SIMULASI DETEKSI SKEMA MODULASI PADA SISTEM SOFTWARE DEFINED RADIO DENGAN MENGGUNAKAN METODE STATISTIK

(1)

SIMULASI DETEKSI SKEMA MODULASI PADA SISTEM SOFTWARE DEFINED RADIO DENGAN MENGGUNAKAN METODE STATISTIK

Wahyu Eko Prasetyo¹, Heroe Wijanto², Iswahyudi Hidayat³

¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom

Abstrak

Software Defined Radio (SDR) menghadirkan teknologi komunikasi radio yang sangat berperan penting dalam menjawab kebutuhan teknologi wireless masa depan. Dengan lebih menerapkan fungsi-fungsi yang ada dalam software dibandingkan dengan pendekatan hardware secara tradisional sistem radio akan memberikan fleksibilitas yang lebih besar. Fleksibilitas ini menawarkan solusi potensial untuk interoperabilitas, jaringan yang fleksibel dan dinamis sehingga dapat mendukung perbedaan frekuensi, perbedaan tipe modulasi, dan perbedaan bandwidth

Penerima yang digunakan pada sistem SDR harus mampu memilih skema demodulasi yang tepat untuk bermacam-macam sinyal dengan skema modulasi yang tidak diketahui, sehingga proses deteksi skema modulasi merupakan salah satu fungsi awal yang harus ada pada SDR. Algoritma pendetesian skema modulasi yang digunakan pada penelitian ini merupakan penggabungan antara metode statistik pada bagian ekstraksi ciri dan pada bagian keputusan menggunakan diagram pohon dan algoritma klustering K-means.

Hasil penelitian menunjukkan kinerja Algoritma Klustering K-means lebih baik daripada diagram pohon. Pada Algoritma Klustering K-means kombinasi parameter yang menghasilkan kinerja terbaik adalah ?max dan aa serta ?max, aa, dan dp. Dua kombinasi ini mampu mendeteksi modulasi QPSK tanpa error sejak kondisi 0 dB sedangkan untuk modulasi 16QAM dan 64QAM SNR minimum yang dibutuhkan 7-8 dB. Pada diagram pohon kombinasi parameter yang menghasilkan kinerja terbaik adalah ?max dan aa . Kombinasi ini mampu mendeteksi modulasi QPSK dan 16QAM tanpa error sejak kondisi 0 dB sedangkan untuk modulasi 64QAM SNR minimum yang dibutuhkan 7-8dB.

Kata Kunci : Deteksi Skema Modulasi, Software Defined Radio, Metode Statistik,

Abstract

Software Defined Radio (SDR) provides radio communication technology which is very important to adequate need of next generation of wireless technology. By more implementing function in software than approaching of hardware traditionally, will give more flexibility to radio system.

This flexibility offers potensial solution for interoperability, more dynamic and flexible network, able to support different frequency, modulation type and bandwidth

Modulation scheme detection is one of SDR early important function, because receiver used for this kind of system should be able to select a correct demodulation scheme for various signals with unknown modulation scheme. Modulation scheme detection algorithm that used in this research is a combination between statistic method on features extraction part and the KMeans clustering algorithm and tree diagram on decision part.

The research results show that K-means clustering algorithm have better performance than tree diagram. Combination of statistical parameters that give the best performance on K-means clustering algorithm are ?max and aa , and ?max, aa, and dp This two combination parameters have ability to detect QPSK modulation without error since SNR 0 dB, while minimum SNR required for modulation scheme16 QAM and 64 QAM is about 7-8 dB. On tree diagram method Combination of statistical parameters that give the best performance are aa and da. This combination have ability to detect QPSK and 16QAM modulation without error since SNR 0 dB, while minimum SNR required for modulation scheme1 64 QAM is about 7dB

Keywords : Modulation Scheme Detection, Software Defined Radio, Statistical

Tugas Akhir - 2007

(2)

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Sistem komunikasi wireless masa depan diharapkan mampu menghasilkan transmisi yang handal dengan kualitas dan data rate yang tinggi untuk aplikasi dalam berbagai kondisi. Disamping itu diharapkan pula dapat beradaptasi dengan berbagai standar, sehingga dapat mendukung perbedaan frekuensi, perbedaan tipe modulasi, dan perbedaan bandwidth.

