II. TINJAUAN PUSTAKA
2. Crossover 29
3.2 Tata Laksana
Data yang dikumpulkan terdiri dari data statis dan data dinamis. Data statis adalah data yang tidak bisa diubah, karena merupakan data dari pabrik. Misalnya: Linearitas amplifier(SSPA), gain flatness, SFD dan lain- lain. Data dinamis adalah data-data yang bisa disesuaikan dengan keperluan di lapangan. Misalnya: diameter antena,
power transmit, dan lain-lain.
Langkah- langkah yang dilakukan adalah seperti berikut ini:
1. Rekayasa GA untuk domain kasus yang diangkat. GA yang diperoleh dari internet sesuai dengan gambar 3.2 disebut dengan GAOT. Langkah pertama adalah melakukan rekayasa terhadap kromosom dan fungsi evaluasi agar sesuai dengan domain kasus.
Tabel 3.1 Rekayasa GAOT GAOT GA untuk optimisasi transponder
Kromosom {k1,k2,…}, dimana k∈[0,1] {k1,k2,…}, dimana k∈ (0, 32, 56, 64, 96, 128, 256, 1024, 2048) untuk Proses 1. {k1,k2,…}, dimana k∈ [0,2048] untuk Proses 2
Fungsi evaluasi F = f(x,y)
∑
= = n i i trans Rc R 1
2. Suatu function dibuat khusus untuk keperluan penelitian ini. Fungsi ini bertujuan untuk memeriksa setiap allele (bit rate) di dalam suatu individu apakah sesuai dengan batasan-batasan bandwidth dan power flux density untuk setiap FEC dan modulasi yang
dicoba. Kemudian menentukan frekuensi center uplink, FEC dan modulasi yang mana yang paling cocok pada gen (posisi string) tersebut.
Gambar 3.2 GA hasil download
3. Masukan sistem adalah deretan bilangan float yang merepresentasikan besar datarate yang dicoba untuk setiap frekuensi uplink. Penentuan frekuens i uplink yang digunakan
adalah dimulai dari frekuensi terkecil dari rentang frekuensi yang ada pada transponder yang ditinjau.
4. Sebagai output sistem adalah:
• Solusi optimal yaitu deretan data rate untuk tiap frekuensi uplink. • Modulasi dan FEC yang digunakan.
• Bandwidth yang terpakai.
• Power flux density yang digunakan.
• Bandwith masing- masing deretan data rate. • Frekuensi uplink untuk masing-masing data rate.
3.3 Penentuan Parameter GA
Sebelum melakukan optimisasi terlebih dahulu dilakukan penentuan parameter-parameter GA yang akan mendasari seluruh proses optimisasi.
• Seleksi yang digunakan adalah Seleksi Normalized Geometric karena lebih baik dibanding roulette (Ilsoo Yun dan Byungkyu “Brian” Park. 2003).
• Terminasi dilakukan berdasarkan jumlah generasi, dengan pertimbangan bahwa konvergensi dengan batasan BW = 36 Mhz dan Power satelit = -95.5 dBW/m^2 akan sulit diperoleh. Dengan terminasi tersebut diharapkan bahwa nilai optimal diperoleh ketika nilai batasan tersebut sudah didekati.
• Daya pancar antena stasiun bumi (Watt) ditentukan melalui beberapa percobaan. Percobaan ini dilakukan dengan mengubah-ubah nilai daya pancar dengan jumlah genotif yang tetap. Daya pancar yang menghasilkan kapasitas tertinggi ditentukan sebagai nilai daya pancar yang digunakan untuk masing- masing diameter antena pada proses optimisasi selanjutnya.
• Jumlah individu (N) dalam satu populasi yang dibangkitkan dalam tahapan inisialisasi ditentukan melalui beberapa percobaan. Percobaan ini dilakukan dengan mengubah-ubah N dalam satu populasi dimana jumlah genotif tetap dan daya pancar yang telah diperoleh sebelumnya tetap. Jumlah individu yang digunakan adalah N yang menghasilkan kapasitas terbaik dari beberapa percobaan tersebut.
• Jumlah genotif ditentukan dengan beberapa percobaan. Percobaan ini dilakukan dengan mengubah-ubah jumlah genotif, kemudian menentukan mana yang menghasilkan kapasitas transponder yang terbaik.
