klasifikasi tipe modulasi menggunakan metoda …...klasifikasi tipe modulasi menggunakan metoda...
TRANSCRIPT
KLASIFIKASI TIPE MODULASI MENGGUNAKAN METODA DETEKSI SELUBUNGKOMPLEKS DAN PARAMETER STATISTIK
Desti Madya Saputri¹, Heroe Wijanto², Iwan Iwut Tirtoasmoro³
¹Magister Elektro Komunikasi, Fakultas Teknik Elektro, Universitas Telkom
AbstrakRekognisi skema modulasi adalah suatu sub-sistem pada perangkat receiver radio yangmemerlukan kemampuan untuk mengidentifikasi sinyal radio, yaitu dengan tugas pokokmelakukan rekognisi skema modulasi dari sinyal yang datang. Dengan lebih menerapkan fungsi-fungsi yang ada di dalam software dibandingkan dengan pendekatan hardware secara tradisional,sistem radio akan menawarkan solusi potensial untuk interoperabilitas, jaringan yang fleksibeldan dinamis serta pengurangan biaya operasi.
Rekognisi modulasi harus mampu melakukan klasifikasi dengan benar tentang skema modulasiyang diterimanya, termasuk pada kondisi sinyal terganggu. Permasalahan yang menjadi perhatiandan pengembangan sistem rekognisi modulasi terutama dalam hal bagaimana meningkatkanakurasi rekognisi. Algoritma pendeteksian skema modulasi digital yang digunakan padapenelitian ini merupakan gabungan antara metoda Transformasi Complex Shannon Wavelet danmetoda statistik pada bagian ekstrasi ciri dan pada bagian keputusan menggunakan tree diagramberdasarkan pada nilai threshold optimum. Sinyal termodulasi digital yang akan dideteksi adalahQPSK, 16QAM dan 64QAM. Sinyal multicarrier yang akan dideteksi adalah OFDM. Metodakorelasi digunakan untuk mengestimasi parameter OFDM yaitu panjang durasi satu simbol OFDMdan panjang cyclic prefix.
Hasil penelitian menunjukkan kinerja theoritic decision menggunakan kombinasi thresholdoptimum Th1 mean, Th4 variansi dan Th5 skewness merupakan theoritic decision terbaik untukmendeteksi semua skema modulasi digital, terutama untuk mendeteksi skema modulasi QPSKyaitu dengan akurasi hasil deteksi 100 %. Untuk skema modulasi 16QAM dan 64QAM, theoriticdecision ini memperoleh akurasi hasil deteksi maksimumnya masing-masing hanya mencapai ±90 %. Untuk parameter sinyal OFDM, metoda autokorelasi dapat mendeteksi durasi satu simbolOFDM dengan akurasi 100% mulai dari SNR 0dB. Sedangkan untuk mendeteksi panjang cyclicprefix mencapai 100% mulai dari SNR 18dB.
Kata Kunci : Deteksi Skema Modulasi, Deteksi Selubung Kompleks, Metoda Statistik, TreeDiagram, Korelasi.
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
AbstractModulation Recognition is a sub-system on the radio receiver device which requires the ability toidentify radio signals. It is important because the basic function of signal modulation schemesrecognition is to recognize the coming signal modulation schemes. By applying a software thatare able to work better than the traditional hardware, radio technology offers potential solutionfor interoperability, flexible and dynamic network, and reducing operational cost.
Modulation recognition should be able to classify the modulation scheme of the received signalcorrectly, even in the condition of disturbance channel. The issue in this study are how to developthe modulation recognition system so that its recognition accuracy improves The algorithm ofdigital modulations scheme’s detection used in this project was a combination of ComplexShannon Wavelet Transformation and Statistical Method of feature extraction. The Decision partused theoretic decision (tree diagram) based on optimum threshold value. The modulated digitalswhich were detected were QPSKs, 16QAM and 64QAM. The multicarrier signal which was detectedwas OFDM. The algorithm of multicarrier detection used in this project was a correlation method.This method was also used to estimate the symbol length and cyclic prefix length.
The results of the study showed that theoretic decision’s performance using combination ofoptimum threshold Th1 mean, viii Th4 variance and Th5 skewness were the best theoritic decisionmodulation scheme because the level accuracy detection reached 100%. However for 16QAM and64QAM modulation scheme, this theoretic decision each had an accuracy detection up to ± 90 %.For multicarrier signal detection, autocorrelation method produced the best accurate detection toestimate the length of data of an OFDM symbol with the level of accuracy detection of 100%starting from minimum SNR 0 dB. Finally to estimate the cyclic prefix length, the correlationmethod was able to reach a maximum detection of 100 % on SNR 18 dB.
Keywords : Modulation Scheme detection, Complex Shannon Wavelet Transformation, StatisticalMethod, Theoritic decision (Tree Diagram), Correlation
Powered by TCPDF (www.tcpdf.org)
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
1. PENDAHULUAN
1.1 Latar Belakang
Salah satu yang menjadi fokus bahasan di Software Defined
Radio (SDR) adalah deteksi modulasi, karena nantinya receiver
yang digunakan pada sistem ini harus mampu menerima semua
skema modulasi tanpa harus merubah perangkat fisiknya.
Dengan lebih menerapkan fungsi-fungsi yang ada di dalam
software dibandingkan dengan pendekatan hardware secara
tradisional, sistem radio akan memberikan fleksibilitas yang
lebih besar. Fleksibilitas ini menawarkan solusi potensial untuk
interoperabilitas, jaringan yang fleksibel, dinamis dan
pengurangan biaya operasi. Dengan menggunakan hardware
yang telah diprogram, diharapkan sistem ini dapat beradaptasi
dengan berbagai macam perbedaan standar juga kemudahan
upgrade.
Automatic Modulation Recognition (AMR) merupakan
cara untuk mengenali sinyal modulasi yang digunakan. Dalam
AMR terdapat ekstrak ciri yang berfungsi mendapatkan
karakteristik dari tiap-tiap tipe modulasi yang digunakan. Setelah
proses ekstraksi ciri maka diteruskan pada bagian keputusan
untuk menentukan skema modulasi yang digunakan. Pada
penelitian ini algoritma pendeteksian skema modulasi digital
yang digunakan merupakan gabungan antara metoda
Transformasi Complex Shannon Wavelet dan metoda statistik
pada bagian ekstraksi ciri (feature extraction) dan pada bagian
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
2
keputusan (decision part) menggunakan theoritic decision (tree
diagram) berdasarkan pada nilai threshold optimum yang telah
diteliti oleh Radomir Pavlik
(Binary PSK/CPFSK and MSK
Bandpass Modulation Identifier Based on the Complex Shannon
Wavelet Transform, Military Technical Institute of Protection
Czech Republic, 2005)[9]
. Sinyal termodulasi digital yang akan
dideteksi adalah QPSK, 16QAM dan 64QAM. Sinyal
multicarrier yang akan dideteksi adalah OFDM. Metoda korelasi
digunakan untuk mengestimasi parameter OFDM yaitu panjang
durasi satu simbol OFDM dan panjang cyclic prefix.
1.2 Rumusan Masalah
Permasalahan yang diteliti adalah bagaimana bagian receiver
mampu mengenali skema modulasi yang digunakan pada
trasmitter tanpa adanya informasi mengenai penggunaan skema
modulasi tersebut, yang kemudian dirumuskan dalam :
1) Bagaimana pendefinisian model sistem pengklasifikasi
skema modulasi yang digunakan pada SDR (Software
Defined Radio).
2) Bagaimana merancang suatu algoritma pendeteksian
skema modulasi otomatis untuk diterapkan pada sistem
SDR (Software Defined Radio) dengan menggunakan
metoda Transformasi Complex Shannon Wavelet dan
metoda statistik pada bagian ekstraksi ciri (feature
extraction), sedangkan pada bagian keputusan (decision
part) menggunakan theoritic decision (tree diagram)
berdasarkan nilai threshold optimum.
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
3
3) Bagaimana performansi yang dihasilkan oleh algoritma
tersebut dalam mengenali skema modulasi.
4) Bagaimana perbandingan performansi yang dihasilkan
dari variasi parameter statistik yang berbeda-beda yang
digunakan theoritic decision (tree diagram) pada bagian
keputusan (decision part).
5) Bagaimana merancang suatu algoritma pendeteksian
parameter modulasi multicarrier (OFDM) dengan metoda
korelasi.
6) Bagaimana performansi yang dihasilkan oleh algoritma
tersebut untuk mendapatkan durasi satu simbol dan
panjang satu cyclic prefix.
1.3 Batasan Masalah
Batasan masalah yang digunakan pada Tesis ini adalah :
1) Tidak membahas bagian pre-processing dari receiver
seperti equalisasi dan down-converter.
2) Performansi algoritma yang diamati adalah modulation
error detection.
3) Perancangan algoritma pendeteksian skema modulasi
dengan menggunakan metoda Transformasi Complex
Shannon Wavelet dan metoda statistik untuk ekstrak ciri
(feature extraction), sedangkan pada bagian keputusan
(decision part) menggunakan theoritic decision (tree
diagram) berdasarkan pada nilai threshold optimum.
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
4
4) Pengujian bagian keputusan (decision part) hanya
menggunakan fungsi perbandingan berdasarkan nilai
threshold optimum menggunakan theoritic decision (tree
diagram).
5) Sinyal termodulasi digital yang diuji adalah modulasi
QPSK (Quadrature Phase Shift Keying), modulasi
16QAM (16 Quadrature Amplitude Modulation) dan
modulasi 64QAM (64 Quadrature Amplitude
Modulation).
6) Sinyal multicarrier yang diuji adalah OFDM (Orthogonal
Frequency Division Multiplexing).
7) Membahas estimasi parameter OFDM, yaitu durasi satu
simbol dan cyclic prefix yang digunakan.
8) Gangguan terhadap sinyal hanya berupa AWGN (Additive
White Gaussian Noise).
1.4 Tujuan
Tujuan penyusunan Tesis ini adalah :
1) Menganalisis performansi (tingkat akurasi) dalam
mengenali skema modulasi.
2) Membandingkan performansi yang dihasilkan dari variasi
parameter statistik yang digunakan theoritic decision (tree
diagram) pada bagian keputusan (decision part).
3) Dapat membedakan single/multicarrier modulation
dengan metoda autokorelasi.
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
5
4) Dapat menentukan parameter OFDM, yaitu durasi satu
simbol dan cyclic prefix yang digunakan kemudian
menganalisis performansinya
1.5 Metoda
Langkah-langkah yang ditempuh dalam menyelesaikan Tesis
ini adalah :
1) Study literatur
a. Mempelajari metoda deteksi skema modulasi,
mempelajari karakteristik modulasi digital, mempelajari
konsep Transformasi Wavelet (Complex Shannon
Wavelet), mempelajari probabilitas dan statistik dan
mempelajari konsep korelasi.
b. Diskusi dan bimbingan.
2) Pemodelan blok-blok diagram
Merancang algoritma pendeteksian skema modulasi dan
memodelkan ke dalam blok-blok diagram untuk memudahkan
penentuan titik pengujian.
3) Pengujian dan analisis
langkah ini terdiri dari :
a. Menguji dan menganalisis kemampuan metoda
Transformasi Complex Shannon Wavelet dan metoda
statistik dalam ekstrak ciri (feature extraction) dalam
mengenali skema modulasi.
b. Menganalisis serta menyimpulkan skema modulasi digital
yang dikenali menggunakan theoritic decision (tree
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
6
diagram) berdasarkan pada nilai threshold optimum dan
membuat tabel kebenaran.
c. Menguji dan menganalisis kemampuan metoda
autokorelasi dalam membedakan sinyal single carrier dan
multicarrier (OFDM).
d. Menguji dan menganalisis kemampuan metoda korelasi
dalam menentukan parameter OFDM, yaitu durasi satu
simbol dan panjang cyclic prefix.
4) Penyusunan laporan Tesis dan kesimpulan akhir.
Powered by TCPDF (www.tcpdf.org)
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
90
5. CONCLUSION AND SUGGESTION
5.1 Conclusion
This section is devoted to discuss the conclusions of this study
1. Statistical parameter type used in feature extraction process
had a great effect on the algorithm performance to detect the
modulation scheme.
2. Theoritic decision (tree diagram) with first order mean
statistical parameter was only suitable for detecting QPSK and
16QAM modulation scheme.
3. Theoritic decision (tree diagram) with second order variance
statistical parameter was only suitable for detecting QPSK
and 64QAM modulation scheme.
4. Theoritic decision (tree diagram) with third order skewness
statistical parameter only suitable for detecting QPSK and
64QAM modulation scheme.
5. Theoritic decision (tree diagram) with combination of
optimum threshold in first order statistical parameter mean
Th1, second order statistical parameter variance Th4, and
third order statistical parameter skewness Th5 was the best
theoritic decision for detecting all modulation scheme.
6. Autocorrelation method was suitable for symbol length
estimation.
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
91
5.2 Suggestion
This study was far from being perfect, it needs further study
for example:
1. The process to find a solution for cyclic prefix length
estimation.
2. The process to have the intended dynamic threshold.
Powered by TCPDF (www.tcpdf.org)
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
xxiii
DAFTAR PUSTAKA
[1] Chen, Qinqin. 2009. “Cognitive Gateway to Promote
Interoperability Coverage, and Throughput in
Heterogeneous Communication System “, Virginia
polytechnic Institute and State University, Virginia.
[2] E. E. Azzouz dan A. K. Nandi.(1996) Automatic
Modulation Recognition of Communication Signals,
Kluwer Academic Publishers.
[3] IEEE Standart 802.16TM
for local and metropolitan area
networks, Part 16, 2004: “Air Interface for Fixed
Broadband Wireless Access Systems”, LAN/MAN
Standards Committee.
[4] J.T. Tou and R.C. Gonzales. 1974. “Pattern Recognition
Principles”, Addision Wesley.
[5] Kanginan, Marthen. 2004. ”Matematika untuk SMA kelas II semester 1”, Grafindo Media Pratama, Indonesia.
Kanginan, Marthen. 2004. ”Matematika untuk SMA kelas
II semester 1”, Grafindo Media Pratama, Indonesia.
[6] Modul Praktikum Elektronika Komunikasi, Laboratorium Elektronika Komunikasi, Sekolah Tinggi Teknologi Telkom, Bandung.
Modul Praktikum Elektronika Komunikasi, Laboratorium
Elektronika Komunikasi, Sekolah Tinggi Teknologi
Telkom, Bandung.
[7] Nikhil, S Bathia. 2004. “A Physical Layer Implementation
of Reconfigurable Radio”, Master of Science Thesis,
Bradley Department of Electrical and Computer
Engineering Blacksburg, Virginia.
[8] Papoulis, Athanasios.1965. Probability, Random
Variables, and Stochastic Process Third Edition, Singpore:
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi
xxiv
McGraw-Hill International
[9] Pavlik, Radomir. 2005 ”Binary PSK/CPFSK and MSK
Bandpass Modulation Identifier Based on the Complex
Shannon Wavelet Transform”, Military Technical Institute
of Protection, Czech Republic.
[10] Rahmawan, Arief Purwa. 2008. “Simulasi Pendeteksi Tipe
Modulasi Digital Menggunakan Transformasi Wavelet
Pada Software Defined Radio (SDR)”, Institut Teknologi
Telkom, Bandung.
[11] Theodore S. Rappaport, “Wireless Communications”,
Prentice Hall, 2002.
[12] Wijanto, Heroe. 2011. Transformasi Data dan Ekstraksi Ciri
Statistik Orde Tinggi Untuk Rekognisi Modulasi Otomatik.
Institut Teknologi Bandung, Bandung.
[13] Wijanto, Heroe. Materi Kuliah Sistem Komunikasi,
Spektral Tersebar, Laboratorium Sistem Komunikasi,
Sekolah Tinggi Teknologi Telkom, Bandung.
Powered by TCPDF (www.tcpdf.org)
Tugas Akhir - 2012
Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi