Banyak sinyal di dunia nyata lebih mudah dipahami bila dilihat dari sisi frekuensinya, bukan waktunya. NumPy menyediakan numpy.fft untuk mengubah sinyal diskrit menjadi komponen-komponen sinus pembentuknya secara efisien. Section ini membangun pemahaman Anda secara bertahap: berawal dari DFT dan FFT satu dimensi, membaca spektrum dengan fftfreq, mengoptimalkan sinyal riil dengan rfft, menyaring noise di domain frekuensi, meredam kebocoran spektral dengan window functions, sampai FFT dua dimensi untuk pola citra. Fondasi bilangan kompleks sudah Anda pelajari di Bilangan Kompleks, dan di sini kompleks tersebut akhirnya menemukan penerapan nyatanya.

# Dari DFT ke FFT

Memahami DFT sebagai dekomposisi sinyal menjadi komponen sinus dan cara np.fft.fft menghitungnya secara efisien.

Buka → # fftfreq dan Spektrum Frekuensi

Membangun spektrum frekuensi dengan np.fft.fftfreq dan np.abs untuk mengenali frekuensi dominan sebuah sinyal.

Buka → # rfft untuk Sinyal Riil

Memanfaatkan rfft dan irfft untuk sinyal riil yang hanya membutuhkan setengah spektrum sehingga lebih hemat memori.

Buka → # Filtering Frekuensi dan ifft

Menyaring noise dengan menolkan komponen frekuensi tertentu lalu mengembalikan sinyal bersih menggunakan ifft.

Buka → # Windowing dan Kebocoran Spektral

Meredam kebocoran spektral dengan window functions seperti hanning, hamming, blackman, dan kaiser sebelum FFT.

Buka → # fft2d dan fftshift

Menerapkan FFT dua dimensi pada data citra sintetis dan menata ulang spektrum dengan fftshift.

Buka →