BAB III SIMULASI KINERJA BER PADA KANAL AWGN DAN KANAL FADING UNTUK SISTEM KOMUNIKASI SELULER

(1)

BAB III

DATA SIMULASI DAN ANALISA

3.1 3.1 KANAL AWGN

KANAL AWGN

3.1.1 3.1.1 Simulasi Kanal AWGN

Simulasi Kanal AWGN

START START

Jumlah_Bit = 10^5 Jumlah_Bit = 10^5 Data_Kirim = sign (

Data_Kirim = sign ( randn(Jumlah_Bit,1)randn(Jumlah_Bit,1) EbNo = EbNo = 0:2:8 0:2:8 0 0 dB, dB, 2 2 dB, dB, 4 4 dB, dB, 6 6 dB, dB, 8 8 dBdB n = 5 n = 5 i = 1 i = 1

ii ≤ Length≤ Length(EbNo)(EbNo)

Ber (i) = 0 Ber (i) = 0 j = 1 j = 1 jj ≤ n≤ n BER2

BER2 (i,j) (i,j) = = 0 0 Inisiasi AwalInisiasi Awal Eb

Eb = = 1 1 No No = = Eb/(10.^(EbNo(i)/10))Eb/(10.^(EbNo(i)/10))

Bangkitkan Noise AWGN mengunkan fungsi Rapat Spectral Noise Bangkitkan Noise AWGN mengunkan fungsi Rapat Spectral Noise NoNo

Data_Terima =Data_Kirim + Noise_AWGN Data_Terima =Data_Kirim + Noise_AWGN BER2(i,j)

BER2(i,j) =Data_Kirim,Data_Ter=Data_Kirim,Data_Terima))/(Jumlah_bit)ima))/(Jumlah_bit) BER(i)=BER(i) + BER2(i,j)

BER(i)=BER(i) + BER2(i,j)

j = j + 1 j = j + 1

Rata

Rata –– Rata Monte Carlo Rata Monte Carlo BER (i,j)= BER (i,j)/n BER (i,j)= BER (i,j)/n

i = i + 1 i = i + 1 Yes Yes Yes Yes No No

Tampilkan Titik-Titik BER2 (i,j) Tampilkan Titik-Titik BER2 (i,j)

untuk 5 Kali Simulasi untuk 5 Kali Simulasi

Tampilkan Rata Tampilkan Rata –– Rata Rata

Monte Carlo BER (i,j) Monte Carlo BER (i,j) Kurva Teoritis Sebagai Fungsi

Kurva Teoritis Sebagai Fungsi Pe = BER = Q((2Eb/No)^0.5) = 0.5 * Pe = BER = Q((2Eb/No)^0.5) = 0.5 *

(erfc(Eb/No)^0.5) (erfc(Eb/No)^0.5)

Tampilkan Kurva Ber Teoritis Tampilkan Kurva Ber Teoritis

No No

END END

Gambar 3.1

Gambar 3.1 Flowchart

Flowchart Simulasi Kanal AWGN

Simulasi Kanal AWGN

Dari alur diatas, maka dapat di modelkan kedalam sebuah program simulasi

dengan menggunakan bantuan MATLAB. Berikut ialah

dengan menggunakan bantuan MATLAB. Berikut ialah script code

script code untuk simulasi

untuk simulasi

kanal AWGN:

(2)

clear all; close all; clc;

clf;

%Nilai Eb/No=8 dB, dari kurva teoritis kanal AWGN diperoleh BER= (2 x 10^-4) %Maka dipilih Jumlah Bit=10^5, agar memenuhi syarat Jumlah Bit > 1/BER

Jumlah_bit = 10^5;

%Membangkitkan data biner bipolar sesuai dengan Jumlah_bit Data_Kirim = sign(randn(Jumlah_bit,1));

%Eb/No yang digunakan sebagai input ialah 0,2,4,6,8 dB Eb/No = 0:2:8;

%Simulasi di-run sebanyak 5 kali untuk perhitungan Monte Carlo n = 5;

%Perhitungan inputan Eb/No untuk mendapatkan nilai BER-nya for i = 1:length(Eb/No)

%Inisialisasi BER BER(i) = 0;

for j = 1:n

BER2(i,j) = 0;

%Menghitung Daya Noise dari nilai Eb/No Eb=1;

