Bab 5

Sinyal dan Sistem Waktu Diskrit

Oleh:
Tri Budi Santoso
Laboratorium Sinyal, EEPIS-ITS
 Materi:
Representasi matematik pada sinyal waktu diskrit,
domain waktu dan frekuensi pada suatu sinyal waktu
diskrit, transformasi pada sinyal waktu diskrit

Tujuan:
• Siswa mampu menyelesaikan konsep dasar
transformasi Fourier Waktu Diskrit
• Siswa mampu membawa persoalan dari konsep
sinyal waktu kontinyu menjadi sinyal waktu diskrit.
Sub Bab:
5.1. Transformasi Fourier Waktu Kontinyu
5.2. Discrete-Time Fourier Series (DTFT)
5.3. Discrete-Fourier Transform (DFT)
5.4. Komputasi DFT
5.5. Komputasi Inverse DFT
5.6. Interpretasi Hasil DFT
5.7. Hubungan DFT- Transformasi Fourier
5.1. Continues Time Fourier Transform

• Sinyal periodik waktu kontinyu f(t) dengan periode T dinyatakan sebagai

bentuk weighted sum pada complex exponential:
∞
f (t ) = ∑F e
k = −∞
k
jkΩ 0
t Î untuk semua nilai t (1)

dimana: T
1
Fk = koefisien-koefisien ekspansi Fk =
T ∫
0
f (t )e − jkΩ0 tdt

Ω0 = frekuensi fundamental Î Ω0 =π/T

Lanjutan….
• Persamaan (1) dikenal sebagai deret Fourier eksponensial komplek
• Dalam terminologi deret geometri seringkali dinyatakan sebagai

∞
f (t ) = a0 + ∑ (ak cos kΩ 0t + bk sin kΩ 0t ) (2)
k =1
T
1
a0 =
T ∫ f (t )dt = F
0
0 (3)

T
2
ak = ∫ f (t ) cos kΩ 0 dt = Fk + F− k (4)
T 0

T
bk = ∫ f (t ) sin kΩ 0 dt = (F− k − Fk ) j
2
(5)
T 0
 5.2. Discrete-Time Fourier Series (DTFT)
• Untuk sinyal periodik waktu diskrit x(n) dengan periode N.
Kita kenal frekuensi digital 0 ~ 2π. Ekspansinya dinyatakan
dalam:
N −1
1
x ( n) =
N
∑ X ( k )e
k =0
jkω 0 n
(6)

N −1
X (k ) = ∑ x(n)e − jkω 0 n
(7)

k =0

Persamaan (6) dan (7) dikenal sebagai pasangan Discrete Fourier Series (DFS)

Dalam hal ini

ω0 = frekuensi fundamental
= 2π/sampling rate
= 2π/N
Lanjutan….

• Untuk N genap:
⎛ 2π ⎞ ⎛ 2π ⎞
( N / 2 ) −1 ( N / 2 ) −1
x ( n) = A(0) + ∑k =1
A(k ) cos⎜ k n⎟ +
⎝ N ⎠
∑k =1
B (k ) sin ⎜ k n⎟
⎝ N ⎠
⎛N⎞
+ A⎜ ⎟ cos πn ……….(8a)
⎝2⎠

• Untuk N ganjil:
⎛ 2π ⎛ 2π
( N −1) / 2 ( N −1) / 2
⎞ ⎞
x ( n) = A(0) + ∑
k =1
A(k ) cos⎜ k
⎝ N
n⎟ +
⎠
∑k =1
B(k ) sin ⎜ k
⎝ N
n⎟
⎠
……….(8b)
Lanjutan

Untuk N Genap:
1 N −1
A(0) = ∑ x(n) (9)
N n =0
N −1
⎛ 2π ⎞
untuk k = 1,2,..., ( N / 2 ) − 1
2
A(k ) =
N
∑
n =0
x ( n ) cos⎜k
⎝ N
n⎟
⎠
N −1
⎛ 2π ⎞
untuk k = 1,2,..., ( N / 2 ) − 1
2
B(k ) =
N
∑
n =0
x ( n ) sin ⎜k
⎝ N
n⎟
⎠

N −1
⎛N⎞ 1
A⎜ ⎟ = ∑ x(n) cos πn untuk k = 1,2,..., ( N / 2 ) − 1
⎝2⎠ N n =0
 5.3. Discrete-Fourier Transform (DFT)
• Bisa digunakan untuk sinyal periodik dan non periodik
N −1
X (k ) = ∑ x(n)e − jkω 0 n 0 ≤ k ≤ N −1 (10)
n =0

• Dimana ω0=2π/N
• Bentuk Inversnya:
N −1
1
x ( n) =
N
∑ X
n =0
( k ) e jkω 0 n
0 ≤ n ≤ N −1 (11)

• Dalam terminologi (WN=e-j2π/N) dinyatakan:

N −1
X (k ) = ∑ x(n)WN 0 ≤ k ≤ N −1
kn

n =0

N −1
1
∑ X (k )WN
− kn
x ( n) = 0 ≤ n ≤ N −1
N n =0
 Sifat-Sifat DFT
• Secara umum sama dengan sifat Transformasi Fourier waktu
kontinyu.

