Final Test

LAPORAN

GEOFISIKA MATEMATIKA I

NAMA – NAMA KELOMPOK :

1. ANDI FIRMAN (H061171513)

2. DEFINA DAMAYANTI (H061201014)
3. HASNAWIAH (H061201017)
4. AURELIA (H061201018)
5. CHELSEA JANE CENCIANA (H061201023)
6. ASMAWAN (H061201051)

DEPARTEMEN GEOFISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS HASANUDDIN

MAKASSAR

2021
1.27 Penerapan Eigendecomposition untuk Estimasi DoA (Degree of Arrival)

UCA (uniform circular array) yang memiliki elemen antena Ne = 4 dengan jarak yang sama pada
lingkaran berjari-jari R, yang dipengaruhi oleh yang dipengaruhi oleh Ns = 2 sinyal s1(n) dan s2
(n) dengan DoAs (∅1 = 600 , 𝜃1 ) 𝑎𝑛𝑑 (∅2 = 2100 , 𝜃2 ), masing-masing, di mana DoA (∅, 𝜃) dari
sinyal insiden adalah sepasang sudut azimuth dan zenith. Sinyal keluaran yang diukur oleh setiap
elemen UCA pada waktu n dapat ditulis sebagai:

𝑦(𝑛) 𝐴: 𝑁𝑒 × 𝑁𝑠 𝑚𝑎𝑡𝑟𝑖𝑥 𝑤(𝑛)

𝑦1 (𝑛) 𝑠(𝑛) 𝑤1 (𝑛)
𝑒 𝑗𝛽𝑅 sin 𝜃1 cos (𝜙1 −2𝜋0/𝑁𝑒) 𝑒 𝑗𝛽𝑅 sin 𝜃1 cos (𝜙𝑁𝑠 −2𝜋0/𝑁𝑒)
𝑦 (𝑛) = 𝑗𝛽𝑅 sin 𝜃1 cos (𝜙1 −2𝜋1/𝑁𝑒) 𝑗𝛽𝑅 sin 𝜃1 cos (𝜙𝑁𝑠 −2𝜋1/𝑁𝑒) 𝑠1 (𝑛) + 𝑤 (𝑛)
[ 2. ] [ 𝑒 . 𝑒 . ][ ] [ 2. ]
𝑆𝑁𝑠 (𝑛)
𝑦𝑁𝑒 (𝑛) 𝑒 𝑗𝛽𝑅 sin 𝜃1 cos (𝜙1 −2𝜋(𝑁𝑒−1)𝑁𝑒) 𝑒 𝑗𝛽𝑅 sin 𝜃1 cos (𝜙𝑁𝑠 −2𝜋(𝑁𝑒−1)𝑁𝑒) 𝑤𝑁𝑒 (𝑛)

𝑒 𝑗𝛽𝑅 sin 𝜃 cos (𝜙−2𝜋0/𝑁𝑒)

𝐴; 𝑁𝑒 × 𝑁𝑠 steering matrix 𝑠𝑡𝑒𝑒𝑟𝑖𝑛𝑔 𝑣𝑒𝑐𝑡𝑜𝑟
𝑦(𝑛) = =[ 𝑒 𝑗𝛽𝑅 sin 𝜃 cos. (𝜙−2𝜋1/𝑁𝑒) ]
[𝑎(𝜙1 , 𝜃1 ) 𝑎(𝜙𝑁𝑠 , 𝜃𝑁𝑠 )]𝑠(𝑛) + 𝑤(𝑛) 𝑑𝑒𝑛𝑔𝑎𝑛 𝑎 (𝜙, 𝜃)
𝑒 𝑗𝛽𝑅 sin 𝜃 cos (𝜙−2𝜋(𝑁𝑒−1)/𝑁𝑒)

di mana wm(n) mewakili noise kompleks dengan distribusi normal (0, 0,5) dari mean 0 dan varians
0,5 varian. Untuk mempermudah, kita misalkan kedua sinyal tersebut adalah :
𝜋 𝜋
𝑠1 (𝑛) = sin ( 𝑛) 𝑑𝑎𝑛 𝑆2 (𝑛) = cos ( 𝑛)
8 12
sedangkan sudut zenith dari semua sinyal yang diterima adalah 𝜃 = 90°, faktor perambatan
gelombang adalah 𝛽 = 2𝜋 ∕ 𝜆(𝜆: 𝑤𝑎𝑣𝑒𝑙𝑒𝑛𝑔𝑡ℎ), dan radius dari UCA adalah R=1. Untuk
memperkirakan DoA, kita membangun matriks korelasi sinyal Ry dari {𝑦(𝑛)|𝑛 = 1: 𝑁𝑑 = 200}
dan gunakan matlab ′[𝑣, 𝛬 = 𝑒𝑖𝑔(𝑅𝑦 )]′ untuk menemukan vektor eigen dan nilai eigennya sebagai
:

𝑅𝑦 = 1.3729 0.87 − 𝑗0.3237 0.1237 − 𝑗0.0103 0.213 − 𝑗0.0463

0.87 + 𝑗0.3237 1.4144 0.3024 + 𝑗0.0456 0.2842 + 𝑗0.0811
𝑌𝑌 ∗𝑇 [0.1237 + 𝑗0.0103 0.3024 − 𝑗0.0456 ]
= 1.6276 1.0259 + 𝑗0.3658
200 0213 + 𝑗0.0463 0.2842 − 𝑗0.0811 1.0259 − 𝑗0.3658 1.6152

𝑦1 (1) … 𝑦1 (200)
𝑦2 (1) … 𝑦2 (200)
Dengan 𝑌 =
𝑦3 (1) … 𝑦3 (200)
[𝑦4 (1) … 𝑦4 (200)]

−0.1044 − 𝑗0.7008 −0.0251 − 𝑗0.0441 −0.6035 − 𝑗0.058 0.3575 − 𝑗0.008

−0.1354 + 𝑗0.6837 −0.0834 + 𝑗0.0774 −0.5268 − 𝑗0.2475 0.378 + 𝑗0.139
𝑉=[ ]
0.0723 − 𝑗0.0241 −0.6465 − 𝑗0.2482 0.3686 + 𝑗0.1976 0.556 + 𝑗0.1749
−0.0802 0.7106 0.3446 0.6082
0.4614 0 0 0
𝛬 = [ 0 0.5249 0 0 ]
0 0 2.064 0
0 0 0 2.9793
Bahkan jika nilai spesifik y(n), Ry, dan nilai eigen/vektor eigennya bervariasi dengan noise w(n),
(yang terakhir) dua nilai eigen 𝜆3 = 2.0644 dan 𝜆4 = 2.9793 terlihat lebih besar dari yang lain,
𝜆1 = 0.4614 dan 𝜆2 = 0.5249, sehingga vektor eigen v3 dan v4 yang sesuai dapat dianggap
mencakup sub-ruang sinyal, sedangkan vektor eigen v1 dan v2 sesuai dengan dua yang lebih kecil
nilai eigen 1 dan 2 dapat dianggap merentang sub-ruang noise.

(a) Salah satu cara untuk memperkirakan sudut azimuth dari dua sinyal adalah dengan mencari
maksimum lokal dari spektrum spasial berdasarkan subruang sinyal

Ps (ø) = a*T (ø) SS*Ta (ø) with S = [V (:,3) V(:,4)]

yang menghasilkan perkiraan sudut azimuth ∅ di sekitar nilai sebenarnya 60o dan 210o .
Alternatifnya adalah menemukan maxima lokal dari spektrum spasial berdasarkan subruang noise.
1
Pn (ø) = with N = [V (:,1) V(:,2)]
𝒂∗𝑇 (∅)𝑁𝑁 ∗𝑇 𝒂(∅)

yang juga menghasilkan perkiraan sudut azimut di sekitar nilai sebenarnya 60 o dan 210o . Metode
estimasi ini disebut sebagai MUSIC (multiple sIgnal klasifikasi) algoritma. Manakah dari dua
spektrum spasial ini, Ps atau Pn, yang terlihat lebih baik dalam hal selektivitas? Untuk melakukan
proses ini, lengkapi dan jalankan skrip MATLAB
Script 1.27

%DoA_estimation_using_eigendecomposition.m
% Use the eigendecomposition to estimate the DoA (Degree of Arrival)
% with UCA (uniform circular array)
clear, clf
b=1; R=1; % Wave propagation factor 2*pi/wavelength
Ne=4; Ns=2; % Number of antenna elements and Number of signals
% True DoAs (azimuth angles) in degree/radian
phs_deg = [60 210]; phs = phs_deg*pi/180;
Nd=200; % Number of data used for DoA estimation
% Steering function for azimuth angle ph
a = @(ph,th)exp(j*b*R*sin(th)*cos(ph-[0:Ne-1]'*2*pi/Ne));
for m=1:Ns
A(:,m) = a(phs(m),pi/2); % LxM steering matrix
end
for n=1:Nd % Make a noisy received signal with some directivity
s(:,n) = [sin(pi/8*n); cos(pi/12*n)]; % Received signal
y(:,n) = A*s(:,n)+0.5*(randn(Ne,1)+j*randn(Ne,1)); % Eq.(P1.27.1)
end
Ry = y*y'/Nd; % UCA output signal correlation matrix Eq.(P1.27.4)
[V,Lam]=eig(Ry) % Eigendecomposition of Ry: Eq.(P1.27.5)
% partition modal matrix V into Noise/Signal subspace matrices N,S
N = V(:,1:Ne-Ns); % Noise sub-eigenspace matrix
S = V(:,Ne-Ns+1:Ne); % Signal sub-eigenspace matrix
phph = 0:359; % Whole coverage of azimuth angle
for i=1:length(phph) % To construct the spatial spectra
phi_rad = phph(i)*pi/180; a_phi = a(phi_rad,pi/2);
Ps(i)=real(a_phi'*S*S'*a_phi); % Eq.(P1.27.6)
Pn(i)=1/real(a_phi'*N*N'*a_phi); % Eq.(P1.27.7)
end
spsm = max(Ps); spnm = max(Pn);
subplot(221), plot(phph,Ps) % plot the spatial spectrum based on S
subplot(222), plot(phph,Pn) % plot the spatial spectrum based on N
[lmaxima,indices] = localmax(Pn,[],false); % Find the local maxima
ph_est = phph(indices) % Estimates of azimuth angles
%try_beamforming.m
for m=1:Ns % NexNs steering matrix with DoA estimates
Ae(:,m) = a(ph_est(m)*pi/180,pi/2); % Eq.(P1.27.8)
end
%try_beamforming.m
for m=1:Ns % NexNs steering matrix with DoA estimates
Ae(:,m) = a(ph_est(m)*pi/180,pi/2); % Eq.(P1.27.8)
end
W = pinv(Ae); % (Ae'*Ae)^-1*Ae' : NsxNe beamformer gain matrix
sh = real(W*y); % Eq.(P1.27.8): Beamformed signal
nn=[0:Nd-1]; % Time vector
subplot(223), plot(nn,s(1,:), nn,sh(1,:),'r:')
legend('Received signal s1','Beamformed signal s1')
subplot(224), plot(nn,s(2,:), nn,sh(2,:),'r:')
legend('Received signal s2','Beamformed signal s2')
2.8 Curl

Tentukan Divergence ce dan curl dari vektor berikut:

𝐹𝐴 (𝑥, 𝑦) = 𝑥 𝒖𝒙 + 𝑦 𝒖𝒚 = 𝜌(cos 𝜙 𝒖𝒙 + sin 𝜙 𝒖𝒚 ) = 𝜌 𝒖𝝆

𝑥 𝑦
𝐹𝐵 (𝑥, 𝑦) = 𝒖𝒙 + 𝒖𝒚
√𝑥2 + 𝑦2 √𝑥2 + 𝑦2

𝑥 𝑦
𝐹𝑐 (𝑥, 𝑦) = 𝒖 𝒙 + 𝒖
𝑥2 + 𝑦2 𝑥2 + 𝑦2 𝒚

Jawab:

