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.

x(n) ←  → X (k )
N Po int DFT
dimana n = 0, …N-1 dan k = 0, …N-1

DFT dihitung menggunakan persamaan :

N −1 2π
−j
X (k ) = ∑ x(n)WNkn dimana WN = e N

n =0
sehingga
N −1 k 
− j 2π   n
X ( k ) = ∑ x ( n) e N

n=0

Invers DFT (IDFT) menghitung kembali representasi sinyal waktu diskrit x(n) dari
sinyal yang dinyatakan dalam domain frekuensi X(ω).
N −1  k 
1 j 2π   n
x ( n) =
N
∑ X ( k )e
k =0
N

N −1
1
=
N
∑ X (k )W
k =0
− kn
N

dimana
2π
−j
WN = e 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 = WN−1 X N bila WN−1 exist

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

1 1 1 1  N
1 W 1 W 2 W 3  k+
Ingat WN 2
= −WNk
W4 =  4 4 4 

1 W42 W44 W46  W44 = 1

 3 6 9
1 W4 W4 W4  W46 = −1
k + N2 3
ingat WN = −WNk W49 = j
1 1 1 1  2 0
1 − j − 1 j 
= 
1 − 1 1 − 1 
  1
1 j − 1 − j 
2π
−j
W =e N
 6 
− 2 + 2 j 
→ X 4 = W4 x =  
 −2 
 
− 2 − 2 j 

1.2 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  k 
j 2π   n
x p ( n ) = ∑ Ck e N

k =0
 k 
1 N −1 − j 2π   n
di mana Ck = ∑ x p (n)e  N 
N n=0
bila ambil x(n) = xp(n) untuk n = 0, …N-1 (satu perioda)
N −1  k 
1 − j 2π   n
maka Ck =
N
∑ x ( n )e
n=0
N
yang tidak lain adalah X(k).

Tujuan Belajar 4

Peserta dapat menghubungkan DFT dengan spektrum dari sinyal

aperiodik.
∞
Bila x p (n) = ∑ x(n − lN )
l = −∞
→ xp(n) periodik dengan periode N
 k 
 2π  ∞ − j 2π   n
X k  = ∑ x ( n )e  N 
 N  n= −∞

−1 k  N −1  k 
− j 2π   n − j 2π   n
= ... + ∑ x ( n )e
n=− N
N
+ ∑ x ( n )e
n =0
N
+ ...

∞ lN + N −1  k 
− j 2π   n
= ∑∑
l = −∞ n =lN
x ( n )e N

k 
 ∞  − j 2π   n
[ ]
N −1
= ∑  ∑ x(n − lN )e  N  = FT x p (n) ω =2πk / N
n = 0 l = −∞ 

 x ( n) 0 ≤ n ≤ N − 1
bila xˆ (n) =  p
 0 otherwise
maka FT ( x(n)) ω = 2πk / N = X ( 2Nπ k ) = DFT [xˆ (n)] = X (k )
jadi x(n) → x p (n) → xˆ (n)

hanya bila x(n) finite duration L ≤ N maka x(n) = xˆ (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 ) j 2π k n
z =e N

bila durasi x(n) ≤ N maka

N −1
X ( z ) = ∑ x ( n) z − n
n=0

1− z −N N −1
X (k )
=
N
∑ 1− e
k =0
j 2π k
N
z −1
1 − e − jωN N −1 X (k )
→ X (ω ) = X ( z ) z =e jω =
N
∑
k =0 1 − e
− j (ω − 2πk / N )

→ Lagrange Interpolation

2 Sifat DFT

Tujuan Belajar 6

Peserta mengerti dan dapat memanfaatkan sifat linier, periodik dan

simetri sirkular.
Sifat linier :
Jika
x1(n) ß N-DFT à X1(k)
dan
x2(n) ß N-DFT à X2(k)
maka untuk sebarang konstanta a1 dan a2 real atau kompleks
a1.x1(n) + a2.x2(n) ß N-DFT à a1.X1(k) + a2.X2(k)
Sifat periodik :
Jika x(n) ß N-DFT à 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 linier dengan DFT, dan

membandingkannya dengan konvolusi.
x(n) ↔ X(ω)
h(n) ↔ H(ω)
y(n) ↔ Y(ω)

X(ω) à H(ω) àY(ω)=H(ω)X(ω)

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(ω) = H(ω) X(ω) durasi : L + M- 1

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

 2πk  IDFT
agar y  ←→ y (n)
 N 
maka Y (k ) = Y (ω ) ω = 2πk k = 0, …, N-1
N

→ Y (k ) = X (k )H (k ), k = 0,..., N − 1
↓ ↓ N ≥ L + M +1
zero padding
→ Y (k ) ← → y (n)
IDFT

