Daftar Isi
Penerapan analisis Fourier pada pengolahan sinyal digital memerlukan pendekatan yang mampu menangani data berdurasi terbatas. Berbeda dengan Discrete-Time Fourier Transform (DTFT) yang menghasilkan fungsi kontinu terhadap frekuensi sehingga sulit dihitung oleh komputer, Discrete Fourier Transform (DFT) memberikan solusi komputasi diskret yang efisien untuk menganalisis frekuensi sampel sinyal.
Konsep Dasar dan Formulasi DFT
Dalam analisis sinyal diskret dengan N sampel, DFT mengasumsikan bahwa sampel-sampel tersebut mewakili satu periode tunggal dari sinyal periodik. Berdasarkan prinsip Discrete-Time Fourier Series (DTFS), sinyal periodik diskret dapat direkonstruksi secara presisi menggunakan koefisien deretnya. Koefisien ini menjadi dasar perhitungan DFT, di mana nilai transformasi X[k] dihitung dengan menjumlahkan perkalian sampel sinyal x[n] dan eksponensial kompleks untuk setiap indeks k dari 0 hingga N-1.
Secara sistematis, DFT merupakan hasil pengambilan sampel terdiskret dari fungsi DTFT pada N titik frekuensi yang berjarak sama. Pendekatan ini mempermudah implementasi komputasi, seperti penggunaan pustaka NumPy pada bahasa pemrograman Python yang memanfaatkan operasi berbasis vektor untuk menghitung array indeks secara efisien.
Pendekatan Aljabar Linier dan Matriks Fourier
DFT memiliki hubungan erat dengan konsep akar kompleks dari unit (complex roots of unity). Vektor-vektor yang dibentuk dari pangkat akar unit tersebut membentuk basis ortogonal pada ruang vektor kompleks. Urutan vektor ini dapat disusun menjadi sebuah matriks kuadrat berukuran N x N yang dikenal sebagai Matriks Fourier atau Matriks DFT (F).
Melalui formulasi aljabar linier, perhitungan DFT dari sinyal sampel yang dinyatakan sebagai vektor kolom dapat dilakukan dengan perkalian matriks X = F · x. Konsep ini menunjukkan bahwa setiap urutan N nilai kompleks dapat direpresentasikan secara tepat sebagai kombinasi linier dari basis ortogonal matriks Fourier.
Rekonstruksi Sinyal Menggunakan Invers DFT
Sinyal awal x[n] dapat direkonstruksi kembali dari representasi nilai DFT X[k] menggunakan Inverse Discrete Fourier Transform (IDFT). Proses rekonstruksi ini dapat diturunkan melalui dua metode yang menghasilkan formulasi setara. Metode pertama mengacu pada rumus DTFS dengan membagi jumlah eksponensial kompleks bernilai positif dengan faktor N.
Metode kedua memanfaatkan invers dari Matriks Fourier (F^-1). Karena sifat ortogonal matriks Fourier, invers matriks tersebut merupakan konjugat kompleks matriks F yang dibagi dengan N. Melalui perkalian matriks x = F^-1 · X, sinyal awal berhasil direkonstruksi kembali tanpa kehilangan presisi, dengan perbedaan kecil yang hanya disebabkan oleh pembulatan angka floating-point pada sistem komputer.
Efisiensi Komputasi Melalui Algoritma FFT
Pengujian komputasi DFT dapat diterapkan pada sampel gelombang segitiga satu siklus. Hasil perhitungan X[k] menghasilkan pasangan angka kompleks berupa besaran (magnitude) dan fase. Rekonstruksi menggunakan matriks IDFT terbukti mampu mengembalikan bentuk sinyal segitiga asli secara akurat.
Untuk mempercepat proses komputasi pada pemrosesan sinyal modern, fungsi komputasi memanfaatkan algoritma Fast Fourier Transform (FFT), seperti fungsi fft.fft pada NumPy. Dengan mengeksploitasi struktur simetris matriks Fourier, algoritma FFT mampu menekan kompleksitas komputasi dari O(N^2) pada perkalian matriks langsung menjadi O(N log N).
Permasalahan timbul apabila sampel data yang diambil tidak mencakup satu siklus gelombang secara utuh, yang menyebabkan lompatan diskontinuitas saat sinyal diperpanjang secara periodik. Kondisi ini memicu kebocoran spektral (spectral leakage), di mana kontribusi frekuensi menyebar ke beberapa titik frekuensi lain. Pada praktik pengolahan sinyal nyata, kendala kebocoran spektral diatasi dengan menerapkan fungsi jendela (window functions) untuk melandaikan nilai sinyal mendekati nol di bagian tepi sampel.
Sumber: Hacker News: Front Page