𝐹𝐴 (𝑥, 𝑦) = 𝑥 𝒖𝒙 + 𝑦 𝒖𝒚 = 𝜌(cos 𝜙 𝒖𝒙 + sin 𝜙 𝒖𝒚 ) = 𝜌 𝒖𝝆

Divergence FA

𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐴 = +
𝜕𝑥 𝜕𝑦

𝜕𝑥 𝜕𝑦
= +
𝜕𝑥 𝜕𝑦

= 1+ 1

=2

Menggunakan cylindrical coordinate system:

1 𝜕(𝜌𝐹𝜌 ) 1 𝜕𝐹𝜙 𝜕𝐹𝑧

∇ ∙ 𝐹𝐴 = + +
𝜌 𝜕𝜌 𝜌 𝜕𝜙 𝜕𝑍

1 𝜕 (𝜌𝜌)
= +0+0
𝜌 𝜕𝜌

1 𝜕 ( 𝜌2 )
=
𝜌 𝜕𝜌

1
= 2𝜌
𝜌

=2
Curl FA

𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥 𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥

∇ × 𝐹𝐴 = ( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦

𝜕0 𝜕 𝑦 𝜕 𝑥 𝜕0 𝜕𝑦 𝜕𝑥
=( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦

= 0 𝒖𝒙 + 0 𝒖𝒚 + 0 𝒖𝒛

=0

Menggunakan cylindrical coordinate system:

1 𝜕𝐹𝑧 𝜕𝐹𝜙 𝜕𝐹𝜌 𝜕𝐹𝑧 1 𝜕(𝜌𝐹𝜙 ) 𝜕𝐹𝜌

∇ × 𝐹𝐴 = ( − ) 𝒖𝝆 + ( − ) 𝒖𝝓 + ( − ) 𝒖𝒛
𝜌 𝜕𝜙 𝜕𝑧 𝜕𝑧 𝜕𝜌 𝜌 𝜕𝜌 𝜕𝜙

1 𝜕0 𝜕0 𝜕𝜌 𝜕0 1 𝜕(𝜌0) 𝜕𝜌
=( − ) 𝒖𝝆 + ( − ) 𝒖𝝓 + ( − ) 𝒖𝒛
𝜌 𝜕𝜙 𝜕𝑧 𝜕𝑧 𝜕𝜌 𝜌 𝜕𝜌 𝜕𝜙

= 0 𝒖𝝆 + 0 𝒖𝝓 + 0 𝒖𝒛

=0

𝑥 𝑦
𝐹𝐵 (𝑥, 𝑦) = 𝒖𝒙 + 𝒖𝒚
√𝑥2 + 𝑦2 √𝑥2 + 𝑦2

Divergence FB

𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐵 = +
𝜕𝑥 𝜕𝑦

𝜕 𝑥(𝑥 2 + 𝑦 2 )−1/2 𝜕 𝑦(𝑥 2 + 𝑦 2 )−1/2

= +
𝜕𝑥 𝜕𝑦

1 𝑦2 1 𝑥2
= 2 − + 2 −
(𝑥 + 𝑦 2 )1/2 𝑥 2 + 𝑦 2 (𝑥 2 + 𝑦 2 )1/2 (𝑥 + 𝑦 2 )1/2 𝑥 2 + 𝑦 2 (𝑥 2 + 𝑦 2 )1/2

2(𝑥 2 + 𝑦 2 )1/2 − 𝑥 2 (𝑥 2 + 𝑦 2 )−1/2 − 𝑦 2 (𝑥 2 + 𝑦 2 )−1/2

=
𝑥2 + 𝑦2

𝑥2 𝑦2
2(𝑥 2 + 𝑦 2 )1/2 − −
(𝑥 2 + 𝑦 2 )1/2 (𝑥 2 + 𝑦 2 )1/2
=
𝑥2 + 𝑦2
 𝑥2 + 𝑦2
( 2 )
(𝑥 + 𝑦 2 )1/2
=
𝑥2 + 𝑦2