SDR menghadirkan teknologi komunikasi radio yang sangat berperan penting dalam menjawab kebutuhan teknologi wireless masa depan. Dengan lebih menerapkan fungsi-fungsi yang ada dalam software dibandingkan dengan pendekatan hardware secara tradisional sistem radio akan memberikan fleksibilitas yang lebih besar. Fleksibilitas ini menawarkan solusi potensial untuk interoperabilitas, jaringan yang fleksibel dan dinamis serta pengurangan biaya operasi.

Pada umumnya suatu penerima mempunyai integrated circuit untuk menjalankan proses demodulasi sinyal-sinyal tertentu yang telah dimodulasi.

Perubahan pada skema modulasi juga akan menyebabkan perubahan integrated circuit pada penerima. Jika skema modulasi yang digunakan berbeda-beda maka agar dapat dimodulasikan dengan baik dibutuhkan jumlah circuit yang lebih banyak. Metode ini sangat tidak efektif karena menghabiskan biaya yang sangat mahal dan ukuran perangkat yang besar. Dengan SDR maka integrated circuit pada penerima tidak perlu dirubah, tetapi cukup dengan menambahkan pendeteksi skema modulasi karena nantinya penerima yang digunakan pada sistem ini harus mampu memilih skema demodulasi yang tepat untuk bermacam-macam sinyal dengan skema modulasi yang tidak diketahui.

Penelitian ini akan difokuskan pada metode pendeteksian skema modulasi dengan menggunakan metode statistik yang telah diteliti oleh Antti-Veikko Rosti [13] pada bagian ekstraksi ciri dan pada bagian keputusan menggunakan dua metode yaitu diagram pohon dan algoritma klustering K-Means. Metode ini

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

(3)

2

nantinya diharapkan mampu mendeteksi skema modulasi sinyal digital yaitu sinyal QPSK, 16QAM, dan 64QAM.

1.2 Tujuan Penelitian

Tujuan dari Tugas Akhir ini adalah sebagai berikut :

1. Meneliti dan memodelkan sistem pendeteksi skema modulasi yang digunakan pada Software Defined Radio.

2. Merancang dan mensimulasikan suatu pendeteksi skema modulasi pada sistem SDR, yaitu menggunakan metode statistik pada bagian ekstraksi ciri, sedangkan pada bagian keputusan menggunakan diagram pohon dan algoritma klustering K-Means.

3. Menganalisis performansi yang dihasilkan oleh metode tersebut dalam mengenali skema modulasi sampai batas nilai SNR tertentu.

4. Membandingkan performansi dari variasi parameter statistik yang digunakan.

5. Membandingkan performansi yang dihasilkan diagram pohon dan algoritma klustering K-Means pada bagian keputusan.

1.3 Rumusan Masalah

Permasalahan yang diangkat adalah bagaimana penerima mampu mendeteksi skema modulasi yang digunakan di pengirim tanpa adanya informasi mengenai skema modulasi tersebut yang kemudian dirumuskan dalam :

1. Pendefinisian model sistem pendeteksi skema modulasi yang digunakan pada Software Defined Radio.

2. Bagaimana merancang suatu algoritma pendeteksian skema modulasi otomatis untuk diterapkan pada sistem SDR dengan menggunakan metode statistik pada bagian ekstraksi ciri, sedangkan pada bagian keputusan menggunakan diagram pohon dan algoritma klustering K-Means.

3. Bagaimana performansi yang dihasilkan oleh metode tersebut.

4. Bagaimana perbandingan performansi yang dihasikan pada variasi parameter statistik yang berbeda-beda.

5. Bagaimana perbandingan performansi yang dihasilkan diagram pohon dan algoritma klustering K-Means pada bagian keputusan.

(4)

3

1.4 Batasan Masalah

Batasan masalah yang digunakan pada Tugas Akhir ini adalah : 1. Sinyal termodulasi dibangkitkan sendiri

2. Tidak membahas bagian preprocessing dari receiver seperti filtering, equalisasi, down-converter, sampling.

3. Hanya membahas metoda pengklasifikasian tiap modulasi.

4. Modulasi yang dibahas hanya modulasi digital yaitu QPSK, 16-QAM dan 64- QAM.

5. Asumsi frekuensi carier diketahui.

6. Noise yang digunakan adalah AWGN

7. Kanal yang digunakan adalah kanal fading yang terdistribusi Rayleigh.

8. Kecepatan user yang digunakan disesuaikan dengan standar teknis analisis yang berlaku secara umum yaitu 3, 30, dan 120 km/jam.

