SEMINAR RADAR NASIONAL III
2009
Prosiding
Bandung
30 April 2009
Savoy Homann Bidakara Hotel
Penyelenggara:
Sponsor:
Pusat Penelitian Elektronika dan Telekomunikasi Lembaga Ilmu Pengetahuan Indonesia (PPET - LIPI)
dan
Sekolah Teknik Elektro dan Informatika (STEI - ITB)
bekerjasama dengan
International Research Centre for Telecommunications and Radar (IRCTR) Delft University of Technology
(TU Delft) The Netherlands
LIPI
ppet
Prosiding
Seminar Radar Nasional III 2009
ISSN : 1979 - 2921
Hak cipta © 2009 oleh Pusat Penelitian Elektronika dan Telekomunikasi – LIPI
Hak cipta dilindungi undang-undang. Dilarang menyalin, memproduksi dalam segala bentuk, termasuk mem-fotocopy, merekam, atau menyimpan informasi, sebagian atau seluruh isi dari buku ini tanpa ijin tertulis dari penerbit.
Prosiding Seminar Radar Nasional / [editor by] Mashury Wahab, Asep Yudi Hercuadi A.A. Lestari, A.B. Suksmono, , Yuyu Wahyu, Pamungkas Daud.
vi + pp.; 21,0 x 29,7 cm ISBN : 1979 - 2921
Radio Detecting and Ranging (Radar)
Technical editing by Yudi Yuliyus Maulana, Dadin Mahmudin, Deni Permana K,Yadi Radiansah, Sulistyaningsih, Folin Oktaviani.
Cover design by Yadi Radiansah.
Diterbitkan oleh :
Pusat Penelitian Elektronika dan Telekomunikasi (PPET) Lembaga Ilmu Pengetahuan Indonesia (LIPI)
Kampus LIPI Jl. Sangkuriang, Bandung Telp. (022) 2504661 Fax. (022) 2504659
Website : www.ppet.lipi.go.id
Pelindung
Deputi Bidang Ilmu Pengetahuan Teknik LIPI
Ketua Umum
Mashury Wahab
Panitia Pengarah
Lilik Hendradjaja, Dephan
Adang Suwandi, ITB
Syahrul Aiman, LIPI
Tatang A. Taufik, BPPT
Hiskia Sirait, LIPI
Andriyan B. Suksmono, ITB
A. Andaya Lestari, IRCTR-IB
Endon Bharata, IRCTR-IB
Nana Rachmana, ITB
Yuyu Wahyu, LIPI
Syamsu Ismail, LIPI
Rustini S. Kayatmo, LIPI
Eko Tjipto Rahardjo, UI
Adit Kurniawan, ITB
Panitia Pelaksana
Iskandar, ITB
Andi Kirana, RCS
Gunawan Handayani, ITB
Pamungkas Daud, LIPI
Folin Oktaviani, LIPI
Sulistyaningsih, LIPI
Yudi Yulius Maulana, LIPI
Dadin Mahmudin, LIPI
Deni Permana K., LIPI
Sri Hardiati, LIPI
Iqbal Syamsu, LIPI
Asep Yudi Hercuadi, LIPI
Yadi Radiansah, LIPI
Zaenul Arifin, LIPI
Endang Ridwan, LIPI
Lisdiani, LIPI
Poppy Sumarni, LIPI
Noorfiya Umniyati, LIPI
Dicky Desmunandar, LIPI
KATA PENGANTAR
Puji syukur kami panjatkan ke hadirat Allah SWT yang telah melimpahkan rahmat dan karunianya sehingga Seminar Radar Nasional (SRN) III pada tanggal 30 April 2009 ini dapat terselenggara. Selanjutnya kami mengucapakan selamat datang di Kota Bandung kepada para peserta seminar, pembicara kunci, pemakalah dan para undangan lainnya. Tujuan diadakannya seminar ini adalah untuk menjadi sarana sosialisasi dan forum pertukaran informasi antara para pakar, peneliti dan pengguna Radar, sehingga akan membantu pemerintah dalam menjawab permasalahan dibidang Radar dan mendorong kemandirian dalam penyediaan Radar di Indonesia. Suatu hal yang tidak mustahil bila teknologi, kebijakan dan pemecahan masalah tentang Radar akan terungkap dalam seminar ini.
Seminar ini menghadirkan beberapa pembicara tamu dari berbagai latar belakang yaitu pembuat kebijakan, pengguna dan tenaga ahli dibidang Radar. Ada sekitar 30 makalah yang dipresentasikan dalam sesi paralel seminar. Kami mengharapkan para peserta dapat memperoleh tambahan informasi/pengetahuan melalui kegiatan Seminar ini.
Akhirnya Kami Panitia mengucapkan terima kasih yang sebesar-besarnya kepada pihak-pihak yang telah mendukung terselenggaranya kegiatan SRN III 2009 ini yaitu antara lain Kepala LIPI, Deputi Bidang IPT – LIPI, IRCTR-IB, IRCTR TU-Delft, ITB, Pembicara tamu P2SDKP, Pembicara tamu BMKG, Pembicara Tamu MABESAU, Pembicara tamu Staf Ahli Menristek Bidang Hankam, Hp-Agilent, PT. Solusi 247-RCS, Telkom Bandung, para peserta dan pihak-pihak lain yang tidak dapat kami sebutkan satu-persatu.
“Selamat mengikuti seminar, dan sampai jumpa pada acara seminar berikutnya“
Bandung, 30 April 2009
Panitia
Daftar Isi
Susunan Panitia ... iii
Kata Pengantar ... iv
Daftar Isi ... v
Daftar Makalah ... vi
Daftar Makalah
1. Tinjauan Pemanfaatan Teknologi Seluler GSM Diaplikasikan Sebagai
Pasif Radar ...
Febrian Wijoseno, Adit Kurniawan, Arwin D.W.Sumantri
1-5
2. Analisa FDOA-RADAR Sekunder Terhadap Gangguan Random Noise
Wahyu Widada dan Sri Kliwati ………..
6-10
3. Sistem Identifikasi Pesawat Menggunakan Kecepatan dan Radar Cross
Section Pesawat Berbasis Jaringan Syaraf Tiruan Backpropagation …………
Maman Darusman, Arwin Datumaya Wahyudi Sumari, Aciek Ida Wuryandari
11-15
4. The Performance Of Supervised And Unsupervised Neural Networks In
Performing Aircraft Identification Tasks ……….
Arwin Datumaya Wahyudi S, Aciek Ida Wuryandari, Maman Darusman, Nur Ichsan Utama
16-22
5. Minimalisasi Sinyal Harmonik Radar Indra I dengan IF Lumped Element
Filter ... Liarto, A.A Lestari, Sri Hardiati
23-26
6. First Results Of The Signal Processing Of INDERA ………..
W. Sediono, A. A. Lestari
27-29
7. Teknik Pengukuran Pola Radiasi Transduser Dwi-Fungsi Akustik
Bawah Air ………
Syamsu Ismail
30-32
8. Analisis Penyesuai Impedansi NTL Menggunakan Metode Ekspansi
Fourier ... Rudy Yuwono, Achmad Setiawan, D.J. Djoko H.S
33-38
9. Antena Array Electronic Switch Beam Untuk Pengerahan Beam Antena
Pada Sistem Radar ...
Yoko Wasis, Bambang Edhie Sahputra, Iswahyudi, Yogi Koswara, A.A Pramudita
39-41
10. Antena UWB Bentuk T Untuk Aplikasi SFCW-GPR 100-1000 Mhz ...
A.Adya Pramudita, A. Kurniawan, A. Bayu Suksmono,A.Andaya Lestari
42-46
11. Sistem Trigger Pada Radar Maritim Indera ...
Oktanto Dedi Winarko, A. Andaya Lestari
47-51
12. Penelitian-Penelitian Radar Dan Pendukungnya di Lipi ...
Masbah R.T. Siregar
52-56
13. Karakterisasi Penggunaan Garis Kurva Pada Lengan Seri 3 dB Hybrid
Coupler MicrostripPita Lebar ... Y.K. Ningsih, F.Y. Zulkifli, E.T. Rahardjo, A.A. Lestari
57-62
14. Optimasi Pemodelan Arima Dengan Efek Deteksi Outlier Pada Data
Curah Hujan Di Surabaya ...
Achmad Mauludiyanto, Gamantyo Hendrantoro, Mauridhi Hery P, Suhartono
63-67
15. Desain Dan Simulasi Tranceiver Stepped Frequency ContinuousWave
Ground Penetrating Radar (SFCW GPR) 700 – 1400 Mhz ...
Tommi Hariyadi, Endon Bharata, Andriyan Bayu Suksmono
68-74
16. Sistem Antena Radar VHF Lapan ... Peberlin Sitompul, Aries Kurniawan, M. Sjarifudin, MarioBatubara, Harry Bangkit, Timbul Manik, J.R Roettger
75-78
17. Pembuatan Modul Receiver Untuk Sistem PerangkatPemancar
Jamming ………..
Elan Djaelani
79-84
18. Pemanfaatan Sistem Pakar dalam Perancangan Sistem Analisa Masalah
Dan Penentu Tindakan Pemeliharaan Radar ...
