DFT-IDFT

Khoirul Anam [2006041100]

Reny Hidayati [200604110051]
Jihan Seto Rini [200604110004]
Zulfikri Rizky Wibowo [200604110055]
Diyah Ayu Dwi Lestari [200604110080]
Madeline Maretike Agustia [200604110056]
 Pendahuluan
 Transformasi data diskrit antara waktu dan
frekuensi berguna dalam analisis sinyal.
 Fourier Transform digunakan untuk
transformasi.
 Tegangan versus waktu menjadi magnitude
versus frekuensi dan fase versus frekuensi.
 Domain menyediakan informasi pelengkap
tentang data yang sama.
 Berbagai macam Transformasi

 The Discrete Fourier Transform (DFT) dan Fast

Fourier Transform (FFT) adalah yang paling dikenal
dan paling penting

Deret Fourier

Transformasi Fourier

DFT dan FFT

 Deret fourier

 Setiap bentuk gelombang periodik, f(t) dapat

direpresentasikan sebagai jumlah dari jumlah sinusoid
dan cosinusoidal yang tak terbatas
 
f (t )  a0   an cos( nt )   bn sin( nt )
n 1 n 1

 Ingat bahwa f(t) sering merupakan tegangan yang

bervariasi vs bentuk gelombang waktu
 Deret Fourier ke satuan volt


f (t )  d e
n  
n
jnt

 Deret Fourier dapat ditulis lebih kompak

dengan menggunakan eksponensial

 Deret ini menjadi hubungan dn sebagai satuan Tp / 2

volt, sangat berguna dalam grafik pulsa 1
dn 
Tp  f (t )e  jnt dt
T p / 2
 Kegunaan Transformasi Diskrit

Transformasi diskrit,
khususnya
Digunakan dalam
transformasi kosinus
pemrosesan gambar Untuk perhitungan
diskrit digunakan
untuk memperoleh ini, transformasi dari
dalam kompresi data
set fitur yang frekuensi ke domain
sinyal ucapan dan
dikurangi untuk waktu adalah hal
video untuk
tujuan pengenalan yang penting
memungkinkan
pola
transmisi dengan
bandwidth yang
diperkecil.
 Contoh Grafis


Sep Oct Nov Dec Jan Feb
Berikut adalah contohnya, lihat gelombang denyut
unipolar periodik yang ditunjukkan pada gambar 4.1
(a). Pemilihan asal waktu yang disengaja untuk
diimbangi membentuk pusat dan tepi pulsa
dimaksudkan untuk memungkinkan ilustrasi fitur fase
deret Fourier.

 Dengan mengganti nilai yang sesuai ke dalam rumus

dn, kita bisa mendapatkan grafik di bawah ini:
Waveform

Amplitude
Spectrum

Phase
Spectrum
 Transformasi Fourier

Dengan menggunakan
Pendekatan deret rumus berikut, kita
Sehingga, spektrum
Fourier harus dapat mengubah dari
amplitudo dan fasa
dimodifikasi ketika variabel frekuensi
menjadi kontinyu
bentuk gelombang diskrit nω menjadi
tidak periodik variabel kontinu ω


d ( )
F ( j ) 
d / 2
 

f (t )e  jt dt
 Apa itu Transformasi?

 F (jω) adalah kompleks dan dikenal sebagai integral Fourier atau lebih
umum = Transformasi Fourier
 Perhatikan contoh grafis pada Gambar 4.1, dengan menggunakan
transformasi Fourier kita dapat mengubah amplitudo diskrit pulsa menjadi
spektrum amplitudo
 Lihatlah gambar 4.2 pada slide berikutnya
 Ini adalah istilah kunci dari Transformasi Fourier yang dapat
ditingkatkan menjadi DFT dan FFT
Grafik: spektrum amplitudo dari pulsa 2 V Grafik: spektrum energi dari pulsa 2 V

Sprektum Sprektum
Amplitudo Energi
 DFT dan kebalikannya

Masalahnya adalah
Dalam prakteknya Hal ini dicapai
Transformasi
komponen fourier dengan
Fourier hanya dapat
data diperoleh menggunakan
digunakan untuk
dengan komputasi rangkaian cuplik-
data kontinu,
digital daripada dan-tahan yang
sedangkan data
dengan pemrosesan diikuti oleh konverter
umumnya diskrit dan
analog AD
mungkin non-
periodik
 DFT dan kebalikannya

 Namun ada transformasi analog untuk digunakan dengan data diskrit, yang
dikenal sebagai Discrete Fourier Transform (DFT)

 Asumsi pertama adalah: pertimbangkan bentuk gelombang telah diambil

sampelnya pada interval waktu T yang teratur untuk menghasilkan urutan
sampel:
{x(nT)} = x(0), x(T), ..., x[(N-1)T ]

 Di mana n ada nomor sampel dari n=0 sampai n=N-1

 DFT dan kebalikannya

 Nilai data x(nT) hanya akan nyata ketika mewakili nilai-nilai deret waktu
seperti bentuk gelombang tegangan

 DFT dari x(nT) kemudian didefinisikan sebagai urutan nilai-nilai kompleks

{X (kΩ)} = X (0), X (Ω), X (2Ω),…., X [(N-1) Ω]

 Perhatikan bahwa Ω ini adalah frekuensi harmonik pertama yang diberikan

oleh Ω=2π/NT
 DFT dan kebalikannya

 Terkait dengan rumus kami pada slide sebelumnya, kita dapat

membandingkan persamaan tersebut, sehingga kita memiliki nilai
DFT X(k), diberikan oleh:
N 1
X ( k )  FD [ x ( nT )]   x(nT )e
n 0
 jknT

 Di mana k = 0, 1, ..., N-1

 Perhatikan variabel eksponen, jangan sampai ketinggalan

 DFT dan kebalikannya

 Karena Ω=2π/NT, maka variabel eksponen dari rumus tersebut dapat

dikonversi menjadi:
N 1
X (k )   x(nT )e  jknT
n 0

N 1 2nk
j
X (k )   x(nT )e N

n 0
 Nature activities binder infographics

 Untuk membuat perhitungan lebih mudah, persamaan ini sangat

berguna:
e j  cos   j sin 
e  j  cos   j sin 

 Jadi, DFT adalah kunci untuk melakukan transformasi dari kawasan

waktu ke kawasan frekuensi
 Contoh DFT

 Evaluasi DFT dari urutan {1.0,0,1}

 Jawaban:
 Asumsikan bahwa data ini mewakili empat tegangan berturut-turut
x(0)=1, x(T)=0, x(2T)=0, x(3T)=0
 Data dicatat pada interval waktu, T dan N = 4. Karena N-1 = 3, maka
diperlukan untuk menemukan nilai-nilai kompleks X(k) untuk k=0, k=1,
k=2, k=3 N 1 2nk
j
X (k )   x( nT )e N

n 0
 Contoh DFT

 Untuk k=0

 Perhatikan bahwa X(0) = 2 sepenuhnya nyata, sebesar 2 dan

sudut fasa Ф(0) = 0
 Contoh DFT

 Untuk k=1
 Nature activities binder infographics

 Untuk k=2
 Contoh DFT

 Untuk k=3
 NaContoh DFT

 Dari perhitungan tersebut, kami memiliki DFT untuk deret waktu

{1,0,0,1}, yang diberikan oleh urutan kompleks berikut ini:

X(0) = 2
X(1) = 1 + j DFT = { 2 , 1 + j , 0 , 1 –j }
X(2) = 0
X(3) = 1 -j

Plot Grafik
 Properti siklus DFT

 Fakta bahwa X (k + N) = X (k)

 Itu berarti DFT bersifat periodik dengan periode N
 Komponen DFT berulang-ulang
 Ini yang disebut dengan properti siklus DFT
 Spektrum amplitudo dari N-point DFT simetris tentang harmonik N / 2
ketika kedua nol dan (N + 1) harmonika disertakan dalam plot
 IDFT sebagai kebalikannya

 Inverse DFT sangat berguna dalam transformasi dari

domain frekuensi ke waktu
 Nilai IDFT adalah x(nT) yang umumnya didefinisikan
sebagai FD-1 [X(k)]
 Properti DFT

1. Simetris
Re [X(N-k)] = Re X(k) di mana Re adalah bagian nyata

2. Fungsi Genap
Jika xe(n) adalah fungsi genap, maka: xe(n) = xe(-n)

N 1
FD xe (n)   xe (n) cos( knT )
n 0
 Properti DFT

3. Fungsi Ganjil
Jika xo(n) adalah fungsi genap, maka: xo(n) = -xo(-n)
N 1
FD x0 (n)   j. x0 (n) sin( knT )
n 0

4. Teorema Parseval’s
2
N 1
1 N 1


n 0
2
x ( n) 
N
 X (k )
k 0
 Kompleksitas komputasi DFT
 Sejumlah besar perkalian dan penambahan diperlukan untuk
perhitungan DFT
 Sejumlah besar perkalian dan penambahan diperlukan untuk

 Untuk N-point DFT akan ada perkalian N2 dan N. (N-1) tambahan

 Bayangkan saja untuk ribuan data akan ada jutaan perkalian dan
penambahan, yang membutuhkan banyak memori, waktu dan
biaya
 Contoh untuk DFT 4-titik
Perhatikan
bahwa hanya
DFT 4-titik,
10:00 sehingga dari
angka
18:00
Oleh karena
Dapatkan DFT
Have a breakfast sebelumnya poin
itu, Have a
dariMary
with suatu
and Menjawab x0, x4, x2, x6 perhitungan
conversation with
John
urutan {1, 0, 0, diganti dengan hanyaAnnesampai
1} x0, x2, x1, x3 langkah kedua
dan nilai DFT
yang diperlukan
adalah:
X11 (0), X11 (1), X11
(2), X11 (3),
 Contoh untuk DFT 4-titik

• X21(0) = x0+ x2= 1

• X21(1) = x0-x2= 1
• X22(0) = x1+ x3= 1
• X22(1) = x1-x3= -1
 Contoh untuk DFT 4-titik

Sep Oct Nov Dec Jan Feb

 Dari nilai tersebut kami tahu bahwa itu sama dengan
nilai yang kami tentukan dari 'metode klasik DFT'
Jadi, kami mungkin mengatakan: Dengan
menggunakan FFT, penghitungan komputasi,
meningkat seiring dengan meningkatnya jumlah data
Sekian…
Terima Kasih