3.4 Pengukuran Kinerja Sistem
Pengukuran kinerja sistem dilakukan setelah proses optimisasi (gambar 3.1). Pertama, optimisasi dilakukan terhadap kemampuan transponder dengan asumsi gain
flatness nya sempurna yaitu 0 dB. Kemudian penelitian lanjutan terhadap data-data dinamik
dengan memasukkan data gain flatness yang sebenarnya. Hasil ini dibandingkan dengan kondisi yang diperoleh secara konvensional.
Parameter yang diteliti adalah:
• Konvergensi GA yaitu untuk mengetahui kemampuan GA didalam melakukan optimisasi transponder. Untuk keperluan ini dilakukan proses iterasi dengan jumlah generasi yang berbeda-beda. Kemudian dilihat kecenderungan konvergensi proses iterasi.
• Kompleksitas algoritma yaitu untuk mengetahui tingkat kompleksitas jaringan terhadap waktu proses yang dibutuhkan. Untuk keperluan ini dilakukan proses untuk diameter antenna yang tetap, daya transmit yang tetap, tetapi diproses dengan jumlah gen yang berbeda.
• Nilai-nilai kromosom (alele), yaitu untuk mengetahui komposisi FEC, modulasi, datarate, diameter antena, dan daya pancar (Watt) yang menghasilkan individu (solusi) yang paling unggul.
3.5 Disain Jaringan Komunikasi Satelit.
Disain jaringan komunikasi didasarkan pada solusi-solusi optimal yang diperoleh pada beberapa proses dengan parameter-parameter yang berbeda. Proses disini adalah pemilihan kanal-kanal yang cocok untuk dipasangkan dengan lainnya di dalam melayani link-link komunikasi satelit.
Secara teknis seluruh skema modulasi dan datarate yang ada bisa dipasangkan untuk membentuk link komunikasi dua arah. Tetapi kebanyakan link yang ada adalah besar datarate yang dikirim pengirim biasanya sama dengan besar datarate yang dikirim kembali oleh penerima.
IV. PERANCANGAN SISTEM
4.1 Rancangan Sistem
Untuk keperluan penelitian, algoritma genetika yang telah diperoleh dimodifikasi
(3.2 Tata Laksana). Garis besar hasil modifikasi dapat dilihat sebagai berikut:
CekBER merupakan suatu function untuk memeriksa setiap allele (data rate) di
dalam suatu individu apakah sesuai dengan kualitas link budget, batasan Eb/No,
batasan-batasan bandwidth dan power flux density untuk setiap FEC dan modulasi yang dicobakan.
Kemudian menentukan frekuensi center uplink, FEC dan modulasi yang paling cocok pada
gen (posisi string) tersebut. Diagram alirnya adalah sebagai berikut:
Gambar 4.2 Diagram alir pengujian tiap allele
Ya Tidak
Pemrograman genetika yang digunakan dimodifikasi dari Genetic Algorithm for
Optimization Toolbox (GAOT). Masing- masing terdiri dari modul- modul berupa function
seperti pada tabel di bawah ini.
Tabel 4.1 Fungsi- fungsi yang digunakan oleh sistem
Filename.m Fungsi
floattesis1.m floattesis2.m
Fungsi utama menjalankan proses optimisasi
ga.m memanggil proses Algoritma Genetika sebagai fungsi dari pada Seleksi, Crossover, Mutasi
initializega.m menginisialisasi masukan terhadap GA.
batas.m membatasi setiap masukan datarate setiap Carrier gaTdreval.m mengevaluasi fitness (kapasitas transponder)
cekBER.m Mengevaluasi setiap data rate yang dicobakan terhadap masing carrier, menghitung C/N total untuk masing-masing allele. Kemudian membandingkan dengan batasan masing-masing modulasi. Output dari fungsi ini adalah populasi yang baru, indeks modulasi dan FEC yang sesuai, BW allocated, Power flux Density (PFD), serta Frequency uplink. simpleXover.m Untuk melakukan crossover sederhana
arithXover.m Melakukan crossover pada dua induk P1,P2 dan melakukan interpolasi sepanjang jalur kedua induknya.
boundaryMutation.m Metode mutasi yang terjadi pada batas atas atau batas bawah yang dilakukan secara random terhadap individu yang dimutasi heuristicXover.m Operator Heuristic crossover pada dua induk P1,P2 dan
membentuk ekstrapolasi sepanjang garis yang dibentuk oleh kedua induk tersebut yang mengarah pada induk yang terbaik. maxGenTerm.m Sebagai syarat untuk penghentian proses generasi.
multiNonUnifMutation.m Mengubah seluruh parameter induk berdasarkan distribusi probabilitas non-uniform.
nonUnifMutate.m Mengubah satu dari parameter-parameter induk didasarkan pada distribusi probabilitas non-uniform.
uniformMutate.m Mengubah satu dari parameter-parameter induk didasarkan pada distribusi probabilitas uniform.
normGeomSelect.m Melakukan seleksi berdasarkan ranking yang paling fit yang didasarkan pada distribusi geometrik ternormalisasi.
Selain function di atas, terdapat tiga file.m yang berisi data yang bukan merupakan
function yakni:
1. data_sat_sb.m, adalah file yang berisi parameter-parameter satelit dan stasiun
bumi serta data propagasi, yakni:
%Data Satelit
EIRPsat=38.0; %Efective Isotropic Radiated Power satelit [dBW]
GTsat=0.00; %Figure of merit satelit [ dB/K]
PAD=10.00; %Atenuator di transponder 6H (adjustable) [dB]
SFDensity=-102.50; %Saturated Fux Density transponder 6H [dBW/m^2 ]
BWxpndr=36.0; %Bandwidth Transponder 6H [MHz]
IBOagg=3.00; %input backoff aggregate [dB]
OBOagg=2.50; %output backoff aggregate [dB]
PWRdensity_ul=-47.00; %Power density uplink [dBW/Hz]
EIRPdensity_dl=-36.00; %EIRP density downlink [dBW/Hz]
%Data Propagasi
AtmAttn_ul=0.02; % redaman atmosfir uplink [dB]
AtmAttn_dl=0.02; % redaman atmosfir downlink [dB]
Rain_att=0.7; % redaman hujan berkisar 0.5 - 5 dB
FSL_loss=198; % free space loss berkisar 196 - 200 dB
Point_loss= 0.4; % pointing loss berkisar 0.2 - 0.6 dB
CI_sb=28.00; % Carrier to Interference stasiun bumi [dBc] CI_sat=17.00; % Carrier to Interference satelit [dBc] CI_ul=24.00; % Carrier to Interference uplink [dBc] CI_dl=24.00; % Carrier to Inte rference downlink [dBc]
CI_xpol=30.00; % Carrier to Interference crosspolarization [dBc]
Loss_prop_ul=FSL_loss+Rain_att+AtmAttn_ul+Point_loss;%Loss propagasi up link Loss_prop_dl=FSL_loss+Rain_att+AtmAttn_dl+Point_loss;%LossPropagasi downlink
%Data Earth Station Tx (Pengirim)
D_ant_tx=2.40; %diameter antena pengirim(adjustable)[m]
Eff_ant_tx=0.6; %efisiensi antena pengirim
IFL_loss=1.00; %rugi-rugi IFL[dB]
Ptx=10*log10(5) ; %Daya pancar stasiun pengirim(adjustable) [dBW]
%Data Earth Station Rx (Penerima)
D_ant_rx=10.00; %diameter antena penerima (adjustable) [m]
Eff_ant_rx=0.6; %efisiensi antena penerima
TEMP_ant=25.00; %Temperatur antena [K]
PreLNA_loss=0.10; %rugi-rugi sebelum LNA [dB]
2. gainflat.m, suatu file yang berisi karakteristik transponder seperti pada gambar
berikut:
Gambar 4.3 Gainflatness SSPA transponder 6H Satelit Telkom-1
3. batasEbNo.m, suatu file yang berisi batasan-batasan Eb/No minimum untuk
masing- masing indeks modulasi dan FEC agar mendapatkan bit error rate (BER)
= 10e-8. Batasan ini diperoleh dari Manual Book Comtech CDM 600 Satellite
Modem. File tersebut berisi:
dr=[ 2 3/4 3.8; % QPSK Rate 3/4 Turbo
3 (2/3)*(204/188) 6.5; % 8PSK Rate 2/3 TCM and Reed Solomon 3 3/4 6.8; % 8PSK rate 3/4 Turbo
4 3/4 7.8; % 16QAM Rate 3/4 Turbo
4 3/4*(204/188) 8.1; % 16QAM Rate 3/4 Viterbi/Reed Solomon 4 7/8*(204/188) 9.5]; % 16QAM Rate 7/8 Viterbi/Reed Solomon cr=[3/2 2*(204/188) 9/4 3 3*(204/188) 7/2*(204/188)];
Penulisan di atas didasarkan pada representasi matriks dalam Matlab. Command
tersebut akan menghasilkan matriks dengan ukuran 6x3. Kolom 1 menunjukkan
indeks modulasi, kolom 2 menunjukkan code FEC, dan kolom 3 menunjukkan
Eb/No minimal yang harus diperoleh. Sebagai contoh: makna baris 1 adalah
indeks modulasi = 2, code FEC = ¾, dan Eb/No minimum untuk mendapatkan
BER ≤ 10e-8 adalah 3.8 dB.
4.2 Masukan
Masukan data dimulai dengan mendefenisikan representasi, inisialisasi, evaluasi,
seleksi, crossover, dan mutasi. Inisialisasi dilakukan dengan membangkitkan bilangan
random untuk masing- masing allele setiap individu dalam suatu populasi(kromosom).
Kemudian hasil inisialisasi ini langsung dilakukan pengujian cekBER. Demikan juga
individu- individu yang dihasilkan oleh crossover maupun mutasi langsung dilakukan
pengujian terhadap cekBER. Dengan demikian seluruh allele yang ikut proses genetika
(seleksi, crossover dan mutasi) sudah lolos dari uji cekBER.m.
Struktur data berisi suatu populasi datarate dalam suatu matriks tunggal dengan
ukuran Nind X Lind, dimana Nind = jumlah carrier dalam populasi dan Lind adalah
panjang representasi genotip individual tersebut. Masing- masing baris merupakan
genotip suatu individual, yang merupakan nilai float. Data populasi dibangkitkan secara
acak oleh initializega.m dengan batasan batas.m seperti ditunjukkan di bawah ini,
Populasi =
Lind Nind Nind Nind Lind Lindg
g
g
g
g
g
g
g
g
, 2 , 1 , . , 2 2 , 2 1 , 2 , 1 2 , 1 1 , 1...
...
...
...
...
...
...
Nind
individual
individual
individual
_
.
2
_
1
_
Setiap individu (data) membutuhkan panjang yang sama untuk seluruh populasi.
Suatu solusi yang bermanfaat dari individu atau kromosom untuk optimasi fungsi
adalah dengan melibatkan sebaran nilai gen atau variabel yang nilainya terletak dalam
batas atas dan bawah ruang solusi. Pengkajian ini telah diteliti oleh Michalewicz(1995)
dengan melakukan perluasan percobaan melalui perbandingan kinerja Binary Genetic
Algorithm (BGA) dan Float Genetic Algorithm (FGA). Hasilnya menunjukkan bahwa
FGA merupakan orde magnitude yang lebih efisien dalam kaitannya dengan beban dan
waktu komputasi.
Sebelum tahapan proses optimisasi dimulai, terlebih dahulu dilakukan
penyesuaian parameter sesuai dengan keperluan yang diinginkan, yaitu:
• Diameter antena Tx maupun Rx serta daya transmit stasiun bumi pengirim(Pt) dapat
diubah langsung dari data_sat_sb.m, seperti visual berikut:
• Untuk proses gainflatness yang ideal (gainflat=0) dilakukan dengan menonaktifkan
komponen g_flat pada cekBER.m yaitu dengan menambahkan ;% pada titik sebelum
+g_flat seperti visual berikut:
Gambar 4.5 Penyesuaian gainflatness ]
• Jumlah frekuesi uplink (carrier) dan batasan datarate untuk masing- masing carrier
disesuaikan melalui floattesis.m seperti gambar berikut:
• Terminasi berdasarkan jumlah generasi disesuaikan melalui ga.m seperti berikut:
Gambar 4.6a Penyesuaian kriteria terminasi
Setiap perubahan parameter yang diinginkan untuk masing- masing filename.m harus
dilakukan penyimpanan (save) pada memory komputer.