Edith Nurhidayat Kurniawan S. , Aciek Ida Wuryandari , Arwin D.W. Sumari
85-88
19. Penggunaan Radar Bagi Kepentingan Pertahanan Udara ...
Suparman D, MM
89-94
20. Kerjasama DEPHUT Dan Lembaga International dalam Penggunaan Radar
Untuk Mendukung Pengelolaan Hutan yang Lestari ………...
Iwan Setiawan Priyambudi Santoso
95-96
21. Perbandingan Performansi Sistem Identifikasi Pesawat Menggunakan
Jaringan Syaraf Tiruan Mode Adaptive Resonance Theory 1 Dan 2 ...
Nur Ichsan Utama, Aciek Ida Wuryandari, Arwin D. W. Sumari
97-101
22. Ilmu Pengetahuan Rekayasa dan Teknologi Dan Seni (ILPERTEKS)
Untuk Pengembangan Radar Pengawas Pantai ...
Elan Djaelani, Prof. Dr. Rohani J Widodo, Ridodi Anantaprama,Iwan Setiawan
102-108
23. Usulan Pemakaian Radar Langit Untuk Daerah Khusus Atau Rawan ...
Hari Satriyo Basuki
109-113
24. Implementasi Peta Dinamis Pada Radar INDERA ...
Deni Yulian, W. Sediono, A. Andaya Lestari
114-118
25. Perancangan dan Realisasi Antena Rolled Dipole Untuk Keperluan
Ground Penetrating (GPR) Dengan Menggunakan Metoda Finite
Different Time Domain (FDTD) ... Yudi Yuliyus Maulana, Yuyu Wahyu, Folin Oktafiani dan AA Lestari
119-124
26. Antena Ground Penetrating Radar Adaptif Terhadap Multi Pulsa ...
Folin Oktafiani, Yuyu Wahyu, Yudi Yuliyus, A.A Lestari
125-128
27. Estimasi Electromagnetic Interference (EMI) Dalam Sistem Antena Patch
Array Untuk Radar ... Sri Hardiati,Sulistyaningsih
129-132
28. Antena Dipole Dengan Pembebanan Resistif dan Layer Dielektrik Untuk
Ground Penetrating Radar (GPR) ...
Y.Wahyu, A.Kurniawan, Sugihartono, A.S Ahmad, A A Lestari
133-137
29. Kajian Mengenai Radar Clutter Dan Pengaruhnya Pada Unjuk Kerja Radar ...
Mashury Wahab dan Sulistyaningsih
138-142
30. Pembangkit Chirp Untuk Radar FMCW Menggunakan DDS ...
Purwoko Adhi
143-146
TINJAUAN PEMANFAATAN TEKNOLOGI SELULER UNTUK
DIAPLIKASIKAN SEBAGAI PASSIVE RADAR
Febrian Wijoseno
1), Adit Kurniawan
2), Arwin Datumaya Wahyudi Sumari
3)1)2)3) Sekolah Tinggi Elektro dan Informatika, Institut Teknologi Bandung Gedung Ahmad Bakrie Lt. 2, Jl.Ganesha 10, Bandung,40132-INDONESIA Email : jos_eno@yahoo.com, adit_kurniawan@yahoo.com, arwin91aau@yahoo.co.id
3)Departemen Elektronika, Akademi Angkatan Udara Jl. Laksda Adisutjipto, Yogyakarta, 55002-INDONESIA
ABSTRAK
Tulisan ini membahas tentang tinjauan pemanfaatan teknologi seluler diaplikasikan sebagai passive radar untuk mendeteksi pesawat terbang. Sesuai dengan fungsinya, maka pemodelan ini memerlukan beberapa asumsi dasar antara lain model propagasi “Llyods mirror” dihitung, dan model propagasi yang digunakan adalah propagasi sinyal di ruang bebas. Selanjutnya dibahas penggunaan sinyal pilot pada WCDMA untuk cellular radar.Cellular radar ini bekerja berdasar gabungan antara prinsip radar konvensional dengan deteksi oleh cellular yang memanfaatkan proses sinkronisasi pararel sinyal PN. Dengan skema ini proses deteksi akan mencari nilai terbesar dari autokorelasi antara urutan PN dengan nomor path.
Kata kunci : radar, passive radar,cellular radar, WCDMA, seluler, Llyods mirror
1. PENDAHULUAN
TNI AU memiliki tugas pokok menjaga kedaulatan negara di udara. Dengan kondisi geografis wilayah Indonesia yang sangat luas dan potensi konflik yang rawan terjadi dengan pihak luar, dibutuhkan unsur pertahanan udara yang selalu siap. Untuk mewujudkannya, selain diperkuat dengan beberapa jenis pesawat tempur, TNI AU juga menggelar satuan radar di berbagai pelosok Indonesia.
Pada saat ini, dari Sabang sampai Merauke, terdapat 17 satuan radar yang dimiliki TNI AU. Fungsi radar sendiri bisa sebagai early warning
ataupun ground interceptor bagi pertahanan udara.
Early warning merupakan sistem peringatan dini jika ada ancaman dari pesawat asing / rudal yang memasuki wilayah kedaulatan udara Indonesia. Sedangkan ground interceptor berfungsi sebagai pemandu pesawat tempur di udara.
Satuan-satuan radar tersebut lebih banyak terkonsentrasi di wilayah Indonesia bagian barat. Sedangkan di bagian timur Indonesia masih banyak daerah-daerah yang belum terlindungi dengan radar, sehingga sering terjadi pelanggaran kedaulatan udara di wilayar tersebut. Dilain pihak, untuk mengadakan satu site radar baru diperlukan dana yang cukup besar. Dengan kondisi di atas, perlu dicarikan solusi alternatif untuk mengatasinya. Tentunya dengan memprerhatikan segala aspek, termasuk dari segi pendanaan. Alternatif yang memungkinkan, yaitu dengan menggunakan passive radar. Sementara ini, telah banyak konsep tentang passive radar
dikembangkan di dunia barat. Contoh passive radar
yaitu dengan memanfaatkan sinyal dari siaran radio, televisi dan telopon seluler.
Komunikasi seluler sendiri, sekarang ini sedang berkembang pesat di Indonesia. Coverage dari komunikasi seluler ini, hampir melingkupi seluruh pelosok Indonesia. Dengan latarbelakang inilah, penulis melakukan penelitian untuk menganilisis kemungkinan pemanfaatan teknologi GSM sebagai
passive radar. Pemanfaatan teknologi seluler sebagi
passive radar ini lebih dikenal dengan sebutan
cellular radar.
Diharapkan dengan memanfaatkan infrastruktur yang telah ada, cellular radar ini, dapat merealisasikan kebutuhan TNI AU untuk covering
daerah-daerah yang belum ada radarnya.
2. DASAR TEORI 2.1 Radar
Radar (Radio And Detecting ranging), merupakan peralatan elektronik yang dapat mendeteksi posisi suatu obyek (target) di udara. Radar banyak digunakan di kalangan militer untuk keperluan pertahanan udara. Selain itu, pemanfaatan radar dapat ditemui di bandara-bandara sebagai alat monitoring ATC (Air Traffic Controller)
Prinsip kerja Radar
Secara sederhana, komponen radar bagian transmitter yang memproduksi pulsa-pulsa untuk diradiasikan ke ruang bebas. Pulsa yang mengenai target, kemudian menghasilkan echo dipantulkan kembali ke Radar. Dengan antenna penerima yang sangat sensitive, receiver radar menerima sinyal echo selanjutnya sinyal tersebut diolah untuk mengidentifikasi target. Hasil identifikasi target berupa jarak target terhadap radar, ketinggian target bahkan dengan signal processing modern dapat diketahui jenis dari target tersebut.
Gambar 1 :Prinsip kerja Radar
Rumus –rumus Radar
Berikut daftar simbol yang digunakan dan satuan-satuannya :
Pt Transmitted Power Watt
Pr Received Power (direct path) Watt
Ps Scattered power Watt
Pn Noiser Power Watt
Gt Gain transmitter Gr Gain receiver
λ Panjang gelombang m
R1 Jarak antara Transmitter ke target m
h Ketinggian target m
σ Radar cross section m2
Rumus Umum Radar :
Pe = Pt . G2. σ. λ2 / (4Π)3 R4
..….(1)
Sehingga jarak R dapat diperoleh dengan rumus :
2 2
Jarak jangkau maksimum Radar (Rmax)
Dari rumus di atas, dapat diturunkan rumus untuk mencari jangkauan maksimum radar. Dengan asumsi (Ps, G, λ) konstan, radar cross section = 1m2.
Pemin = Daya terkecil yang mampu diditeksi oleh radar.
Rmax = Jarak jangkau maksimum radar.
2.2 Passive radar
Passive radar merupakan salah satu teknologi Radar yang memanfaatkan iluminasi GEM dari sumber lain untuk mendeteksi target. Teknologi ini
memanfaatkan infrastruktur yang sudah ada, ditambahkan dengan sistem penerima sinyal yang mempunyai algorithma untuk mengolah sinyal echo dari sumber tersebut menjadi informasi target. Pendeteksian target passive radar menggunakan prinsip Passive Coherent Location. Contohnya, dengan memanfaatkan sinyal FM, sinyal VHF televisi dan sinyal seluler.
