Article Details

PRINCIPAL COMPONENT ANALYSIS UNTUK OPTIMASI MODEL KLASIFIKASI MODULASI BERBASIS ALGORITMA SUPPORT VECTOR MACHINE

Oleh   William Damario Lukito [23221018]
Kontributor / Dosen Pembimbing : Effrina Yanti Hamid, S.T., M.T., Ph.D.;
Jenis Koleksi : S2 - Tesis
Penerbit : STEI - Teknik Elektro
Fakultas : Sekolah Teknik Elektro dan Informatika (STEI)
Subjek :
Kata Kunci : PCA, AMC, SVM.
Sumber :
Staf Input/Edit : Didin Syafruddin Asa, S.Sos  
File : 1 file
Tanggal Input : 15 Jun 2022

ABSTRAK PRINCIPAL COMPONENT ANALYSIS UNTUK OPTIMASI MODEL KLASIFIKASI MODULASI BERBASIS ALGORITMA SUPPORT VECTOR MACHINE Oleh William Damario Lukito NIM: 23221018 (Program Studi Magister Teknik Elektro) Dalam pengembangan konsep sistem radio cerdas, klasifikasi modulasi otomatis (AMC) merupakan salah satu bagian yang penting dan menantang. Suatu model AMC harus akurat, memiliki tingkat akurasi yang konsisten pada berbagai kondisi kanal, efisien secara komputasi, serta mampu mengklasifikasikan sebanyak mungkin modulasi. Berbagai masalah dan tantangan muncul untuk kasus AMC, khususnya untuk klasifikasi modulasi interkelas dan intrakelas yang kompleks. Berbagai metode dan teknik klasifikasi modulasi juga telah dibawakan oleh para peneliti terdahulu. Akan tetapi, metode-metode tersebut hanya memiliki performa yang baik untuk klasifikasi interkelas atau intrakelas saja. Seiring berkembangnya teknologi, teknik klasifikasi menggunakan pembelajaran mesin sering digunakan untuk menyelesaikan kasus-kasus yang kompleks. Berdasarkan referensi, salah satu algoritma pembelajaran mesin yang menghasilkan performa yang baik adalah support vector machine (SVM). Namun, tantangan pada penggunaan algoritma pembelajaran mesin adalah pada penentuan prediktor masukan. Semakin banyak prediktor yang digunakan, maka kompleksitas komputasi meningkat, meskipun seharusnya membuat model semakin teliti. Sebanyak 21 fitur-fitur berbasis spektral, transformasi Wavelet, statistik orde tinggi, dan analisis siklostasioner yang digunakan dalam pool fitur Tesis ini, diseleksi untuk kanal AWGN dan Rayleigh fading. Selain seleksi fitur, untuk menyelesaikan masalah kompleksitas, teknik reduksi dimensi seperti principal component analysis (PCA) dapat digunakan. PCA bekerja dengan mentransformasi fitur-fitur klasifikasi menjadi principal component (PC). Banyaknya PC yang dihasilkan adalah sama dengan jumlah fitur klasifikasi yang digunakan. Karena itu, perlu dilakukan evaluasi terkait efek pengurangan PC pada performa model AMC yang dihasilkan. Dalam Tesis ini, jenis modulasi dibatasi hanya 6 dan merepresentasi interkelas dan intrakelas, yaitu BPSK, QPSK, 8-PSK, 16-QAM, BFSK, dan 8-PAM. Sinyal yang akan dievaluasi adalah berada pada pita frekuensi radio (RF). Algoritma i pembelajaran mesin yang digunakan adalah SVMdengan kernel kuadratik. Training akan dilakukan 2 tahap, yaitu tanpa PCA (non-PCA) dan dengan PCA. Setelah melakukan training, didapatkan bahwa pengurangan PC akan berakibat pada turunnya akurasi rata-rata, serta bertambahnya waktu training yang diperlukan. Tetapi, tidak didapatkan hubungan linier ataupun berbanding terbalik dengan kecepatan prediksi. Dengan jumlah PC tertentu, penggunaan PCA mampu untuk meningkatkan akurasi, mempersingkat waktu training, atau meningkatkan kecepatan klasifikasi. Dari hasil-hasil training non-PCA dan dengan PCA, didapatkan sekumpulan model AMCuntuk kanal AWGN dan Rayleigh fading. Model optimum untuk kanal AWGN adalah SVMPCAdengan 8 dari 11 PC, yang menghasilkan akurasi rata-rata 97.10%, denganwaktu training 6.7986 detik dan kecepatan prediksi?64000 observasi/detik. Sedangkan, model optimum untuk kanal Rayleigh fading adalah SVM PCA dengan 8 dari 8 PC, yang menghasilkan akurasi rata-rata 75.20%, dengan waktu training 296.22 detik dan kecepatan prediksi ? 9300 observasi/detik. Kata kunci: PCA, AMC, SVM.