DEKODE BERBASIS KONSENSUS PENGKODEAN KANAL YANG TERDISTRIBUSI PADA JARINGAN SENSOR NIRKABEL

DEKODE BERBASIS KONSENSUS

PENGKODEAN KANAL YANG TERDISTRIBUSI

PADA JARINGAN SENSOR NIRKABEL

CITRA DEVI MURDANINGTYAS 2209 203 003

BIDANG STUDI TELEKOMUNIKASI MULTIMEDIA JURUSAN TEKNIK ELEKTRO

FTI –ITS SURABAYA SURABAYA 2010

Latar Belakang

• Jaringan sensor nirkabel berkembang sangat pesat

 aplikasi di bidang militer, kesehatan, perumahan, industri, transportasi dan lingkungan.

• Karakteristik jaringan sensor nirkabel

– Jarak yang sempit

– energi yang terbatas

– sensor yang disebar perlu banyak.

• Sensor yang banyak  konsensus pada sensor agar menghasilkan keputusan bersama

Algoritma Konsensus Terdistribusi

• Algoritma konsensus terdistribusi suatu algoritma dimana data yang diperoleh oleh setiap sensor akan diperbaharui

setiap waktu oleh sensor tetangganya.

• Sensor tetangga  semua sensor yang terkoneksi dengan sensor tersebut.

• Tujuan  untuk mendapatkan nilai kesepakatan global antar node.

 untuk mengurangi kesalahan yang terjadi pada proses pengkodean

Cont...

Algoritma konsensus terdistribusi terdiri dari :

 Algoritma Consensus Averaging-Single Iteration (CA-SI)

 Algoritma Consensus Averaging-Method of Multiplier (CA-MoM)

Permasalahan 1

 Bagaimanakah pemodelan sistem pengkodean kanal yang terdistribusi pada jaringan sensor nirkabel?

 Node pada sistem ini akan disebar dan node akan mendekodekan sebuah pesan.

o _{Pada setiap node(sensor), informasi yang diperoleh tidak}

selalu sama.

o _{Dengan demikian, untuk mengurangi keterbatasan}

jaringan sensor nirkabel dibutuhkan kerjasama antar node (sensor).

Permasalahan 2

o _{Bagaimana pengaruh penggunaan beberapa sensor dalam}

mendekodekan suatu informasi pada jaringan sensor nirkabel?

 Sistem pengkodean kanal terdistribusi yang diaplikasikan pada jaringan sensor nirkabel apakah layak?

Batasan Masalah

 Luas area yang digunakan adalah 100m x 100m

 Model penyebaran sensor yang digunakan adalah menggunakan distribusi uniform

 Model deteksi sensor menggunakan model deteksi biner

 Topologi yang digunakan pada jaringan sensor network merupakan topologi serial

 Parameter simulasi yang digunakan mengacu pada spesifikasi dari MTS420 dan MICA2

 Algoritma yang digunakan adalah algoritma Centralized dan algoritma konsensus terdistribusi khususnya algoritma

Tujuan Penelitian

 Memperoleh model sistem pengkodean kanal terdistribusi yang tepat untuk diaplikasikan pada jaringan sensor

nirkabel.

 Memperoleh performansi kerja yang handal dari kerjasama beberapa sensor pada jaringan sensor nirkabel.

 Memperoleh jaringan sensor nirkabel yang layak dengan keterbatasan memori, daya dan kompleksitas.

Teori Graph

 GRAPH

kumpulan dari simpul (node)/vertex yang dihubungkan dengan satu sama lain melalui sisi/busur (edge)

Model Deteksi Biner

• Model deteksi biner  sederhana

• Jangkauan sensing tersebut sering disebut dengan range sensor (r_s).

• Untuk mengetahui jarak antar sensor dapat menggunakan rumus jarak Euclidean

• d_i = jarak target dengan sensor ke i (m)

• x_i,y_i = koordinat dari sensor (m)

Pendekodean

 Kode Konvolusional

adalah kode dimana urutan bit informasi tidak

dikelompokkan ke dalam blok-blok yang berbeda.