• Tetapi durasi untuk n dibatasi 0 s/d N-1. Maka setelah n = N-1,

akan berputar kembali pada nilai n = 0.

• Dari beberapa sifat tsb, kita bahas 4 saja, yaitu:

- Sifat Linearitas
- Sifat Circular Translation
- Sifat Perkalian dengan Eksponensial
- Sifat Circular Convolution
a. Sifat Linearitas

DFT[a1x1(n)] = a1X1(k) , DFT[a2x2(n)] = a2X2(k)

Maka:
DFT[a1x1(n) + a2x2(n)] = a1DFT[x1(n)] + a2DFT[x2(n)]

= a1X1(k) + a2X2(k) ……..(12)

 b. Sifat Circular Translation
• Pada kasus translasi linearÆx(n-n0) merupakan
bentuk pergeseran ke kanan.
• Tetapi pada kasus sinyal non-periodik (n = 0 s/d N-1),
maka pergeseran terbatas sampai dengan N-1.
Setelah itu kembali ke n=0Î Modulo N, maka 7
0
1
bentuknya menjadi
6 N=8 2

5 3
x(n) = [x(0), x(1),……, x(N-2), x(N-1)] 4
x((n-1)mod N) = [x(N-1), x(0),……, x(N-3), x(N-2)]
……
x((n-n0)mod N) = [x(N-n0), x(N-n0+1),……., x(N- n0 -1)]
……
x((n-N)mod N) = [x(0), x(1),……, x(N-2), x(N-1)]

DFT[(n-N)mod N]=WNkmX(k) ………(13)

c. Sifat Perkalian dengan Eksponensial

Jika DFT[x(n)] = X(k)

Maka DFT[WN-lnx(n)] =X((k-l) mod N)

………..(14)
d. Sifat Circular Convolution
• Konvolusi Linear:
∞ ∞
x1 (n) ∗ x2 (n) = ∑ x (n − k )x (k ) atau ∑ x (k )x (n − k )
k = −∞
1 2
k = −∞
1 2

F [x (n) ∗ x (n)] = X (e )X (e )
1 2 1
jω
2
jω

x1 (n) ∗ x2 (n) = F −1 {F [x1 (n)]⋅ F [x2 (n)]}

• Konvolusi Circular:
N −1
x1 (n) ⊗ x2 (n) ∆ ∑ x1 ((n − k ) mod N )x2 (k )
k =0
N −1
= ∑ x1 (k ) x2 ((n − k ) mod N ) ……….(15)
k =0

Dimana x1(n-k)mod N) merupakan versi ter-refleksi dan

ter-translasi (geser) pada x1(n)
Contoh 1:
• Sebuah operasi konvolusi circular dibentuk dari
dua komponen x1(n)=(1,2,2,0) dan x2(n)=(0,1,2,3).
Dapatkan hasil konvolusi

x(n) = x1 (n) ⊗ x2 (n)

x1(n) x2(n)

Gambar 5.1. Contoh kasus konvolusi circular

 Penyelesaian:
Step 1: x1(k) = (1, 2, 2, 0) Step 2: x1(k) = (1, 2, 2, 0)
x2((0-k)mod 4)= (0, 3, 2, 1) x2((1-k)mod 4)= (1, 0, 3, 2)
------------- + ------------- +
y(0) = 0 6 4 0 y(0) = 1 0 6 0
= 10 =7

Step 3: x1(k) = (1, 2, 2, 0) Step 4: x1(k) = (1, 2, 2, 0)

x2((2-k)mod 4)= (2, 1, 0, 3) x2((3-k)mod 4)= (3, 2, 1, 0)
------------- + ------------- +
y(0) = 1 2 0 0 y(0) = 3 4 2 0
=4 =9