1
=
(𝑥 2 + 𝑦 2 )1/2

Curl FB

𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥 𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥

∇ × 𝐹𝐵 = ( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦

𝜕0 𝜕 𝑦(𝑥 2 + 𝑦 2 )−1/2 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1/2 𝜕0

=( − ) 𝒖𝒙 + ( − ) 𝒖𝒚
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥
𝜕 𝑦(𝑥 2 + 𝑦 2 )−1/2 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1/2
+( − ) 𝒖𝒛
𝜕𝑥 𝜕𝑦

−𝑥𝑦(𝑥 2 + 𝑦 2 )−1/2 + 𝑥𝑦(𝑥 2 + 𝑦 2 )−1/2

= 0 𝒖𝒙 + 0 𝒖𝒚 + 𝒖𝒛
𝑥2 + 𝑦2

0
= 0 𝒖𝒙 + 0 𝒖𝒚 + 𝒖
𝑥2 + 𝑦2 𝒛

= 0 𝒖𝒙 + 0 𝒖𝒚 + 0 𝒖𝒛

=0

𝑥 𝑦
𝐹𝑐 (𝑥, 𝑦) = 𝒖 𝒙 + 𝒖
𝑥2 + 𝑦2 𝑥2 + 𝑦2 𝒚

Divergence FC

𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐶 = +
𝜕𝑥 𝜕𝑦

𝜕 𝑥(𝑥 2 + 𝑦 2 )−1 𝜕 𝑦(𝑥 2 + 𝑦 2 )−1

= +
𝜕𝑥 𝜕𝑦

−𝑥 2 + 𝑦 2 𝑥2 − 𝑦2
= +
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2

−𝑥 2 + 𝑦 2 + 𝑥 2 − 𝑦 2
=
(𝑥 2 + 𝑦 2 )2

0
=
(𝑥 2 + 𝑦 2 )2

=0
Curl FC

𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥 𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥

∇ × 𝐹𝐶 = ( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦

𝜕0 𝜕 𝑦(𝑥 2 + 𝑦 2 )−1 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1 𝜕0

=( − ) 𝒖𝒙 + ( − ) 𝒖𝒚
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥
𝜕 𝑦(𝑥 2 + 𝑦 2 )−1 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1
+( − ) 𝒖𝒛
𝜕𝑥 𝜕𝑦

−2𝑥𝑦 −2𝑥𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( − )𝒖
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2 𝒛

−2𝑥𝑦 2𝑥𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( + 2 )𝒖
(𝑥 2 2
+𝑦 ) 2 (𝑥 + 𝑦 2 )2 𝒛

−2𝑥𝑦 + 2𝑥𝑦
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( ) 𝒖𝒛
(𝑥 2 + 𝑦 2 )2

0
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( )𝒖
(𝑥 2 + 𝑦 2 )2 𝒛

= 0 𝒖𝒙 + 0 𝒖𝒚 + 0 𝒖𝒛

=0
2.9 Divergence ce ce dan Curl

Tentukan Divergence ce dan curl dari vektor berikut:

𝐹𝐴 (𝑥, 𝑦) = −𝑦 𝒖𝒙 + 𝑥 𝒖𝒚 = 𝜌(− sin 𝜙 𝒖𝒙 + cos 𝜙 𝒖𝒚 ) = 𝜌 𝒖𝝓

−𝑦 𝑥
𝐹𝐵 (𝑥, 𝑦) = 𝒖𝒙 + 𝒖𝒚
√𝑥2 + 𝑦2 √𝑥2 + 𝑦2

−𝑦 𝑥
𝐹𝑐 (𝑥, 𝑦) = 𝒖𝒙 + 2 𝒖
𝑥2
+𝑦 2 𝑥 + 𝑦2 𝒚

Jawab:

𝐹𝐴 (𝑥, 𝑦) = −𝑦 𝒖𝒙 + 𝑥 𝒖𝒚 = 𝜌(− sin 𝜙 𝒖𝒙 + cos 𝜙 𝒖𝒚 ) = 𝜌 𝒖𝝓

Divergence FA

𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐴 = +
𝜕𝑥 𝜕𝑦

𝜕(−𝑦) 𝜕 𝑥
= +
𝜕𝑥 𝜕𝑦

= 0+0

=0

Menggunakan cylindrical coordinate system:

1 𝜕(𝜌𝐹𝜌 ) 1 𝜕𝐹𝜙 𝜕𝐹𝑧

∇ ∙ 𝐹𝐴 = + +
𝜌 𝜕𝜌 𝜌 𝜕𝜙 𝜕𝑍

1 𝜕 (𝜌0) 1 𝜕𝜌
= + +0
𝜌 𝜕𝜌 𝜌 𝜕𝜙

=0 +0 +0

=0

Curl FA

𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥 𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥

∇ × 𝐹𝐴 = ( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦

𝜕0 𝜕 𝑦 𝜕 𝑥 𝜕0 𝜕𝑥 𝜕−𝑦
=( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦
 = 0 𝒖𝒙 + 0 𝒖𝒚 + (1 − (−1)) 𝒖𝒛

= 2 𝒖𝒛

Menggunakan cylindrical coordinate system:

1 𝜕𝐹𝑧 𝜕𝐹𝜙 𝜕𝐹𝜌 𝜕𝐹𝑧 1 𝜕(𝜌𝐹𝜙 ) 𝜕𝐹𝜌

∇ × 𝐹𝐴 = ( − ) 𝒖𝝆 + ( − ) 𝒖𝝓 + ( − ) 𝒖𝒛
𝜌 𝜕𝜙 𝜕𝑧 𝜕𝑧 𝜕𝜌 𝜌 𝜕𝜌 𝜕𝜙

1 𝜕0
𝜕𝜙 𝜕0 𝜕0 1 𝜕(𝜌2 ) 𝜕0
=( − ) 𝒖𝝆 + ( − ) 𝒖𝝓 + ( − ) 𝒖𝒛
𝜌 𝜕𝜙 𝜕𝑧 𝜕𝑧 𝜕𝜌 𝜌 𝜕𝜌 𝜕𝜙

1
= 0 𝒖𝝆 + 0 𝒖𝝓 + 2𝜌 𝒖𝒛
𝜌

= 2 𝒖𝒛

−𝑦 𝑥
𝐹𝐵 (𝑥, 𝑦) = 𝒖𝒙 + 𝒖𝒚
√𝑥2 + 𝑦2 √𝑥2 + 𝑦2

Divergence FB

𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐵 = +
𝜕𝑥 𝜕𝑦

𝜕 − 𝑦(𝑥 2 + 𝑦 2 )−1/2 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1/2

= +
𝜕𝑥 𝜕𝑦

𝑥𝑦(𝑥 2 + 𝑦 2 )1/2 𝑥𝑦(𝑥 2 + 𝑦 2 )1/2

= −
𝑥2 + 𝑦2 𝑥2 + 𝑦2

𝑥𝑦(𝑥 2 + 𝑦 2 )1/2 − 𝑥(𝑥 2 + 𝑦 2 )−1/2

=
𝑥2 + 𝑦2

0
=
𝑥2 + 𝑦2

=0

Curl FB

𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥 𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥

∇ × 𝐹𝐵 = ( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦
 𝜕0 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1/2 𝜕 − 𝑦(𝑥 2 + 𝑦 2 )−1/2 𝜕0
= ( − ) 𝒖𝒙 + ( − ) 𝒖𝒚
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥
𝜕 𝑥(𝑥 2 + 𝑦 2 )−1/2 𝜕 − 𝑦(𝑥 2 + 𝑦 2 )−1/2
+( − ) 𝒖𝒛
𝜕𝑥 𝜕𝑦
1 1 1 1
(𝑥 2 + 𝑦 2 )2 − 𝑥 2 (𝑥 2 + 𝑦 2 )−2 + (𝑥 2 + 𝑦 2 )2 − 𝑦 2 (𝑥 2 + 𝑦 2 )−2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( ) 𝒖𝒛
𝑥2 + 𝑦2

