23
Adaptive beamforming dapat dilakukan dengan menggeser fasa dari tiap elemn array sehingga sinyal yang dikirimkan atau diterima dari tiap elemen akan
berbeda fasa dalam arah yang berbeda. Fasa antar elemen interelement phase dan amplitudo diatur untuk mengoptimalkan penerimaan sinyal [5].
Dalam beamforming adaptif, berat optimum secara iterasi dihitung dengan algoritma yang kompleks dengan kriteria yang berbeda. Ada dua tipe algoritma
yang digunakan untuk adaptive beamforming, yaitu [6]: 1.
Non-blind adaptive algorithm, yaitu algoritma yang menggunakan sinyal
referensi untuk memodifikasi bobot array secara iteratif. Adapun contoh algoritma ini, yaitu algoritma Least Mean Square LMS.
2. Blind adaptive algorithm, yaitu algoritma yang tidak memerlukan sinyal
referensi untuk memodifikasi bobot array. Adapun contoh algoritma ini, yaitu Constant Modulus Algorithm CMA.
2.12.1 Non- Blind Adaptive Algorithm
Non-blind adaptive algorithms adalah algoritma yang menggunakan sinyal referensi desired signal untuk memodifikasi bobot array secara iterasi. Non-blind
adaptive algorithm memerlukan training sequence dari desired signal dk untuk mengekstrak informasi dari desired user dari lingkungan sekitar. Adapun contoh
non-blind adaptive algorithm adalah algoritma LMS.
Algoritma Least Mean Square diperkenalkan oleh Widrow dan Hoff pada tahun 1959. Algoritma LMS menggunakan perkiraan gradient vector dari data yang
ada. Berbeda dengan algoritma lainnya, algoritma LMS relatif sederhana dan tidak membutuhkan perhitungan fungsi korelasi. Misalkan Uniform Linear Array ULA
dengan N elemen isotropis, maka bagian integral dari sistem adaptive beamforming
Universitas Sumatera Utara
24
ini ditunjukkan oleh Gambar 2.15 [5]. Adapun output array antena yt diberikan
oleh Persamaan 2.6 [5].
= � Ѳ + ∑
� Ѳ +
=
2.6
Gambar 2.15 Sistem adaptive beamforming algoritma LMS
St menunjukkan kedatangan sinyal yang diinginkan pada sudut Ѳ dan
menunjukkan sinyal intererensi dengan sudut datang sebesar Ѳ secara
berturut. � Ѳ dan � Ѳ menunjukkan steering vector untuk sinyal yang
diinginkan dan sinyal interferensi. Besar weight vector diberikan oleh Persaman 2.7 [5].
+ =
+ [−∇ { } ] 2.7
dengan adalah parameter step-size dimana µ
� �
. � merupakan
eigenvalue dari matriks korelasi R dan merupakan mean square error antara
output yn dan desired signal dn yang diberikan oleh Persamaan 2.8. Gradient vector dapat dihitung dengan Persamaan 2.9. Algoritma LMS menyederhanakan
kovarians matriks dan � dalam bentuk Persamaan 2.10 dan Persamaan 2.11 serta
Persamaan untuk weight vector w n + ditunjukkan oleh Persamaan 2.12.
Universitas Sumatera Utara
25
= [
∗
−
ℎ
] 2.8
∇ { } = − + �
2.9 �
=
ℎ
2.10 =
∗
2.11 +
= +
2.12
Mean square error, n merupakan salah satu kriteria adaptive
beamforming. Semakin kecil nilai MSE antara desired signal dan output, maka pola lebar sorotan dapat diatur ke null sehingga akan meningkatkan level SIR signal to
interference ratio.
2.12.2 Blind Adaptive Algorithm