 Proses pendekodean dengan viterbi dimana

 Deret bit yang memiliki Hamming distance minimum

merupakan deretan bit yang paling dekat dengan bit yang diterima

 Kode Hamming  dilengkapi dengan koreksi kesalahan

 Proses pendekodean dengan mengetahui parity check matrix untuk menentukan pola error dan error syndrome

Model Sistem

Bit informasi pada sumber AP

terlebih dahulu dikodekan

dengan kode Hamming (7,4) dan kode Konvolusional (1,2)

Data dari AP dikirimkan ke

sensor melalui kanal AWGN

Jaringan sensor nirkabel

dimodelkan sebagai graph 𝒢 :=

{ℰ,𝒥}

Blok yang diterima sensor :

 Pesan/informasi X Є C Encoder Sumber j s x E y = (2 −1) + ε

Algoritma Centralized

• Pembangkitan Sumber

• Sensor disebar dengan distribusi uniform

• Pencarian node yang aktif

• Pengambilan data oleh sensor aktif

• Pencarian konektifitas antar sensor aktif

• Proses deteksi data sensor dengan metode Likelihood Ratio

• Proses pendekodean

∑∑

= = ∈ ∈ = = J j N n T C x n jn C x ML x x x 1 1 min arg min arg ˆ γ γ

Algoritma CA-SI

• Pembangkitan Sumber

• Sensor disebar dengan distribusi uniform

• Pencarian node yang aktif

• Pengambilan data oleh sensor aktif

• Pencarian konektifitas antar sensor aktif

• Proses pembaharuan data oleh sensor tetangga, pengecekan konektifitas

• Proses deteksi data sensor dengan metode Likelihood Ratio

∑

∈ + − − − + − = j N i jin jn jn ji jn jn(k) γ (k 1) α(k) W [γ (k 1) (γ (k 1) η (k))] γ ∑∑ _∈ ∈ = = J N T n jn ML x x

Algoritma CA-MoM

• Pembangkitan Sumber

• Sensor disebar dengan distribusi uniform

• Pencarian node yang aktif

• Pengambilan data oleh sensor aktif

• Pencarian konektifitas antar sensor aktif

• Proses penentuan variabel Multiplier

• Proses pembaharuan data oleh sensor tetangga

[

]

  )), ( ) ( ( 2 ) 1 ( ) (k v k c k k v _jin = _jin − + γ _jn − γ _in

Algoritma CA-MoM

•

Proses deteksi data sensor dengan metode Likelihood

Ratio

•

Proses pendekodean

∑∑

= = ∈ ∈ = = J j N n T C x n jn C x ML x x x 1 1 min arg min arg ˆ γ γ

Metode Penelitian

START Encoding Data Hasil Algoritma CA-SI Data Hasil Algoritma Centralized Data Hasil Algoritma CA-MoM

Decoding Decoding Decoding

Distribusi Sensor

Parameter Simulasi

PARAMETER NILAI

Luas Area 100m x 100m

Jumlah Node yang disebar 10

Range Sensor 25m

Plot Distribusi Sensor dan Sumber

10 20 30 40 50 60 70 80 90 100 1 2 3 4 5 6 7 8 9 10 Lebar D aer ah ( m )

Estimasi Distribusi Sensor

sensor sumber sinyal Sumber Sinyal Range Sensor Sensor tidak aktif Sensor aktif

Algoritma Centralized dengan

menggunakan Kode Hamming

10-4 10-3 10-2 10-1 100 B it E rro r R a te

BER for BPSK in AWGN with Hamming (7,4) code

Centralized Decoder Localized Decoder

Algoritma Centralized dengan

menggunakan Kode

Konvolusional

10-4 10-3 10-2 10-1 100 B it E rro r R a te

BER for BCC with Viterbi decoding for BPSK in AWGN

Centralized Decoder Localized Decoder

Algoritma CA-SI dengan

menggunakan Kode

Hamming

10-4 10-3 10-2 10-1 100 B it E rro r R at e

BER for BPSK in AWGN with Hamming (7,4) code

Centralized Decoder Localized Decoder CA-SI

Algoritma CA-SI dengan

menggunakan Kode

Konvolusional

10-4 10-3 10-2 10-1 100 B it E rro r R at e

BER for BCC with Viterbi decoding for BPSK in AWGN

Centralized Decoder Localized Decoder CA-SI

Algoritma CA-MoM dengan

menggunakan Kode Hamming

10-4 10-3 10-2 10-1 100 B it E rro r R at e

BER for BPSK in AWGN with Hamming (7,4) code

Centralized Decoder Localized Decoder CA-SI

Algoritma CA-MoM dengan

menggunakan Kode

Konvolusional

10-4 10-3 10-2 10-1 100 B it E rro r R at e

BER for BCC with Viterbi Decoding for BPSK in AWGN

Centralized Decoder Localized Decoder CA-SI

Kesimpulan 1



Dengan menggunakan algoritma Centralized dapat

meminimalkan kesalahan yang terjadi pada proses

pengkodean kanal yang terdistribusi baik pada Kode

Hamming (7,4) maupun Kode Konvolusional (2,1).



Dengan menggunakan algoritma Konsensus

Terdistribusi baik algoritma CA-SI dan CA-MoM dapat

menjadikan data yang berbeda menjadi konvergen



Dari data konvergen yang dihasilkan algoritma CA-SI

dan CA-MoM dapat meminimalkan kesalahan

pendekodean.

Kesimpulan 2



Variabel Multiplier yang digunakan pada algoritma

CA-MoM dapat memperbaiki kinerja dari algoritma

CA-SI.



Semakin benyak iterasi maka kesalah dalam proses

pendekodean semakin kecil.



Berdasarkan hasil simulasi, nilai BER dari algoritma

CA-MoM lebih bagus daripada nilai BER dari

algoritma CA-SI.

DaftarPustaka

• Akyldiz, I.F, Ismail H. Kasimoglu, (2004), Wireless Sensor and Actor Networks: Research Challenges’, Ad Hoc Networks vol 2, hal 351-367.

• Akyldiz, I.F, Sankarasubramaniam, Y, dan Cayirci, E. (2002),’’A Survey on Sensor Network”, IEEE Commun Mag, hal. 102-114.

• Chakrabarty.K, Iyengar, S.S, (2005) “Scalable infrastructure for distributed sensor Networks”, Springer-Verlag London Limited, London.

• H. Karl and A. Willig, (2005), “Protocols and Architecture for Wireless Sensor Network”, John Wiley.

• H. Zhu, G. B. Giannakis, dan A. Cano, (2009), “Distributed In-Network Channel Decoding”, IEEE Transaction on Signal Procesing, hal 57.

• J. G. Proakis, (1989), “Digital Communication”, International Edition. McGraw-Hill: NewYork.

DaftarPustaka

• S. Kar and J. M. F. Moura,(2009), “Distributed Consensus Algorithm in Sensor Network With Imperfect Communication: Link Failures and Channel Noise,” IEEE Transactions On Signal Processing, vol 57, No.1. • Swami, A. Zhao, Hong, YW, (2007),”Wireless Sensors Network Signal

Processing and Communications Prespectives, John Wiley & Sons Inc.

• Wardihani. E D,(2008),” Sistem Deteksi Terdistribusi Pada Jaringan Sensor Nirkabel”, Tesis Jurusan Teknik Elektro, ITS, Surabaya.

• Wicker.B Stephen, (1995), “Error Control Systems for Digital

SEKIAN

DAN

Konvergensi Data CA-SI

51.2 51.3 51.4 51.5 51.6 51.7 51.8

Konvergensi Data CA-MoM

-20 -15 -10 -5 0 5 10 15 20

Cont...

Terdapat beberapa asumsi dari sistem model diatas :

 A1. Jaringan WSN terhubung, kemungkinan jalur yang terhubung lebih dari 2 (hop jamak)

 A2. Komunikasi antar sensor dengan hop tunggal yang berdekatan melalui saluran simetri sbb :

 A2.1 Per blok bersifat ideal dan time-invariant

 A2.2 Time-invariant digagalkan oleh additive zero-mean noise dengan varians σ_i2 _{pada sensor i} ϵ Ɲ, tidak

berhubungan j dan i

Cont...

 A3. Memasukkan X_n dari X adalah biner {0,1} dimana codebook C merupakan bagian dari X

 A4. Kanal sensor AP diskrit, tanpa memori, simetri dan sensor bersifat independen, dan sensor j diketahui

sebagai pdf bersyarat P(y_j|x) yang merupakan karakteristik dari kanal AP