Firdausi, Ahmad (2025) Desain Antena Mikrostrip Franklin Termodifikasi Untuk Peningkatan Bandwidth Dan Gain Pada Pita Gelombang Milimeter. Doctoral thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 7022211002-Dissertation.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
7022211002-Dissertation.pdf - Accepted Version Restricted to Repository staff only Download (14MB) | Request a copy |
Abstract
Desain antena Franklin adalah susunan array collinear yang biasa digunakan dalam sistem komunikasi nirkabel. Keunggulannya dapat menghasilkan gain yang besar dan efisiensi radiasi tanpa memperbesar dimensi antena secara signifikan. Karakteristik tersebut menjadikan antena Franklin sangat cocok untuk aplikasi perangkat wearable, radar otomotif, sistem sensor nirkabel, hingga sistem komunikasi 5G. Dengan semakin meningkatnya kebutuhan terhadap performa broadband pada gelombang milimeter (mmWave) di era 5G, dibutuhkan pengembangan desain antena Franklin yang mampu mempertahankan keunggulan tersebut sekaligus memperluas bandwidth operasional dalam satu desain antena. Penelitian ini menyajikan metodologi dengan dua pendekatan yang mengintegrasikan pemodelan analitis dan optimasi kecerdasan buatan untuk merancang dan mengoptimalkan antena mikrostrip Franklin dengan mengkombinasikan struktur Proximity Coupled Feed (PCF). Prinsip susunan collinear Franklin, yang terkenal dengan gain yang tinggi, diadopsi sebagai konfigurasi dasar. Namun, bandwidth operasionalnya yang sempit menghadirkan batasan yang signifikan untuk sistem komunikasi broadband. Untuk mengatasi permasalahan tersebut, penelitian ini dibagi menjadi tiga tahapan: (1) perancangan antena Franklin dual-mode untuk wearable device (on-body dan off-body), (2) peningkatan bandwidth dan gain melalui teknik proximity-coupled feed (PCF) menggunakan perhitungan matematis, serta (3) optimasi parameter desain menggunakan kecerdasan buatan berbasis machine learning. Tahap awal (1) yang dilakukan adalah membuat antena mikrostrip Franklin yang dapat berfungsi dalam dua mode: on-body dan off-body, untuk mendukung perangkat wearable. Dengan memperhitungkan dampak interaksi elektromagnetik tubuh manusia, antena ini mendapatkan hasil bandwidth 8.54 GHz di sekitar frekuensi 28 GHz dengan gain maksimum 10.4 dBi. Hasil ini menunjukkan stabilitas performa antena dalam berbagai kondisi pemakaian wearable, sekaligus membuka kemungkinan untuk digunakan pada perangkat wearable mmWave generasi berikutnya. Tahap kedua (2) dari penelitian ini berkonsentrasi pada pengembangan struktur antena dengan pendekatan Proximity-Coupled Feed (PCF) untuk meningkatkan bandwidth dan gain antena Franklin. Desain antena Microstrip Franklin-Proximity-Coupled Feed (MF-PCF) mencapai bandwidth 8.39 GHz dan gain 11.55 dBi pada 28 GHz dengan menggabungkan formulasi matematis dan simulasi elektromagnetik yang komprehensif. Verifikasi pengukuran menunjukkan bandwidth 9.34 GHz dengan efisiensi radiasi 97.74%, yang menunjukkan keefektifan pendekatan PCF dalam mengatasi kendala antena Franklin pada umumnya. Model RLC ekuivalen tingkat sirkuit juga dikembangkan untuk mewakili perilaku resonansi antena, yang menunjukkan kesesuaian dengan hasil simulasi. Tahap ketiga (3) menggunakan metode optimasi berbasis kecerdasan buatan untuk meningkatkan kinerja antena MF-PCF. Parameter geometris antena dioptimalkan dengan menggunakan empat algoritma pembelajaran mesin: Levenberg-Marquardt (LM), Bayesian Regularisation (BR), Scaled Conjugate Gradient (SCG), dan Adaptive Neuro-Fuzzy Inference System (ANFIS). Metode tersebut diterapkan untuk memodelkan parameter geometris seperti panjang feedline (Lf) , panjang ground plane (Lg), dan jarak antar elemen (Lp) dari input kinerja yang ditargetkan frekuensi tengah, bandwidth, dan gain. Model ANFIS memiliki kinerja terbaik, dengan bandwidth hingga 16 GHz pada rentang 20-36 GHz, gain 10.45 dBi, dan efisiensi radiasi 97.7%, yang menunjukkan bahwa teknik berbasis AI dapat meningkatkan kinerja antena namun tetap efisien. Secara keseluruhan integrasi pendekatan berbasis pemodelan analitis, validasi eksperimental, dan optimasi kecerdasan buatan dalam penelitian ini menghasilkan desain antena Franklin yang lebih efisien untuk aplikasi mmWave. Dimulai dari pengembangan antena Franklin dual-mode untuk wearable device yang mempertahankan performa pada kondisi on-body dan off-body, dilanjutkan dengan penguatan bandwidth dan gain melalui penerapan teknik PCF yang dikembangkan berdasarkan formulasi matematis hasil sintesis dari berbagai sumber literatur dan jurnal sebelumnya, serta dioptimalkan lebih lanjut menggunakan algoritma machine learning, desain antena MF-PCF yang dihasilkan menunjukkan peningkatan kinerja yang signifikan tanpa mengorbankan dimensi kompak hal tersebut mampu mendukung kebutuhan sistem komunikasi 5G, menjadikan antena ini kandidat kuat untuk aplikasi Fixed Wireless Access (FWA), radar otomotif, dan wearable device.
==================================================================================================================================
The Franklin antenna design is a collinear array commonly used in wireless communication systems. Its advantages include high gain and radiation efficiency without significantly increasing the antenna dimensions. These characteristics make Franklin antennas highly suitable for applications such as wearable devices, automotive radar, wireless sensor systems, and 5G communication systems. With the increasing demand for broadband performance in millimeter-wave (mmWave) bands in the 5G era, there is a need to develop Franklin antenna designs that can maintain these advantages while expanding the operational bandwidth within a single antenna design. This research presents a methodology with two approaches that integrate analytical modeling and artificial intelligence optimization to design and optimize Franklin microstrip antennas by combining Proximity Coupled Feed (PCF) structures. The collinear Franklin array principle, known for its high gain, is adopted as the basic configuration. However, its narrow operational bandwidth poses significant limitations for broadband communication systems. To address these issues, this research is divided into three stages: (1) designing a dual-mode Franklin antenna for wearable devices (on-body and off-body), (2) increasing bandwidth and gain through proximity-coupled feed (PCF) techniques using mathematical calculations, and (3) optimizing design parameters using machine learning-based artificial intelligence. The initial stage (1) involved creating a Franklin microstrip antenna that can function in two modes: on-body and off-body, to support wearable devices. By taking into account the impact of human electromagnetic interactions, this antenna achieved a bandwidth of 8.54 GHz around a frequency of 28 GHz with a maximum gain of 10.4 dBi. These results demonstrate the antenna's performance stability under various wearable conditions, while also opening up possibilities for its use in next generation mmWave wearable devices. The second stage (2) of this research focuses on developing an antenna structure using the Proximity-Coupled Feed (PCF) approach to improve the bandwidth and gain of the Franklin antenna. The Microstrip Franklin-Proximity-Coupled Feed (MF-PCF) antenna design achieved a bandwidth of 8.39 GHz and a gain of 11.55 dBi at 28 GHz by combining mathematical formulations and comprehensive electromagnetic simulations. Measurement verification showed a bandwidth of 9.34 GHz with a radiation efficiency of 97.74%, demonstrating the effectiveness of the PCF approach in addressing the general challenges of Franklin antennas. An equivalent RLC circuit model was also developed to represent the antenna's resonance behavior, showing good agreement with simulation results. The third stage (3) employs artificial intelligence-based optimization methods to enhance the performance of the MF-PCF antenna. The antenna's geometric parameters are optimized using four machine learning algorithms: Levenberg-Marquardt (LM), Bayesian Regularization (BR), Scaled Conjugate Gradient (SCG), and Adaptive Neuro-Fuzzy Inference System (ANFIS). These methods were applied to model geometric parameters such as feedline length (Lf), ground plane length (Lg), and element spacing (Lp) from the targeted performance inputs of center frequency, bandwidth, and gain. The ANFIS model demonstrated the best performance, achieving a bandwidth of up to 16 GHz within the 20-36 GHz range, a gain of 10.45 dBi, and a radiation efficiency of 97.7%, indicating that AI-based techniques can enhance antenna performance while maintaining efficiency. Overall, the integration of analytical modeling, experimental validation, and artificial intelligence optimization in this study resulted in a more efficient Franklin antenna design for mmWave applications. Starting from the development of a dual-mode Franklin antenna for wearable devices that maintains performance in both on-body and off-body conditions, followed by bandwidth and gain enhancement through the application of PCF techniques developed based on mathematical formulations synthesized from various literature and previous journals, and further optimized using machine learning algorithms, the resulting MF-PCF antenna design shows a significant improvement in performance without sacrificing compact dimensions, enabling it to support 5G communication system requirements and making this antenna a strong candidate for Fixed Wireless Access (FWA), automotive radar, and wearable device applications.
Actions (login required)
 |
View Item |