Deteksi Tipe Modulasi Digital Pada Automatic Modulation Recognition Menggunakan Support Vector Machine dan Conjugate Gradient Polak Ribiere-Backpropagation

Abstract

The rapid development of wireless technology is currently inseparable from the continued development of flexible platform designs, one of which is being able to classify the modulation scheme of the detected signal. In the discussion related to the AMR system continues to be developed. In this paper a simulation of a digital modulation type detection system is carried out with a QPSK, 16-QAM and 64-QAM modulation scheme. The data used in this simulation is Non Return to Zero (NRZ) unipolar with a 0 volt and 1 volt amplitude. This randomly generated data is simulated through a fading canal extracted to obtain characteristic signal using statistical approach. These characteristic will be selected to determine the best characteristic using the Multi Class Support Vector Machine (SVM) method. From the results of this simulation in the introduction of the modulation type scheme using the Conjugate Gradient Polak Ribiere-Backpropagation method able to classify the modulation type with learning efficiency much better after comparison with the Gradient Discent method, this is indicated by the regression value on Conjugate Gradient Polak Ribiere > regression value on Gradient Discent. Intisari— Pesatnya perkembangan teknologi nirkabel saat ini tidak lepas dari terus dikembangkannya sebuah desain platform yang fleksibel salah satunya adalah mampu melakukan klasifikasi skema modulasi dari sinyal terdeteksi. Dewasa ini pembahasan terkait dengan sistem AMR terus dikembangkan. Pada Paper ini dilakukan simulasi sistem deteksi tipe modulasi digital dengan skema modulasi QPSK, 16-QAM dan 64-QAM. Data yang digunakan dalam simulasi ini adalah data Non Return to Zero (NRZ) unipolar dengan amplitudo 0 volt dan 1 volt. Data yang yang dibangkitkan secara random ini disimulasikan melewati kanal fading yang kemudian diekstrasi untuk mendapatkan karakteristik sinyal dengan menggunakan pendekatan statistik. karakteristik inilah yang kemudian akan di seleksi untuk menentukan karakteristik terbaik dengan metode Multi Class Support Vector Machine (SVM). Dari hasil simulasi ini dalam pengenalan skema tipe modulasi dengan menggunakan metode Conjugate Gradient Polak Ribiere-Backpropagation mampu melakukan klasifikasi tipe modulasi dengan efisiensi pembelajaran jauh lebih baik setelah dilakukan komparasi dengan metode Gradient Discent, hal ini ditunjukkan dengan nilai regresi pada Conjugate Gradient Polak Ribiere > dari nilai regresi pada Gradient Discent. Kata Kunci— Non Return to Zero, Statistik, Multi Class Support Vector Machine, Backpropagation, Conjugate Gradient Polak Ribiere, Gradient Discent I. PENDAHULUAN Membahas tentang perkembangan teknologi komunikasi saat ini khususnya dalam komunikasi nirkabel, maka perlu dibahas pula proses transmisi data dari transmitter (pengirim) ke receiver (penerima) hingga informasi dapat diterima dengan baik. Kondisi ini membutuhkan suatu desain yang ideal dengan platform yang fleksibel dengan user interface tunggal untuk prototype standar nirkabel yang berbeda-beda. Hal inilah yang mendasari adanya konsep radio yang didefinisikan sebagai software, yaitu Software Defined Radio (SDR). Dengan menerapkan fungsi-fungsi yang ada dalam software maka receiver yang digunakan pada system tersebut akan mampu menerima semua skema modulasi tanpa harus merubah perangkat fisiknya. Inilah solusi