Pengenalan Modulasi pada Komunikasi Nirkabel Radio dengan Convolutional Neural Networks

Gultom, Reinaldo Yosafat (2023) Pengenalan Modulasi pada Komunikasi Nirkabel Radio dengan Convolutional Neural Networks. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07111940000092-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until October 2025. Download (2MB) | Request a copy

Abstract

Komunikasi adaptif memainkan peran penting dalam sistem komunikasi modern yang perlu beradaptasi dengan lingkungan yang dinamis. Pengenalan modulasi yang merupakan Teknik untuk mengenali jenis modulasi sinyal dan pengenalan anomali pada sinyal merupakan aspek kunci dalam meningkatkan kualitas komunikasi. Penelitian ini memiliki tujuan untuk memperoleh model dari machine learning (ML) yang terbaik dalam mengenali modulasi yang diterima pada receiver. Pada proses penelitian ini, data input dari ML yang merupakan data kompleks akan direpresentasikan ke dalam bentuk gambar diagram konstelasi maupun data yang direpresentasi ke dalam bentuk 2D CSV dari sinyal kompleks yang diterima untuk membantu modelnya dalam memperoleh fitur unik pada masing-masing 6 jenis modulasi yang akan dikenal. Adapun model ML yang digunakan akan memakai algoritma deep learning, yaitu convolutional neural networks (CNNs) yang dikenal mampu melakukan pengenalan dengan baik. Input data untuk ML diperoleh dengan menerima sinyal dari receiver pada SDR melalui Simulasi Simulink. Input data diperoleh dari 4 jenis synchronizer berbeda sesuai dengan jenis modulasi yang diterima dari receiver ketika menerima suatu sinyal. Data yang diperoleh diproses pada ML pada setiap simbol data yang diterima. Model ML yang telah dilatih digunakan untuk melakukan klasifikasi sinyal pada data validasi dan uji untuk 6 kategori yang telah ditentukan. Pada Tugas Akhir ini dapat disimpulkan bahwa model yang dibuat berhasil dibuat akurat dalam melakukan pengenalan modulasi dengan mencapai akurasi 95,4% pada data validasi dan 96,5 % pada data uji dengan kebutuhan waktu 0,00008 detik untuk mengenal pada satu jenis data modulasi.
===================================================================================================================================
Adaptive communication plays an important role in modern communication systems that need to adapt to dynamic environments. Automatic Modulation Recognition (AMR), which is a technique for recognizing the type of signal modulation and identifying anomalies in the signal, is a key aspect in improving the quality of communication. This study aims to obtain the best machine learning (ML) model in recognizing the modulation received at the receiver. In this research process, input data from ML which is a complex data will be represented in the form of a constellation diagram or data represented in a 2D CSV form of the received signal complex to assist the model in obtaining unique features in each of the 6 types of modulation. will be known. The ML model used will use deep learning algorithms, namely convolutional neural networks (CNNs) which are known to be capable of good recognition. Input data for ML is obtained by receiving a signal from the receiver on the SDR through Simulink Simulation. The input data obtained from the 4 types of synchronization differ according to the type of modulation received from the receiver when receiving a signal. The data obtained is processed in ML for each symbol data received. The alert ML model is used to classify signals in data validation and tests against 6 predefined categories. In this Final Project it can be interpreted that the model created was successful in making accurate recognition of modulation by achieving 95.4% accuracy in data validation and 96.5% in data testing with a time requirement of 0.00008 seconds to recognize one type of data modulation.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional neural networks, Komunikasi adaptif, Pengenalan modulasi, Adaptive communication, Modulation recognition
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5101 Telecommunication
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Reinaldo Yosafat Gultom
Date Deposited:	26 Jul 2023 06:48
Last Modified:	26 Jul 2023 06:48
URI:	http://repository.its.ac.id/id/eprint/99356

Actions (login required)

View Item