bab 3 metode penelitianrepository.ittelkom-pwt.ac.id/5658/3/bab iii.pdfbab 3 metode penelitian 3.1...
TRANSCRIPT
24
BAB 3
METODE PENELITIAN
3.1 ALAT YANG DIGUNAKAN
Channel model simulator untuk mmWave 28 GHz yang diimplemetasikan
dalam penelitian ini menggunakan software New York University (NYU)
Wireless Simulator versi 1.5 yang memberikan Channel Impulse Response (CIR)
yang akurat terhadap ruang dan waktu, spatial channel model untuk broadband
mmWave[23]. Perhitungan beserta simulasi lanjutan dari kerangka penelitian
menggunakan Matlab 2018a.
3.2 ALUR PENELITIAN
Gambar 3.1 Alur proses penelitian
3.2.1 ENVIRONMENT PARAMATER
25
Pada penelitian ini melakukan unjuk kerja implementasi mmWave 28 GHz
dengan bandwidth sebesar 200 MHz berdasarkan numerology OFDMA untuk
komunikasi seluler 5G di kota Jakarta dengan dua skenario yaitu efek redaman
hujan dan tanpa efek redaman hujan. Karena frekuensi mmWave bergantung
dengan kondisi alam seperti curah hujan, tekanan udara, kelembaban dan suhu
udara, maka penelitian ini dimulai dengan pengumpulan data parameter
environment tersebut berdasarkan Badan Meteorologi, Klimatologi, dan Geofisika
(BMKG), Stasiun Meteorologi Kemayoran, DKI Jakarta, dengan koordinat
wilayah 6o9’20” LS dan 106
o50’24” BT pada periode rata-rata 1 Januari 2015
hingga 31 Desember 2017 agar merepresentasikan kondisi alam yang
sesungguhnya. Parameter environment akan menjadi input pada channel
parameters pada simulator NYUSIM. Pada NYUSIM memiliki rentang curah
hujan 0 hingga 150 mm/h, sehingga penulis menggunakan curah hujan maksimal
yaitu 150 mm/h sebagai kategori hujan lebat.
Tabel 3.1 Parameter environment kota Jakarta
Parameter Nilai
Tekanan udara 1010.06 mbar
Kelembaban udara 76.80 %
Temperatur 28.42 oC
Curah hujan 210.61 mm/h
3.2.2 SIMULASI NYUSIM
3.2.2.1 SIMULASI TANPA CURAH HUJAN
Panel Channel Parameters berisi 17 tentang fundamental parameter
masukan untuk propagasi kanal yang akan diisi secara detail sebagai berikut:
Frequency (GHz) = 28 GHz
Radio Frequency (RF) Bandwidth = 200 MHz
Scenario = Urban Microcell (UMi).
Environment = non-line-of-sight (NLOS).
Tx Power = 30 dBm
T-R Separation Distance Lower Bound = 200 meter.
26
T-R Separation Distance Upper Bound = 200 meter.
Tekanan udara (barometric pressure) = 1010.06 mbar
Kelembaban (humidity) = 76.80 %
Suhu udara (temperature) = 28.42 oC
Curah hujan (rain rate) = 0 mm/h
Polarization = Co-Pol (Co-Polarization)
Foliage Loss = No
Distance Within Foliage = 0 m
Foliage Attenuation = 0 dB/m
Number of Rx Location = 1000
Gambar 3.2 Simulasi dari NYUSIM channel model simulator tanpa curah
hujan (0 mm/h).
3.2.2.2 SIMULASI DENGAN CURAH HUJAN
Pada simulasi memiliki perdedaan pada tambahan pada curah hujan
sebesar 150 mm/h, dimana nilai tersebut merupakan curah hujan maksimal pada
NYUSIM. Adapaun parameter diisi sebagai berikut:
27
Gambar 3.3 Simulasi dari NYUSIM channel model simulator dengancurah
hujan (150 mm/h).
Frequency (GHz) = 28 GHz
Radio Frequency (RF) Bandwidth = 200 MHz
Scenario = Urban Microcell (UMi).
Environment = non-line-of-sight (NLOS).
Tx Power = 30 dBm
T-R Separation Distance Lower Bound = 200 meter.
T-R Separation Distance Upper Bound = 200 meter.
Tekanan udara (barometric pressure) = 1010.06 mbar
Kelembaban (humidity) = 76.80 %
Suhu udara (temperature) = 28.42 oC
Curah hujan (rain rate) = 150 mm/h
Polarization = Co-Pol (Co-Polarization)
Foliage Loss = No
Distance Within Foliage = 0 m
Foliage Attenuation = 0 dB/m
28
Number of Rx Location = 1000
3.2.3 INSTANTANEOUS PDP
Instantaneous PDP dari channel model kota Jakarta dengan dua
skenario simulasi menggunakan curah hujan 150 mm/h dan tanpa curah hujan
dengan masing-masing percobaan 1000 Rx sehingga didapatkan 1000
Instantaneous PDP yang bertujuan pada akurasi representatif PDP dikarenakan
nilai suatu channel akan berubah-ubah terhadap waktu untuk perhitungan capacity
dari channel[8]. Pada gambar 3.4 merupakan contoh Instantaneous PDP yang
didapatkan saat simulasi channel model menggunakan NYUSIM berdasarkan
environment di Jakarta. Hasil Instantaneous PDP pada sumbu x adalah delay (ns)
pada tiap path dan sumbu y merupakan daya (dBm).
Gambar 3.4 Instantaneous PDP kota Jakarta
3.2.4 REPRESENTATIF PDP
Setelah didapatkan Instantaneous PDP dengan redaman hujan dan
tanpa redaman hujan, perhitungan dilakukan untuk mendapatkan representatif
PDP dari channel model kota Jakarta. Berikut merupakan langkah-langkah yang
dilakukan dalam merepresentatif PDP yang sudah dilakukan pada penelitian[8]:
1. Mengubah PDPi pada dBm ke numerik, i merupakan angka indeks dari
PDP.i = {1,2,…,K}, dengan K adalah banyaknya percobaan PDP.
29
2. Menggabungkan setiap α timeslot 𝜏 pada setiap PDPi dan ditempatkan
menjadi timeslot l. Simbol α merupakan grouping index. Pada penelitian
[8] mempertimbangkan grouping index α = 40 dan l = 1,2,…, L, dengan L
adalah jumlah total dari 𝜏 pada PDPi dibagi dengan α.
𝜏(𝑙−1).𝛼+1𝑃𝐷𝑃𝑖 =
1
𝛼 . ∑ 𝜏𝑛
𝑃𝐷𝑃𝑖
𝑙.𝛼
𝑛=(𝑙−1).𝛼+1
(3.1)
3. Menggabungkan tiap 𝜏(𝑙−1).𝛼+1 dari seluruh PDPi dan menghitung CDF.
4. Menghitung CDF persentil ke-90 disetiap 𝜏(𝑙−1).𝛼+1 dari seluruh PDPi
sebagai reperesentatif PDP. Hal tersebut dikarenakan lebih banyak data
dengan nilai yang kecil dan dianggap tepat untuk memilih data yang
representatif bagi 1000 PDP[6].
5. Melakukan thresholding sebesar -150 dBm untuk 𝜏(𝑙−1).𝛼+1 dari
representatif PDP sebagai asumsi sensitivitas device 5G di Indonesia pada
waktu mendatang.
3.2.5 MATRIKS HC
h
n
FH
F CP HC CP
OFDM OFDM
x
y
Rx Tx
30
Gambar 3.5 Struktur OFDM dari Transmitter ke Receiver
Kehandalan OFDM pada kanal broadband mejadikan OFDM digunakan
pada sistem 5G NR. Maka pada skripsi ini melakukan pengujian model kanal kota
Jakarta dengan representatif PDP menggunakan sistem OFDM. OFDM
menunjukan sistem multicarrier yang mana membagi seluruh spektrum menjadi
beberapa frekuensi narrowband, dan data dikirimkan pada blok-blok secara
paralel pada frekuensi narrowband[24]. Struktur OFDM yang
mengimplementasikan inverse discrete Fourier transform (IDFT) pada pengirim
dan discrete Fourier transform (DFT) pada penerima, namun secara praktek
algoritma fast Fourier Transform (FFT) secara luas digunakan untuk menghitung
DFT disebabkan kecepatan dalam implementasinya dan komputasi yang
efisien[24].
