47

Bab 4 Perancangan dan Pengujian Desain Sinkronisasi

Waktu dan Frekuensi

Pada bagian ini, penulis akan merancang sinkronisasi waktu dan frekuensi pada

penerima DVB-T dengan menggunakan metoda-metoda yang telah dibahas pada

bagian sebelumnya. Proses perancangan meliputi langkah-langkah sebagai berikut:

1. Implementasi algoritma yang ada ke penerima DVB-T dengan menggunakan

software Matlab

2. Analisis kinerja rancangan berdasarkan efektivitas algoritma. Ada dua faktor

menentukan hal ini, yaitu kompleksitas dan performa algoritma.

3. Perancangan blok sinkronisasi yang akan digunakan berdasarkan analisis no.2

4. Pengujian kinerja sistem integrasi pengirim-penerima DVB-T dengan

menggunakan blok sinkronisasi yang telah dirancang.

4.1 Analisis Metoda Coarse Symbol Timing Synchronization

Ada 2 metoda yang akan penulis analisa kinerjanya untuk digunakan di Coarse

Symbol Timing Synchronization, yaitu SML (Simplified Maximum Likelihood)[7]

dan ML(Maximum Likelihood)[6]. Dari segi kompleksitas algoritma, SML memiliki

algoritma yang jauh lebih sederhana karena tidak perlu melakukan perhitungan

untuk bagian energy, yaitu ( )kΦ . Metoda SML dan ML sebenarnya dirancang

untuk bekerja optimal di kanal AWGN[6]. Oleh karena itu untuk meningkatkan

akurasi dari estimasi Coarse Symbol Timing, penulis melakukan proses averaging.

Selanjutnya, penulis membandingkan performa metoda SML dan ML yang

diakuisisi di tiga model kanal DVB, yaitu AWGN,Rician, dan Rayleigh. Penulis

akan membandingkan performa algoritma dengan membandingkan hasil estimasi

awal simbol yang dikerjakan 2 metoda tersebut di atas pada titik-titik SNR yang

sama. Dalam setiap simulasi akan digunakan 1020 simbol DVB OFDM. Gambar

4.1, 4.2, 4.3 menunjukkan hasil simulasi:

48

Gambar 4.1 Kesalahan Estimasi Coarse Symbol Timing di kanal AWGN

Gambar 4.2 Kesalahan Estimasi Coarse Symbol Timing di kanal Rician

49

Gambar 4.3 Kesalahan Estimasi Coarse Symbol Timing di kanal Rayleigh

Dari ketiga grafik di atas, dapat dilihat bahwa SML dan ML memiliki performa yang

hampir sama. Perbedaan yang paling signifikan terjadi di kanal Rayleigh. Walaupun

setelah akuisisi yang lama, kesalahan estimasi dari kedua metoda sama-sama

menunjukkan angka +7, akan tetapi terjadi perbedaan dalam periode pencapaian

estimasi yang konvergen di angka +7. Dengan metoda SML, dibutuhkan waktu

akuisisi yang lebih lama untuk mencapai estimasi yang konvergen.

Dari ketiga grafik di atas, kita juga bisa menilai performa metoda estimasi Coarse

Symbol Timing dengan kedua metoda tersebut. SML dan ML bisa melakukan

estimasi dengan baik dengan kesalahan sebesar +1 sampel pada kanal AWGN dan

Rician. Sedangkan pada kanal Rayleigh, kesalahan mencapai +7 sampel. Pada

dasarnya, kedua metoda ini tidak dirancang untuk beroperasi di kanal dispersive

(multipath fading). Kedua metoda estimasi ini akan bekerja optimal di kanal

AWGN, di mana sinyal yang dilewatkan di kanal AWGN akan memiliki struktur

pairwise correlation yang sederhana, seperti ditunjukkan pada persamaan (4.).

