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

Komang Tri Wahyuni; I Made Oka Widyantara; NMAE Dewi Wirastuti

doi:10.24843/MITE.2019.v18i02.P18

Komang Tri Wahyuni student
I Made Oka Widyantara Universitas Udayana
NMAE Dewi Wirastuti Universitas Udayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2019.v18i02.P18

Abstrak

Pada penelitian ini menggunakan data digital yang dibangkitkan secara random dalam seleksi ciri tipe modulasi. Adapun tipe modulasi yang digunakan adalah QPSK, 16QAM dan 64QAM. Pada proses ekstrasi ciri menggunakan pendekatan statistical feature set dengan metode Mean, Varian, Kurtosis dan Skewness, sedangkan seleksi ciri menggunakan Multi Class Support Vector Machine (SVM) dengan 5 kelas dalam klasifikasi diantaranya adalah (i) Bukan Fitur, (ii) Mean, (iii) Varian, (iv) Kurtosis dan (v) Skewness. Dalam mendeteksi tipe modulasi menggunakan Jaringan Syaraf Tiruan Backpropagation dengan proses pembelajaran menggunakan algoritma Conjugate Gradien Polak Ribiere. Dari hasil komparasi hasil pelatihan terhadap 401 data latih antara pembelajaran Conjugate Gradient Polak Ribiere dengan pembelajaran Gradient Discent adalah menggunakan Conjugate Gradient Polak Ribiere jauh lebih baik dengan nilai akurasi 86,20%, dan laju errornya 13,80% sedangkan pada pembelajaran dengan Conjugate Discent pada iterasi yang sama yaitu 781 tingkat akurasinya sebesar 67,83% dan laju errornya 32,17%. Dari hasil pengujian tersebut terdapat 4 kelompok fitur yang mampu mengenali tipe modulasi diantaranya adalah (i) Mean, Varian, Kurtosis, (ii) Mean, Varian, Skewness, (iii) Varian, Kurtosis, Skewnes dan (iv) Mean, Kurtosis, Skewness.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] A. Y. Al Bayati, N. A. Sulaiman, G. W. Sadiq, “A Modified Conjugate Gradient Formula for Back Propagation Neural Network Algorithm,” vol. 5, no. 11, pp. 849–856, 2009.
[2] Afif Dias Pambudi, Suhartono T, Heroe Wijanto, “Deteksi Automatis Skema Modulasi Sinyal OFDM Menggunakan Ciri Statistik dan Klasifikasi PSO”, Jurnal ELKOMIKA, 2015.
[3] Azminuddin I.S Azis, Vincent Suharto, H.Himawan,”Model Multi-Class SVM menggunakan strategi 1V1 Untuk Klasifikasi Wall-Following Robot Navigation Data”, Jurnal Teknologi Informasi, Volume 13 Nomor 2, 2017
[4] B. Gou and X. W. Huang, “SVM multi-class classification [J],” Journal of Southern Yangtze University, Vol. 21, pp. 334–339, September 2006.
[5] Christian Dwi Suhendra, Retantyo Wardoyo,”Penentu Arsitektur Jaringan Syaraf Tiruan Backpropagation (Bobot Awal dan Bias Awal) Menggunakan Algoritma Genetika”. IJCC Vol.9, No.1., 2015
[6] Dickie Z.H, Heroe Wijanto, Afief Dias P, “Analisis Deteksi Skema Modulasi Digital Single Carrier Dan Multi Carrier Pada Kanal Fading Dan AWGN”, e-Proceeding of Enginering: Vol.1,No.1, 2014
[7] H. Mustafa and M. Doroslovacki, “Digital modulation recognition using support vector machine classifier [C],” Proceedings of The Thirty-Eighth Asilomar Conference on Signals, Systems & Computers, 2004.
[8] K. Nandi and E. E. Azzouz, “Automatic modulation recognition [J],” Signal Processing, Vol. 46, No. 2, pp. 211– 222, 1995.
[9] M.H Valipour, M.Mehdi, “Automatic Digital Modulation Recognition in Presentace of Noise Using SVM and PSO ”, 6’th International Symposium on Telecommunication (IST 2012),2012,
[10] M. Cilimkovic, “Neural Networks and Back Propagation Algorithm,” Fett.Tu-Sofia.Bg, 2010
[11] R.R Kharhe, Jyoti P.Bari, Neha M, “Automatic Modulation Recognition for digital Communication Signal”, Proceedings Of International Conference On Modeling And Simulation In Engineering & Technology (ICMSET-2014), 2014.
[12] Sahyar, “Algoritma & Pemrograman Menggunakan MATLAB (Matrix Laboratory)”, Kencana, Jakarta, 2016.
[13] Utari N.Wisesty, Adiwijaya, Tjokorda Agung B.W, “Algoritma Conjugate Gradient Polak Ribiere Untuk Meningkatkan Performasi Backpropagation Pada Sistem Prediksi Temperatur Udara”, Jurnal Penelitian dan Pengembangan Telekomunikasi Vol.15, 2010.
[14] Wahyu Setiawan, Kusworo Adi, Aris Sugiharto, “Sistem Deteksi Retinopati Diabetik Menggunakan Support Vector Machine”, http://ejournal.undip.ac.id/index.php/jsinbis, 2012.
[15] W. C. Han, H. Han, L. N. Wu, et al., “A 1-dimension structure adaptive self-organizing neural network for QAM signal classification [C],” Third International Conference on Natural Computation (ICNC 2007), HaiKou, August 24–27, 2007.
[16] X. Z. Feng, J. Yang, F. L. Luo, J. Y. Chen, and X. P. Zhong, “Automatic modulation recognition by support vector machines using wavelet kernel [J],” Journal of Physics, International Symposium on Instrumentation Science and Technology, pp. 1264–1267, 2006.
[17] Z. L. Wu, X. X. Wang, Z. Z. Gao, and G. H. Ren, “Automatic digital modulation recognition based on support vector machine [C],” IEEE Conference on Neural Networks and Brain, pp. 1025–1028, 2005.