BAB III PEMODELAN SISTEM Secara umum, pemodelan dari sistem pengiriman data dengan sistem Alamouti secara keseluruhan dapat dilihat pada bagan berikut:
Gambar 3. 1 Bagan sistem Alamouti secara keseluruhan
Pengerjaan tugas akhir terfokus pada bagian estimasi kanal / channel estimator, skema kombinasi / combiner, dan ML receiver (bagian yang digaris bawahi).
3.1 Sistem Alamouti dengan Asumsi Pengenalan Kanal Sempurna
Gambar 3. 2 Bagan proses Alamouti dengan asumsi pengenalan kanal sempurna
xxix
Secara sederhana, seperti terlihat pada bagan gambar 3.1, proses sistem Alamouti dimulai dengan penentuan parameter sistem: berapa jumlah bit yang dikirim, besar perioda bit, besar frekuensi doppler, rentang Eb/N0 yang dipakai. Selanjutnya dibangkitkan bit transmisi acak sejumlah banyak bit yang telah ditentukan. Proses Alamouti pengkodean dan skema kombinasi dilakukan sesuai dengan makalah Alamouti[1] (bagian 2.2) sebelum akhirnya dimasukkan ke dalam maximum likelihood detector. Setelah melewati setiap Eb/N0 dan pengulangan Monte Carlo, dihitung BER sebagai penunjuk kinerja sistem.
3.2 Sistem Alamouti dengan Teknik Tanpa Estimasi Kanal
Gambar 3. 3 Bagan proses Alamouti dengan teknik tanpa estimasi kanal
Proses yang serupa dengan proses Alamouti sebelumnya terjadi di sistem Alamouti dengan teknik tanpa estimasi kanal. Perbedaan yang terjadi bila dibandingkan dengan proses Alamouti asumsi pengenalan kanal sempurna terdapat pada 2 bit transmisi awal yang telah diketahui nilainya sebagai bagian untuk dipakai lebih lanjut dalam teknik deteksi kanal. Sedikit modifikasi di skema kombinasi juga terjadi karena penyesuaian dengan makalah teknik tanpa estimasi
xxx
kanal[2] (bagian 2.3). Sebagian besar proses yang terjadi adalah proses yang sama dengan proses pada sistem Alamouti dengan pengenalan kanal sempurna.
3.3 Sistem Alamouti dengan Teknik Estimasi Kanal LMS
Gambar 3. 4 Bagan proses Alamouti dengan teknik estimasi kanal LMS
Pada proses teknik estimasi kanal LMS, seperti terlihat pada bagan 3.4, parameter yang dibutuhkan bertambah dengan banyaknya bit pilot yang diperlukan dan jumlah oversampling. Bit pilot ditransmisikan terlebih dahulu tanpa pengkodean untuk dimasukkan ke dalam sistem LMS, untuk dipakai mengestimasi kondisi kanal. LMS dibangun menurut struktur gambar 3.5, dengan sinyal yang telah mengalami fading sebagai sinyal diinginkan / desired signal dan sinyal oversampling sebagai masukan:
xxxi
y (n ) yˆ ( n )
e (n )
Gambar 3. 5 Struktur LMS
Setelah beberapa iterasi menggunakan sejumlah tertentu bit pilot, didapat parameter kanal di dalam weight LMS, parameter tersebut dipakai dalam skema kombinasi bit data. Agar proses perkalian vektor di dalam skema kombinasi, (2.12) dan (2.13), menghasilkan satu nilai per perkalian, nilai oversampling haruslah sama dengan jumlah weight. Hal ini disebabkan karena apabila digunakan jumlah weight sebanyak N, maka estimasi kondisi kanal yang diambil dari nilai weight setelah iterasi adalah matriks sebesar 1xN. Untuk menghasilkan nilai dari (2.12) dan (2.13) berupa matriks 1x1 (satu estimasi sinyal), maka nilai dari oversampling yang dikenakan sinyal diterima (r0 dan r1) haruslah bernilai N juga, sehingga terbentuk matriks Nx1, yang bila dikalikan dengan estimasi kanal dapat menghasilkan matriks 1x1. Pada simulasi, nilai N yang dipakai adalah 4 buah.
xxxii
3.4 Sistem Alamouti dengan Teknik Estimasi Kanal TDNN START
Transmisi: Bit data dimasukkan ke dalam TDNN (tidak ada Encoding & Combining Scheme)
Maximum Likelihood Detector
Penentuan Parameter Awal (bit, bitpilot, fd,T, rentang Eb/No, dan jumlah oversampling) Transmisi: Pilot dikirim terlebih dahulu untuk deteksi kanal fading dengan TDNN
Monte carlo selesai?