Ketika sinyal dilewatkan melalui kanal dispersive, maka akan memiliki struktur

50

korelasi yang lebih kompleks. Hal ini bisa dibuktikan dari ketiga gambar di atas,

bahwa pada kanal AWGN, dicapai nilai kesalahan estimasi yang paling kecil, yaitu

+1. Akan tetapi, ternyata pada kanal Rician, didapatkan estimasi dengan besar

kesalahan yang sama dengan kanal AWGN (+1 sampel) berhasil dicapai. Hal ini

membuktikan bahwa pada kondisi kanal Rician yang Dispersive, metoda ini tetap

menunjukkan hasil yang memuaskan Sedangkan pada kanal Rayleigh, justru dengan

didapatkan kesalahan estimasi yang lebih besar, yaitu +7. Hal ini disebabkan karena

tidak adanya komponen LOS dalam kanal Rayleigh, sehingga pada hasil korelasi

dengan nilai yang paling tinggi tidak didapatkan di awal simbol. Berikut parameter

yang digunakan dalam simulasi Coarse Symbol Timing:

Tabel 4-1 Parameter Simulasi Coarse Symbol Timing

Parameter

Mode transmisi 2K

Bandwidth 8MHz

Modulasi QAM-16

Modulasi Hirarki/Non-Hirarki Modulasi Non-Hirarki

Guard Interval ¼

Time Offset 100 sampel

Frequency Offset 0 Hz

SNR 20 dB

4.2 Analisis Metoda FFT Window Selection Method

Untuk menguji performa dari FFT Window Selection Method, penulis akan

membangun simulasi untuk membandingkan kinerja antara sistem yang dibangun

dengan atau tanpa metoda ini. Penulis akan membangun dua sistem sinkronisasi

seperti ditunjukkan gambar 4.4:

51

Gambar 4.4 (a)tanpa FFT Window Selection Method (b) dengan FFT Window Selection Method

Parameter yang diamati untuk mengamati performa dari metoda, yaitu parameter

BER. Jadi, penulis akan membandingkan performa BER dari kedua system

sinkronisasi waktu tersebut. Berikut kurva perbandingan BER antara kedua metoda

di atas:

Gambar 4.5 BER vs SNR perbanding kinerja dengan dan tanpa FFT Window Selection

52

Penggunaan FFT Window Selection Method tidak banyak berpengaruh pada

performa di kanal AWGN dan Rician. Hal ini disebabkan estimasi Coarse Symbol

Timing pada kanal AWGN dan Rician yang hanya memiliki error +1 sehingga tanpa

digunakan FFT window Selection Method, performa sinkronisasi waktu system

sudah sangat baik. Penggunaan FFT Window Selection Method sangat berpengaruh

pada performa system di kanal Rayleigh. Hal ini dikarenakan estimasi Coarse

Symbol Timing pada kanal Rayleigh menghasilkan error senilai + 7 sehingga tanpa

digunakan FFT Window Selection Method, performa sinkronisasi waktu menjadi

buruk. Akan tetapi, karena penulis akan merancang system sinkronisasi yang handal

untuk penerima DVB-T sehingga system harus handal baik di kondisi kanal

AWGN,Rician, maupun Rayleigh. Oleh karena itu, penggunaan FFT Window

Selection Method akan sangat berguna untuk diterapkan sebagai bagian dari

sinkronisasi waktu di penerima. Berikut parameter yang digunakan ketika simulasi

FFT Window Selection Method:

Tabel 4-2 Parameter Simulasi FFT Window Selection

Parameter

Mode transmisi 2K

Bandwidth 8MHz

Modulasi QAM-16

Modulasi Hirarki/Non-Hirarki Modulasi Non-Hirarki

Guard Interval ¼

Time Offset 100 sampel

Frequency Offset 0 Hz

53

4.3 Analisis Metoda Fine Symbol Timing

Penulis akan menguji Metoda Fine Symbol Timing dengan cara yang sama ketika

menguji Coarse Symbol Timing, yaitu dengan melakukan proses averaging untuk

hasil estimasi di setiap simbol. Untuk melakukan pengujian terhadap metoda Fine

Symbol Timing, penulis membuat skema sinkronisasi sebagai berikut:

Gambar 4.6 Skema Sinkronisasi Waktu untuk Simulasi Fine Symbol Timing

Pada skema ini, estimasi Fine Symbol Timing akan mengkompensasi kesalahan

estimasi awal simbol yang dilakukan oleh Coarse Symbol Timing. Gambar 4.7

menunjukkan hasil estimasi Fine Timing di kanal AWGN, Rician, dan Rayleigh:

Gambar 4.7 Mean Error estimasi Fine Symbol Timing di kanal AWGN, Rician, Rayleigh

54

Dari hasil simulasi, didapatkan hasil bahwa estimasi Fine Symbol Timing dengan

metoda ini tidak memberikan hasil yang memuaskan untuk estimasi di kanal

AWGN, Rician, dan Rayleigh. Untuk estimasi di kanal AWGN ada kesalahan

sebesar -1 sampel, di kanal Rician sebesar -1,7 sampel, dan di kanal Rayleigh

sebesar -11 sampel. Oleh karena itu, bisa disimpulkan penggunaaan estimasi Fine

Symbol Timing tidak efektif untuk digunakan karena masih ada kesalahan estimasi

sehingga tidak memberikan peningkatan performa. Berikut parameter yang

digunakan dalam estimasi Fine Symbol Timing:

Tabel 4-3 Parameter estimasi Fine Timing

Parameter

Mode transmisi 2K

Bandwidth 8MHz

Modulasi QAM-16

Modulasi Hirarki/Non-Hirarki Modulasi Non-Hirarki

Guard Interval ¼

Time Offset 100 sampel

Frequency Offset 0 Hz

SNR 20 dB

4.4 Analisis Metoda Estimasi Coarse Fractional CFO

Dalam tesis ini, penulis menggunakan metoda Joint Estimation Time and

Frequency[6-7]. Oleh karena itu estimasi Coarse Fractional CFO akan dilakukan

secara simultan dengan estimasi Coarse Symbol Timing. Dalam pengujian kinerja

estimasi Coarse Fractional CFO, penulis akan membandingkan Mean Squared

55

Error (MSE) dari estimasi Coarse Fractional CFO,2

F FE ε ε∧ −

, dengan kedua

metoda tersebut. Perhitungan MSE Coarse Fractional CFO dinyatakan dengan

persamaan berikut:

2 2

1

1 1 ( ) ( )S

F F F Fks

E k kf S

ε ε ε ε∧ ∧

=

− = − ∑ (4.1)

Di mana sf adalah frequency spacing (pada mode 2k, fs=4,464 KHz) dan S adalah

jumlah iterasi Monte Carlo. Penulis melakukan simulasi dengan jumlah iterasi 100

kali untuk setiap nilai SNR. Untuk menghilangkan efek dari kesalahan estimasi

Coarse Symbol Timing, penulis memodelkan pergeseran waktu sebesar 0 sampel

sehingga estimasi awal simbol akan dilakukan dengan menghitung besar fasa dari

hasil korelasi di sampel pertama di setiap simbol. Gambar 4.8 menunjukkan kurva

MSE estimasi Coarse Fractional CFO di kanal AWGN, Rician, dan Rayleigh

Gambar 4.8 MSE estimasi Coarse Fractional CFO di kanal AWGN

56

Gambar 4.9 MSE dari estimasi Coarse Fractional CFO di kanal Rician

Gambar 4.10 MSE Estimasi Coarse Fractional CFO di kanal Rayleigh

Dari kurva MSE di atas, dapat dilihat bahwa nilai MSE yang diperoleh dengan

kedua metoda selalu 410−< . Ini artinya, nilai kesalahan estimasi Coarse Fractional

CFO kurang dari 1%, sehingga penurunan performa akibat kesalahan estimasi

57

Coarse Fractional CFO kurang dari 0.1 dB[8]. Dapat dilihat juga dari kurva di atas,

bahwa nilai MSE cenderung semakin kecil seiring bertambahnya nilai SNR.

Selain itu, dapat kita lihat pula bahwa performa metoda Simplified ML dan ML sama

di semua kondisi kanal. Oleh karena keduanya memiliki performa yang sama, untuk

perancangan sinkronisasi, penulis akan memilih metoda dengan algoritma yang

lebih sederhana yaitu, Simplified ML. Parameter yang digunakan dalam simulasi ini,

antara lain:

Tabel 4-4 Parameter Estimasi Coarse CFO

Parameter

Mode Transmisi 2K

Bandwidth 8 MHz

Modulasi QAM-16

Modulasi Hirarki/Non-Hirarki Modulasi Non-Hirarki

Guard Interval ¼

Time Offset 0 sampel

Frequency Offset 1500 Hz

4.5 Analisis Metoda Estimasi Integer CFO

Untuk menguji kinerja dari metoda estimasi Integer CFO, penulis akan menghitung

MSE dari estimasi Integer CFO. Penulis akan memberikan pemodelan kesalahan

Integer CFO (>4,464KHz untuk mode 2K), yang akan diestimasi oleh metode ini.

Penghitungan MSE dari Integer CFO,2

I IE ε ε∧ −

,dinyatakan oleh persamaan

berikut:

58

( ) ( )2 2

1

1 1 S

I I I Iks

E k kf S

ε ε ε ε∧ ∧

=

− = − ∑ (4.2)

Di mana S adalah jumlah iterasi penghitungan yang dilakukan dan sf adalah nilai

frequency spacing. Penulis akan menghitung MSE dari estimasi Integer CFO dari

SNR 0 s.d. 30 dB dengan jumlah iterasi= 100 kali. Untuk menghilangkan efek dari

kesalahan estimasi Coarse Symbol Timing, penulis memodelkan pergeseran waktu

sebesar 0 sampel. Gambar 4.11 menunjukkan MSE Integer CFO:

Gambar 4.11 MSE integer CFO

Dari gambar di atas, dapat kita lihat bahwa tingkat keberhasilan estimasi Integer

CFO mencapai 100% baik di kondisi kanal AWGN, Rician, maupun Rayleigh. Jadi,

metoda ini akan sangat handal untuk diterapkan di sistem sinkronisasi frekuensi

untuk mengatasi nilai pergeseran frekuensi >0.5 subcarrier spacing. Berikut

parameter yang digunakan dalam simulasi:

59

Tabel 4-5 Parameter Simulasi Integer CFO

Parameter

Mode transmisi 2K

Bandwidth 8MHz

Modulasi QAM-16

Hierarchical/Non Hierarchical Modulation Modulasi Non-Hirarki

Guard Interval ¼

Time Offset 0 sampel

Frequency Offset 9000 Hz (K=2)

4.6 Analisis Metoda Estimasi Fine Fractional CFO

Tujuan dari implementasi Fine Fractional CFO Recovery adalah untuk menambah

akurasi dari sinkronisasi frekuensi yang sebelumnya terdiri dari sinkronisasi Coarse

Fractional CFO dan Integer CFO. Oleh karena itu, penulis akan melakukan

pengujian yang bertujuan untuk memeriksa apakah penambahan Fine Fractional

CFO Recovery memberikan hasil yang signifikan atau tidak. Penulis akan menguji

performa dari sistem sinkronisasi frekuensi yang dilengkapi estimasi Fine

Fractional CFO dengan menghitung nilai MSE estimasi. Nilai MSE tersebut

dihitung berdasarkan persamaan berikut:

( ) ( )2 2

1

1 1 S

ks

E k kf S

ε ε ε ε∧ ∧

=

− = − ∑ (4.3)

Di mana fs adalah nilai frequency spacing dan S adalah jumlah iterasi Monte Carlo.

Dalam simulasi ini, penulis melakukan simulasi dengan jumlah iterasi = 50. Nilai

MSE ini akan dibandingkan dengan MSE estimasi ketika sistem tidak dilengkapi

Fine Fractional CFO Recovery (hanya terdiri dari Coarse Fractional CFO dan

Integer CFO).

60

Gambar 4.12 MSE dari Estimasi dengan dan tanpa Fine Fractional CFO Recovery di kanal AWGN

Gambar 4.13 MSE dari Estimasi dengan dan tanpa Fine Fractional CFO Recovery di kanal Rician

61

Gambar 4.14 MSE dari Estimasi dengan dan tanpa Fine Fractional CFO Recovery di kanal Rayleigh

Dari gambar di atas, dapat dilihat bahwa pada umumnya performa sinkronisasi

frekuensi dengan dan tanpa Fine Fractional CFO Recovery tidak jauh berbeda. Pada

kanal AWGN, dua skema sinkronisasi frekuensi tersebut menunjukkan performa

yang sama. Akan tetapi, skema dengan Fine Fractional CFO Recovery

menunjukkan performa yang lebih baik di kanal Rician dan Rayleigh, khususnya

untuk nilai SNR > 15 dB. Akan tetapi, tanpa Fine Fractional CFO Recovery pun,

nilai MSE yang didapat pun sudah 410−≤ . Berarti nilai error estimasi frekuensi

sudah memenuhi persyaratan, yaitu 1%< [8]. Berdasarkan pengamatan performa

kedua skema tersebut, penulis memutuskan untuk tidak menggunakan Fine

Fractional CFO Recovery karena tanpa Fine Fractional CFO Recovery pun sudah

didapatkan hasil yang memenuhi syarat[8]. Berikut parameter yang digunakan

dalam estimasi Residual Fractional CFO:

62

Tabel 4-6 Parameter Simulasi Fine Fractional CFO Recovery

Parameter

Mode transmisi 2K

Bandwidth 8MHz

Modulasi QAM-16

Hierarchical/Non Hierarchical

Modulation

Non Hierarchical Modulation

Guard Interval ¼

Time Offset 0 sampel

Frequency Offset 9000 Hz (K=2)

4.7 Perancangan Sinkronisasi Waktu dan Frekuensi di Penerima

DVB-T

Berdasarkan pengujian dan analisa dari setiap metoda yang telah dilakukan, penulis

mencoba merancang sistem lengkap dari sinkronisasi Waktu dan Penerima sebagai

berikut:

Gambar 4.15 Sistem lengkap Sinkronisasi Waktu dan Frekuensi

63

Sistem sinkronisasi yang dirancang penulis terdiri dari dua bagian. Bagian pertama

dilakukan di domain waktu dan bagian kedua dilakukan di domain frekuensi. Proses

sinkronisasi akan dimulai dengan proses korelasi dari estimasi secara simultan

Coarse Symbol Timing dan Coarse CFO. Untuk bagian ini, penulis akan

menggunakan metoda Simplified ML dengan mengacu pada pengujian yang sudah

dilakukan di bagian sebelumnya. Setelah diestimasi, akan dilanjutkan dengan

kompensasi Coarse CFO dan Coarse Symbol Timing. Selanjutnya sinyal akan

memasuki proses pembuangan CP, di mana dalam proses tersebut dilakukan FFT

Window Selection Method. Setelah dilewatkan di FFT, akan dilakukan estimasi

Integer CFO untuk mengantisipasi nilai 0.5ε > subcarrier spacing. Kompensasi

Integer CFO dilakukan di domain waktu. Berdasarkan hasil pengujian yang

dilakukan, penulis menyisihkan Fine Symbol Timing dan Fine Fractional CFO

Recovery. Penulis tidak menggunakan Fine Symbol Timing karena hasil estimasi

dari metoda ini masih meleset jauh terutama untuk kanal Rayleigh. Sedangkan,

penulis tidak menggunakan Fine Fractional CFO Recovery karena tanpa metoda

tersebut pun, sudah diperoleh hasil yang memenuhi syarat[8].

4.8 Pengujian Performa Rancangan Sinkronisasi Waktu dan

Frekuensi di Penerima DVB-T

Penulis akan menguji performa dari sistem sinkronisasi yang dirancang dengan tiga

varian, yaitu tipe modulasi, nilai GI, dan tipe kanal. Tipe modulasi ada jenis, yaitu

QPSK,QAM-16, QAM-64. Nilai GI ada empat, yaitu ¼, 1/8, 1/16, 1/32. Dan jenis

kanal ada tiga, yaitu kanal AWGN, kanal Rician, dan kanal Rayleigh. Nilai-nilai dari

varian ini disesuaikan dengan standar DVB-T[1]. Penulis akan membandingkan

performa BER system dalam kondisi sinkronisasi sempurna dengan ketika sistem

sinkronisasi yang dirancang diterapkan. Yang dimaksud kondisi sinkronisasi

sempurna adalah kondisi di mana tidak terdapat kesalahan estimasi awal simbol dan

pergeseran frekuensi. Berikut kurva BER hasil pengujian system sinkronisasi yang

dirancang penulis:

64

Gambar 4.16 Kinerja sistem integrasi di kanal AWGN

Gambar 4.17 Kinerja Sistem Integrasi di Kanal Rician

65

Gambar 4.18 Kinerja Sistem Sinkronisasi di Kanal Rayleigh

Dari ketiga gambar di atas, dapat dilihat bahwa performa sistem sinkronisasi yang

dirancang oleh penulis mendekati kondisi ketika sinkronisasi ideal di ketiga kanal.

Pada kanal AWGN, performa BER sistem yang menggunakan skema sinkronisasi

waktu dan frekuensi rancangan penulis sama dengan performa BER system ketika

kondisi sinkronisasi ideal. Sedikit perbedaan nilai BER, ditunjukkan di kondisi kanal

Rician dan Rayleigh. Sehingga bisa disimpulkan system sinkronisasi yang dirancang

menunjukkan performa yang sangat baik untuk setiap tipe modulasi ketika

diintegrasikan ke system integrasi DVB-T

Gambar 4.19 Kinerja Sistem Integrasi DVB-T di kanal AWGN untuk berbagai nilai CP

66

Gambar 4.20 Kinerja Sistem Integrasi DVB-T di kanal Rician untuk berbagai nilai CP

Gambar 4.21 Kinerja Sistem Integrasi DVB-T di kanal Rayleigh untuk berbagai nilai CP

Pada ketiga kondisi kanal dapat kita lihat bahwa semakin besar nilai CP, performa

system integrasi semakin baik. Hal ini dapat dimaklumi, karena pada metoda Joint

Time and Frequency Simplified Maximum Likelihood, semakin besar range nilai

yang dikorelasikan, maka hasil estimasi waktu dan frekuensi akan semakin akurat

67

Selain itu, bila kita bandingkan untuk masing-masing nilai CP antara kondisi

sinkronisasi sempurna dan ketika diterapkan sistem sinkronisasi yang dirancang.

Dapat dilihat bahwa untuk nilai CP =1/4, 1/8, 1/16 menunjukkan nilai BER yang

tidak jauh berbeda untuk kedua kasus di atas. Akan tetapi untuk nilai CP = 1/32

menunjukkan nilai BER yang jauh lebih berbeda antara kedua kondisi tersebut. Dan

perbedaan itu semakin signifikan, ketika kondisi kanal semakin rusak. Oleh karena

itu, bisa disimpulkan bahwa rancangan sinkronisasi waktu dan frekuensi ini paling

efektif ketika digunakan nilai CP =1/4, 1/8, 1/16.