi digunakan setiap kali sinyal
dipecah menjadi dua, yaitu sinyal dipisahkan menjadi sampel genap dan sample ganjil.
Gambar1 Contoh dekomposisi sinyal domain waktu yang digunakan di FFT Smith, Steven W. 1997.
The Scientist and Engineer's Guide to Digital Signal Processing. (Online) http://www.dspguide.com (20 Februari
2013).

Setelah dekomposisi, dilakukan Pengurutan Pembalikan Bit (Bit Reversal Sorting), yaitu menata
ulang urutan sampel sinyal domain waktu N dengan menghitung dalam biner dengan bit
membalik dari kiri ke kanan. Asumsi N adalah kelipatan dari 2, yaitu N = 2r untuk beberapa
bilangan bulat r=1, 2, dst. Algoritma FFT memecah sampel menjadi dua bagian yaitu bagian
genap dan bagian ganjil.

Tabel Pengurutan Pembalikan Bit

Persamaan 2.2 dibagi menjadi bagian ganjil dan bagian genap sebagai berikut:
Karena rumusan yang didapat panjang, sehingga digunakan notasi standar untuk
menyederhanakannya. Didefenisikan WN = 2/ yang merepresentasikan nth root of unity.
Persamaan 2.4 dapat ditulis:

Sintesis domain frekuensi membutuhkan tiga perulangan. Perulangan luar menjalankan tahapan
Log2N (setiap tingkat mulai dari bawah dan bergerak ke atas).

Perulangan bagian tengah bergerak melalui masing-masing spektrum frekuensi individu dalam
tahap sedang dikerjakan (masing-masing kotak pada setiap tingkat). Dalam pemrosesan sinyal
digital dikenal istilah butterfly. Butterfly digunakan untuk menggambarkan peruraian
(decimation) yang terjadi. Karena tampilannya yang bersayap maka disebut butterfly. Butterfly
adalah elemen komputasi dasar FFT, mengubah dua poin kompleks menjadi dua poin kompleks
lainnya. Ada dua jenis peruraian, peruraian dalam waktu (decimation in time-DIT) dan peruraian
dalam frekuensi (decimation in frekuensi-DIF). Gambar dari butterfly dasar untuk kedua jenis
peruraian tersebut dapat dilihat pada Gambar 3 dan Gambar 4

Gambar 3 FFT butterfly dasar untuk peruraian dalam waktu Lyons, Richard G. 1997. Understanding
Digital Signal Processing. Prentice Hall PTR.

Gambar 4 FFT butterfly dasar untuk peruraian dalam frekuensi sintesis butterfly Lyons, Richard G.
1997. Understanding Digital Signal Processing. Prentice Hall PTR.

Perulangan paling dalam menggunakan butterfly untuk menghitung poin dalam setiap spektrum
frekuensi (perulangan melalui sampel dalam setiap kotak). Gambar 5 menunjukkan implemetasi
FFT dari empat spektrum dua titik dan dua spektrum empat titik. Gambar 5 terbentuk dari pola
dasar pada Gambar 3 berulang-ulang.
Gambar 5 FFT sintesis butterfly Lyons, Richard G. 1997. Understanding Digital Signal Processing. Prentice Hall
PTR.

Daftar Pustaka Makalah Transformasi Fourier