Proses Monte carlo dan perhitungan setiap Eb/No
Membangkitkan bit transmisi dan bitpilot
belum belum
sudah Perhitungan banyak bit error
Perhitungan BER per Eb/No
FINISH
Semua Eb/No selesai?
sudah
Gambar 3. 6 Bagan proses Alamouti dengan teknik estimasi kanal TDNN
Keunikan dari teknik estimasi kanal TDNN dibandingkan teknik lain adalah tidak melibatkan proses pengkodean dan skema kombinasi. Bit pilot dikirimkan terlebih dahulu, seperti LMS, dan dimasukkan ke dalam sistem TDNN seperti yang terlihat strukturnya pada gambar 3.7.
xxxiii
Gambar 3. 7 Struktur TDNN
Kemudian, bit data yang diterima yang dimasukkan ke dalam TDNN. Sisa dari proses adalah maximum likelihood detector dan perhitungan BER. Di dalam sistem TDNN, seakan – akan proses dari pengkodean dan skema kombinasi terjadi kasat mata di dalam sistem TDNN sendiri. Adapun simulasi dilakukan dengan menggunakan TDNN berstruktur 2 masukan (dengan delay 4 setiap masukan) – 4 hidden layer – 1 keluaran (merupakan estimasi dari data sebelum oversampling).
3.5 Proses Oversampling Adalah teknik yang digunakan dalam simulasi untuk merekayasa secara sederhana sebuah sinyal kontinu. Nilai oversampling menunjukkan banyaknya sebuah simbol dicuplik. Untuk pencuplikan sinyal pita dasar / baseband, oversampling diaplikasikan dengan mengulang sebuah bit sebanyak nilai oversampling. Teknik oversampling digunakan dalam simulasi teknik LMS dan
xxxiv
TDNN untuk memberikan nilai beban / weight yang lebih akurat dan membuat sinyal baseband bersifat kontinu secara sederhana.
3.6 Algoritma Monte Carlo dan Representasi Bit Algoritma Monte Carlo[10] termasuk ke dalam algoritma probabilistik, yaitu algoritma yang mengadakan pilihan acak dalam satu atau lebih tahapan di dalamnya. Algoritma Monte Carlo digunakan untuk masalah pengambilan keputusan, dengan kemungkinan kecil bahwa jawaban dari algoritma tersebut salah. Kemungkinan terjadi kesalahan ini akan menurun sebanding dengan komputasi yang mencukupi. Algoritma ini menggunakan pengulangan iterasi. Dalam tiap tahap algoritma, kemungkinan jawaban adalah true bila benar atau unknown, di mana jawaban tidak diketahui apakah benar atau salah. Setelah setiap iterasi dilakukan, jawaban akhir adalah true bila ditemui true pada sembarang iterasi dan false bila setiap iterasi menjawab unknown. Dapat diambil kesimpulan bahwa bila jawaban sebenarnya adalah true, algoritma bisa menjawab true atau false, karena jawaban unknown untuk semua iterasi sekalipun bisa berarti true atau false. Tetapi kemungkinan terjadi kesalahan jawaban ini diperkecil karena harus melalui semua iterasi dengan jawaban unknown. Di mana probabilitasnya sangat kecil, dengan n adalah jumlah iterasi dan p adalah peluang jawaban true, adalah (1-p)n. Dalam pengadaan grafik kinerja sistem, algoritma Monte Carlo dipakai dengan melakukan pengulangan (iterasi) dari simulasi. Seiring dengan banyaknya iterasi, kemungkinan ketidakcocokan hasil grafik kinerja dapat diminimalisir. Selain algoritma Monte Carlo, perlu ditentukan jumlah bit transmisi yang cukup mewakili untuk menunjukkan kinerja sistem. Dengan alasan yang serupa dengan algoritma Monte Carlo, semakin banyak jumlah bit transmisi yang digunakan, tentulah semakin mewakili kinerja sistem. Untuk menentukan jumlah bit dan banyaknya pengulangan Monte Carlo yang cukup untuk mewakili kinerja sistem, diadakan simulasi sederhana dengan berbagai jumlah pengiriman bit dan nilai Monte Carlo. Simulasi yang dilakukan adalah kinerja sistem Alamouti
xxxv
dengan asumsi pengenalan kanal sempurna. Bit dan jumlah monte carlo yang dicobakan, antara lain 10000 bit dengan 5 Monte Carlo, 100000 bit dengan 5 Monte Carlo, dan 10000 bit dengan 10 Monte Carlo. Hasil yang didapat dari simulasi ada pada gambar 3.8:
Gambar 3. 8 Kinerja simulasi Alamouti dengan pengenalan kanal sempurna dengan berbagai parameter bit dan pengulangan Monte Carlo
Dari hasil simulasi, terlihat bahwa kinerja dengan tiga parameter berbeda tidak jauh berbeda, berarti ketiga parameter adalah cukup untuk merepresentasikan kinerja sistem. Maka, dengan mempertimbangkan efisiensi dan efektifitas simulasi yang dikerjakan, simulasi dalam karya tulis dilakukan dengan menggunakan 10000 bit dengan 5 pengulangan Monte Carlo.
3.7 Kanal Rayleigh Kanal
nirkabel
fading
memiliki
distribusi
Rayleigh.
Untuk
membangkitkan kanal yang merepresentasikan redaman / path loss tersebut,
xxxvi
digunakan Jakes fading simulator[9] yang umum digunakan. Hasil fading yang dibuat dari Jakes simulator dapat dilihat pada gambar 3.9. 10
F ading amplitude [dB]
5
0
-5
-10
-15
-20
0
50
100
150
200 250 300 time x 0.67 msec
350
400
450
500
Gambar 3. 9 Contoh fading untuk fd = 50 Hz (30 km/hr pada 1.8 GHz)[8]
Untuk simulasi, digunakan parameter fungsi doppler bernilai 30 Hz (asumsi pergerakan dengan kecepatan 36 km/jam pada frekuensi 900 MHz[8]). Karena lebar pita sinyal (900 MHz) lebih besar daripada frekuensi doppler (30 Hz), maka fading yang digunakan pada simulasi adalah fading yang frequency selective dan slow. Dipilih slow fading karena kebanyakan fading yang terjadi pada sistem komunikasi sekarang bersifat demikian, akibat tingginya frekuensi yang digunakan. Sebagai standar perbandingan kinerja tiap teknik estimasi kanal, digunakan pembanding berupa BER untuk sistem tanpa diversitas (SISO) kanal flat - flat fading dengan modulasi Binary Phase Shift Keying (BPSK)[11], yaitu:
BER =
1 (1 2
Eb / N 0 ) 1 + Eb / N 0
(3.1)
xxxvii
Eb/N0 adalah perbandingan antara energi dari sinyal data dibandingkan dengan rapat daya derau. Dalam simulasi percobaan, berbagai teknik estimasi kanal dilakukan pada sinyal pita dasar / baseband. Dari rumus Eb/N0 dapat ditentukan tegangan efektif derau (Xno)[12]: 2
Vp T Eb = 2 N0 no 2T
no
=
Vp
(3.2) 2
2( Eb / N 0 )
(3.3)
1
Dengan T merupakan perioda sebuah simbol. Diasumsikan bahwa energi transmisi setiap antena pengirim adalah ½ dari energi transmisi satu antena, dengan memberikan nilai Vp (tegangan puncak dari sinyal baseband)
1 2
V (nilai
tegangan puncak dari satu antena adalah 1V), maka: no
=
1 4( E b / N 0 )
1
(3.4)
3.8 Daftar Program
Tabel V Program yang digunakan pada simulasi
Nama Fungsi alamouti.m
Fungsi Menghitung
Nama Fungsi MLD.m
Fungsi Melakukan proses
BER sistem
maximum
Alamouti
likelihood detector
pengenalan kanal sempurna NCE.m
Menghitung
transmisialamouti.m
Melakukan proses
BER sistem
sistem Alamouti
Alamouti tanpa
pengenalan kanal
estimasi kanal
sempurna
xxxviii
LMS.m
Menghitung
transmisinochannel.
Melakukan proses
BER sistem
m
sistem Alamouti tanpa estimasi
Alamouti LMS
kanal TDNN.m
Menghitung
alamoutilms.m
Melakukan proses
BER sistem
sistem Alamouti
Alamouti
LMS
TDNN oversampling.m
Melakukan
alamoutitdnn.m
Melakukan proses
oversampling
sistem Alamouti
pada baseband
TDNN
xxxix