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
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
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
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
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
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
3 1) 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
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
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
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
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
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.
![Tabel 1: Data jenis pesawat terbang, kecepatan rata-rata dan RCS[5].](https://thumb-ap.123doks.com/thumbv2/123dok/3966347.1909767/8.595.339.523.629.738/tabel-data-jenis-pesawat-terbang-kecepatan-rata-rata.webp)