Pada skripsi ini pertama-tama melakukan proses matriks FFT (F),
menggunakan FFT size (N) sebesar 128 yang digambarkan dengan persamaan 3.2.
Skema OFDM menambahkan redundancy yang disebut cyclic prefix (CP)
berdasarkan circular convolution karena setiap matriks circulant adalah diagonal
dalam basis Fourier[25]. Kemudian dilanjutkan mengolah matriks FFT menjadi
IFFT (Fh) dengan melakukakan conjugate transpose matriks FFT. Hasil keluaran
IFFT (x), memasukan guard interval atau penambahan CP antara setiap blok
secara urut untuk mentransformasi linier konvolusi menjadi circulant. Karena
keadaan kanal adalah Rayleigh fading maka memproses matriks kanal propagasi
yang berisikan PDP pada representatif PDP (H) yang didapat sebelumnya
kemudian ditambahkan random vektor Gaussian noise (n) dan k adalah angka blok
OFDM simbol.
[
𝑦1(𝑘)
⋮⋮
𝑦128 (𝑘)
] =
[ ℎ1 0 ⋯ ⋯ 0⋮ ℎ2 0 ⋯ ⋯⋮ ⋯ ⋱ ⋯ ⋮⋮ ⋯ ⋯ ⋱ ⋯⋮ ⋯ ⋯ ⋯ ℎ128]
[
𝑥1(𝑘)
⋮⋮⋮
𝑥128(𝑘)]
+
[
𝑛1(𝑘)
⋮⋮⋮
𝑛128(𝑘)]
(3.2)
31
Pada simulasi ini menganalisis metematis hasil yang diterima pada sisi
penerima menggunakan perkalian matriks circulant (Hc) dengan x tanpa CP
seperti ditunjukan pada persamaan 2.15 karena matriks circulant adalah matriks
yang ekuivalen dengan matriks hasil dari transmisi menggunakan CP yang
ditunjukan pada persamaan 2.14. Nilai untuk setiap kanal paralel ekuivalen yang
diperoleh dari PDP, yaitu 𝜓 pada persamaan 2.4 yang merupakan matriks
diagonal dimana diagonal elemenya merupakan eigenvalue dari hasil perkalian
matriks circulant Hc dengan faktor FFT[24]. 𝜓 ini berfungsi saat perhitungan
kapasitas kanal pada persamaan 2.3 yang mana nilai kapasitas adalah variabel
random karena nilainya berubah-ubah dari satu realisasi kanal ke realisasi
selanjutnya.
3.2.6 PERHITUNGAN OUTAGE PERFORMANCE
Perhitungan Outage probability dimulai dengan perhitungan kapasitas
kanal seperti pada persamaan 2.3 dimana kapasitas dihitung per blok dengan
panjang blok pada penelitian skripsi ini sebesar 128 dan dengan Eb/N0 yang
bervariasi dari blok ke blok. Akibatnya, diasumsikan bahwa saluran tersebut
mampu mencapai kapasitas Shanon selama durasi setiap blok dan keacakan
(randomness) dalam mutual information disebabkan oleh SNR yang acak[21].
Kemudian kapasitas di cumulative distribution function (CDF) menjadi Outage
Performance.
Skripsi ini melakukan perhitungan kanal sebanyak 300.000 kali percobaan
untuk mengobservasi cumulative distribution function (CDF) dari kapasitas kanal
tiap representatif PDP pada masing-masing skenario menggunakan curah hujan 0
mm/h dan pada curah hujan 150 mm/h dengan modulasi BPSK, R sebesar ½, ¾, 1,
dan Eb/N0 0 dB hingga 30 dB. Semakin banyak sampel Eb/N0 maka semakin baik
hasil outage probability. Iterasi sebanyak 300.000 realisasi ini diasumsikan
mampu mewakili keadaan kanal di Jakarta dan menghasilkan grafik yang halus.
Gambar 3.5 merupakan contoh grafik dari hasil perhitungan kapasitas
kanal narrowband yang diolah menggunakan CDF dari kapasitas kanal dengan R
= 1 dan Eb/N0 0 hingga 2 dB. CDF ini mengevaluasi probabilitas outage kapasitas
C bernilai lebih kecil atau sama dengan nilai R.
32
Gambar 3.5 Grafik CDF dari kapasitas kanal narrowband.