BAB II PROPAGASI SINYAL 2.1 Umum Kondisi komunikasi seluler sulit diprediksi, karena bergerak dari satu sel ke sel yang lain. Secara umum terdapat 3 komponen propagasi yang menggambarkan kondisi dari komunikasi seluler yaitu path loss, shadowing dan multipath fading. Kondisi propagasi diilustrasikan seperti Gambar 2.1 [1]. Gambar 2.1 Komponen propagasi 2.2 Model Propagasi Model propagasi biasanya memprediksikan rata-rata kuat sinyal yang diterima oleh mobile station pada jarak tertentu dari base station ke mobile station. Disamping itu, model propagasi juga berguna untuk memperkirakan daerah cakupan sebuah base 6
station sehingga ukuran sel dari base station dapat ditentukan. Model propagasi juga dapat menentukan daya maksimum yang dapat dipancarkan untuk menghasilkan kualitas pelayanan yang sama pada frekuensi yang berbeda. Di dalam komunikasi seluler, memperkirakan rugi-rugi yang akan dilalui sinyal adalah hal yang sangat penting. Salah satunya adalah rugi-rugi yang dihasilkan oleh propagasi sinyal. Rugi propagasi adalah rugi-rugi yang cukup sulit untuk diperkirakan karena dipengaruhi langsung oleh keadaan lingkungan sekitar yang dilalui oleh sinyal. Rugi propagasi (Propagation Loss) mencakup semua pelemahan yang diperkirakan akan dialami sinyal ketika berjalan dari base station ke mobile station. Adanya pemantulan dari beberapa obyek dan pergerakan mobile station menyebabkan kuat sinyal yang diterima oleh mobile station bervariasi dan sinyal yang diterima tersebut mengalami path loss. Path loss akan membatasi kinerja dari sistem komunikasi bergerak sehingga memprediksikan path loss merupakan bagian yang penting dalam perencanaan sistem komunikasi bergerak. Path loss yang terjadi pada sinyal yang diterima dapat ditentukan melalui suatu model propagasi tertentu. Para ahli telah menghasilkan beberapa model matematis yang dapat memberikan nilai yang cukup baik untuk mendekati keadaan lingkungan nyata. Model-model dari rugi propagasi dapat dibagi dalam 3 jenis[2], yaitu: 1. Model Teoritis Model teoritis berdasarkan pada hukum fundamental fisika yang dikombinasikan dengan teknik perkiraan yang cukup dan dengan model atmosfer dan dataran. Model-model ini menghasilkan hubungan matematika yang kompleks dan membutuhkan resolusi dari persamaan Maxwell melalui 7
penggunaan metode yang berbeda. Misalkan metode elemen terbatas dan beda terbatas (finite element and finite difference), metode persamaan parabolik, metode fisik dan geometrik optik, dan lain-lain. Kekurangan dari model ini adalah waktu komputasi yang dibutuhkan cukup tinggi yang mana sering tidak cocok dengan batas operasional, khususnya untuk tujuan rekayasa. Walaupun demikian, model ini dapat digunakan sebagai model referensi pada beberapa kasus yang spesifik. Karena variabel yang digunakan pada model ini pada umumnya adalah variabel deterministik, maka model ini juga sering disebut sebagai model deterministik. Model ini juga menggunakan variabel yang random yang ditentukan oleh distribusinya. 2. Model Empiris (Statistik) Terkadang menjelaskan suatu situasi dengan menggunakan model matematis adalah hal yang tidak mungkin. Pada kasus tersebut, kita menggunakan beberapa data untuk memprediksikan perkiraan kelakuan lingkungan. Berdasarkan defenisi, sebuah model empiris berdasarkan pada data yang digunakan untuk memprediksi, tidak untuk menjelaskan sebuah sistem. Model ini juga berdasarkan pada observasi dan pengukuran. Model ini dapat dikategorikan menjadi dua ketegori yaitu time dispersive (sebaran waktu) dan non-time dispersive (bukan sebaran waktu). Model time dispersive menyediakan informasi mengenai karakteristik sebaran waktu dari kanal seperti sebaran tundaan (delay spread) dari kanal selama terjadi multipath. Contoh lain adalah model Standford University Interim (SUI). Contoh dari model non-time dispersive adalah model COST 231 Hata, Hata dan ITU-R. 8