Passive Coherent Location
Proses penentuan lokasi suatu target dengan sistem ini Passive Coherent Location dapat digambarkan sebagai berikut :
Gambar 2 : Proses deteksi target dengan passive coherent location
Receiver dibuat secara khusus untuk mendeteksi sinyal echo dari target. Selanjutnya sinyal tersebut diolah untuk menentukan posisi dari target.
2.3 Celular Radar
Passive radar yang menggunakan sinyal seluler
dikenal dengan sebutan cellular radar. Dengan teknologi seluler, passive radar dimungkinkan untuk mendeteksi target yang berada di tempat jauh dan bergerak cepat secara real time dengan biaya yang relatif murah. Cellular radar ini, berlaku sebagai sebuah sistem radar yang mampu mendeteksi dan memproses data dengan cepat. Sedangkan sebagai sistem seluler, mempunyai coverage yang luas.
Bagian pertama dari identifikasi target adalah pendeteksian oleh sejumlah receiver yang memproses secara digital sinyal echo dari target. Yang ke dua, yaitu sistem seluler mendeteksi target dengan melakukan pengolahan dan pengkombinasikan sinyal-sinyal echo tersebut. Sinyal-sinyal-sinyal tersebut diolah oleh sebuah jaringa yang mengakomodir BTS-BTS penerima sinyal.
Di Indonesia, teknologi seluler sudah digunakan secara luas. BTS-BTS seluer tersebut sudah menjangkau daerah-daerah pelosok yang tidak dilingkupi oleh sistem radar TNI-AU. Dengan alasan tersebut, digunakanlah teknologi seluler untuk dikembangkan sebagai cellular Radar.
3. SEMIANALITIK TEORI
Semianalaitik dari teori passive radar dengan memanfaatkan teknologi seluler ini memakai asumsi
antenna yang digunakan adalah isotropis. Walaupun dalam kenyataan tidak mungkin membuat antenna isotropis, tapi dalam hal ini penggunaan antenna isotropis bertujuan untuk memudahkan analisis dan perhitungan.
Selanjutnya ntuk menentukan jangkauan dari passive radar dapat didefinisikan dari SCR (Sinyal to Cluster Rasio) yang diturunkan dari rumus persamaan radar (11) di atas.
..….(4)
Untuk antenna isotropis :
..….(5)
Llyods Mirror
Dengan memakai asumsi target terbang rendah dekat dengan tanah, maka efek Llyods mirror perlu diperhitungkan. Pengaruh pada factor propagasi sinyal adalah sebagai berikut :
P (r,h,H) ≈ 4 Sin2 (khH/r)
Karena khH/r <<1 maka nilai Sin () dapatdi expand mejadi
..….(6)
Dengan r merupakan ground range dan R adalah slant
range, untuk target yang terbang rendah r R
sehingga persamaan dapat disederhanakan menjadi:
..….(7) Lyods Mirror dengan target jauh
Ketika target berada jauh dari BTS, dengan kondisi Rt Rsr Rx maka nilai SCR dapat disederhanakan sebagai berikut :
..….(8)
Pendeteksian Target
Berdasarkan ketinggian target, perkiraan posisi target dapat dikategorikan menjadi 3 buah posisi.
a) Target terbang rendah b) Target terbang sedang c) Target terbang tinggi
Target terbang rendah
Ketika target terbang rendah, dimana ketinggiannya kurang dari jarak antara BTS satu dengan yang lainnya (h<< Rx, ) berdasar :
Dan dengan kondisi BTS yang banyak maka, jarak Transmitter ke target (Rts) dan jarak Transmitter ke receiver (Rtr) jika dikomparasikan akan mempunyai nilai yang lebih besar dibanding jarak target ke receiver (Rsr). Sehingga rumus di atas dapat disederhanakan menjadi
Maka diperoleh rumus SCR yang baru sebagai berikut:
..….(9)
Melalui metode pendekatan dapat diperoleh
SCR> -71 – 20 Log[Rx(km)] + σ + propagasi
Nilai -71 sudah termasuk faktro 4π dan konversi dari meter ke kilo meter. Karena posisi target yang masih rendah maka 2D Geometric dilution of precission (GDOP) akan bernilai kecil sedangkan 3D GDOP bernilai besar. Hal ini dikarenakan posisi target, transmitter dan receiver yang relatif berada pada satu bidang datar. Dengan kata lain resolusi 3D nya bernilai rendah, tapi posisi horizontal target dapat ditentukan dengan baik.
Target terbang sedang
Berdasar rumus (4), posisi target yang berada di ketinggian sedang dibandingkan dengan perbandingan jarak antara transmitter ke receiver. Nilai Rts dan Rsr Rx , pada kondisi tersebut efek Llyods mirror akan bertambah karena semakain banyaknya path propagasi sinyal.
Faktor Llyods mirror yang berpengaruh pada setiap path yaitu :
4 sin2(khH/r)
mempunyai rata-rata factor 2 ( +3dB). Karena dinumerator terdapat 2 faktor Llyods mirror sedangkan di denominator hanya mempunyai satu kmaka nilainya akan menjadi 3dB lebih tinggi dibanding propagasi sinyal di ruang bebas.
Dari kondisi di atas dapat diambil kesimpulan sebagai berikut :
*) ketika target terbang pada ketinggian sedang dengan parameter hamper sama dengan jarak antara transmitter ke receiver maka
SCR > -68 – 20 log [Rx(km)] + σ
*) nilai 2D dan 3D GDOP akan menjadi bagus
Target terbang tinggi
Kondisi ini mirip pada konvensional radar, dimana Rts ~ Rsr ~ R. Untuk menentukan target, maka sinyal dibandingkan kekuatannya dari area yang luas. Ukuran luas area akan sebanding dengan kuadrat dari ketinggian target.
Dari kondisi tersebut, maka nilai SCR dapat dihitung sebagai berikut :
SCR> -68 -20log[Rx/R2(km)] + σ
Dengan menambahkan power dari beberapa receiver
∆SCR=20log(R/Rx(km)) maka nilai SCR sistem menjadi:
SCRsystem > -68-20log{Rtr/RxR(km)] + σ
Jarak , elevasi maupun azimuth target dapat dihitung pada kondisi ini, namun transverse posisinya akan lebih susah ditetukan.
Dari rumusan di atas, dapat disimpulkan secara teoritis teknologi seluler dapat dimanfaatkan untuk passive radar. Dengan kondisi semakin jauh target dari transmitter/receiver maka performasi cellular radar untuk mendeteksi target akan semakin turun.
4. CELLULAR RADAR DENGAN
TEKNOLOGI WCDMA
4.1
Perhitungan probabilitas deteksi oleh
Radar
Deteksi pada konsep radar berdasar pada besarnya sinyal echo yang ditangkap oleh radar dibatasi level threshold (Vt). Jika sinyal tersebut masuk level threshold berarti radar berhasil melakukan deteksi (detection). Sedangkan jika sinyal tersebut besarnya di bawah level threshold, berarti
false alarm.
Besarnya probabilitas detectin (Pd) maupun False
alarm (Pfa) dapat dicari dengan cara yang sama,
berdasarkan pada level threshold. Perbedaannya, pada saat terjadi false alarm hanya terdapat sinyal noise.
Gambar 3 : Threshold level pada sistem Radar
Pada umumnya, besarnya nilai SNR minimum dapat dicari dengan menghitung Pd dan Pfa. Dari hal tersebut dapat ditentukan jarak maksimum jangkauan radar.
Dari tumus (1), dengan kondisi Rmax dapat dicari probabilitas sebuah radar mendeteksi sasarannya. Perbedaannya, pada saat terjadi false alarm hanya terdapat sinyal noise.
(
)
2 2Rumus di atas menggambarkan, bagaimana pengaruh Pemin (SNR) berpengaruh terhadap Rmax. Sedangkan pada rumus selanjutnya (13), menggambarkan hubungan antara Pfaa dengan proportioning noise envelopo(Tfa) terhadap waktu.
1 Rumus (12) menggambarkan hubungan antara probabilitas deteksi dengan besarnya sinyal yang memenuhi level threshold. Berdasarkan rumus empiris yang diusulkan oleh albersheim, hubungan antara Pd ,Pfa dan SNR adalah sebagai berikut :
SNR = A + 0.12 AB + 1.7B
Ket :
A = ln (0.62/Pfa) B = ln [Pd/(1-Pd)]
4.2 Perhitungan probabilitas deteksi oleh cellular
Dengan skema sinkronisasi parallel, maka cara ini akan mencari nilai terbesar dari autokorelasi antara urutan PN (PN sequence) dengan nomor path. Receiver akan men-generate sinyal PN untuk setiap path, dan menghasilkan intentional time-delay sesuai dengan pathnya. Sebuah sinyal PN yang diterima, meliputi time-delay yang dihasilkan oleh channel dan sinyal yang dikorelasikan dengan PN –codes (yang di-generate di setiap path oleh receiver). Penggabungan PN dilakukan dengan menyeleksi path
yang menunjukkan nilai autokorelasi terbesar diantara path-path tersebut. Oleh karena itu, berikut kejadian yang dimungkinkan selama penggabungan PN :
- Deteksi : sukses deklarasikan path yang mempunyai nilai korelasi terbesar.
- False alarm : sukses deklarasikan path, tetapi path tersebut bukan merupakan nilai yang terbesar.
-Miss : gagal deklarasikan path, walaupun path tersebut mempunyai nilai korelasi terbesar.
2
Probabilitas deteksi dalam penggabungan PN dapat dirumuskan sebagai berikut :
d k th
Probabilitas ditentukan oleh autokorelasi urutan PN. Keseluruhan autokorelasi dipengaruhi oleh jarak yang dilalui sinyal. Dengan kata lain, jarak antara Base Station (BS) , target, dan receiver merupakan faktor paling signifikan dalam menentukan besarnya probabilitas deteksi oleh seluler.
Besarnya sinya yang diterima dari sistem komunikasi berbeda antara daerah perkotaan dengan daerah luar kota. Tentunya variasi dari sinyal penerimaan ini mempengaruhi besarnya proabilitas deteksi seluruh sistem cellular radar.
4.3 Perhitungan probabilitas deteksi oleh cellular radar-WCDMA
Definisi deteksi pada sistem Radar maupun sistem komunikasi seluler telah ditetapkan. Kedua pendfinisian tersebut penting untuk mendefinisikan deteksi cellular radar-WCDMA. Pada sistem cellular radar, sistem seluler harus sinkron secara sempurna dengan prosedur penggabungan PN, sebelum menentukan apakah sinyal masuk dalam threshold level atau tidak.
Untuk itu, definisi dari deteksi cellular radar berdasar teknologi WCDMA ditetapkan sebagai berikut : sebuah sinyal terdeteksi apabila sinkronisasi sempurna pada penggabungan PN dan kuat sinyal berada dalam threshold level. Secara matematis, merupakan perkalian dari deteksi radar dengan deteksi cellular :
..….(14)
4.4 Pekerjaan mendatang
Melakukan simulasi untuk membuktikan deteksi
cellular radar. Besarnya parameter-parameter yang
dipakai dalam simulasi ditentukan sebagai berikut :
Pilot power 3.6 W
Pilot frequency 100 pilot / second
Detection hight 500-2000m
Detection radius 0-2000m False alarm probability 1.11 x 109 Height of RX & TX 30 m
Dwell time 104 sec
Path-loss exponents 2 (suburban) 3 (urban)
5 KESIMPULAN
Secara teoritis teknologi seluler dapat dimanfaatkan sebagai passive radar atau dikenal dengan sebutan cellular radar. Dengan teknologi selulser WCDMA deteksi pada cellular radar sudah didefinisikan sebagai gabungan antara deteksi pada seluler dan deteksi pada Radar, yaitu sinkronisasi sempurna pada penggabungan PN dan kuat sinyal berada dalam threshold level . Tulisan ini dapat menjadi dasar untuk dilakukan penelitian lebih lanjut mengenai pemanfaatan teknologi seluler sebagai passive radar. Dan dengan memanfaatkan infrastruktur yang sudah ada, tidak menutup kemungkinan memanfaatkan teknologi cellular radar ini, sebagai teknologi alternatif guna memenuhi tuntutan kebutuhan TNI –AU.
DAFTAR REFERENSI
[5]Mabes TNI AU, Doktrin TNI AU Swa Bhuwana Paksa, Jakarta, 2007.
[6]Miceli,Andrew,Wirelesstechnician’shandbook.2nd ed,Artec house Inc.,2003
[7]Sahr John D, An investigation of a distributed passive radar system,2001.
Analisa FDOA-RADAR Sekunder
Terhadap Gangguan Random Noise
Wahyu Widada dan Sri Kliwati
Lembaga Penerbangan dan Antariksa Nasional Jl. Raya LAPAN Rumpin, Bogor Indonesia Email:w_widada@yahoo.com, sri_kliwati@yahoo.com
ABSTRAK
RADAR (Radio Detecting And Ranging) tipe sekunder untuk tracking roket dikembangkan dengan menggunakan linear chirp signal sebagai sub-carrier. Perbedaan frekuensi signal yang dikirim dan diterima digunakan untuk menghitung jarak. Tulisan ini membahas hasil analisa pengaruh random noise terhadap akurasi pengukuran jarak. Hasil simulasi menunjukkan metoda FDOA (Frequency Domain of Arrival) sangat handal terhadap gangguan noise hingga SNR (signal to noise ratio) 0.33.
Kata Kunci: FDOA, RADAR sekunder, noise, tracking roket.
1. PENDAHULUAN
LAPAN sedang mengembangkan sistem RADAR sekunder untuk memantau ujicoba peluncuran roket. RADAR yang dikembangkan menggunakan radio dengan frekuensi UHF antara 300 – 500 MHz. Radio tersebut dikembangkan sendiri secara khusus sehingga dapat menjangkau jarak jauh dan tidak terganggu oleh frekuensi radio amatir. Sedangkan sub-carrier yang berupa signal RADAR digunakan untuk deteksi delay waktu dan jarak roket. Signal pulsa dengan frekuensi dan repetition tertentu telah dicoba sebagai sub-carrier dan dapat mengukur delay secara akurat menggunakan algoritma Generalized Cross-Correlation (GCC). Sedangkan alternatif lainnya adalah menggunakan signal chirp. Signal ini mempunyai amplitudo yang konstan dan frekuensi yang berubah baik secara linier, parabolik, dan lain-lain.
Tulisan ini membahas hasil analisa FDOA pada sistem RADAR sekunder untuk aplikasi tracking roket terhadap gangguan random noise. Penambahan random noise hingga SNR menjadi 0.33, sehingga sudah cukup mewakili terjadinya noise hingga menutupi signal yang dipantulkan oleh transponder.
2. FDOA RADAR SEKUNDER
Sistem RADAR sekunder adalah seperti pada gambar dibawah. Ground station terdiri dari transmitter dan receiver. Kemudian pada muatan roket terdiri dari receiver dan transmitter (transponder), dengan masing-masing gelombang frekuensi yang berbeda (Gambar 1).
Gambar 1: Sistem RADAR sekunder untuk tracking roket.
Transponder
Transponder pada muatan roket seperti sebuah cermin retroreflector yang dapat memantulkan kembali sinar yang diterima, sehingga signal radio yang diterima langsung dikirim kembali ke stasiun pengamat. Jika kecepatan gelombang radio adalah C = 3×108m/s dan waktu yang dibutuhkan oleh signal radio di atmosphere adalah TA, maka jarak tempuhnya D adalah sebagai berikut.
2
A
CT
D
=
(1)Delay signal ini dapat diukur dari signal referensi dan signal yang diterima.
Sub-carrier signal RADAR sekunder dapat menggunakan chirp signal, sehingga delay waktu dapat dihitung dari perbedaan frekuensi antara signal yang dikirim dan signal yang dipantulkan. Akurasi pengukuran jarak menjadi sangat tergantung pada koreksi perubahan frekuensi dan kecepatan perubahan frekuensi (chirp rate). Persamaan berikut adalah hubungan antara perubahan frekuensi dan delay waktu.
SSR Transceiver Ground Station Antenna
Range 2
C T D=Δ ×
μ
f
T
=
Δ
Δ
(2)Disini μ adalah sebagai chirp rate dalam Hertz/detik. Semakin lebar perubahan frekuensi atau semakin cepat nilai μ, maka akurasi delay waktu juga semakin akurat.
Tabel 1: Parameter analisa akurasi FDOA.
Parameter Nilai
Gambar 2 adalah ilustrasi perubahan frekuensi pada signal chirp terhadap delay yang terjadi. Analisa dilakukan dengan parameter untuk pengukuran roket hingga hingga 10 km. Rangkuman parameter adalah seperti pada Tabel 1 distas.
Gambar 2: Ilustrasi signal RADAR yang dikirim dan yang dipantulkan.
Gambar 3: Time-frequency feature of an LFM.
2.1 Pengaruh Perubahan Bandwidth Frekuensi.
Dari persamaan (2) di atas, maka jika perubahan Δf semakin cepat (bandwidth lebar) akan semakin akurat.
Gambar 3 di atas adalah hubungan antara perubahan frekuensi dan waktu. Dalam pengembangan hardware, maka harus diusahakan agar waktu perubahan secepat mungkin dan frekuensi yang dirubah menjadi lebih lebar.
2.2 Pengaruh Noise Terhadap Akurasi Jarak.
Jika sinyal yang dikirim adalah s(t), maka dengan penambahan noise random n(t) dapat ditulis kembali menjadi sebagai berikut:
S
R( ) ( ) (
t
=
s
t
+
n
t
)
(3) Disini SR(t) adalah sinyal yang diterima. Signal to Noise ratio SNR sinyal yang diterima dapat dirubah-rubah dengan amplitudo random noise. Dalam analisa kali ini perubahan SNR hingga senilai 0.3 diaplikasikan untuk menguji algoritma pada receiver.3. HASIL ANALISA
Gambar 4 adalah signal linear chirp signal sebagai sub-carrier. Signal tersebut jika ditulis dengan persamaan sebagai berikut:
( )
Disini f0 adalah frekuensi awal, ß adalah lebar perubahan frekuensi dan TC adalah waktu yang diperlukan untuk merubah frekuensi.
0 0.2 0.4 0.6 0.8 1
Gambar 4: Signal linear chirp sebagai sub-carrier. Spektrum signal pada gambar 4, dapat dihitung dengan
algoritma FFT seperti pada gambar 5 berikut.
t
0 100 200 300 400 500 0
0.02 0.04 0.06 0.08 0.1
Frequency (Hz)
Po
wer
Gambar 5: Spektrum frekuensi chirp signal.
Gambar 6: Spektrogram signal chirp antara frekuensi dan waktu.
Spektrogram signal antara perubahan waktu dan frekuensi dapat dihitung dengan algoritma SFFT seperti pada gambar 6. Signal yang dipantulkan pada saat delay 0.3 detikadalah seperti gambar 7. Dari perbedaan frekuensi pada gambar 4 dan 7 maka delay terebut dapat kita prediksi.
0 0.2 0.4 0.6 0.8 1
-1 -0.5 0 0.5 1
time(s)
y(
t)
Gambar 7: Signal RADAR yang dipantulkan dengan delay 0.3 detik.
Kemudian spektrogram dari signal di atas adalah seperti pada gambar 8 berikut.
Gambar 8: Spektrum signal yang dipantulkan . Kemudian perubahan frekuensi antara signal yang dipantulkan dan yang dikirim seperti pada gambar 9 berikut. Delay waktu adalah 0.3 detik, sehingga menurut persamaan (2) diatas, perbedaan frekuensi yang timbul adalah sebesar 75 Hz. Pada gambar 9 juga terlihat hasil yang mirip antara delay yang telah ditentukan dengan delay dari algoritma yang telah dikembangkan.
0 100 200 300 400 500
0 0.2 0.4 0.6 0.8 1
Frequency (Hz)
Pow
e
r
Gambar 9: Delay waktu dengan menghitung perubahan frekuensi.
0 0.2 0.4 0.6 0.8 1
-1 -0.5 0 0.5 1 1.5 2
time(s)
y(
t)
Gambar 10:Signal yang dipantulkan ditambah dengan random noise (SNR=1).
0 100 200 300 400 500
Gambar 11:Spektrum signal frekuensi yang dipantulkan. Untuk menguji algoritma di atas maka dengan menambahkan random noise seperti pada gambar 11 di atas. Pada gambar tersebut terjadi perubahan frekuensi sekitar 75 Hz dan pada signal frekuensi rendah. Kemudian dengan algoritma spektrogram, maka signal dalam waktu dan frekuensi adalah seperti pada gambar 12. Pada gambar tersebut, perubahan ciri chirp masih terlihat dengan jelas. Sedangkan pengaruh noise hanya menambah offset dari frekuensi yang melatar belakangi.
Gambar 12: Spektrogram signal dengan noise. Kemudian delay waktu dihitung seperti pada gambar 8, dan hasilnya seperti terlihat pada gambar 13 berikut.
Gambar 13:Perubahan frekuensi yang menunjukkan perubahan delay.
Hasil perhitungan delay waktu antara gambar 9 dan gambar 13 menunjukkan nilai yang sangat mirip. Hal ini menunjukkan bahwa dari hasil tersebut algoritma yang telah dikembangkan handal terhadap gangguan noise (SNR=1).
Sedangkan gangguan noise yang lebih besar lagi (SNR=0.33), perubahan frekuensi masih dapat dideteksi seperti pada gambar 14 dibawah ini.
0 100 200 300 400 500
Gambar 14: Hasil perhitungan frekeunsi saat SNR = 0.33.
4. KESIMPULAN
Pada sistem FDOA untuk RADAR sekunder, bandwidth signal chirp dan kecepatan lebih lebar dan cepat akan menambah akurasi delay yang diukur. Untuk jarak maksimum roket 10 km bandwidth yang diperlukan pada signal chirp minimal 40 kHz. Tambahan random noise hingga SNR = 0.33 tetap dapat mengukur dengan baik, sehingga aplikasi FDOA ini juga cocok untuk RADAR sekunder. Hardware signal chirp generator akan dibahas lebih detail dalam tulisan tersendiri.
UCAPAN TERIMAKASIH
Terimakasih kepada LAPAN yang telah memfasilitasi dan mendanai proyek pengembangan RADAR sekunder.
DAFTAR REFERENSI
1. Wahyu Widada dan Sri Kliwati,” Desain Sistem Passive RADAR Radio UHF Untuk Aplikasi Uji Terbang Roket ”, Posiding SITIA ITS-Surabaya 2008.
2. Wahyu Widada dkk,” Metoda Kalibrasi TDOA Untuk Sistem Passive RADAR Trayektori Roket”, IES ITS 2008 Surabaya.
3. Wahyu Widada, Sri Kliwati,”Frequency-Domain TDOA Estimation Of Passive RADAR For Rocket Flight Test”,Prosiding Seminar Nasional Fisika 2008 ITB Bandung.
4. Robert J. Purdy etal, "Radar Signal Processing", LINCOLN LABORATORY JOURNAL VOLUME 12, NUMBER 2, 2000.
5. Wahyu Widada, ”Rancangbangun Robot Pencari Asal Arah Suara Berbasis Jaringan Saraf Tiruan”, Thesis Sarjana Engineering Waseda University, Tokyo JAPAN 1994.
6. Donald F. Breslin, “ADAPTIVE ANTENNA ARRAYS APPLIED TO POSITION LOCATION”, Master Thesis Virginia Polytechnic Institute and State University.
Sistem Identifikasi Pesawat Menggunakan Kecepatan dan
Radar
Cross Section
Pesawat Berbasis Jaringan Syaraf Tiruan
Backpropagation
Maman Darusman
1, Arwin Datumaya Wahyudi Sumari
2, Aciek Ida Wuryandari
31) 2) 3) Sekolah Teknik Elektro dan Informatika – ITB,
Gedung Labtek VIII Kampus ITB, Jl. Ganesha No. 10 Bandung, 40132 – INDONESIA 2) Departemen Elektronika, Akademi TNI Angkatan Udara,
Ksatrian Akademi TNI AU, Lanud Adisutjipto, Yogyakarta, 55002 - INDONESIA 1)maman_darusman@yahoo.com, 2) arwin91aau@yahoo.co.id, 3)aciek@lskk.ee.itb.ac.id
ABSTRAK
Radar digunakan untuk mendeteksi adanya obyek yang digunakan baik itu untuk kepentingan militer maupun sipil. Dalam bidang militer, Radar digunakan untuk mendeteksi adanya pesawat terbang yang sedang beroperasi di wilayah udara yang bersangkutan. Radar tidak hanya dapat mendeteksi pesawat tetapi juga dapat menerima informasi mengenai karakteristik pesawat, sehingga informasi karakteristik pesawat tersebut dapat digunakan untuk mengidentifikasi jenis pesawat. Informasi pesawat terbang yang dapat diketahui melalui Radar di antaranya adalah kecepatan dan penampang atau Radar Cross Section (RCS). Untuk kepentingan pertahanan dan keamanan negara diperlukan aplikasi di Radar yang dapat mengolah informasi pesawat yang terdeteksi sehingga menghasilkan keluaran berupa jenis pesawat. Dalam makalah ini dibahas desain dan implementasi perangkat lunak system identifikasi jenis pesawat terbang berbasis jaringan syaraf tiruan backpropagation menggunakan data kecepatan dan radar cross section sebagai parameter identifikasi. Aplikasi ini diberi nama Sistem Identifikasi Pesawat Terbang Berbasis Backpropagation Network (SIPT-BBPN). Aplikasi ini diimplementasikan menggunakan bahasa pemrograman MATLAB dengan memanfaatkan toolbox neural network. Hasil simulasi terhadap perangkat lunak disertakan untuk menunjukkan bahwa perangkat lunak yang dibuat memiliki kemungkinan besar untuk dapat diterapkan pada sistem radar nyata untuk kepentingan identifikasi pesawat terbang.
Kata kunci : Backpropagation, Identifikasi, Jaringan syaraf tiruan, Kecepatan, Radar, RCS
1. PENDAHULUAN
1.1 Konsep Dasar Radar
Radar adalah singkatan dari radio detection and
ranging. Radar digunakan untuk mendeteksi,
memperoleh posisi dan jarak suatu pesawat terbang, menghitung kecepatan, menghitung Radar Cross Section (RCS), dan mengetahui arah pesawat.
Prinsip utama dari teknologi radar adalah pemantulan gelombang elektromagnetik dan efekDoppler. Untuk mendeteksi suatu pesawat terbang radar memancarkan gelombang elektromagnetik melalui pemancarnya (transmitter) dan menerima pantulan gelombang elektromagnetik dari pesawat terbang tersebut dan diterima oleh penerima (receiver) radar. Konsep efek Doppler digunakan untuk menghitung kecepatan dan jarak dari pesawat terbang yang sedang dideteksi. Radar juga dapat membedakan obyek yang bergerak, misalnya pesawat, dengan obyek yang tidak bergerak dengan memanfaatkan konsep efek Doppler.
Frekuensi gelombang elektromagnetik yang dipancarkan bervariasi mulai dari sekitar 3 MHz sampai 100 GHz. Frekuensi gelombang yang digunakan disesuaikan dengan jarak pendeteksian.
1.2 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah suatu metoda pengolahan informasi yang menirukan kemampuan sel-sel syaraf manusia dalam mengolah data. Manusia mempunyai sel-sel syaraf yang disebut
neuron yang memungkinkan dapat belajar, berfikir
tentang sesuatu, mengenali dan mengingat sesuatu, membuat keputusan dan lain-lain. Itulah yang membedakan antara manusia dengan makhluk yang lain. JST terdiri atas neuron-neuron yang berfungsi untuk mengolah informasi yang masuk. Data yang masuk ke suatu neuron diolah oleh suatu fungsi yang disebut fungsi aktivasi.
Sebagaimana halnya pada manusia, sebelum JST dapat digunakan untuk mengolah data, terlebih dahulu harus dilakukan pelatihan agar JST dapat mengetahui sasaran (target) yang benar dari suatu data yang dimasukkan. Dalam pelatihan tersebut terjadi penyesuaian terhadap bobot antar neuron. Penyesuaian bobot-bobot ini adalah proses penambahan pengetahuan pada JST setiap ia mengolah data atau informasi baru. Selama proses pelatihan, nilai bobot-bobot jaringan diperbarui terus-menerus hingga selisih atau kesalahan (error) antara keluaran jaringan terhadap mendekati targetnya sangat kecil sesuai yang telah ditentukan. Dalam praktiknya, terdapat beberapa metoda JST yakni
perceptron, adaline, backpropagation, Adaptive
Resonance Theory (ART), Adaptive Bidirectional
Associative Memory (BAM).
1.3 Backpropagation
Backpropagation merupakan jaringan syaraf tiruan
yang terdiri atas beberapa layer yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer). Pelatihan jaringan backpropagation adalah sebagai berikut :
• data masukan ditransmisikan dari lapisan masukan ke lapisan tersembunyi kemudian ke lapisan keluarandengan nilai bobot awal,
• dihitung error antara keluaran dengan targetnya,
• jika error tersebut masih lebih besar dari error
yang diharapkan maka nilai error tersebut ditransmisikan kembali dari lapisan keluaran ke lapisan tersembunyi kemudian ke lapisan masukan,
• bobot disesuaikan untuk memperkecil error,
• kemudian data masukan ditransmisikan lagi ke lapisan keluaran melalui lapisan tersembunyi dengan bobot baru yang telah disesuaikan,
• pelatihan selesai jika nilai kuadrat kesalahannya atau mean square error (MSE) telah lebih kecil dari MSE yang diharapkan.
Fungsi aktivasi yang biasa digunakan dalam
backpropagation di antaranya adalah sigmoid biner, sigmoid bipolar dan linier.
2. PERANCANGAN DAN IMPLEMENTASI
SISTEM IDENTIFIKASI PESAWAT TERBANG BERBASIS JST BACK
PROPAGATION NETWORK
Perangkat lunak identifikasi jenis pesawat yang dibuat memiliki beberapa batasan di antaranya adalah sebagai berikut :
a. data masukan untuk perangkat lunak ini adalah kecepatan dan RCS pesawat;
b. perangkat lunak ini belum diterapkan di Radar, maka data masukan dimasukkan melalui keyboard;
c. perangkat lunak ini dibuat dengan menggunakan program Matlab dengan memanfaatkan toolbox neural network yang ada di Matlab;
d. data sampel yang digunakan untuk dilatih oleh JST backpropagation ada 8 jenis pesawat beserta kecepatan dan RCS- nya.
Berikut ini adalah data-data yang digunakan untuk melatih jaringan :
Tabel 1: Data jenis pesawat terbang, kecepatan rata-rata dan RCS[5].
Dikarenakan jenis pesawat terbang ditentukan oleh dua jenis data yaitu kecepatan rata-rata dan RCS, maka diperlukan dua JST untuk mengolah kedua data tersebut. JST pertama berfungsi untuk mengolah data kecepatan diberi nama JST1, sedangkan JST kedua berfungsi untuk mengolah data RCS diberi nama JST2. Dari data di atas dapat dibuat hubungan masukan dan target untuk kedua jaringan. Masukan dan target untuk kedua JST diperlihatkan pada Tabel 2 dan Tabel 3.
Tabel 2: Masukan data dan pola target kecepatan pada JST1
No. Masukan Target
1. 168,532 00000001 2. 1.470 00000010 3. 1000,08 00000100 4. 2.878,75 00001000 5. 227,796 00010000 6. 364,844 00100000 7. 459,296 01000000 8. 980 10000000
Tabel 3: Masukan data dan pola target RCS pada JST2
No. Masukan Target
1. 3 00000001 2. 5 00000010 3. 8 00000100 4. 15 00001000 5. 18 00010000 6. 27 00100000 7. 30 01000000 8. 100 10000000
Arsitektur untuk kedua JST diperlihatkan pada Gambar 1 dan Gambar 2.
Gambar 1: Arsitektur JST1.
Gambar 2: Arsitektur JST2.
Jaringan JST1 dan JST2 yang dibuat kemudian dilatih dengan MSE yang diharapkan sebesar 0,001. Agar kedua jaringan yang dibuat dapat melakukan pelatihan dengan cepat dan akurat, maka perlu dilakukan pengujian terhadap beberapa kondisi yang mempengaruhi performa jaringan. Setelah dilakukan pengujian atau trial and error didapatkan hasil yaitu beberapa kondisi terbaik sebagai berikut :
a. Kondisi JST1
• Fungsi aktivasi di hidden layer adalah sigmoid biner dan fungsi aktivasi di output layer adalah linear.
• Jumlah neuron di hidden layer sebanyak 1000 neuron.
• Learning rate yang digunakan besarnya 1.
b. Kondisi JST2
• Fungsi aktivasi di hidden layer adalah sigmoid biner dan fungsi aktivasi di output layer adalah linear.
• Jumlah neuron di hidden layer sebanyak 20
neuron.
• Learning rate yang digunakan besarnya 1.
3. Hasil Pelatihan SIPT-BBPN
Berikut ini adalah hasil pelatihan atau pembelajaran JST1 dan JST2 pada kondisi yang terbaik setelah dilakukan pengujian terhadap beberapa kondisi sebelumnya.
3.1 Hasil Pelatihan JST1
0 100 200 300 400 500 600 10-4
10-3 10-2 10-1 100 101 102
659 Epochs
T
rai
ni
ng
-B
lue
Go
a
l-B
lac
k
Performance is 0.00096893, Goal is 0.001
Gambar 3: Grafik hasil pembelajaran JST1. Dari grafik di atas diperoleh hasil MSE yang diharapkan dari pelatihan JST1 telah tercapai pada epoch ke 659.
Tabel 4a : Keluaran JST1 untuk data kecepatan -0.0005 -0.0022 0.1514 -0.0004
0.0003 0.0005 -0.0163 0.0001 0.0001 0.0007 -0.0520 0.0001 0.0001 0.0005 -0.0367 0.0001 -0.0001 -0.0007 0.0529 0.9999 -0.0003 -0.0006 1.0232 -0.0001
0.0002 1.0003 -0.0162 0.0001 1.0003 0.0004 -0.0132 0.0001 Tabel 4b: Keluaran JST1 untuk data kecepatan Keluaran
0.0003 0.0003 1.0001 0.0168 -0.0001 0.9999 -0.0008 0.0518
1.0000 0.0000 -0.0005 0.0366 0.0001 0.0001 0.0008 -0.0526 -0.0003 -0.0003 0.0000 -0.0237
0.0001 0.0001 -0.0001 0.0164 0.0003 0.0002 0.0001 0.0137
4. Hasil Pelatihan JST2
0 100 200 300 400 500 600 700 800
Performance is 0.000984005, Goal is 0.001
Gambar 4: Grafik hasil pembelajaran JST2. Dari grafik di atas diperoleh hasil MSE yang diharapkan dari pelatihan JST2 telah tercapai pada epoch ke 824.
Tabel 5a: Keluaran JST2 untuk data RCS Keluaran -0.0068 0.0084 -0.0055 0.0160
0.0297 -0.0426 0.0138 -0.0031 -0.0096 0.0117 -0.0032 0.0074
0.0185 -0.0261 0.0045 0.0100 -0.0342 0.0501 -0.0107 0.9843
0.0238 -0.0313 1.0046 0.0039 0.0601 0.9045 0.0413 -0.0095 0.9264 0.1128 -0.0384 -0.0082
Tabel 5b: Keluaran JST2 untuk data RCS Keluaran -0.0384 0.0617 -0.0359 0.9994 -0.0008 0.0091 0.9893 -0.0002 -0.0084 0.9895 0.0168 -0.0011
0.9725 0.0590 -0.0389 -0.0003 0.0307 -0.0395 0.0204 0.0018 -0.0038 0.0041 -0.0018 -0.0007
0.0062 -0.0146 0.0110 -0.0017 0.0268 -0.0333 0.0155 0.0029
Berdasarkan hasil pembelajaran pada masukan-masukan data kecepatan dan RCS yang diperlihatkan pada Tabel 4 dan Tabel 5, maka SIPT-BBPN yang dirancang dan diimplementasikan telah mampu mencapai hasil yang memuaskan. Untuk menguji sistem, akan dilakukan validasi pada Bagian IV.
5. VALIDASI SIPT-BBPN
Setelah dibuat jaringan yang optimal kemudian dibuat perangkat lunaknya. Pada penelitian ini untuk mengidentifikasi dilakukan tiga kali deteksi terhadap pesawat oleh radar. Jenis pesawat ditentukan melalui voting dari hasil kedua jaringan syaraf tiruan.
Gambar 5: Tampilan jendela SIPT-BBPN.
a. Pengujian kesatu
Untuk pengujian, SIPT-BBPN akan menerima tiga data masukan sebagaimana diperlihatkan pada Tabel 6, sedangkan hasil pengujiannya diperlihatkan pada Tabel 7.
Tabel 6: Data validasi SIPT-BBPN
Data masukan Deteksi
pertama
Tabel 7: Hasil validasi SIPT-BBPN
Keluaran
b. Pengujian kedua
Untuk pengujian, SIPT-BPN akan menerima tiga data masukan sebagaimana diperlihatkan pada Tabel 8, sedangkan hasil pengujiannya diperlihatkan pada Tabel 9.
Tabel 8: Data validasi SIPT-BBPN
Data masukan Deteksi
pertama
Tabel 9: Hasil validasi SIPT-BBPN
Keluaran
Hasil akhir F-16 Fighting Falcon Hasil ini menunjukkan bahwa SIPT-BBPN dapat mengidentifikasi dengan tepat jenis pesawat terbang yang dideteksi dengan variasi data kecepatan dan RCS yang diterimanya.
6. KESIMPULAN
Dari penelitian ini dapat ditarik kesimpulan bahwa JST-BPN dapat digunakan untuk mengidentifikasi jenis pesawat terbang berdasarkan kecepatan dan RCS. Kemampuan identifikasi ini diperoleh dari proses pembelajaran bertahap dengan pemilihan parameter-parameter pembelajaran JST yang meliputi jumlah neuron, laju pembelajaran, dan jenis fungsi aktivasi yang diaplikasikan pada lapisan tersembunyi dan lapisan keluaran guna untuk mendapatkan MSE sebesar 0,001. Dengan MSE yang sangat minimal, kesalahan identifikasi pesawat terbang dapat diminimalkan.
Pada tahap pelatihan jaringan untuk memperoleh MSE yang diharapkan dengan waktu yang lebih cepat maka cara yang diambil adalah menambah jumlah neuron di hidden layer, cara ini terbukti dengan baik.
Dari validasi yang telah dilakukan, SIPT-BBPN berusaha melakukan generalisasi untuk mengidentifikasi data masukan parameter-parameter pesawat terbang yang diterimanya sehingga mampu memberikan estimasi yang tepat mengenai identitas pesawat terbang yang dideteksinya. Dengan hasil ini, SIPT-BBPN memiliki kemungkinan untuk diuji coba pada sistem radar namun tentunya dengan beberapa penyempurnaan yang diperlukan.
DAFTAR REFERENSI
[1] Fausett, Laurene (1993), Fundamental of Neural Networks, Prentice-Hall.
[2] Freeman, James A., Skapura, David M. (1991), Neural Networks Algorithms,
Applications, and Programming Techniques,
Addison Wesley Longman Publishing Co., Inc., Redwood City.
[3] Hall, David L., Llinas, James (2001),
Handbook of Multisensor Data Fusion, CRC
Press, United States of America.
[4] Harre, Ingo (2004), RCS in Radar Range
Calculations for Maritime Targets,
http://www.mar-it.de/Radar/RCS/RCS_xx.pdf, 24 November 2008, 20.30 WIB.
[5] Nopriansyah (2008), System Identification Friend, Foe or Neutral Radar Menggunakan Radar Cross Section dan Kecepatan Pesawat, Tugas Akhir, Institut Teknologi Bandung. [6] Skolnik, Merril I. (1990), Radar Handbook,
McGraw-Hill, United States of America, 2nd Edition.
[7] Wesling, Andreas (2002), Radar Target Modelling Based on RCS Measurement,
Linkoping.
[8] ______________, Doppler Effect in
Accoustics,
http://physics-animations.com/Physics/English/wave_txt.htm #Doppler, 25 November 2008, 20.00 WIB. [9] ______________, A-OA-148-001/AG-000
Manual of Instrument Flying,
http://
www.icpschool.com/Downloads/files/O-OA-148/pdfs/Chap21a.PDF, 2 Desember
2008, 09.00 WIB. [10] ______________,
http://www.airtoaircombat.com, 3 Februari 2008, 11.00 WIB.
[11] ______________, Lab Exercise 7 : Doppler
Radar, http://www.eecs.umich.edu
/emag/labmanual/EECS330_LE7.pdf, 3 Desember 2008, 10.00 WIB.
[12] ______________, Radar, http://lasonearth.files.wordpress.com/2008/05/ pdf_ radar1.pdf, 3 Desember 2008, 10.15 WIB.
[13] ______________, (2004), Neural Network Toolbox For Use with with Matlab®: Getting
Started, The MATH WORKS Inc., Version 7.
16
The Performance of Supervised and Unsupervised
Neural Networks in Performing Aircraft Identification Tasks
Arwin Datumaya Wahyudi Sumari
1)Aciek Ida Wuryandari
2)Maman Darusman
2)Nur Ichsan Utama
2)1) Departemen Elektronika, Akademi Angkatan Udara Jl. Laksda Adisutjipto, Yogyakarta 55002 – INDONESIA
Telp. 0274 486922 ext 6101 Fax. 0274 488918 Email: arwin91aau@yahoo.co.id 2) Sekolah Teknik Elektro dan Informatika - ITB,
Kampus ITB Labtek VIII Lantai 2, Jl. Ganesa 10, Bandung 40132 – INDONESIA Telp. 022 2502260 Fax. 022 2534222 Email: aciek@lskk.ee.itb.ac.id,
maman_darusman@yahoo.com, nur_ichsan@ymail.com
ABSTRACT
This paper is a report on our research progress in the area of aircraft identification by utilizing neural networks and information fusion. In this paper we address the performance comparison of supervised and unsupervised neural networks in aircraft identification tasks in a generic system called Neural Network-based Aircraft Identification System (NN-AIS). We select Adaptive Resonance Theory (ART) for the unsupervised neural network and Back Propagation Network (BPN) for the supervised one. As for previous research, we use two kinds of input namely aircraft Radar Cross Section (RCS) and average speed. Their performance will be validated by using already-learnt and never-learnt patterns.
Keywords: ART, BPN, aircraft identification, RCS, speed
1. INTRODUCTION
Aircraft identification task is a critical matter to recognize the identity of an aircraft that is entering a monitored air space. The sooner the observed aircraft is identified, the faster the authorized authority can make a decision. In normal flight procedure, all aircraft flight plans must be reported to the authorized authority to be recorded. The records will be used to monitor every single aircraft movement in the monitored air space.
The reported flight plans ease the authority to track and identify a certain aircraft that is displayed on monitor room’s displays. A problem is arisen when the authority cannot identify a certain aircraft that is detected by radar system. There are two possibilities when an aircraft cannot be identified. First, there is a possibility the aircraft transponder for answering the interrogation signal from ground station is not working properly or failed. Second, there is an intention to turn-off the transponder in order to hide the aircraft identity.
For the second reason, we can conclude that the aircraft must be in undercover missions and can be a threat to our country’s sovereignty. Because of it, the authority must have a way to identify the unidentified aircraft before something harmful occurs in the future. One of ways in identifying aircraft is by using its Radar Cross Section (RCS) value and combining it with its speed. On the other hand, one approach that has been known well for object recognition is neural networks.
In this paper we address the utilization of two kinds of neural network architecture for performing aircraft identification tasks namely supervised and unsupervised. We use the two types of input for training and validating the networks and measure their performance. In general our proposed system is called as Neural Network-based Aircraft Identification System (NN-AIS).
The structure of the paper is as follows. Section 1 cover the background of the paper and it will be followed by Section 2 which covers a short introduction to neural networks as well as related matters to aircraft RCS and speed. Section 3 presents the NN-AIS design as well as the NN training. Section 4 delivers the system validation. The paper is summarized in Section 5 with some concluding remarks.
2. A SHORT INTRODUCTION TO NEURAL NETWORK AND AIRCRAFT RCS
In this section, we will present a short introduction to neural network, its learning paradigm taxonomy, and a brief explanation regarding two types of learning paradigm we select for our research. We also deliver a very brief explanation regarding aircraft RCS and speed.
2.1. Neural Network
to Shepherd and Koch (1990) in Haykin (1994), human brain has more than 10 billion neurons and 60 trillion synapses or connections between neurons. Even though it is relatively slower than computer systems that are made up from nano-technology silicon gates, it can do highly complex, nonlinear, and parallel tasks such as pattern recognition and perception, faster and very much better than the best computing system that human ever created.
17
Figure 1: Neuron or nerve cell.
Because the neural networks are good for recognition tasks, some earlier researchers such as McCulloch-Pitts, Grossberg, Minsky, etc., tried to model the nervous processing unit so its mechanism can be emulated in computing systems. From this perspective, we define Artificial Neural network (ANN) or usually called as just Neural Network (NN) as an emulation of human nervous system when performing information processing. Its characteristics are displayed on the ability to obtain new knowledge after a successful learning process and store it in the information storage which is its synaptic weights.
In more detail, NN is generalization of mathematical models of human cognition based on the assumptions that (Fausset, 1994):
• information processing occurs at many simple elements called neuron,
• signals are passed between neurons over connection links,
• each connection link has an associated connection weight which multiplies the signals transmitted,
• each neuron applies an activation function which is usually non linier, to its net input to determine its output signals.
Figure 2: A mathematical model of a neuron.
In NN model, neuron takes a set of inputs, , along with a set of connection or link or synaptic which are characterized by weights, . The summing junction, ∑, sums up the input signals that are amplified by the connection weights. The activation function,
allowable values. The architecture of the NN model is depicted in Figure 2.
The general mathematical equations for neural information processing are given in Equation 1 for inputs summing process to obtain vk
0
2.2. Neural Network Learning Model Taxonomy
According to Haykin’s (1994) taxonomy, there are three NN learning models.
• Supervised. The essential of this paradigm is the availability of an external supervisor, so there will be an input-output relation in order to find the most minimum disagreement between the NN outputs with the examples given by the supervisor.
• Unsupervised or Self-Organized. In this learning paradigm, there is no external teacher or examples to be learnt by the NNs. So, the NNs will perform a competitive learning rule where the winning neuron is entitled to keep the input in its memory.
• Reinforcement Learning. This is the on-line learning of an input-output mapping through a process of trial and error designed to maximize a scalar performance index called as reinforcement signal.
2.3. Supervised Neural Network – Back Propagation Network
The BPN was developed to cope with the limitations of single-layer NN. The BPN actually is a feedforward NN that is trained by backpropagation which means the signals is propagated in reverse direction. The primary aim of NN training is to train the NN to achieve a balance between the ability to respond correctly to the input patterns that are used for training or memorization, and the ability to give reasonable responses to input that is similar that used in training or generalization.
In training the NN with backpropagation mechanism, there will be three steps, namely:
• calculating the NN outputs and backpropagating the associated error,
• adjusting the connection weights to minimize the error.
After passing the training session, the NN uses the final connection weights when recognizing the input patterns given to it.
As commonly in a multilayer NN, BPN has three layers namely input layer, hidden layer, and output layer. The number of input and output layers is depended on the input pattern and the output’s target. The number of hidden layer is depended on particular applications, but commonly one hidden layer is sufficient for many applications. The architecture of BPN is depicted in Figure 3.
Figure 3: The architecture of the BPN model (Priyanto et.al, 2008).
1) Training Algorithm. Refer to (Fausset, 1994) for detailed BPN training algorithm. 2) Activation Function. There are four
common NN activation functions namely: • identity function which produces binary
output (0 or 1),
• binary step function with threshold θ , • binary sigmoid (logistics sigmoid), • bipolar sigmoid,
• hyperbolic tangent.
The sigmoid function and hyperbolic tangent are the most common activation function for training NN with backpropagation mechanism.
2.4. Unsupervised Neural Network – Adaptive Resonance Theory
Figure 4: ART1-NN architecture (Sumari et.al, 2008a).
ART-NN, as presented in Figure4, is designed to facilitate degree controlling of pattern similarity that is placed at the same cluster and overcomes stability-plasticity problem that is faced by other NN. The ART1-NN is also designed to group (cluster) binary input vectors. It has two layers, F1 layer is divided into two sublayers namely F1(a) as input part, and F1(b) as interface part, and layer F2 (cluster) along with reset unit that is used to control degree of patterns similarity that is put down at the same unit cluster. F1 and F2 layers are connected by two groups of weight paths, bottom-up weight and top-down weight. To control learning process, some complement units are also entangled at this NN.
For performing pattern matching, ART is provided with a parameter called vigilance parameter, with a value in range 0
ρ
ρ 1
< ≤ . Higher values of ρ are applied for training session, while lower values are applied for operating session.
ART1-NN architecture consists of two parts. The architecture of the ART1-NN is depicted in Figure 4.
• Computation Units. It consists of F1 layer (input part and interface part), F2 layer, and reset unit. The F2 layer is also called as competitive layer.
• Complementary Units. This unit provides a mechanism so that the computation that is carried out by ART1 algorithm can be done by using NN principles. These units are also called as gain control units. For the ART1-NN algorithm in detail, refer to (Skapura, 1991).
2.5. Aircraft Radar Cross Section and Speed
Radar Cross Section (RCS) is comparison between power density that is reflected to transmitting source and power density that is reflected by detected target or object. Figure 5 shows example of aircraft RCS that captured by Radar. Every aircraft or air object has sharply differentiated RCS in accordance with configuration elements that form RCS itself.
Figure 5: Common aircraft RCS (Nopriansyah et.al, 2008).
Aircraft speed that is presented at Radar screen can be obtained by using Doppler principle that is shown in Equation 3. Figure 3 illustrates how to calculate object speed by using Doppler principle.
2 d
.v
f cos
θ
λ
= (3)
which fd is Doppler shift, v is aircraft speed, λ is wavelength, and θ is angle between direction of incoming signal propagation with direction of antenna movement.
In this paper we use RCS and speed data taken from previous research done by Nopriansyah et.al, (2008) as presented in Table 1.
Table 1: List of aircraft RCS and speed data (Nopriansyah et.al, 2008).
No. Aircraft Type RCS Speed (km/hour)
1. Bell 47G 3 168.532
2. F-16 Fighting Falcon 5 1470
3. Hawk200 8 1,000.08
4. Su-30 Sukhoi 15 2,878.75
5. Cobra AH-1S 18 227.796
6. Cassa C-212 27 364.844
7. CN-235 30 459.296
8. A-310 Airbus 100 980
19
2.6. A Brief Introduction to Information FusionIn general, information fusion is a technique in combining physical or non-physical information form from diverse sources to become single comprehensive information to be used as a basis for prediction or estimation of a phenomenon. The prediction or estimation is then used as the basis for performing decisions or actions. Figure 6 illustrates the concept of information fusion.
Figure 6: The concept of information fusion (Ahmad & Sumari, 2008).
The information sources can be from as follows:
• observation data from distributed sensors,
• commands and data from operator or user,
• a priori data from an existing database.
Referring to (Hall, 2001) in (Ahmad & Sumari, 2008), for obtaining a comprehensive information in decision level, we can select many technique options such as Boolean operator methods (AND, OR) or heuristics value such as M-of-N, maximum vote, or weighted sum from hard decision and Bayes method, Dempster-Shafer, and fuzzy variable for soft decision. In this paper we use the Boolean operator for all approaches.
3. A GENERIC MODEL OF NEURAL NETWORK AIRCRAFT IDENTIFICATION
SYSTEM
The NN-AIS generic model is modified from Sumari et. al (2008b) which consists of three processing blocks namely Pre-processing Block, Aircraft Identification Block, and Post-processing Block.
3.1. NN-AIS Diagram Block
Figure 7: Generic NN-AIS architecture.
In general, the Pre-processing Block prepares the inputs in form of vector patterns to the two NNs. The Aircraft Identification Block performs identification of the received inputs to the knowledge stored in the NNs. The Post-processing Block fuses the output resulted from Aircraft Identification Block, converts and displays the estimated identity of the received inputs.
The peculiar feature of an NN is if it already learned the received input, it will produce an exact result. But if it has never learnt the received input, it will try to find the best match or estimated result.
3.2. Training in Supervised NN-AIS (Darusman et.al., 2009)
In the NN1 architecture we use 150 neurons in hidden layer, while in the NN2 architecture we use 20 neurons. We take these numbers after carrying out some observations to find the most appropriate numbers. For training the two NNs, we did some researches to find the most appropriate activation functions to be utilized to the NN architectures. We select the combination of logsig and purelin activation functions for hidden layer and output layer.
The BPN needs some time to train its structure in order to learn the vector patterns given to it by minimizing the difference error between the net’s outputs with the target’s values. In order to train the supervised BPN, we created vector patterns as presented in Table 2 and Table 3. The results of the NNs training are depicted in Figure 8 and Figure 9.
Table 2: Aircraft speed as inputs to NN1 and the NN1 learning’s targets.
No. Aircraft Speed Target
1. 168.532 00000001
2. 1470 00000010
3. 1,000.08 00000100
4. 2,878.75 00001000
5. 227.796 00010000
6. 364.844 00100000
7. 459.296 01000000
8. 980 10000000
20
Table 3: Aircraft speed as inputs to NN2 and the NN2 learning’s targets.
No. Aircraft RCS Target
1. 3 00000001
2. 5 00000010
3. 8 00000100
4. 15 00001000
5. 18 00010000
6. 27 00100000
7. 30 01000000
8. 100 10000000
Figure 8: NN1 knowledge for aircraft speed data.
Figure 9: NN2 knowledge for aircraft RCS data.
3.3. Training in Unsupervised NN-AIS (Utama et.al, 2009)(Wuryandari et.al, 2009)
In the same as the supervised one, we also created vector patterns for unsupervised ART but in different perspective as presented in Table 4 and Table 5.
Table 4: Aircraft RCS data and its associated pattern
No. Aircraft Type RCS Vector Pattern
1. Bell 47G 3 000000000011
2. F-16 Fighting Falcon 5 000000000101
3. Hawk 200 8 000000001000
4. Su-30 Sukhoi 15 000000001111
5. Cobra AH-1S 18 000000010010
6. Cassa C-212 27 000000011011
7. CN-235PTDI 30 000000011110