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)
− j 2π ( k8 )n
7
H ( k ) = ∑ k ( n )e
n=0

V-5
BAB 5 Discrete Fourier Transform dan FFT

k k 3k
− j 2π − j 2π − j 2π
H (k ) = 1 + 2e 8
+ 3e 4
+ 2e 8
, k = 0,...,7
k
7 − j 2π   n
X (k ) = ∑ h ( n)e 8
n=0
k k 3k
− jπ − jπ − jπ
= 1 + 2e 8
+ 2e 4
+ 2e 8
, k = 0,...,7

2+ 2 4+3 2 
X ( 0) = 6 X (1) = + j  

2  2 
2− 2  4−3 2 
X ( 2) = − 1 − j X (3) = + j  

2  2 
2− 2  4−3 2 
X ( 4) = 0 X (5) = + j  

2  2 
2+ 2 4+3 2 
X ( 6) = − 1 + j X (7 ) = + j  

2  2 
H ( 0) = 6 (
H (1) = 1 + 2 − j 3 + 2 ) ( )
H (2) = −2 − j 2 H (3) = (1 − 2 ) + j (3 − 2)
H ( 4) = 2 H (5) = (1 − 2 ) − j (3 − 2)
H ( 6) = − 2 + j 2 H (7) = (1 + 2 ) + j (3 + 2)

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

Y(0) = 36 Y(1) = -14.07 - j17.48
Y(2) = j4 Y(3) = 0.07 + j0.515
Y(4) = 0 Y(5) = 0.07 - j0.515
Y(6) = -j4 Y(7) = -14.07 + j17.48

→ IDFT
k
7 j 2π   n
y ( n) = ∑ Y ( k )e 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 L New Data

← → X (k )
N − DFT
x(n) Old New

x(n)
Untuk blok -m
YˆM (k ) = H (k )M
X M (k ) k = 0, 1,L-1
…, N-1
IDFT →
→ H (k )
N − DFT
yˆ m (n) = { yˆ m (0), yˆ m (1),..., yˆ m ( M − 1), yˆ m ( M ),..., ←
h(n) Zero Padding
yˆ m
( N−
1)}
↓ ↓
M-1 point L hasil konvolusi
datang dari old data
→ buang

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
2π
N −1 −j 2π 2π
X (k ) = ∑ x(n)W kn
N WN = e N
= cos − j sin
n=0 N N

V-7
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 2π n + xI (n) sin 2π n 
n =0  N N 
N −1
 k k 
2. X I (k ) = −∑  xR (n) sin 2π n − xI (n) cos 2π n 
n =0  N N 

→ perlu → 2N2 evaluasi trigonometric function

+ → 4N2 real multiplications
+ → 4N(N-1) real addition
+ → sejumlah indexing + addressing operators

→ Sering disebut O(N2)

k + N2
k+ N
→ Gunakan fakta : WN 2 = −WNk (simetri) WN = WNk
untuk menekan komputasi

⇒ 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
x(n) ← → X (k )
FFT

N
f1 (n) = x(2n) n = 0,1,...,
−1
1. x ( n) 2
f 2 (n) = x(2n + 1) bagi 2 sequences f1 , f 2
⇒ 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
2. X (k ) = ∑ x(n)WNkn k = 0, 1, …, N-1
n=0

= ∑ x(n)W
n − even
kn
N + ∑ x(n)W
n − odd
kn
N

N −1 N −1

= ∑ x(2m)W + ∑ x(2m + 1)WNk ( 2 m+1)

2 2
2 mk
N
m =0 m =0

namun WN2 = WN / 2 , maka

N −1 N −1
X (k ) = ∑ f1 (m)WN 2 + W ∑f
2 2
km k
N 2 (m)WNk2( 2 m+1)
m =0 m=0

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

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

Bila G1 (k ) = F1 (k )
G2 (k ) = WNk F2 (k )
X (k ) = G1 (k )+ G2 (k ) 

2 − po int DFT
X (k + ) = G1 (k ) − G2 (k )
N
2 

Lanjutkan
N
V11 (n) = f1 (2n) po int s
f1 4
N
V12 (n) = f1 (2n + 1) po int s
4

N
V21 (n) = f 2 (2n) po int s
f2 4
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

V-9
BAB 5 Discrete Fourier Transform dan FFT

N
F1 (k + N4 ) = V11 (k ) − W NkV12 (k ) k ⇒ po int s
2
4
N
F2 (k ) = V21 (k ) + W NkV22 (k ) k ⇒ po int s
2
4
N
F2 (k + N4 ) = V21 (k ) − W NkV22 (k ) k ⇒ po int s
2
4

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