Transformasi Fourier Waktu Diskrit (DTFT)

Transformasi Fourier Waktu Diskrit, atau yang sering disingkat sebagai DTFT (Discrete-Time Fourier Transform), merupakan salah satu konsep fundamental dalam bidang pemrosesan sinyal digital. Teknik ini digunakan untuk menganalisis sinyal-sinyal yang tidak kontinu (diskrit) namun memiliki durasi waktu yang tak terbatas (infinite duration). Dengan menggunakan DTFT, kita dapat mengubah representasi sinyal dari domain waktu ke dalam domain frekuensi, sehingga karakteristik frekuensi dari sinyal tersebut dapat dipahami dan dimanipulasi.

Berbeda dengan Transformasi Fourier Diskrit (DFT) yang bekerja pada sinyal berdurasi terbatas dan menghasilkan output frekuensi yang juga diskrit, DTFT bekerja pada urutan waktu diskrit $x[n]$ dan menghasilkan fungsi frekuensi kontinu $X(e^{j\omega})$. Hal ini membuat DTFT menjadi alat yang sangat kuat untuk analisis teoretis, memungkinkan kita untuk melihat spektrum frekuensi sinyal secara presisi tanpa diskretisasi pada sumbu frekuensi.

Definisi Matematis

Secara matematis, pasangan transformasi DTFT didefinisikan oleh dua persamaan utama: persamaan analisis (untuk mengubah domain waktu ke domain frekuensi) dan persamaan sintesis (untuk mengembalikan domain frekuensi ke domain waktu).

Pada persamaan di atas, $x[n]$ adalah urutan sinyal waktu diskrit, $n$ adalah indeks waktu (bilangan bulat), $\omega$ menyatakan frekuensi sudut dalam radian per sampel, dan $X(e^{j\omega})$ adalah spektrum frekuensi dari sinyal tersebut. Hasil dari transformasi ini adalah fungsi periodik dengan periode $2\pi$.

Persamaan sintesis menunjukkan bahwa sinyal asli $x[n]$ dapat direkonstruksi kembali dengan mengintegrasikan fungsi frekuensi $X(e^{j\omega})$ selama satu periode penuh (biasanya dari $-\pi$ hingga $\pi$ atau $0$ hingga $2\pi$).

Konvergensi DTFT

Tidak semua sinyal diskrit memiliki DTFT yang konvergen atau bernilai finite. Agar transformasi tersebut valid, urutan sinyal $x[n]$ harus memenuhi kondisi tertentu. Kondisi utama bagi keberadaan DTFT adalah bahwa sinyal tersebut harus absolutely summable (jumlah mutlaknya terkonvergen). Secara matematis, kondisi ini ditulis sebagai:

Jika jumlah tak hingga dari nilai mutlak sinyal tersebut finite, maka deret Fourier akan konvergen secara uniform. Sinyal-sinyal yang energi terbatas (square summable) juga dapat memiliki DTFT, meskipun konvergensinya mungkin terjadi dalam rata-rata kuadrat (mean-square sense), bukan konvergensi titik demi titik.

Sifat-Sifat Penting DTFT

Sama seperti transformasi lainnya, DTFT memiliki berbagai sifat matematatis yang menyederhanakan analisis sistem pemrosesan sinyal. Memahami sifat-sifat ini sangat penting untuk desain filter dan analisis sistem. Berikut adalah beberapa sifat utamanya:

• Linearitas: DTFT bersifat linear. Jika dua sinyal dijumlahkan, transformasi Fourier totalnya adalah penjumlahan dari transformasi masing-masing sinyal (dengan faktor skala yang sesuai). Jika $x_1[n] \leftrightarrow X_1(e^{j\omega})$ dan $x_2[n] \leftrightarrow X_2(e^{j\omega})$, maka $ax_1[n] + bx_2[n] \leftrightarrow aX_1(e^{j\omega}) + bX_2(e^{j\omega})$.
• Pergeseran Waktu (Time Shifting): Jika sebuah sinyal digeser dalam domain waktu, efeknya dalam domain frekuensi adalah perubahan fase. Magnitudo spektrum tidak berubah. Secara matematis, $x[n-n_0] \leftrightarrow e^{-j\omega n_0} X(e^{j\omega})$.
• Pergeseran Frekuensi (Frequency Shifting): Sifat ini merupakan kebalikan dari pergeseran waktu. Mengalikan sinyal waktu diskrit dengan eksponensial kompleks akan menggeser spektrum frekuensi. $e^{j\omega_0 n} x[n] \leftrightarrow X(e^{j(\omega-\omega_0)})$.
• Konvolusi Waktu: Salah satu sifat paling penting dalam desain filter pemrosesan sinyal linear adalah sifat konvolusi. Konvolusi dua urutan dalam domain waktu setara dengan perkalian spektrum frekuensi mereka. $x_1[n] * x_2[n] \leftrightarrow X_1(e^{j\omega}) \cdot X_2(e^{j\omega})$. Sifat ini sangat mempermudah analisis sistem LTI.
• Perkalian Waktu: Sifat ini merupakan kebalikan dari konvolusi waktu. Perkalian dua sinyal dalam domain waktu setara dengan konvolusi spektrum frekuensi mereka (dibagi oleh $2\pi$). $x_1[n] \cdot x_2[n] \leftrightarrow \frac{1}{2\pi} X_1(e^{j\omega}) * X_2(e^{j\omega})$.
• Differensiasi Frekuensi: Mengalikan sinyal waktu dengan $n$ setara dengan diferensiasi terhadap frekuensi dalam domain frekuensi dikalikan dengan faktor konstanta. $nx[n] \leftrightarrow j \frac{d}{d\omega} X(e^{j\omega})$.
• Teorema Parseval: Sifat ini menghubungkan energi total sinyal dalam domain waktu dengan energi total dalam domain frekuensi. Energi tersebar dapat dihitung melalui kuadrat magnitudo respons frekuensi. $\sum_{n=-\infty}^{\infty} |x[n]|^2 = \frac{1}{2\pi} \int_{2\pi} |X(e^{j\omega})|^2 d\omega$.

Hubungan dengan Transformasi Z

Transformasi Fourier Waktu Diskrit berkaitan erat dengan Transformasi Z. Transformasi Z adalah generalisasi dari DTFT. Jika variabel kompleks $z$ pada Transformasi Z ditulis dalam bentuk polar sebagai $z = re^{j\omega}$, maka DTFT dapat dilihat sebagai khusus kasus dari Transformasi Z ketika $r = 1$. Dengan kata lain, DTFT adalah Evaluasi Transformasi Z pada lingkaran satuan di bidang-$z$.

Karena hubungan ini, DTFT baru ada (konvergen) jika lingkaran satuan berada di dalam Daerah Konvergensi (Region of Convergence atau ROC) dari Transformasi Z sinyal tersebut. Hal ini memberikan cara alternatif untuk menentukan keberadaan DTFT dengan menganalisis kutub-kutub sistem fungsi rasional.

Aplikasi DTFT

Meskipun dalam implementasi praktis menggunakan komputer (seperti DSP atau Python) kita sering menggunakan DFT atau algoritma FFT (Fast Fourier Transform) karena sifat data yang terbatas dan diskrit, pemahaman mengenai DTFT tetap krusial. DTFT digunakan secara luas dalam:

• Desain Filter Digital: Untuk menentukan respon frekuensi ideal dari filter IIR (Infinite Impulse Response) sebelum didigitalkan atau didiskretisasikan.
• Analisis Sinyal: Untuk memahami konten spektrum dari sinyal teoretis yang tak terbatas, seperti gelombang sinusoida murni atau urutan eksponensial.
• Sistem Komunikasi: Dalam pemodelan pemrosesan sinyal pada penerima dan pemancar digital yang beroperasi pada laju sampel kontinu secara teoretis.

Kesimpulan

Transformasi Fourier Waktu Diskrit (DTFT) adalah jembatan utama antara representasi diskrit dan spektrum kontinu. Melalui definisi matematisnya yang elegan, DTFT memungkinkan insinyur dan matematikawan untuk menganalisis perilaku frekuensi dari urutan waktu tak terbatas. Sifat-sifatnya, seperti linearitas dan konvolusi, menjadi fondasi bagi teori sistem pemrosesan sinyal linear, sementara hubungannya dengan Transformasi Z memperkaya perspektif kita dalam menganalisis stabilitas dan respon sistem. Meskipun komputasi modern bergantung pada varian diskrit (DFT/FFT), teori yang mendasari DTFT tetap menjadi inti dari pemahaman kita mengenai bagaimana sinyal digital dimanipulasi dan dianalisis.