1 1 1
2(𝑥 2 + 𝑦 2 )2 − 𝑥 2 (𝑥 2 + 𝑦 2 )−2 − 𝑦 2 (𝑥 2 + 𝑦 2 )−2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( ) 𝒖𝒛
𝑥2 + 𝑦2

1 𝑥2 𝑦2
2(𝑥 2 + 𝑦 2 )2 − 1 − 1
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2
= 0 𝒖𝒙 + 0 𝒖𝒚 + 𝒖𝒛
𝑥2 + 𝑦2
( )

𝑥2 + 𝑦2
( 1)
(𝑥 2 + 𝑦 2 )2
= 0 𝒖𝒙 + 0 𝒖𝒚 + 𝒖𝒛
𝑥2 + 𝑦2

( )

1
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( 1 ) 𝒖𝒛
(𝑥 2 + 𝑦 2 )2

1
=( 1 ) 𝒖𝒛
2 2
(𝑥 + 𝑦 )2

−𝑦 𝑥
𝐹𝑐 (𝑥, 𝑦) = 𝒖𝒙 + 2 𝒖
𝑥2
+𝑦 2 𝑥 + 𝑦2 𝒚

Divergence FC

𝜕𝐹𝑥 𝜕𝐹𝑦
∇ ∙ 𝐹𝐶 = +
𝜕𝑥 𝜕𝑦

𝜕(−𝑦(𝑥 2 + 𝑦 2 )−1 ) 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1

= +
𝜕𝑥 𝜕𝑦
 2𝑥𝑦 −2𝑥𝑦
= + 2
(𝑥 2 +𝑦 )2 2 (𝑥 + 𝑦 2 )2

2𝑥𝑦 − 2𝑥𝑦
=
(𝑥 2 + 𝑦 2 )2

0
=
(𝑥 2 + 𝑦 2 )2

=0

Curl FC

𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥 𝜕𝐹𝑧 𝜕𝐹𝑦 𝜕𝐹𝑥

∇ × 𝐹𝐶 = ( − ) 𝒖𝒙 + ( − ) 𝒖𝒚 + ( − ) 𝒖𝒛
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥 𝜕𝑥 𝜕𝑦

𝜕0 𝜕 𝑦(𝑥 2 + 𝑦 2 )−1 𝜕 𝑥(𝑥 2 + 𝑦 2 )−1 𝜕0

=( − ) 𝒖𝒙 + ( − ) 𝒖𝒚
𝜕𝑦 𝜕𝑧 𝜕𝑧 𝜕𝑥
𝜕 𝑥(𝑥 2 + 𝑦 2 )−1 𝜕 𝑦(𝑥 2 + 𝑦 2 )−1
+( − ) 𝒖𝒛
𝜕𝑥 𝜕𝑦

−𝑥 2 + 𝑦 2 𝑥2 − 𝑦2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( − )𝒖
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2 𝒛

−𝑥 2 + 𝑦 2 −𝑥 2 + 𝑦 2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( + )𝒖
(𝑥 2 + 𝑦 2 )2 (𝑥 2 + 𝑦 2 )2 𝒛

−2𝑥 2 + 2𝑦 2
= 0 𝒖𝒙 + 0 𝒖𝒚 + ( 2 ) 𝒖𝒛
(𝑥 + 𝑦 2 )2

2 (−𝑥 2 + 𝑦 2 )
=( ) 𝒖𝒛
(𝑥 2 + 𝑦 2 )2
8.16 Integral Kompleks

Jawab :

a) Diketahui f(z) = z2

C1 = {ejt , t= 𝟎 ~ 𝝅}  z= ejt
. 𝜋
∫𝐶1 𝑓(𝑧) 𝑑𝑧 = ∫0 𝑧 2 (𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = 𝑗𝑒 𝑗𝑡
𝜋
= ∫ 𝑒 𝑗2𝑡 𝑗𝑒 𝑗𝑡 𝑑𝑡
0