No=Eb/(10.^(Eb/No(i)/10)); %Membangkitkan Noise AWGN

Noise_AWGN = sqrt(No/2)*randn(Jumlah_bit,1);

%Data yang diterima oleh Receiver = Data Kirim + Noise AWGN Data_Terima = sign(Data_Kirim + Noise_AWGN);

%Data yang diterima oleh Receiver tidak seluruhnya Benar %Jumlah Bit Error (BER) yang di terima di Receiver ialah %BER = Jumlah Bit Error / Jumlah Bit

BER2(i,j) =(symerr(Data_Kirim,Data_Terima))/(Jumlah_bit); %BER Total ialah

BER(i)=BER(i) + BER2(i,j);

semilogy(Eb/No(i),BER2(i,j),'rx','linewidth',1.5); hold on; end

%BER Mean Monte Carlo BER(i)=BER(i)/n;

semilogy(Eb/No(i),BER(i),'bx','linewidth',1.5); hold on; %Kurva BER VS Eb/No

X = 0:0.01:10;

BER_Teori = 0.5*erfc(sqrt(10.^(X./10)));

semilogy(X,BER_Teori,'k','linewidth',2); hold on; grid on;

xlabel('Eb/No (dB)');

ylabel('Bit Error Rate (BER)'); axis([0 10 1e-6 1e0])

%Perhitungan Peluang Error = BER secara teori: Pe(i)=0.5*erfc(sqrt(10.^(Eb/No(i)/10)));

(3)

Gambar 3.2 Kurva (Eb/No VS BER) Hasil Simulasi Untuk Kanal AWGN

Keterangan

:

-

Kurva BER Teoritis

x Kurva BER Monte Carlo 5 Kali Simulasi

x Kurva Rata

_–

Rata BER Monte Carlo

Dari kurva diatas, nilai BER teoritis akan berhimpitan dengan nilai

BER simulasi untuk masing-masing nilai E

b

/N

o

. Perhitungan BER Monte

Carlo 5 kali menghasilkan nilai-nilai BER yang bervariasi, sehingga akan

diambil nilai rata-rata dari kelima hasil tersebut. Hasil simulasi Monte Carlo

juga bersifat acak, antara hasil satu simulasi dengan hasil simulasi pada

waktu yang lain akan berbeda, tetapi masih dalam range yang relative sama.

(4)

(ii)

(iii)

(5)

(v)

Gambar 3.3 Kurva (Eb/No VS BER) Hasil Simulasi Untuk Kanal AWGN,

(i) Eb/No= 0 dB, (ii) Eb/No= 2 dB, ( iii) Eb/No= 4 dB, (iv) Eb/No= 6 dB dan (v) Eb/No=8 dB

Keterangan:

-

Kurva BER Teoritis

x

Kurva BER Monte Carlo 5 Kali Simulasi

x

Kurva Rata

_–

Rata BER Monte Carlo

Untuk memudahkan proses pengamatan, informasi yang terdapat

pada kurva-kurva diatas dituangkan kedalam tabel di bawah ini:

Tabel 3.1 Perbandingan BER Teoritis dan BER Simulasi pada Kanal AWGN

Eb/No

BER Teoritis

(√  ) (√ )

BER Monte Carlo

5 Kali Simulasi

Rata-Rata BER

Monte Carlo

0 dB 0.07865 0.07980 0.07943 0.07870 0.07810 0.07789 0.07879 2 dB 0.03750 0.03755 0.03734 0.03728 0.03726 0.03725 0.03733 4 dB 0.01252 0.01257 0.01254 0.01251 0.01242 0.01224 0.01246

(6)

6 dB 0.00238 0.00258 0.00251 0.00250 0.00249 0.00234 0.00248 8 dB 0.0001905 0.0002398 0.0002202 0.0001808 0.0001301 0.0001198 0.0001784

3.1.2 Analisa Kanal AWGN

Simulasi ini bertujuan untuk mengetahui hubungan antara Eb/No

terhadap kehandalan kanal (dilihat dari parameter Bit Error Rate). Nilai-nilai

Eb/No yang akan diamati ialah pada 0 dB, 2 dB, 4 dB, 6 dB dan 8 dB. Bit

Error Rate ialah rata-rata jumlah bit yang diterima mengalami error dari

total bit yang dikirimkan. Sehingga dalam proses simulasi ini harus

diperhitungkan dengan benar jumlah bit yang akan dikirimkan. Di ambil

Eb/No terbesar yaitu 8 dB, dari kurva teoritis diperoleh BER

  



(dalam 10000 bit yang dikirimkan, rata-rata akan terdapat 2 bit mengalami

error ). Hal ini berarti dalam proses simulasi, data yang dibangkitkan harus

lebih besar dari 10000 bit, maka diambil data yang akan dikirimkan ialah

sebesar 100000 bit.