4.3 Proses Optimisasi
Proses optimisasi dimulai dengan memanggil floattesis.m dari command prompt
Matlab seperti gambar berikut:
Fungsi untuk melakukan pemrosesan optimisasi (proses genetika) adalah ga.m.
Modul ini dieksekusi dua kali. Eksekusi pertama dan eksekusi kedua dibedakan oleh
operator genetik yang digunakan.
• Eksekusi pertama :
[x xx endPop bestPop trace FEC Bewe F_uplink pefede]=ga(bounds,evalFn,evalOps,startPop,gaOpts,... termFns,termOps,selectFn,selectOps,xFns,xOpts,mFns,mOpts);
Operator genetik yang digunakan pada eksekusi pertama adalah
normGeomSelect.m, simpleXover.m, dan boundaryMutation.m. Kedua operator
terakhir sangat cocok digunakan pada datarate-datarate modem komunikasi satelit
yang banyak digunakan, yaitu:
Input datarate = {k1,k2,…}
dimana k
∈
(0, 32, 56, 64, 96, 128, 256, 1024, 2048)(Kbps) Keluaran datarate = {k1,k2,…}dimana k
∈
(0, 32, 56, 64, 96, 128, 256, 1024, 2048)(Kbps) Keluaran seperti di atas dapat diperoleh karena sifatsimpleXover.m
adalah hanya mengubah posisi masing-masing allele, tanpa mengubah nilai allele tersebut (pers. (2.16)). SedangkanboundaryMutation.m
hanya memutasikan allele tertentu dengan batas atas atau batas bawah dari deretan data yang diberikan. Keluaran seperti di atas sangat cocok dengan kondisi real di lapangan.• Eksekusi kedua :
[x xx endPop bestPop trace FEC Bewe F_uplink pefede]=ga(bounds,evalFn,evalOps,[],ga Opts);
Operator genetika yang digunakan pada eksekusi kedua adalah
normGeomSelect.m, simpleXover.m, boundaryMutation.m dan lainnya (lihat table
4.1).
Keluaran datarate = {k1,k2,…} dimana k
∈
[0 2048](Kbps)Jika masukan dipaksa seperti pada eksekusi pertama, maka keluaran akan tetap
bilangan yang kontinu pada rentang [0,2048]. Hal ini disebabkan sifat
masing-masing operator yang melakukan perubahan nilai allele dengan delta yang kecil.
Untuk menyesuaikan keluaran ini dengan aturan ASCII yakni 1 byte = 8 bit, maka
keluaran yang dihasilkan dibulatkan ke kelipatan 8 terdekat.
Selama pemrosesan maka nilai- nilai fitness untuk tiap generasi ditampilkan, seperti
gambar 4.8. Proses dilakukan dengan jumlah generasi yang berbeda-beda dengan tujuan
melihat konvergensi pencarian optimasi.
Pada gambar di atas terlihat bahwa iterasi sudah dilakukan sebanyak 9 generasi,
dimana nilai fitness pada generasi pertama adalah 55296 Kbps dan nilai fitness generasi
kesembilan adalah 60416 Kbps.
4.4 Keluaran
Sebagai output dari proses ini adalah seperti pada gambar berikut:
Gambar 4.9 Keluaran Sistem
• Solusi terbaik, berupa deretan datarate yang terbaik (solusi optimal) yang
dihasilkan oleh proses iterasi.
• Alokasi BW yang digunakan untuk solusi terbaik.
• Jumlah BW transponder yang terpakai ( BW <= 36 Mhz)
• Jumlah Power Flux Density (PFD) yang terpakai, dimana PFD maksimum
yang bisa digunakan adalah:
PFDtotal = saturated Power flux density + pad attenuator – IBOagg
= -102.50 + 10 – 3
= -95.5 dBW
• Frekuensi uplink yang digunakan sebagai carrier solusi terbaik.