yang potensial untuk jaringan yang fleksibel, dinamis dan rendahnya biaya operasional. Automatic Modulation Recognition (AMR) yang merupakan bagian dari SDR ini dibagi menjadi dua blok yaitu blok sinyal dan blok klasifikasi. Pada blok prosesing mencakup tentang estimasi power sinyal, SNR, real time, frekuensi, dll sedangkan blok klasifikasi algoritma menyesuaikan dengan akurasi sinyal prosesing sebelumnya, tergantung pada kompleksitas AMR yaitu real time atau off-line [1]. Dewasa ini mulai berkembang penelitian yang terkait tentang AMR. Algoritma Support Vector Machine (SVM) dengan konfigurasi kernel dengan menggunakan Particale Swarm Optimation (PSO) merupakan salah metode yang baik digunakan dalam klasifikasi tipe modulasi dengan skema modulasi FSK, PSK, ASK dan QAM. Adapun ekstrasi ciri yang digunakan dalam penelitian tersebuta adalah spectral, statistik dan wavelet, metode yang di gunakan ini tahan terhadap niose dengan menggunakan data SNR yang rendah [2]. Penelitian serupa juga telah dilakukan dengan menggunakan skema modulasi QPSK, 16-QAM dan 64-QAM yang melewati kanal Fanding dan AWGN, sedangkan untuk ekstrasi ciri modulasi hanya menggunakan statistik juga mampu menghasilkan tingkat akurasi klasifikasi yang baik [3]. Backpropagation juga memiliki kemampuan yang baik dalam mengklasifikasi tipe modulasi dengan menggunakan seleksi ciri sinyal termodulasi dengan menggunakan Algoritma Genetika dan ekstrasi ciri memanfaatkan spectral dan statistik, sedangkan skema modulasi yang digunakan adalah QPSK, 16QAM dan 64-QAM [4]. Berdasarkan paparan diatas, maka dalam paper ini menggunakan metode Conjugate Gradient Polak RibiereBackpropagation dalam klasifikasi tipe modulasi dengan Support Vector Machine pada seleksi ciri dan Statistik pada ekstrasi ciri. Mahasiswa, Magister Teknik Elektro, Program Pasca Sarjana Universitas Udayana (e-mail: [email protected]) 2, 3 Staff pengajar Magister Teknik Elektro, Program Pasca Sarjana Universitas Udayana, Jl. PB.Sudirman Denpasar (telp: 0361-703315; fax: ); e-mail: [email protected] [email protected] 282 Majalah Ilmiah Teknologi Elektro, Vol.18 No.2, Mei-Agustus 2019 ISSN 1693-2951... Ni Luh Komang Tri Wahyuni M.U: Deteksi Tipe Modulasi Digital .... II. LANDASAN TEORI Deteksi tipe modulasi pada AMR yang menggunakan Support Vector Machine dan Conjugate Gradient Polak Ribiere-Backpropagation pada paper ini paparkan dalam kerangka kerja sebagai berikut: Gambar 1: Gambar Kerangka Penelitian Pada kerangka diatas tahap Generate Information diatas sinyal yang di bangkitkan secara random yang kemudian akan termodulasi oleh skema modulasi QPSK, 16-QAM dan 64QAM. Sinyal termodulasi tersebut akan melewati kanal transmisi, dalam hal ini adalah menggunakan kanal fading. Sinyat termodulas tersebut kemuian dilakukan proses ekstrasi ciri (Feature Extraction) dengan menggunakan pendekatan statistik (Statistical Feature Set) dan Seleksi ciri untuk mendapatkan fitur terbaik dengan menggunakan Support Vector Machine (SVM). Untuk menentukan tipe modulasi yang sesuai pada skema modulasi, maka pada klasifikasi menggunakan Backpropagation. A. Ekstrasi Ciri (Statistical Feature Set) Ekstrasi ciri merupakan suatu proses mendapatkan karakteristik/ciri dari sinyal. Dalam mendapatkan nilai ciri dari sinyal termodulasi tersebut menggunakan pendekatan statistik (statistical featur set) dengan empat metode diantaranya adalah sebagai berikut: 1) Mean : Mean merupakan nilai rata-rata dari beberapa data yang diperoleh dengan rumus sebagai berikut: