Perpustakaan Digital ITB
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.