Perhitungan Bit Error Rate dihitung secara Monte Carlo sebanyak 5

kali run simulasi untung masing-masing nilai Eb/No. Error yang terjadi

disebabkan oleh kontribusi noise pada kanal yang dilalui oleh bit . Noise yang

dalam simulasi kali ini di modelkan oleh AWGN, akan bersifat additive atau

akan bercampur dengan sinyal asli, sehingga magnitude sinyal per satuan

waktu yang diterima oleh receiver ialah penjumlahan sinyal asli dan sinyal

noise. Bit yang error ialah bit yang mengalami pembalikan polarisasi dari

polarisasi sesungguhnya. Dari informasi diatas, baik dari kurva maupun

tabel, terlihat bahwa semakin tinggi perbandingan Energy Bit terhadap Noise

(Eb/No) maka akan menghasilkan BER yang semakin kecil, kinerja kanal

semakin bagus.

(7)

3.2 KANAL FADING RAYLEIGH

3.2.1 Simulasi Kanal Fading Rayleigh

START

Jumlah_Bit = 10^5

Data_Kirim = sign (randn(Jumlah_Bit,1) EbNo = 0:5:25 à 0 dB, 5 dB, 10 dB, 15 dB, 20 dB, 25 dB Bit_Rate=10^4 bps Doppler_Shift=30 Hz n = 5 i = 1 i ≤ Length(EbNo) Ber (i) = 0 j = 1 j ≤ n

BER2 (i,j) = 0à Inisiasi Awal Eb = 1 à No = Eb/(10.^(EbNo(i)/10))

Bangkitkan Noise AWGN mengunkan fungsi Rapat Spectral Noise No Fading1 = fading(Jumlah_bit,Doppler_Shift,1/Bit_rate);

Data Terima = (Data kirim * Abs(Fading1)) + Noise AWGN BER2(i,j) =Data_Kirim,Data_Terima))/(Jumlah_bit)

BER(i)=BER(i) + BER2(i,j)

j = j + 1

Rata – Rata Monte Carlo BER (i,j)= BER (i,j)/n

i = i + 1

Yes

No

Tampilkan Titik-Titik BER2 (i,j) untuk 5 Kali Simulasi

Tampilkan Rata – Rata Monte Carlo BER (i,j) Kurva Teoritis Sebagai Fungsi

Pe(i) = 0.5*(1-sqrt((10.^(Eb_No(i)./ 10)./(1+10.^(Eb_No(i)./10)))));

Tampilkan Kurva Ber Teoritis

No

END

(8)

Berikut ini adalah flowchart function fading :

function y = fading(len, fd, T) N = 34 N0 = (N/2 - 1)/2; alpha = pi/4; xc = zeros(len,1); xs = zeros(len,1); sc = sqrt(2)*cos(alpha); ss = sqrt(2)*sin(alpha); ts = 0:len-1; ts = ts'.*T + round(rand(1,1)*10000)*T; wd = 2*pi*fd; xc = sc.*cos(wd.*ts); xs = ss.*cos(wd.*ts); lx =1 lx < No wn = wd*cos(2*pi*lx/N); xc = xc + (2*cos(pi*lx/N0)).*cos(wn.*ts); xs = xs + (2*sin(pi*lx/N0)).*cos(wn.*ts); Yes y = (xc + i.*xs)./sqrt(N0+1); No lx = lx +1 START END

Gambar 3.5 Flowchart Function Fading

Dari alur diatas, maka dapat di modelkan kedalam sebuah program simulasi

dengan menggunakan bantuan MATLAB. Berikut ialah script code untuk simulasi

kanal Fading Rayleigh:

clf;

%Eb/No=25 dB, dari kurva Fading Rayleigh diperoleh BER=(8 x 10^-4) %Maka Jumlah Bit=10^5, agar memenuhi syarat Jumlah Bit > 1/BER Jumlah_bit = 10^5;

%Membangkitkan data biner bipolar sesuai dengan jumlah_bit. Data_Kirim = sign(randn(Jumlah_bit,1));

%Nilai Eb/No yang digunakan ialah 0,5,10,15,20,25 dB.