Selain itu, diperoleh juga grafik konvergensi yang ditampilkan pada window lainnya,
seperti berikut:
4.5 Kompleksitas Sistem
Untuk mengukur kompleksitas sistem dilakukan dengan cara mengukur waktu
(running time ) yang dibutuhkan untuk beberapa proses iterasi. Iterasi dilakukan untuk
beberapa proses dengan mengubah-ubah masukan jumlah genotip (carrier). Jumlah
genotip ini menggambarkan jumlah masukan data yang harus diproses untuk setiap
generasi. Hasil proses untuk beberapa jumlah genotip adalah sebagai berikut:
Tabel 4.2 Kompleksitas Sistem Jumlah
Generasi
Jumlah
Genotip Waktu (detik) 5 10 16.37 5 20 32.23 5 30 45.75 5 40 61.94 5 50 80.25 5 60 100.23
Dari tabel di atas , dapat dituangkan ke dalam grafik berikut:
Kompleksitas 16.37 3 2 . 2 3 4 5 . 7 5 61.94 8 0 . 2 5 100.23 0 20 40 60 80 100 120 10 20 30 40 50 60 Jumlah Genotif
Waktu eksekusi (detik)
Gambar 4.11 Kompleksitas Sistem
Grafik di atas menunjukkan bahwa running time process adalah linier terhadap jumlah
masukan data. Atau dapat ditulis:
V. PERBANDINGAN KINERJA SISTEM
Metode perencanaan frekuensi pada transponder dalam jaringan komunikasi
satelit yang diusulkan oleh Gwang dan kawan-kawan (Gwang, et al., 1997)
mempertimbangkan fakta bahwa efek interferensi pada sinyal baseband bergantung pada
skema sistem transmisinya (Gambar 2.7). Walaupun sejumlah interferensi yang
diakibatkan oleh inter/intra-sistem adalah sama, pengaruh dari interferensi tersebut
terhadap performansi sistem baseband ternyata berbeda-beda tergantung skema transmisi
yang digunakan. Sebagai contoh efek interferensi pada performansi sinyal baseband yang
diakibatkan oleh skema modulasi QPSK dan 7/8 convolutional code berbeda dengan
modulasi QPSK dan 1/2 convolutional code, walaupun besar interferensi pada tingkat
radio frequency (RF) sama. Sebagai output dari metode yang diusulkan adalah bahwa
tiap transponder (BW = 36 MHz) diproyeksikan untuk melayani satu layanan dengan
modulasi dan FEC rate tertentu. Penentuan modulasi dan FEC rate dilakukan dengan
menghitung nilai cost yang paling minimum. Pencarian nilai minimum menggunakan
algoritma genetika. Nilai cost berkaitan dengan Margin, dimana Margin = (C/N) -
(C/N)required, tanpa mempertimbangkan gain flatness.
Penelitian ini berbeda dengan penelitian di atas. Penelitian ini difokuskan pada
penentuan modulasi dan FEC rate untuk multikanal (multi layanan) dalam satu
transponder dengan pertimbangan skema modulasi dan FEC rate dan juga
mempertimbangkan gain flatness, batasan power dan BW (Bab III Metodologi). Dimana
untuk menjaga agar operating power SSPA berada pada daerah linier maka batasan
power yang membebani SSPA adalah SFD + PAD – OBO = -102.5 +10-3 = -95.5
dBW/m^2, dimana SFD=saturated flux density, PAD = attenuator, dan OBO = output
back off. Sementara batasan bandwidth adalah 36 MHz.
Hasil- hasil penelitian dapat dilihat pada Lampiran 2. Untuk mendapatkan
hasil-hasil tersebut dilakukan dengan mengubah-ubah parameter sesuai dengan yang
diinginkan.
5.1 Penentuan Parameter GA
Untuk mendasari penggunaan parameter proses optimisasi yang dilakukan,
terlebih dulu dilakukan percobaan-percobaan untuk menentukan parameter yang akan
digunakan, seperti berikut:
• proses mencari daya pancar (watt) untuk setiap diameter antena stasiun bumi yang
menghasilkan nilai optimum.
Data : jumlah genotif = 48
Diproses dengan Proses 1
Tabel 5.1. Penentuan daya pancar antena
Diameter Antena Daya Pancar (watt) Carrier Terbentuk Kapasitas Transponder (Kbps) 3.8 1.5 34 59160 2 30 55608 3.5 48 71680 4 35 67328 5 0.5 46 54280 1 47 66520 1.5 34 60592 2 48 73728 2.5 24 55926 7 0.1 18 22392 0.5 40 68408 1 37 75776 1.5 46 73728
Dari tabel di atas, terlihat bahwa kapasitas tertinggi diperoleh ketika:
Ptx = 3.5 Watt untuk antenna D = 3.5 m.
Ptx = 2 Watt untuk antenna D = 5 m
Ptx = 1 Watt untuk antenna D = 7 m.
Selanjutnya nilai-nilai di atas digunakan untuk proses selanjutnya.
• proses mencari jumlah individu dalam satu populasi yang dibangkitkan dalam proses
inisialisasi
Data : jumlah genotif = 48
Tabel 5.2a. Proses mencari jumlah individu dalam satu populasi dengan Proses 1
Diameter Antena Daya Pancar (watt) Individu dalam satu populasi Carrier Terbentuk Kapasitas Transponder (Kbps) BW Total (Mhz) Power Total (dbW/m^2) 3.8 3.5 5 35 64344 34.21 -97.41 10 48 71680 35.53 -96.03 15 41 67576 35.46 -96.83 5 2 5 28 55296 29.35 -98.59 10 48 74752 35.93 -96.08 20 47 75776 35.76 -96.17 30 45 75776 35.91 -96.36 7 1 5 48 76968 35.72 -96.17 10 37 75776 35.64 -96.08 15 28 55424 26.81 -98.52 20 35 67328 31.22 -97.55
Tabel 5.2b. Proses mencari jumlah individu dalam satu populasi dengan Proses 2
Diameter Antena Daya Pancar (watt) Individu dalam satu populasi Carrier Terbentuk Kapasitas Transponder (Kbps) BW Total (Mhz) Power Total (dbW/m^2) 3.8 3.5 5 48 72424 35.99 -96.03 10 48 74840 35.99 -96.03 15 48 72720 35.96 -96.04 5 2 5 47 76824 35.76 -96.08 10 48 75736 35.96 -96.17
15 48 75552 35.97 -96.08 7 1 5 27 76968 25.76 -98.68 10 37 80752 35.97 -96.17 15 48 74912 33.79 -96.17
Dari tabel di atas terlihat bahwa jumlah individu dalam satu populasi, N = 10
lebih baik dari yang lainnya.
• proses mencari jumlah genotif dalam satu individu
Data : Dengan gainflatness
Populasi = 10 individu
Diameter antenna = 5.0 m
Daya Pancar Antena = 2.0 Watt
Tabel 5.3. Proses mencari jumlah jumlah genotif
Jumlah genotif Carrier Terbentuk Kapasitas Transponder (Kbps) BW Total (Mhz) Power Total (dbW/m^2) 42 42 73728 35.55 -96.66 48 46 73728 35.86 -96.26 55 53 77824 35.91 -95.65 60 54 75776 35.63 -95.57
Dari tabel di atas terlihat bahwa jumlah genotif = 60 memastikan seluruh carrier
yang akan terbentuk bisa diakomodasi. Oleh karena itu, untuk memperoleh kapasitas
optimum digunakan jumlah genotif = 60.
5.2 Pengaruh Gainflatness
Gainflatness diteliti dengan membuat nilai gain flatness = 0 atau disebut dengan
tanpa gain flatness. Kemudian mencari kapasitas transponder dengan menggunakan
masing- masing antena. Setelah itu komponen gain flatness diberi nilai sesuai dengan
karakteristik SSPA yang digunakan. Hasilnya seperti dibawah ini:
Data : jumlah genotif = 60
Populasi = 10 individu
Tabel 5.4 Kapasitas transponder dengan pengaruh gain flatness
dengan gain flatness tanpa gain flatness Diameter Antena Daya Pancar (watt) Carrier Terbentuk Kapasitas Transponder (Kbps) BW Total (Mhz) Power Total (dbW/m^2) Carrier Terbentuk Kapasitas Transponder (Kbps) BW Total (Mhz) Power Total (dbW/m^2) 3.8 3.5 54 72704 35.68 -95.52 54 73728 35.38 -95.53 5 2 54 75776 35.63 -95.57 53 77824 35.82 -95.65 7 1 56 78984 35.83 -95.5 56 79872 35.63 -95.5
Dari tabel di atas ternyata gain flatness berpengaruh negatif (1.71%). Artinya adalah
bahwa gain flatness berpotensi mengurangi kapasitas optimum suatu transponder. Seperti
bisa dilihat pada tabel sebagai berikut:
Tabel 5.5. Pengaruh gain flatness
Tanpa Gain flatness
Dengan gain
flatness delta Prosentasi 73728 72704 1024 1.39% 77824 75776 2048 2.63% 79872 78984 888 1.11%
rata-rata 1320 1.71%
5.3 Kinerja Transponder dengan Konvensional
Kinerja transponder dengan konvensional dapat dilihat pada tabel 5.6 berikut:
Tabel 5.6. Kinerja Transponder dengan Konvensional
Diameter antena (m) Ptx (Watt) Jmlh Carrier output Kapasitas Transponder BW total terpakai (MHz) Power total terpakai
(dBW/m^2) Modulasi FEC rate 3.8 3.5 34 69632 35.2512 -101.453 16QAM 3/4 Viterbi/Reed Solomon
5 2 34 69632 35.2512 -99.98 16QAM 3/4 Viterbi/Reed Solomon
5.4 Kinerja Transponder dengan GA Proses 1 dan GA Proses 2
Seluruh parameter disesuaikan dengan metode konvensional. Kinerja dengan GA
proses 1 dan GA proses 2 adalah sbb:
Tabel 5.7. Kinerja Transponder dengan GA proses 1 dan proses 2
GA Proses 1 GA Proses 2 Diam . Antena Daya Pancar (watt) Carrier Terbentuk Kap. Transp. (Kbps) BW Tot (Mhz) Pwr Total (dbW/m^2) Carrier Terbentuk Kap. Trans. (Kbps) BW Total (Mhz) Pwr Tot. (dbW/m^2) 3.8 3.5 54 72704 35.68 -95.52 54 75536 35.99 -95.52 5 2 54 75776 35.63 -95.57 53 78008 35.98 -95.57 7 1 56 78984 35.83 -95.5 56 81872 36 -95.5
Dari tabel diatas dan keluaran proses optimisasi dapat dicatat beberapa hal:
• datarate total yang diperoleh maksimum secara konvensional adalah 69632 KBps
sedangkan dengan GA adalah 72704 KBps, 75776 Kbps dan 78984 Kbps. Terdapat
rata-rata peningkatan kapasitas sebesar 6189 Kbps atau 8.88 %.
• Jumlah carrier yang dihasilkan oleh GA lebih banyak dari yang dihasilkan secara
konvensional.
Selain itu, ternyata modulasi yang dihasilkan GA lebih bervariasi dibanding dengan yang
dihasilkan secara konvensional.
5.5 Perbandingan Kinerja Konvensional, GA Proses 1, dan GA Proses 2
Dari tabel 5.6 dan tabel 5.7 dapat dilihat hubungan antara diameter antena stasiun
bumi dengan kapasitas transponder yang dituangkan dalam grafik berikut:
Gambar 5.1 Perbandingan Kinerja Sistem
5.6 Konve rgensi Sistem
Grafik pada gambar 5.2 berikut merupakan salah satu grafik dari proses yang
menghasilkan hasil optimum. Jumlah iterasi (generasi) yang relatif sedikit menandakan
sistem ini cepat mencapai titik optimum. Solusi optimum ditandai dengan nilai yang
stabil untuk beberapa generasi. Jika keadaan konvergensi belum didapatkan, atau dengan
kata lain bila nilai stabil untuk iterasi yang cukup banyak belum diperoleh, maka tindakan
yang dilakukan adalah dengan menambah jumlah generasi yang digunakan sebagai dasar
terminasi proses optimisasi, sementara parameter yang lain tetap seperti semula. Dari
beberapa percobaan, kejadian tidak mencapai konvergensi jarang terjadi karena jumlah
generasi yang ditetapkan umumnya sudah cukup untuk mendapatkan nilai konvergen.
Diameter antena -vs- Kapasitas Transponder
62000 64000 66000 68000 70000 72000 74000 76000 78000 80000 82000 84000 3.8 5 7 Diameter (m) Datarate (Kbps
)
Gambar 5.2. Konvergensi algoritma genetika untuk manajemen transponder