Perpustakaan Digital ITB

Penginderaan/pencuplikan kompresif merupakan paradigma baru dalam bidang pengolahan sinyal yang telah banyak diterapkan pada berbagai aplikasi seperti pada pemampatan sinyal video dan audio, estimasi arah kedatangan sinyal pada radar, deteksi radar cuaca, pemodelan trafik telekomunikasi, dan lain-lain. Teorema ini memanfaatkan kejarangan sinyal pada kawasan transformasi sehingga dapat mengurangi jumlah sampel pencuplikan di bawah laju pencuplikan Shannon-Nyquist. Pada penelitian ini, teknik penginderaan kompresif diaplikasikan untuk rekonstruksi matrik trafik (MT) di jaringan internet, dengan tujuan efisiensi kapasitas penyimpanan. Di samping itu, juga bermanfaat untuk pemantauan trafik di jaringan, memprediksi jalur sensitif, dan memprediksi kejadian anomali. MT merupakan representasi trafik yang mengalir antar ruter di jaringan pada waktu pengamatan tertentu. Eksplorasi kejarangan pada MT ini dilakukan dengan membandingkan teknik penjarang yang terdiri dari Principal Component Analysis (PCA), Singular Value Decomposition (SVD), dan Singular Value Decomposition Mean (SVDM). Pada data trafik internet, besar konsentrasi energi setelah transformasi dinyatakan sebagai rank. Penelitian ini menggunakan rank sebagai parameter untuk menyatakan kejarangan informasi pada kawasan jarang. Hasil pengujian pada penggunaan rank menentukan bahwa teknik SVD paling tepat digunakan untuk memperoleh kejarangan pada data trafik. Pada kondisi trafik normal, batas minimal rank untuk rekonstruksi dengan target NMSE kurang dari 0.2 adalah 10%. Sedangkan pada trafik yang dihilangkan secara acak, batas minimal rank adalah 60%. Skema akuisisi diperoleh dari percobaan delapan matrik pengukuran yang dihasilkan secara acak menggunakan distribusi Uniform, Normal, Binary, Half-normal, Log-normal, Binomial, Poisson, dan Exponential. Pada simulasi, digunakan matrik pengukuran berukuran ????×????, dengan pengujian untuk jumlah pengukuran yang berbeda dan ????