3. Model Stokastik Model ini digunakan untuk memodelkan lingkungan sebagai deretan variabel acak (random). Tidak dibutuhkan Informasi yang banyak untuk membentuk model ini namun tingkat akurasinya masih perlu dievaluasi dalam membentuk model. Model-model propagasi diperlihatkan oleh Gambar 2.2. Model Propagasi Model Empiris Model Deterministik Model Stokastik Non-time Dispersive Time-dispersive Gambar 2.2 Pembagian model propagasi 2.3 Parameter Propagasi Level kuat sinyal yang diterima (RSS) oleh UE dipengaruhi oleh 3 komponen yaitu: 5. Redaman path loss Path loss merupakan komponen deterministik dari RSS, yang mana dapat dievaluasi oleh model rugi-rugi lintasan propagasi seperti yang telah dijelaskan pada subbab sebelumnya. 9
6. Shadow fading Shadowing disebabkan karena halangan terhadap jalur garis pandang (LOS) antara pemancar dan penerima oleh bangunan, bukit, pohon dan lain-lain. 7. Fast fading Multipath fading (fast fading) timbul karena pantulan multipath dari sebuah gelombang yang dipancarkan oleh benda-benda seperti rumah, bangunan, struktur-struktur lain buatan manusia, atau benda-benda alam seperti hutan yang berada di sekitar UE. Multipath fading atau fast fading dalam tugas akhir ini diabaikan, karena korelasi jarak yang pendek dan diasumsikan penerima dapat mengatasinya dengan efektif[3],[4],[5]. 2.4 Analisa Path Loss Menggunakan Model Propagasi Kebanyakan model dari propagasi radio diperoleh dengan menggunakan kombinasi analitis dan empiris. Pendekatan secara empiris berbasis pada pencocokan kurva atau ekspresi analitis yang menciptakan kembali sekumpulan data pengukuran. Hal ini memiliki kebaikan bahwa secara tidak langsung, semua faktor propagasi baik yang diketahui maupun tidak dimasukkan ke dalam model melalui pengukuran aktual di lapangan. 2.4.1 Model Path Loss Dengan Log-distance Model teoritis dan model yang berbasis pada pengukuran mengindikasikan bahwa rata-rata kuat sinyal terima menurun secara logaritmik terhadap jarak, baik outdoor maupun indoor. Model ini sudah banyak digunakan pada banyak literatur. 10
Rata-rata path loss large scale untuk sebuah T-R (Transmitter-Receiver) yang terpisah pada sembarang jarak dapat diekspresikan sebagai fungsi dari jarak yang menggunakan sebuah pangkat path loss yaitu n, seperti pada persamaan 2.1. PL (d) = ( d ) n (2.1) d 0 Atau PL (db) = (d PL 0 ) + 10nlog ( d ) (2.2) d 0 Di mana n adalah pangkat path loss (path loss exponent) yang mengindikasikan laju kenaikan path loss terhadap jarak, d0 adalah jarak referensi yang diperoleh melalui pengukuran dekat dengan pemancar, dan d adalah jarak T-R terpisah. Tanda bar pada persamaan 2.1 dan 2.2 menunjukkan rata-rata dari semua path loss yang mungkin pada jarak d. Nilai dari n bergantung kepada lingkungan propagasi. Pada sistem selular dengan cakupan yang luas, jarak referensi yang biasa digunakan adalah 1 km. Pada sistem mikrosel jarak referensi yang digunakan adalah 100 m atau 1 m[6]. 2.4.2 Log-normal Shadowing Model pada persamaan 2.2 tidak memasukkan fakta bahwa keadaan lingkungan yang tak beraturan dapat sangat berbeda pada dua lokasi berbeda yang memiliki jarak pisah T-R yang sama. Hal ini akan berakibat pada nilai sinyal terukur akan sangat berbeda dengan nilai rata-rata yang diprediksikan oleh persamaan 2.2. Pengukuran-pengukuran telah menunjukkan bahwa pada sembarang jarak d, path loss 11
PL(d) pada lokasi tertentu adalah acak dan berdistribusi secara log-normal. Sehingga dapat diekspersikan seperti persamaan 2.3. PL(d)[dB] = PL (d) + X σ = (d PL 0 ) + 10nlog ( d ) + X d σ (2.3) 0 dan P r (d)[dbm] = P t [dbm] PL(d)[dB] (2.4) Dimana X σ adalah variabel acak yang berdistribusi Gaussian dengan rata-rata nol (db) dengan standar deviasi σ (db), Pt adalah daya yang ditransmisikan BS, dan Pr(d) adalah daya yang diterima MS pada jarak d. Distribusi log-normal menunjukkan bahwa efek acak dari shadowing yang mana terjadi pada banyak lokasi pengukuran yang memiliki jarak pisah T-R yang sama, tetapi memiliki tingkat ketidakteraturan jalur propagasi yang berbeda. Fenomena ini disebut sebagai log-normal shadowing. Jarak referensi d0, path loss exponent n, dan standar deviasi σ, secara statistik menjelaskan model path loss untuk lokasi sembarang yang memiliki jarak pisah T-R yang spesifik. Model ini dapat digunakan dalam simulasi komputer untuk menghasilkan level sinyal terima pada lokasi yang acak dalam analisa dan desain sistem komunikasi[6]. 2.4.3 Model Eksponensial Perhitungan model propagasi dilakukan setiap waktu pada setiap jarak d s, yaitu jarak sampling. Maka sinyal yang diterima oleh BS1 dan BS2 pada jarak kd s dari BS1 diberikan sebagai berikut [9] : 12
a k = K 1 K 2 log(kd s ) + u(kd s ), (2.5) b k = K 1 K 2 log(d kd s ) + v(kd s ), (2.6) Dimana : u dan v adalah variabel acak Gaussian untuk model log-normal, D adalah jarak kedua BS K 1 adalah kuat sinyal pada jarak d=1 K 2 adalah eksponen path loss Karena sifat sinyal yang berfluktuasi, maka perhitungan pada sinya tidak efektif. Maka untuk membuat sinyal tersebut menjadi lebih halus agar perhitungan lebih mudah dilakukan, digunakan metode rata-rata eksponensial, dimana d av adalah rata-rata jarak BS. Perhitungan kuat sinyal dengan menggunakan metode rata-rata eksponensial diberikan sebagai berikut [9] : a k = e d s dav a k 1 + (1 e d s dav ) a k, (2.7) b k = e d s dav b k 1 + (1 e d s dav ) a k, (2.8) 13
Dimana : d av adalah jarak rata-rata BS d s adalah jarak sampling 2.5 Kuat Sinyal Terima (RSS) UE mengukur RSS dari masing-masing BS. Nilai RSS (db) yang terukur merupakan jumlah dari dua bagian, yaitu path loss dan log normal shadow fading. Redaman propagasi biasanya dimodelkan sebagai hasil dari jarak dipangkatkan η dan sebuah komponen log normal yang menunjukkan rugi-rugi shadow fading [6] seperti yang telah dijelaskan pada subbab sebelumnya. Persaamaan yang akan dijelaskan berikut ini adalah sama dengan yang dijelaskan pada subbab sebelumnya. Hanya saja dilakukan beberapa perubahan notasi dengan tujuan penyederhanaan dan sesuai dengan sistem yang hendak disimulasikan. Perubahan notasi tidak mengubah arti nilai yang sebenarnya. Untuk UE yang berada pada jarak d dari BSi, dengan menggunakan nilai d0= 1 m (mikrosel), maka redamannya adalah [7] : α(d, ζ) = d η 10 ζ 10 (2.9) dimana ζ adalah redaman dalam db yang dikarenakan shadowing, dengan rata-rata nol dan standar deviasi σ. Nilai ζ tidak dipengaruhi oleh jarak. Rugi-rugi dalam db dapat dibuat seperti persamaan 2.10. α(d, ζ)[db] = 10ηlogd + ζ (2.10) 14
Dimana η (eta) adalah path loss exponent dan d menunjukkan jarak antara BS dengan UE dalam kilometer. Misalkan di menunjukkan jarak antara UE dengan BSi; i=1,2. Jika daya yang ditransmisikan oleh BS adalah Pt, maka kuat sinyal dari BSi, dinotasikan dengan Si(d); i=1,2, dapat ditulis sebagai berikut : Si(d) = Pt - α(d, ζ) (2.11) 15