Step 5: x1(k) = (1, 2, 2, 0)

x2((0-k)mod 4)= (0, 3, 2, 1) Terjadi perulangan hasil.
------------- +
y(5) = 0 6 4 0
= 10
Hasilnya:
y (n) = x1 (n) ⊗ 4 x2 (n) = (10,7,4,9)
y(n)

n
Gambar 5.2. Hasil konvolusi circular

x1 (n) ⊗ N x2 (n) = IDFTN {DFTN [x1 (n)]⋅ DFTN [x2 (n)]}

……….(16)
5.4. Computation of DFT
N −1
X (k ) = ∑ x(n )WNkn ; k = 0,1,....., N − 1 ……(17)
n =0

{ [ ]+ j Im[W ]}
N −1
= ∑ {Re[x(n )] + j Im[x(n )]} Re W kn
N
kn
N
n =0

⎧ N −1
[ ] kn ⎫
[ ]
N −1
= ⎨∑ Re[x(n )]Re WN − ∑ Im[x(n )]Im WN ⎬
kn

⎩ n =0 n =0 ⎭
⎧ N −1
[ ] kn ⎫
[ ]
N −1
+ j ⎨∑ Re[x(n )]Im WN + ∑ Im[x(n )]Re WN ⎬
kn

⎩ n =0 n =0 ⎭
perkalian
jumlahan
5.5. Computation of Inverse DFT

⎛ 1 ⎞ N −1
x(n) = ⎜ ⎟∑ X (k )WN− kn ; n = 0,1,...., N − 1
⎝ N ⎠ k =0
……….(18)
 5.6. Interpretation of DFT Result

x(n)Î versi diskrit (tersampel) pad asinyal analog xa(t)

Frekuensi indek Frekuensi digital Frekuensi indek

(tanpa satuan) (radiant) (tanpa satuan)

k ωk = k2π/N Ωk= k2π/NT

……..(19)
Contoh 2
• Dapatkan transformasi Fourier dari sinyal cosinus yang
memiliki periode eksak di dalam window yang terdapat pada
sampel. Tetapkan x(n) seperti pada Gambar dibawah yang
direpresentasikan sebagai x(t) = 3cos(2πt), pada t=nT. Untuk
suatu n = 0~ 99, dan T=0,01.
x(t)

Gambar 5.3. Contoh sinyal sinus waktu kontinyu

 Penyelesaian
• Didapatkan sekuen diskrit sebagai
x(n) = 3cos(2πnT) = 3cos(0.02πn) untuk
n =0,1,….,199. Perlu dicatat bahwa x(n) merupakan sinyal cosinus
sepanjang dua periode.

x(n)

Gambar 5.4. Contoh sinyal sinus waktu diskrit

• Bagian real XR(k) dan imajiner XI(k) dapat
dihitung dari persamaan (11).
N −1
X ( k ) = ∑ x ( n)e − jkω 0 n
0 ≤ k ≤ N −1
n =0

N −1
X (k ) = ∑ (3 cos(0,02πn ))(cos(kω 0 n ) − j sin (kω 0 n ))
n =0

Hasilnya seperti pada gambar berikut…

Bagian Real
XR(k)

k Indek Freq Digital

(rad/det)
ωk Freq Digital
2 m 100 (rad)
Freq Analog
Ωk
0,02π 2πm/200 π (rad/det)

2π mπ 100π Gambar 5.5. Bagian real hasil transformasi sinyal sinus

Bagian Imaginer

Semua bernilai 0, atau mendekati 0

Gambar 5.6. Bagian imajiner hasil transformasi sinyal sinus

Keterangan

Perhatikan pada bagian Real, ada dua nilai muncul

yaitu pada indek frekuensi (2) dan (N-2 =198).
Masing-masing dengan nilai 300. Ini
merepresentasikan (AN/2), dimana:
- A=3Î amplitudo
- N = 300 Î jumlah sampel yang digunakan

Karena struktur sampling, frekuensi indek 2 berkaitan

secara tepat dengan penuh pada gelombang cosinus.
 Contoh 3
• Gambarkan magnitudo pada DFT 64 titik pada x(n) = (1/32) sin (0,2πn).
Dengan nilai n=0,1,…,63

Gambar 5.7. Sinyal sinus diskrit pada contoh 3

Penyelesaian
X(k) = XR(k) + XI(k)
Magnitudonya:

X (k ) = X R (k ) X R (k ) + X I (k ) X I (k )
Seperti terlihat pada gambar sebelumnya, dengan persamaan
tersebut terjadi 6,4 gelombang sinus.
Jika gelombang sinus tepat pada 1 periode penuh, |X(k)| akan
memiliki nilai (AN/2), sehingga:

AN ⎛ 1 ⎞⎛ 64 ⎞
= ⎜ ⎟⎜ ⎟ = 1
2 ⎝ 32 ⎠⎝ 2 ⎠
Tetapi ternyata hasilnya sedikit berbeda, yaitu nilai maksimum terjadi
pada n=6, dan bernilai < 1.
 k=6

Gambar 5.7. Hasil transformasi fourier sinyal sinus diskrit contoh 3

5.7. Hubungan DFT-Fourier Transform
• Transformasi Fourier

( ) ∑ x(n )e
∞ N −1
X e jω = − jωn
= ∑ x(n )e − jωn
n = −∞ n =0

• Discrete Fourier Transform

N −1
X (k ) = ∑ x(n )e − j (2πk / N ) k = 0,1,..., N − 1
n =0
Sinyal Tersampel dan Transformasi Fouriernya

Gambar 5.8. Sinyal persegi tersampel (atas) dan hasil transformasi Fouriernya (bawah)
Zero Padding
|8 titik DFT| dengan tambahan 4 zero pada x(n)

Hasil DFT

Gambar 5.9. Sinyal persegi dengan 4 zero padding (atas) dan hasil transformasi Fouriernya (bawah)
|16 titik DFT| dengan tambahan 12 zero pada x(n)

Hasil DFT

Gambar 5.10. Sinyal persegi dengan 12 zero padding (atas) dan hasil transformasi Fouriernya (bawah)
|64 titik DFT| dengan tambahan 60 zero pada x(n)

Hasil DFT

Gambar 5.11. Sinyal persegi dengan 60 zero padding (atas) dan hasil transformasi Fouriernya (bawah)
Contoh Lain DFT pada Sinyal Sinus
x(n) = (1/64)*(sin(2*pi*n/64) + (1/3)*sin(2*pi*15*n/64))

Gambar 5.12. Sinyal sinus beragam frekuensi (atas) dan hasil transformasi Fouriernya (bawah)
Soal Latihan
1. Dapatkan bentuk transformasi Fourier (DFT)10-point untuk sinyal waktu diskrit berikut ini:

⎧1 ;n = 0 ⎧1 ;n = 4
a) x[n] = ⎨ c) x[n] = ⎨
⎩0 ; n = 1,2,......,9 ⎩0 ;n ≠ 4

b) x[n] = 1 ; n = 1,2,......,9 d ) x[n] = e j 2πn 5 ; n = 0,1,2,......,9

2. Dapatkan bentuk invers Transformasi Fourier (IDFT) 10-point untuk sinyal berikut ini:

⎧1 ;k = 0
a ) X a [k ] = ⎨
⎩0 ; k = 1,2,......9

b) X b [k ] = 1 ; k = 0,1,2,......,9

⎧1 ; k = 3,7
c) X c [k ] = ⎨
⎩0 ; k = 0,1,2,4,5,6,8,9

d ) X d [k ] = cos(2πk / 5) ; k = 0,1,2,......,9
3. Sebuah sinyal waktu diskrit dinyatakan dalam bentuk komplek berikut ini

x1 [n] = e j (2πk / N )n ; n = 0,1,2,.....N − 1

Dapatkan bentuk transformasi Fourier waktu diskrit (DFT) dari x[n] sebanyak
N-titik

4. Sebuah sinyal waktu diskrit tersusun dari fungsi sinusioda:

x2[n]=cos(2πkn/N)

Dapatkan bentuknya dalam domain frekuensi N-titik

5. Buatlah sebuah program visualisasi dengan Matlab untuk domain waktu dan domain
frekuensi untuk sinyal berikut ini:

a) x[n] = 0,0,0,0,0,0,0,1,0,0,0,0,0,0,0
b) x[n] = 0,0,0,0,0,1,1,1,1,1,0,0,0,0,0
6. Buat visualisasi sinyal domain waktu & frekuensi sinyal ini:

a). 1,1,1,1,0,0,0,……0,0 b). 1,1,1,1,0,0,0,………………….0,0

16 titik 32 titik

c). 1,1,1,1,0,0,0,………………0,0 d). 1,1,1,1,0,0,0,………………….0,0

64 titik 128 titik

7. Buat visualisasi domain waktu dan domain frekuensi untuk sinyal:

a) x[n] = sinc(2πn/10) ; n = -30,-29,…..-1,0,1,……..,29,30

⎧0 ; n = −30,−29,....,−2,−1
⎪
b) x[n] = ⎨1 ;n = 0
⎪0 ; n = 1,2,..............,29,30
⎩