Eb/No = 0:5:25;

%Laju data = 10 kbps

Bit_rate = 10^4;

%Laju Fading = 30 Hz Doppler_Shift=30;

%Simulasi di-run sebanyak 5 kali untuk perhitungan Monte Carlo n = 5;

(9)

%Perhitungan inputan Eb/No untuk mendapatkan nilai BER-nya for i = 1:length(Eb/No) %Inisialisasi BER. BER(i) = 0; for j = 1:n BER2(i,j) = 0;

%Kanal Fading Fading1 =fading(a,b,c)

%a = jumlah bit = 10^6, b = maks. Doppler shift = 30 Hz, dan %c = Periode bit = 1/Bit_rate

Fading1 = fading(Jumlah_bit,Doppler_Shift,1/Bit_rate);

%Membangkitkan Noise AWGN

Noise_AWGN = 1/sqrt(10^(Eb/No(i)./10))*randn(Jumlah_bit,1); %Data yang diterima oleh Receiver = (Data*Fading) + AWGN Data_Terima= sign((Data_Kirim.*abs(Fading1)) + Noise_AWGN); %Data yang diterima oleh receiver tidak seluruhnya benar %Sehingga kita harus menghitung jumlah bit error

%BER = jumlah bit error / jumlah total bit

BER2(i,j) = symerr(Data_Kirim,Data_Terima)./(Jumlah_bit); %BER Total :

BER(i) = BER(i) + BER2(i,j);

semilogy(Eb/No(i),BER2(i,j),'rx','linewidth',2); hold on; end

%BER Mean Monte Carlo BER(i) = BER(i)/n;

semilogy(Eb/No(i),BER(i),'bx','linewidth',2); hold on; end

%Kurva BER VS Eb/No X = 0:0.01:30;

BER_Teori = 0.5*(1-sqrt((10.^(X./10)./(1+10.^(X./10))))); semilogy(X,BER_Teori,'k','linewidth',1.5); hold on;

grid on;

Title('Kinerja BER Pada Kanal Fading Rayleigh'); xlabel('Eb/No (dB)');

ylabel('Bit Error Rate (BER)'); axis([0 27 1e-4 1e0])

%Perhitungan Pe = BER secara teori :

Pe(i) = 0.5*(1-sqrt((10.^(Eb/No(i)./10)./(1+10.^(Eb/No(i)./10)))));

Berikut ialah script code untuk Function Fading :

Function y = fading(len,fd,T) N = 34; N0 = (N/2-1)/2; alpha = pi/4; xc = zeros(len,1); xs = zeros(len,1); sc = sqrt(2)*cos(alpha); ss = sqrt(2)*sin(alpha); ts = 0:len-1; ts = ts'.*T + round(rand(1,1)*10000)*T; wd = 2*pi*fd; xc = sc.*cos(wd.*ts); xs = ss.*cos(wd.*ts); for lx = 1:N0 wn = wd*cos(2*pi*lx/N); xc = xc + (2*cos(pi*lx/N0)).*cos(wn.*ts); xs = xs + (2*sin(pi*lx/N0)).*cos(wn.*ts); end y = (xc + i.*xs)./sqrt(N0+1);

(10)

Gambar 3.6 Kurva (Eb/No VS BER) Hasil Simulasi Untuk Kanal Fading Rayleigh

Keterangan

:

-

Kurva BER Teoritis

x Kurva BER Monte Carlo 5 Kali Simulasi

x Kurva Rata

_–

Rata BER Monte Carlo

Dari kurva diatas, nilai BER teoritis akan berhimpitan dengan nilai

BER simulasi untuk masing-masing nilai E

b

/N

o

. Perhitungan BER Monte

Carlo 5 kali menghasilkan nilai-nilai BER yang bervariasi, sehingga akan

diambil nilai rata-rata dari kelima hasil tersebut. Hasil simulasi Monte Carlo

juga bersifat acak, antara hasil satu simulasi dengan hasil simulasi pada

waktu yang lain akan berbeda, tetapi masih dalam range yang relative sama.

(11)

(ii)

(iii)

(12)

(v)

(vi)

Gambar 3.7 Kurva (Eb/No VS BER) Hasil Simulasi Untuk Kanal Fading Rayleigh, (i) Eb/No= 0 dB, (ii) Eb/No= 5 dB, (iii) Eb/No= 10 dB, (iv) Eb/No= 15 dB, ( v) Eb/No=20 dB

dan (vi) Eb/No= 25 dB

Keterangan:

-

Kurva BER Teoritis

x

Kurva BER Monte Carlo 5 Kali Simulasi

x

Kurva Rata

_–

Rata BER Monte Carlo

Untuk memudahkan proses pengamatan, informasi yang terdapat

pada kurva-kurva diatas dituangkan kedalam tabel di bawah ini:

(13)

Tabel 3.2 Perbandingan BER Teoritis dan BER Simulasi pada Kanal Fading

Rayleigh

Eb/No

BER Teoritis

(√ 



̅

)

BER Monte Carlo

5 Kali Simulasi

Rata-Rata BER Monte Carlo 0 dB 0.14644 0.14723 0.14573 0.14566 0.14458 0.14413 0.14547 5 dB 0.064177 0.063165 0.063026 0.062407 0.061930 0.061693 0.062442 10 dB 0.023281 0.022233 0.022030 0.022003 0.021652 0.020965 0.021777 15 dB 0.007709 0.007244 0.007079 0.006998 0.006714 0.006576 0.006918 20 dB 0.002481 0.002298 0.002253 0.002156 0.002110 0.002078 0.002180 25 dB 0.000787 0.000650 0.000591 0.000570 0.000561 0.000544 0.000568

3.2.2 Analisa Kanal Fading Rayleigh

Pengamatan kali ini bertujuan untuk mengetahui hubungan antara

Eb/No terhadap kehandalan kanal (dilihat dari parameter Bit Error Rate).

Nilai-nilai Eb/No yang akan diamati ialah pada 0 dB, 5 dB, 10 dB, 15 dB,

20 dB dan 25 dB. Bit Error Rate ialah rata-rata jumlah bit yang diterima

(14)

mengalami error dari total bit yang dikirimkan. Sehingga dalam proses

simulasi ini harus diperhitungkan dengan benar jumlah bit yang akan

dikirimkan. Untuk Eb/No terbesar yaitu 25 dB, dari kurva teoritis kanal

fading Rayleigh diperoleh BER

  



(dalam 10000 bit yang

dikirimkan, rata-rata akan terdapat 8 bit mengalami error ). Hal ini berarti

dalam proses simulasi, data yang dibangkitkan harus lebih besar dari 10000

bit , maka diambil data yang akan dikirimkan ialah sebesar 100000 bit .

Error yang terjadi disebabkan oleh kontribusi noise pada kanal yang

dilalui oleh bit. Noise yang dalam simulasi kali ini di modelkan oleh

AWGN, akan bersifat additive atau akan bercampur dengan sinyal asli.

Namun berbeda halnya dengan kanal AWGN, pada penelitian kali ini di

ilustrasikan bahwa kanal mengalami fading Rayleigh, dimana daya sinyal

yang di terima akan berfluktuasi akibat adanya lintasan jamak yang dilalui

gelombang. Fading tidak memberikan konstribusi secara langsung kepada

besarnya Bit Error Rate pada receiver , tetapi fading akan memperbesar atau

memperkecil daya sinyal. Sehingga magnitude sinyal per satuan waktu yang

diterima oleh receiver ialah penjumlahan sinyal yang diterima akibat fading

dan sinyal noise. Bit yang error ialah bit yang mengalami pembalikan

polarisasi dari polarisasi sesungguhnya. Dari informasi diatas, baik dari

kurva maupun tabel, terlihat bahwa semakin tinggi perbandingan Energy Bit

terhadap Noise (Eb/No) maka akan menghasilkan BER yang semakin kecil,

kinerja kanal semakin bagus. Dari simulasi yang dilakukan juga terlihat

bahwa kualitas sinyal pada kanal AWGN lebih baik dari pada kualitas sinyal

pada kanal fading dikarenakan sinyal yang mengecil (akibat fading ) lebih

rentan berbalik polaritasnya ketika terkena noise, sehingga peluang bit

mengalami error akan lebih besar.

(15)

3.3 KANAL FADING RAYLEIGH DENGAN SELECTION DIVERSITY

3.3.1 Simulasi Kanal Fading Rayleigh Dengan Selection Diversity

Berikut ini gambar dari flowchart untuk membuat simulasi selection

diversity:

START Jumlah_Bit = 10^5 Data_Kirim = rand(1,Jumlah_Bit) > 0.5 S = 2*Data_Kirim-1 Ant = [1 2] EbNo = 0:5:25 à 0 dB, 5 dB, 10 dB, 15 dB, 20 dB, 25 dB jj = 1 jj ≤ Length(Ant) ii =1 ii ≤ Length(EbNo)

Bangkitkan Noise AWGN Bangkitkan Kanal Rayleigh Fading

Tambah Data Yang Sudah Melewati Kanal dengan Noise Simpan Daya Dari Kedua Penerima (Antena 1 dan Antena 2)

Tentukan Daya Maksimum Pada Penerima Pilih Penerima Dengan Daya Maksimum Samakan Semua Dengan Daya Maksimum

Hitung Error yang diterima

ii = ii + 1

jj = jj + 1

Yes

No

Tampilkan Grafik BER Masing-Masing

Penerima

No

END

(16)

Dari alur diatas, maka dapat di modelkan kedalam sebuah program

simulasi dengan menggunakan bantuan MATLAB. Berikut ialah script code

untuk simulasi kanal Fading Rayleigh dengan selection diversity:

clf;

%Eb/No=25 dB, dari kurvaFading Rayleigh diperoleh BER=(8 x 10^-4) %Maka Jumlah Bit=10^5, agar memenuhi syarat Jumlah Bit >

1/BER

Jumlah_bit = 10^5; %Jumlah Antenna Ant = [1 2];

%Nilai Eb/No yang akan diamati ialah 0,5,10,15,20,25 dB.

EbNo = 0:5:25;

%Transmitter Generate bit 0,1 dengan peluang sama Data_kirim = rand(1,Jumlah_bit)>0.5;

s = 2*Data_kirim-1; %Modulasi BPSK 0 -> -1; 1 -> 1

for jj = 1:length(Ant) for ii = 1:length(EbNo)

n = 1/sqrt(2)*(randn(Ant(jj),Jumlah_bit) +

1j*randn(Ant(jj),Jumlah_bit)); %white gaussian noise, 0dB variance

h = 1/sqrt(2)*(randn(Ant(jj),Jumlah_bit) +

1j*randn(Ant(jj),Jumlah_bit)); % Kanal dan Penambahan Noise

sD = kron(ones(Ant(jj),1),s); y = h.*sD + 10^(-EbNo(ii)/20)*n;

% Menghitung daya pada rangkaian receiver hPower = h.*conj(h);

% Menghitung daya Maksimum

[hMaxVal ind] = max(hPower,[],1);

hMaxValMat = kron(ones(Ant(jj),1),hMaxVal); % Pilih pada daya terbesar

ySel = y(hPower==hMaxValMat); hSel = h(hPower==hMaxValMat); % Equalisasi

yHat = ySel./hSel;

yHat = reshape(yHat,1,Jumlah_bit); %to get the matrix dimension proper

% Penerima - hard decision decoding ipHat = real(yHat)>0;

% Perhitungan Jumlah Error

nErr(jj,ii) = size(find([Data_kirim- ipHat]),2); end

end

(17)

simBer = nErr/Jumlah_bit; EbN0Lin = 10.^(EbNo/10); theoryBer_Ant1 = 0.5.*(1-1*(1+1./EbN0Lin).^(-0.5)); theoryBer_Ant2 = 0.5.*(1-2*(1+1./EbN0Lin).^(-0.5) +(1+2./EbN0Lin).^(.5)); % Plot Grafik close all; figure semilogy(EbNo,theoryBer_Ant1,'k-','LineWidth',2); hold on semilogy(EbNo,simBer(1,:),'ko','LineWidth',2); semilogy(EbNo,simBer(2,:),'ks-','LineWidth',2); axis([0 27 1e-6 1e0])

grid on

legend('1 Antena Teoritis(Tanpa Diversity)', '1 Antena Simulasi (Tanpa Diversity)','2 Antena Simulasi (Dengan Selection Divesrity)');

Title('Kinerja BER Pada Kanal Fading Rayleigh Dengan Selection Diversity');

xlabel('Eb/No (dB)');

ylabel('Bit Error Rate (BER)');