9. Perancangan algoritma pendeteksian skema modulasi dengan menggunakan metode statistik pada bagian ekstraksi ciri, sedangkan pada bagian keputusan menggunakan diagram pohon dan algoritma klustering K-Means.

10. Performansi algoritma yang diamati adalah modulation error detection.

11. Simulasi program menggunakan software MATLAB 7.0.1.

1.5 Metode Penelitian

Metode penelitian yang digunakan dalam pengerjaan Tugas Akhir ini adalah :

1. Study Literatur

Mempelajari berbagai referensi tentang Software Defined Radio, metode deteksi modulasi yaitu metode statistik, diagram pohon, dan algoritma klustering K-Means, serta karakter-karakter modulasi digital.

Diskusi dan bimbingan

2. Pemodelan Blok Diagram dan Perancangan Algoritma

Merancang algoritma pendeteksian skema modulasi dan memodelkan persamaan-persamaan matematis ke dalam bentuk blok-blok diagram untuk memudahkan penentuan titik pengujian.

3. Simulasi dan Training

(5)

4

Membuat simulasi sistem dan pemodelan sistem.

Melakukan training dari metode-metode statistik yang digunakan untuk memperoleh ekstraksi parameter.

4. Analisis Hasil Simulasi dan Kemampuan Deteksi

Menganalisis hasil simulasi sistem dan menguji kemampuan deteksi skema modulasi dari ekstraksi parameter yang didapatkan dengan sistem pengambilan keputusan menggunakan diagram pohon dan algoritma klustering K-Means.

1.6 Sistematika Penulisan

Tugas Akhir ini disusun dalam beberapa bab dengan sistematika pembahasan sebagai berikut :

BAB I : PENDAHULUAN

Bab ini membahas tentang latar belakang penulisan, tujuan penulisan, rumusan masalah, batasan masalah, metode penelitian, serta sistematika penulisan yang memuat susunan penulisan Tugas Akhir ini.

BAB II : DASAR TEORI

Pada bab ini akan dibahas mengenai uraian secara umum tentang teori Software Defined Radio, deteksi skema modulasi pada Software Defined Radio yaitu metode statistik, diagram pohon, dan algoritma klustering K-Means, modulasi sinyal digital yaitu QPSK, 16QAM, dan 64QAM.

BAB III : PERANCANGAN ALGORITMA DAN SIMULASI

Berisi pemodelan dari sistem dan perancangan algoritma deteksi skema modulasi.

BAB IV : ANALISIS HASIL SIMULASI

Berisi analisis mengenai pemodelan sistem dan hasil deteksi skema modulasi berdasarkan ekstraksi parameter yang didapatkan.

BAB V : KESIMPULAN dan SARAN

Memberikan kesimpulan hasil penelitian dan saran-saran pengembangan penelitian ke depan.

(6)

72

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil pengujian dan analisis pada bab sebelumnya, maka dapat diperoleh kesimpulan sebagai berikut:

1. Kombinasi parameter ekstraksi yang digunakan sangat mempengaruhi kinerja algoritma deteksi skema modulasi.

2. Untuk pengujian nilai parameter ?max, aa, dan af relatif tidak terpengaruh terhadap kecepatan user, lain halnya dengan parameter dp, dimana setiap kali diiterasi nilainya selalu beubah-ubah.

3. Kinerja deteksi skema modulasi menggunakan klustering K-means lebih baik daripada menggunakan diagram pohon

4. Untuk deteksi skema modulasi dengan diagram pohon kinerja terbaik dihasilkan oleh variasi kombinasi parameter, yaitu parameter aa dan da.

5. Pada kombinasi parameter aa dan da untuk modulasi QPSK dan 16QAM dibutuhkan SNR minimum 0 dB sedangkan untuk modulasi 64QAM 7 dB.

6. Untuk deteksi skema modulasi dengan klustering kinerja terbaik klustering 2 dimensi dihasilkan oleh variasi kombinasi parameter, yaitu parameter ?max dan

aa, sedangkan untuk klustering 3 dimensi dihasilkan oleh variasi kombinasi parameter, yaitu parameter ?max, aa, dan dp

7. Pada kombinasi parameter ?max dan _aa untuk modulasi QPSK dibutuhkan SNR minimum 0 dB sedangkan untuk modulasi 16QAM dan 64QAM masing- masing 2 dan 8 dB.

8. Pada kombinasi parameter ?max, aa, dan dp untuk modulasi QPSK dibutuhkan SNR minimum 0 dB sedangkan untuk modulasi 16QAM dan 64QAM masing-masing 6 dan 7 dB.

9. Kinerja parameter dp kurang baik jika digunakan untuk deteksi skema modulasi 2 dimensi.

10. Kinerja parameter dp akan maksimal jika digunakan untuk deteksi skema modulasi 3 dimensi.

(7)

73

11. Ekstrak ciri dan klasifikasi sinyal modulasi sangat dipengaruhi oleh urutan percabangan diagram pohon.

12. Jumlah sampel sinyal yang diambil mempengaruhi kehandalan sistem.

13. Jumlah sampel sinyal 3600 cukup untuk menghasilkan deteksi modulasi yang baik.

5.2 Saran

Tugas Akhir ini diharapakan dapat memberikan ide dan masukan untuk pengembangan penelitian selanjutnya. Beberapa hal yang dapat disarankan untuk pengembangannya adalah :

1. Penggunaan parameter ekstraksi sinyal lain yang lebih bervariatif.

2. Memvariasikan metode statistik dengan skema pengambilan keputusan lain, seperti misalnya dengan Fuzzy C-Means, Maximum Likelihood, Algoritma Genetika.

3. Pengaplikasian algoritma lebih lanjut dengan menggunakan perangkat pemrograman digital seperti Digital Signal Processors (DSPs) atau Field Programmable Gate Arrays (FPGAs).

.

(8)

xxi

DAFTAR PUSTAKA

[1] 3GPP TR.25-996 (V6.1.0 2003-09) “Technical Specification Group Radio Access Network; Spatial channel model for Multiple Input Multiple Output (MIMO) simulations”, 3GPP, 2003.

[2] Azzouz, E.E., dan A. K. Nandi. 1996. Automatic Modulation Recognition of Communication Signals. Boston: Kluwer Academic Publishers.

[3] Burns, P. 2003. Software Defined Radio for 3G. London : Artech House,Inc.

[4] Ginting,I.2005.Analisis Dan Simulasi Pendeteksi Skema Modulasi Pada Software Radio.Tugas Akhir Jurusan Teknik Telekomunikasi STT Telkom.

Bandung.

[5] Hayes, Monson H.1996. Statistical Digital Signal Processing and Modeling.

New York: John Wiley and Sons.

[6] Haykin, Simon. 1989. Analog & Digital Communication. New York: John Wiley & Sons

[7] Le, Bin, Rondeau, Thomas W., dkk.“Modulation Identification Using Neural Networks for Cognitive Radios”. National Science Foundation Under Awards 9983463, DGE-9987586, CNS-0519959.

[8] Mansour,A dan D.Le Guen. 2002. “Automatic Recognition for Digitally Modulated Signals”. Procedings of the IASTED International Conference.Greece.

[9] Mohd Hairi bin Halmi, dan Ashraf Gasim Elsid Addalla. “Detection of Modulation Scheme for Software Defined Radio System in 4^thGeneration Mobile Network”. Proceeding of APCC 2003.

[10] Nolan, Keith E., Doyle, Linda, dkk. ”Modulation Scheme Recognition Techniques for Software Radio on a General Purpose Processor Platform”.

Networks and Telecommunications Research Group, Trinity College.

Dublin.

(9)

[11] Oppenheim, A.V., dan R.W. Shafer. 1989. Discrete-Time Signal Processing.

Englewood Cliffs, NJ:Prentice Hall.

[12] Rappaport , Theodore S. 2002. Wireless Communications. Prentice Hall.

[13] Rosti, Antti-Viekko. 1998. “Statistical Methods in Modulation Classification”, Ph.D. Thesis Tampere University of Technology. Tampere.

[14] Tou ,Julius T., dan R.C. Gonzales . 1974. Pattern Recognition Principles . London: Addison-Wesley

[15] Wong, M. L. D., dan A. K. Nandi. 2001. “Automatic Digital Modulation Recognition Using Spektral and Statistical Features with Multi-Layer Perceptrons”. International Symposium on Signal Processing and its Applications (ISSPA). Kuala Lumpur.

.