digilib@itb.ac.id +62 812 2508 8800

PROTOTIPE MODULATION CLASSIFIERBERBASIS MACHINE LEARNINGMENGGUNAKAN SOFTWARE DEFINED RADIO

Penulis : Farras Eldy Rashad [18117007]
Kontributor / Dosen Pembimbing :
  • Effrina Yanti Hamid, S.T., M.T., Ph.D.
Jenis Koleksi : Tugas Akhir
Penerbit : Teknik Telekomunikasi
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : AMC, SDR, ML, Sinkronisasi
Sumber :
Staf Input/Edit : karya  
File : 12 file
Tanggal Input : 17 Jun 2021

Cover
PUBLIC karya
Abstrak dan Abstract
PUBLIC karya
Kata Pengantar
PUBLIC karya
Lembar Pengesahan
Terbatas karya
» ITB
BAB I
Terbatas karya
» ITB
BAB II
Terbatas karya
» ITB
BAB III
Terbatas karya
» ITB
BAB IV
Terbatas karya
» ITB
BAB V
Terbatas karya
» ITB
BAB VI
Terbatas karya
» ITB
Daftar Pustaka
PUBLIC karya
Lampiran
Terbatas karya
» ITB

Dalam sistem komunikasi modern, penerima nirkabel dengan kemampuan klasifikasi modulasi otomatis memiliki potensi aplikasi yang sangat luas. Dengan menggabungkannya dengan machine learning (ML), performa klasifikasi otomatis dapat ditingkatkan. Untuk mengimplementasikan kedua konsep tersebut, diperlukan suatu wadah yang fleksibel, disinilah peran Software defined Radio (SDR). Sifat ML yang terus meningkatkan performa klasifikasi melalui proses training akan sangat menguntungkan dengan penggunaan SDR. Pada proyek ini diimplementasikan gabungan ketiga konsep tersebut untuk sistem SDR ADALMPLUTO. Untuk sistem yang dikembangkan, jenis modulasi hanya terbatas untuk BPSK, QPSK, 8-PSK, 16-QAM, dan 8-PAM. Untuk melakukan klasifikasi diperlukan fitur yang dapat membedakan satu modulasi dan lainnya, sehingga dipilih 6 fitur berbasis spektral, statistik orde tinggi, dan transformasi wavelet. Untuk memitigasi pengaruh pergeseran fasa dan frekuensi akibat kanal transmisi, ekstraksi fitur dilakukan setelah tahap sinkronisasi. Prototipe penerima ini dilengkapi kemampuan sinkronisasi modulasi QAM, sehingga dapat disebut penerima QAM. Dengan model klasifikasi yang dihasilkan algoritma Support Vector Machine (SVM), dihasilkan prototipe penerima QAM dengan akurasi klasifikasi 91.4%. Model klasifikasi direalisasikan dengan menggunakan SDR ADALM-PLUTO.

Artikel Terkait