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 ???????. Parameter pengujian dinyatakan dalam rasio kompresi minimal, yaitu 1 dengan kesalahan terkecil. Hasil simulasi menunjukkan bahwa matrik pengukuran dengan distribusi Normal menghasilkan kesalahan terkecil terhadap hasil rekonstruksi.
Algoritma rekonstruksi pada skema penginderaan kompresif terdiri dari dua skema besar, yaitu
Basis Pursuit (BP) yang memenuhi minimal norma orde-1 (l1-norm) dan greedy. Algoritma
berbasis l1-norm memperoleh perhatian yang cukup besar di kalangan peneliti karena
menghasilkan akurasi hasil rekonstruksi yang baik, akan tetapi algoritma ini memiliki
kekurangan karena komputasi yang cukup berat. Algoritma greedy unggul dalam hal kecepatan
komputasi dengan kekurangan pada hasil rekonstruksi. Pada penelitian ini digunakan algoritma
rekonstruksi SVD????1, Iteratively Reweighted Least Square (IRLS), dan Orthogonal Matching
Pursuit (OMP).
Fokus pada penelitian ini adalah menyusun pemodelan penginderaan kompresif untuk
rekonstruksi MT pada jaringan internet yang direpresentasikan secara spasial dan temporal.
Kejarangan MT diperoleh dari dekomposisi SVD. Penggunaan matrik pengukuran dihasilkan
secara acak dari distribusi Normal. Pengujian jumlah pengukuran dilakukan untuk mengetahui
jumlah sampel minimal sehingga menghasilkan matrik rekonstruksi dengan kesalahan < 20%.
Pengujian keberhasilan rekonstruksi dilakukan dengan menghilangkan elemen pada MT secara
acak dengan probabilitas nilai hilang sebesar 2%-98%. Selain itu, dikembangkan pula
pemodelan penginderaan kompresif dengan skema vektor jarang dan matrik jarang yang
diterapkan pada algoritma rekonstruksi SVD????1, IRLS, dan OMPO serta EDMIN. Perbaikan
untuk meningkatkan kinerja algoritma rekonstruksi OMP dilakukan dengan penambahan
interpolasi teroptimasi untuk mengatasi permasalahan nilai nol pada hasil rekonstruksi. Serta
algoritma rekonstruksi baru, yaitu EDMIN. Di samping itu, peningkatan kinerja juga dilakukan
setelah rekonstruksi SVD, yaitu dengan penambahan interpolasi Bilinear. Hasil simulasi
menunjukkan bahwa model yang diusulkan dapat meningkatkan akurasi dengan menurunkan
NMSE, mengatasi permasalahan trafik hilang dengan enam tipe, yaitu missing row elements
(MRE), missing column elements (MCE), missing rows at random (MRR), missing columns at
random (MCR), missing elements at random (MER), dan combine missing patterns (CMP),
menentukan lokasi link sensitif, dan mendeteksi waktu sensitif.