1 𝑗3𝑡 𝜋
= 𝑒 |
3 0

𝑒 3𝑗𝜋 𝑒 3𝑗×0
= −
3 3

𝑒 3𝑗𝜋 − 1
=
3
C2 = {e-jt , t= 𝟎 ~ 𝝅} z = e-jt
. 𝜋 𝑗
∫𝐶2 𝑓(𝑧) 𝑑𝑧 = ∫0 𝑧 2 (𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = (− 𝑒 𝑗𝑡 )

𝜋
𝑗
= ∫ 𝑒 −𝑗2𝑡 (− ) 𝑑𝑡
0 𝑒 𝑗𝑡
 𝑒 −2 𝑗𝑡 − 𝑗 𝜋
= |
2 0

𝑒 −2𝑗𝜋−𝑗 𝑒 2𝑗𝑥0−𝑗
= −
2 2

1 − 𝑒 2𝜋𝑗
=
2𝑒 2𝜋𝑗+𝑗

b) Diketahui f(z) = z-1

C1 = {ejt , t= 𝟎 ~ 𝝅}  z = ejt
. 𝜋
∫𝐶1 𝑓(𝑧) 𝑑𝑧 = ∫0 𝑧 −1 (𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = 𝑗𝑒 𝑗𝑡
𝜋
= ∫ 𝑒 −1(𝑗𝑡) 𝑗𝑒 𝑗𝑡 𝑑𝑡
0

𝜋
= 𝑗𝑡 |
0
= 𝑗𝜋 − 𝑗 × 0

= 𝜋𝑗

C2 = {e-jt , t= 𝟎 ~ 𝝅} z = e-jt

. 𝜋 𝑗
∫𝐶2 𝑓(𝑧) 𝑑𝑧 = ∫0 𝑧 −1 (𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = (− 𝑒 𝑗𝑡 )

𝜋
𝑗
= ∫ 𝑒 −1(−𝑗𝑡) (− ) 𝑑𝑡
0 𝑒 𝑗𝑡
𝜋
𝑗
= ∫ 𝑒 𝑗𝑡 (− ) 𝑑𝑡
0 𝑒 𝑗𝑡
𝜋
= −𝑗𝑡 |
0
= −𝑗𝜋 − 0

= −𝜋𝑗

c) Diketahui f(z) = |z2 |

𝝅
C3 = {ejt , t= 𝝅 ~ }  z = ejt
𝟐
 . 𝜋/2
∫𝐶3 𝑓(𝑧) 𝑑𝑧 = ∫𝜋 |𝑧 2 |(𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = 𝑗𝑒 𝑗𝑡

𝜋/2
=∫ |𝑒 𝑗2𝑡 | 𝑗𝑒 𝑗𝑡 𝑑𝑡
𝜋

𝑒 3𝑗𝑡 𝜋
= |
3 𝜋/2
𝜋
𝑒 3𝑗𝜋 𝑒 3𝑗 2
= − (− )
3 3

3𝜋𝑗
𝑒 3𝜋𝑗 + 𝑒 2
=
3

𝑪𝟒 = {−𝟏 + (𝟏 + 𝒋)𝒕, 𝒕 = 𝟎~𝟏} → 𝒛 = {−𝟏 + (𝟏 + 𝒋)𝒕

. 1
∫𝐶4 𝑓(𝑧) 𝑑𝑧 = ∫0 |𝑧 2 |(𝑡) 𝑧 ′ (𝑡) 𝑑𝑡 𝑧 ′ (𝑡) = 1 + 𝑗

1
= ∫ {−1 + (1 + 𝑗)𝑡 (1 + 𝑗) 𝑑𝑡
0

𝑡 2 + 2𝑗𝑡 2 + 𝑗 2 𝑡 2 1
= (−𝑡 + − 𝑗𝑡) |
2 0

12 + 2𝑗12 + 𝑗 2 12 02 + 2𝑗02 + 𝑗 2 02
= (−1 + − 𝑗 × 1) − (−0 + − 𝑗 × 0)
2 2

−1 + 𝑗 2
=
2

d) Dari hasil yang diperoleh, dimana hasil dari batas C disetiap soal a, b, dan c nilainya berbeda,
maka dapat disimpulkan bahwa fungsinya adalah fungsi path- dependence.