Klasifikasi Sinyal Radar Menggunakan Jaringan Saraf Tiruan.

ABSTRAK

Radar (radio detecting and ranging) merupakan suatu perangkat elektronis yang digunakan untuk mendeteksi suatu target. Dengan radar suatu target dapat dideteksi, seperti posisi target, kecepatan target, jarak target maupun bentuk target.

Dalam Tugas Akhir ini telah direalisasikan penggunaan jaringan saraf tiruan untuk mengklasifikasikan sinyal target pada radar. Jaringan saraf tiruan adalah salah satu pendekatan dalam bidang kecerdasan buatan yang sangat baik jika diaplikasikan untuk kasus pengklasifikasian pola. Untuk melatih jaringan saraf tiruan diperlukan pasangan data latih dan data target yang diperoleh dari contoh-contoh data radar.

Dari hasil pengujian dapat diperlihatkan bahwa jaringan saraf tiruan mampu mengklasifikasikan sinyal radar. Dari hasil pelatihan membuktikan penggunaan jaringan saraf tiruan mampu mengklasifikasikan sinyal radar dengan keberhasilan 100% untuk data radar yang dimiliki.

ABSTRACT

Radar ( radio detecting and ranging) is an electronic device that can be used to detect a target. By using a radar a target can be detected, namely its position, its velocity, its range or its shape.

In this Final Project, it has been implemented the artificial neural network to classify the target signals at a radar. Neural network is one approach in the field of a real good artificial intelligence if it was used for pattern classification.There must be a set of data training and a set of data target from data radar to make an artificial neural network can be trained.

From the simulations it was shown that an artificial neural network can classify radar signal. From the training process, it can be proved that the used of an artificial neural network can classify the radar signal with 100% successful rate for the radar data that was used.

DAFTAR ISI

LEMBAR

PENGESAHAN

SURAT PERNYATAAN

ABSTRAK

i

ABSTRACT

ii

KATA

PENGANTAR

iii

DAFTAR ISI

v

DAFTAR

TABEL

vii

DAFTAR

GAMBAR

viii

BAB

I

PENDAHULUAN

1

1.1. Latar Belakang 1 1.2. Identifikasi Masalah 1

1.3. Tujuan 1

1.4. Pembatasan Masalah 2 1.5. Sistematika Penulisan 2

BAB

II

LANDASAN

TEORI

3

II.1. Radar 3

II.2. Jaringan Saraf Tiruan (JST) 5

II.2.1. Hubungan Antara Lapisan (Layer) dalam JST 6

II.2.2. Proses Pembelajaran dan Pelatihan 7

II.2.3. Feedback 8

II.2.4. Fungsi Aktivasi Dalam JST 8

II.2.5. Bias dan Threshold 11 II.2.6. Jaringan Saraf Tiruan Dengan Metoda

Brain State In The Box 11

BAB

III

PERANCANGAN

13

III.1. Jaringan Saraf Tiruan Pada Matlab 13

III.2. Blok Diagram Pelatihan 14

III.3 Diagram Alir Proses Pelatihan 15

III.4. Blok Diagram Pengujian 17

BAB IV PERCOBAAN DAN ANALISA

18

IV.1. Data Masukan 18

IV.2. Data Target 20

IV.3. Pelatihan 22

IV.4. Analisa 32

BAB V KESIMPULAN DAN SARAN

33

DAFTAR

PUSTAKA

34

Lampiran A Data Masukan dan Data Target

Lampiran B Isi Program dan Hasil Pelatihan

DAFTAR TABEL

Tabel IV.1. Data Masukan 1 19

Tabel IV.2. Data Target 21

DAFTAR GAMBAR

Gambar II.1. Prinsip Dasar Radar 3

Gambar II.2. Blok Diagram Radar 4

Gambar II.3. Prinsip Jaringan saraf tiruan 5

Gambar II.4. Jaringan Lapis Tunggal 6

Gambar II.5. Jaringan Lapis Banyak 7

Gambar II.6. Fungsi Tangga Biner 9

Gambar II.7. Fungsi Linear 9

Gambar II.8. Fungsi Sigmoid Biner 10

Gambar II.8. Fungsi Bipolar 10

Gambar II.9. Blok diagram Brain state In the box 12

Gambar III.1. Gambar Fungsi Secara Umum 13

Gambar III.2. Gambar Jaringan Saraf tiruan 13

Gambar III.3. Blok Diagram Pelatihan 15

Gambar III.4. Diagram Alir Proses Pelatihan 16

Gambar III.5. Blok Diagram Pengujian 17

Gambar IV.1. Proses Pelatihan I 22

Gambar IV.2. Proses pelatihan II 23

Gambar IV.3. Proses pelatihan III 24

Gambar IV.4. Proses pelatihan IV 25

Gambar IV.5. Proses pelatihan V 26

Gambar IV.6. Proses pelatihan VI 27

Gambar IV.7. Proses pelatihan VII 28

Gambar IV.8. Proses pelatihan VIII 29

Gambar IV.9. Proses pelatihan IX 30

Gambar IV.10. Proses pelatihan X 31

Lampiran A

Lampiran B

™ Pelatihan clear;

close all; clc;

% ---% %% Program untuk klasifikasi sinyal radar % ---% %---% %% Sinyal masukan % %---% for j=1:3

[nama_file_masukan,path_file_masukan]=uigetfile('*.mat','Pilih file masukan'); load (nama_file_masukan); x=f; x=abs(x); [brs kol]=size(x); for k=1:brs for m=1:kol if x(k,m)>0 x(k,m)=1; else x(k,m)=-1; end; end; end; if j==1 x1=x; elseif j==2 x2=x; elseif j==3 x3=x; end; clear x f; end clear j k m

masukan_1=x1(1:180,1)'; masukan_2=x2(1:180,1)'; masukan_3=x3(1:180,1)'; bias=ones(1,180);

%---% %% Sinyal target % %---%

[nama_file_target,path_file_target]=uigetfile('*.mat','Pilih file target'); load (nama_file_masukan); x=f; x=abs(x); [brs kol]=size(x); for k=1:brs for m=1:kol if x(k,m)>0 B-1

x(k,m)=1; else x(k,m)=-1; end; end; end; x4=x; target=x4(1:180,1)'; clear x f;

%---% % % Inisialisasi % %---% alpha=0.1; bobot_bias=zeros(1,180); bobot_masukan_1=zeros(1,180); bobot_masukan_2=zeros(1,180); bobot_masukan_3=zeros(1,180); keluaran=zeros(1,180); iterasi=0; delta_bobot_masukan_1(1)=alpha.*(target(1)-keluaran(1)).*masukan_1(1); delta_bobot_masukan_2(1)=alpha.*(target(1)-keluaran(1)).*masukan_2(1); delta_bobot_masukan_3(1)=alpha.*(target(1)-keluaran(1)).*masukan_3(1); delta_bobot_bias(1)=alpha.*(target(1)-keluaran(1)); maks=[delta_bobot_masukan_1(1),delta_bobot_masukan_2(1),bobot_masukan_3(1),... delta_bobot_bias(1)]; maks=max(maks); disp(['Mulai iterasi']); % temp=zeros(2,40); % temp(1,1:40)=1:1:40; while maks~=0

disp(' '); iterasi=iterasi+1;

disp(['Ini adalah epoch ke-',num2str(iterasi)]);

net(1)=masukan_1(1).*bobot_masukan_1(1)+masukan_2(1).*bobot_masukan_2(1)+... masukan_3(1).*bobot_masukan_3(1)+bobot_bias(1); keluaran(1)=net(1); if keluaran(1)~=target(1) delta_bobot_masukan_1(1)=alpha.*(target(1)-keluaran(1)).*masukan_1(1); delta_bobot_masukan_2(1)=alpha.*(target(1)-keluaran(1)).*masukan_2(1); delta_bobot_masukan_3(1)=alpha.*(target(1)-keluaran(1)).*masukan_3(1); delta_bobot_bias(1)=alpha.*(target(1)-keluaran(1)); else delta_bobot_masukan_1(1)=0; delta_bobot_masukan_2(1)=0; delta_bobot_masukan_3(1)=0; delta_bobot_bias(1)=0; end; bobot_masukan_1(1)=bobot_masukan_1(1)+delta_bobot_masukan_1(1); bobot_masukan_2(1)=bobot_masukan_2(1)+delta_bobot_masukan_2(1); bobot_masukan_3(1)=bobot_masukan_3(1)+delta_bobot_masukan_3(1); bobot_bias(1)=bobot_bias(1)+delta_bobot_bias(1); for j=2:brs,j; B-2

net(j)=masukan_1(j).*bobot_masukan_1(j-1)+masukan_2(j).*bobot_masukan_2(j-1)+... masukan_3(j).*bobot_masukan_3(j-1)+bobot_bias(j-1); keluaran(j)=net(j); if keluaran(j)~=target(j) delta_bobot_masukan_1(j)=alpha.*(target(j)-keluaran(j)).*masukan_1(j); delta_bobot_masukan_2(j)=alpha.*(target(j)-keluaran(j)).*masukan_2(j); delta_bobot_masukan_3(j)=alpha.*(target(j)-keluaran(j)).*masukan_3(j); delta_bobot_bias(j)=alpha.*(target(j)-keluaran(j)); else delta_bobot_masukan_1(j)=0; delta_bobot_masukan_2(j)=0; delta_bobot_masukan_3(j)=0; delta_bobot_bias(j)=0; end; bobot_masukan_1(j)=bobot_masukan_1(j-1)+delta_bobot_masukan_1(j); bobot_masukan_2(j)=bobot_masukan_2(j-1)+delta_bobot_masukan_2(j); bobot_masukan_3(j)=bobot_masukan_3(j-1)+delta_bobot_masukan_3(j); bobot_bias(j)=bobot_bias(j-1)+delta_bobot_bias(j); end; bobot_masukan_1(1)=bobot_masukan_1(brs); bobot_masukan_2(1)=bobot_masukan_2(brs); bobot_masukan_3(1)=bobot_masukan_3(brs); bobot_bias(1)=bobot_bias(brs); maks=[delta_bobot_masukan_1(brs),delta_bobot_masukan_2(brs),... delta_bobot_masukan_3(brs),delta_bobot_bias(brs)]; maks=max(maks); maks_skala=maks.*1e12 maks_plot(iterasi)=maks_skala; temp(1,iterasi)=iterasi; temp(2,iterasi)=maks_skala; disp(' ');

j; clear j; % pause;

end; end;

%---% %% Gambar kurva kesalahan terhadap epoch %---% figure;

plot(1:iterasi,maks_plot(1:iterasi));grid; title('Hasil simulasi pertama');

xlabel('Epoch ke-');ylabel('Kesalahan'); x_maks=iterasi+2;

y_maks=max(maks_plot)+5e-14; axis([0 x_maks -5e-13 y_maks])

Bab I

PENDAHULUAN

1.1. Latar Belakang

Aplikasi yang umum dari suatu sistem radar adalah mendeteksi jarak. Untuk mendapatkan informasi jarak, maka suatu sistem radar biasanya mengirimkan sebuah pulsa dengan daya yang cukup besar ke arah target atau obyek. Informasi jarak dapat diperoleh jika pulsa yang dikirimkan ke target dipantulkan sebagian ke penerima sistem radar dan menghitung waktu delay hingga sampai di penerima.

Walaupun demikian, jika terdapat beberapa sistem radar yang beroperasi secara bersamaan di wilayah yang sama, maka sebuah penerima yang sangat sensitif akan mendeteksi berbagai sinyal sehingga harus dilakukan de-interleave terhadap sinyal-sinyal tersebut untuk masing-masing sistem radar. Hal ini dilakukan untuk memisahkan sinyal-sinyal tersebut untuk masing-masing sistem radar.

1.2. Identifikasi Masalah

Bagaimana jaringan saraf tiruan (JST) dapat mengklasifikasikan sinyal yang diterima untuk masing-masing sistem radar dan bagaimana kinerja pengklasifikasian sinyal yang diterima untuk masing-masing sistem radar ?

1.3. Tujuan

Tugas Akhir ini bertujuan untuk menganalisa pengklasifikasian sinyal radar menggunakan JST dan juga menghitung persentase kesalahan pengklasifikasian sinyal yang diterima untuk masing-masing sistem radar.

2

1.4. Pembatasan Masalah

Dalam Tugas Akhir ini pengklasifikasian radar dengan menggunakan JST akan dibatasi dengan pembatasan masalah antara lain :

1. Sinyal input, target dan output berupa sinyal bipolar.

2. Jumlah sistem radar yang beroperasi secara serentak ada 3 buah. 3. Model jaringan saraf tiruan yang digunakan adalah

Brain-State-in-a-Box (BSB).

4. Simulasi dengan menggunakan software matlab 6.5.

1.5. Sistematika Penulisan

Penulisan laporan Tugas Akhir terdiri dari lima bab, dengan susunan sebagai berikut :

• Bab I Pendahuluan

Bab ini menjelaskan tentang latar belakang, identifikasi masalah, tujuan, pembatasan masalah dan sistematika penulisan.

• Bab II Teori Penunjang

Bab ini berisi tentang landasan teori yang berkaitan dengan Tugas Akhir ini, seperti dasar teori dari radar, JST, serta metode pelatihan yang digunakan.

• Bab III Perancangan dan Realisasi

Berisi tentang perancangan perangkat lunak yang dibuat dan diagram alir yang meliputi pelatihan data dan prediksi data.

• Bab IV Pengujian dan Analisa

Berisi tentang hasil data percobaan dan analisa terhadap hasil yang diperoleh dari pengujian perangkat lunak yang sudah dibuat.

• Bab V Kesimpulan dan Saran

Bab ini berisikan kesimpulan dari hasil pengamatan dan saran-saran untuk pengembangan lebih lanjut.

BAB V

KESIMPULAN DAN SARAN

V.1. Kesimpulan

Kesimpulan yang dapat diambil dari Tugas Akhir ini adalah :

1. Berdasarkan hasil percobaan dapat disimpulkan bahwa program dapat menghasilkan keluaran sesuai dengan target.

2. Hasil pelatihan menunjukkan sinyal radar dapat diklasifikasi dengan menggunakan jaringan saraf tiruan dengan tingkat keberhasilan klasifikasi 100% untuk data radar yang digunakan.

V.2. Saran

Selain data radar posisi ini dapat juga digunakan data radar yang lain, seperti radar cuaca, radar polusi dan lain-lain.

DAFTAR PUSTAKA

1. Anderson J.A., Silverstein J.W., Ritz S.A. and Jones R.S., “Distinctive features, categorical perception, and probability learning: Some applications of a neural model”, Psychological Review, 1977.

2. Demuth, Howard and Mark Beale, “Neural Network Toolbox User’s Guide”, The Math Works, 1994.

3. Edde, Byron, “Radar Principle, Technology, Application”, Prentice-Hall International, Inc, United State of America, 1993.

4. Jong, J.S, “Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan

Matlab”, Penerbit Andi, Yogyakarta, 2005.

5. Kristanto, Andri, ”Jaringan Saraf Tiruan : Konsep Dasar, Algoritma dan Aplikasi”, Edisi Pertama, Penerbit Gava Media, Yogyakarta, 2004.

6. Kumar, Satish, “Neural Network: A Classroom Approach”, McGraw-Hill, Singapore, 2005.

7. Kusumadewi, Sri, “Membangun Jaringan Saraf Tiruan Menggunakan Matlab & Excel Link”, Penerbit Graha Ilmu, Yogyakarta, 2004.

x(k,m)=1; else x(k,m)=-1; end; end; end; x4=x; target=x4(1:180,1)'; clear x f;

%---% % % Inisialisasi % %---% alpha=0.1; bobot_bias=zeros(1,180); bobot_masukan_1=zeros(1,180); bobot_masukan_2=zeros(1,180); bobot_masukan_3=zeros(1,180); keluaran=zeros(1,180); iterasi=0; delta_bobot_masukan_1(1)=alpha.*(target(1)-keluaran(1)).*masukan_1(1); delta_bobot_masukan_2(1)=alpha.*(target(1)-keluaran(1)).*masukan_2(1); delta_bobot_masukan_3(1)=alpha.*(target(1)-keluaran(1)).*masukan_3(1); delta_bobot_bias(1)=alpha.*(target(1)-keluaran(1)); maks=[delta_bobot_masukan_1(1),delta_bobot_masukan_2(1),bobot_masukan_3(1),... delta_bobot_bias(1)]; maks=max(maks); disp(['Mulai iterasi']); % temp=zeros(2,40); % temp(1,1:40)=1:1:40; while maks~=0

disp(' '); iterasi=iterasi+1;

disp(['Ini adalah epoch ke-',num2str(iterasi)]);

net(1)=masukan_1(1).*bobot_masukan_1(1)+masukan_2(1).*bobot_masukan_2(1)+... masukan_3(1).*bobot_masukan_3(1)+bobot_bias(1); keluaran(1)=net(1); if keluaran(1)~=target(1) delta_bobot_masukan_1(1)=alpha.*(target(1)-keluaran(1)).*masukan_1(1); delta_bobot_masukan_2(1)=alpha.*(target(1)-keluaran(1)).*masukan_2(1); delta_bobot_masukan_3(1)=alpha.*(target(1)-keluaran(1)).*masukan_3(1); delta_bobot_bias(1)=alpha.*(target(1)-keluaran(1)); else delta_bobot_masukan_1(1)=0; delta_bobot_masukan_2(1)=0; delta_bobot_masukan_3(1)=0; delta_bobot_bias(1)=0; end; bobot_masukan_1(1)=bobot_masukan_1(1)+delta_bobot_masukan_1(1); bobot_masukan_2(1)=bobot_masukan_2(1)+delta_bobot_masukan_2(1); bobot_masukan_3(1)=bobot_masukan_3(1)+delta_bobot_masukan_3(1); bobot_bias(1)=bobot_bias(1)+delta_bobot_bias(1); for j=2:brs,j;

B-2

net(j)=masukan_1(j).*bobot_masukan_1(j-1)+masukan_2(j).*bobot_masukan_2(j-1)+... masukan_3(j).*bobot_masukan_3(j-1)+bobot_bias(j-1); keluaran(j)=net(j); if keluaran(j)~=target(j) delta_bobot_masukan_1(j)=alpha.*(target(j)-keluaran(j)).*masukan_1(j); delta_bobot_masukan_2(j)=alpha.*(target(j)-keluaran(j)).*masukan_2(j); delta_bobot_masukan_3(j)=alpha.*(target(j)-keluaran(j)).*masukan_3(j); delta_bobot_bias(j)=alpha.*(target(j)-keluaran(j)); else delta_bobot_masukan_1(j)=0; delta_bobot_masukan_2(j)=0; delta_bobot_masukan_3(j)=0; delta_bobot_bias(j)=0; end; bobot_masukan_1(j)=bobot_masukan_1(j-1)+delta_bobot_masukan_1(j); bobot_masukan_2(j)=bobot_masukan_2(j-1)+delta_bobot_masukan_2(j); bobot_masukan_3(j)=bobot_masukan_3(j-1)+delta_bobot_masukan_3(j); bobot_bias(j)=bobot_bias(j-1)+delta_bobot_bias(j); end; bobot_masukan_1(1)=bobot_masukan_1(brs); bobot_masukan_2(1)=bobot_masukan_2(brs); bobot_masukan_3(1)=bobot_masukan_3(brs); bobot_bias(1)=bobot_bias(brs); maks=[delta_bobot_masukan_1(brs),delta_bobot_masukan_2(brs),... delta_bobot_masukan_3(brs),delta_bobot_bias(brs)]; maks=max(maks); maks_skala=maks.*1e12 maks_plot(iterasi)=maks_skala; temp(1,iterasi)=iterasi; temp(2,iterasi)=maks_skala; disp(' ');

j; clear j; % pause;

end; end;

%---% %% Gambar kurva kesalahan terhadap epoch %---% figure;

plot(1:iterasi,maks_plot(1:iterasi));grid; title('Hasil simulasi pertama');

xlabel('Epoch ke-');ylabel('Kesalahan'); x_maks=iterasi+2;

y_maks=max(maks_plot)+5e-14; axis([0 x_maks -5e-13 y_maks])

Bab I

PENDAHULUAN

1.1. Latar Belakang

Aplikasi yang umum dari suatu sistem radar adalah mendeteksi jarak.

Untuk mendapatkan informasi jarak, maka suatu sistem radar biasanya

mengirimkan sebuah pulsa dengan daya yang cukup besar ke arah target atau

obyek. Informasi jarak dapat diperoleh jika pulsa yang dikirimkan ke target

dipantulkan sebagian ke penerima sistem radar dan menghitung waktu delay

hingga sampai di penerima.

Walaupun demikian, jika terdapat beberapa sistem radar yang beroperasi

secara bersamaan di wilayah yang sama, maka sebuah penerima yang sangat

sensitif akan mendeteksi berbagai sinyal sehingga harus dilakukan de-interleave

terhadap sinyal-sinyal tersebut untuk masing-masing sistem radar. Hal ini

dilakukan untuk memisahkan sinyal-sinyal tersebut untuk masing-masing sistem

radar.

1.2. Identifikasi Masalah

Bagaimana jaringan saraf tiruan (JST) dapat mengklasifikasikan sinyal

yang diterima untuk masing-masing sistem radar dan bagaimana kinerja

pengklasifikasian sinyal yang diterima untuk masing-masing sistem radar ?

1.3. Tujuan

Tugas Akhir ini bertujuan untuk menganalisa pengklasifikasian sinyal

radar menggunakan JST dan juga menghitung persentase kesalahan

pengklasifikasian sinyal yang diterima untuk masing-masing sistem radar.

2

1.4. Pembatasan Masalah

Dalam Tugas Akhir ini pengklasifikasian radar dengan menggunakan JST

akan dibatasi dengan pembatasan masalah antara lain :

1.

Sinyal input, target dan output berupa sinyal bipolar.

2.

Jumlah sistem radar yang beroperasi secara serentak ada 3 buah.

3.

Model jaringan saraf tiruan yang digunakan adalah

Brain-State-in-a-Box (BSB).

4.

Simulasi dengan menggunakan software matlab 6.5.

1.5. Sistematika Penulisan

Penulisan laporan Tugas Akhir terdiri dari lima bab, dengan susunan

sebagai berikut :

•

Bab I Pendahuluan

Bab ini menjelaskan tentang latar belakang, identifikasi masalah, tujuan,

pembatasan masalah dan sistematika penulisan.

•

Bab II Teori Penunjang

Bab ini berisi tentang landasan teori yang berkaitan dengan Tugas Akhir

ini, seperti dasar teori dari radar, JST, serta metode pelatihan yang

digunakan.

•

Bab III Perancangan dan Realisasi

Berisi tentang perancangan perangkat lunak yang dibuat dan diagram alir

yang meliputi pelatihan data dan prediksi data.

•

Bab IV Pengujian dan Analisa

Berisi tentang hasil data percobaan dan analisa terhadap hasil yang

diperoleh dari pengujian perangkat lunak yang sudah dibuat.

•

Bab V Kesimpulan dan Saran

Bab ini berisikan kesimpulan dari hasil pengamatan dan saran-saran untuk

pengembangan lebih lanjut.

BAB V

KESIMPULAN DAN SARAN

V.1. Kesimpulan

Kesimpulan yang dapat diambil dari Tugas Akhir ini adalah :

1.

Berdasarkan hasil percobaan dapat disimpulkan bahwa program dapat

menghasilkan keluaran sesuai dengan target.

2.

Hasil pelatihan menunjukkan sinyal radar dapat diklasifikasi dengan

menggunakan jaringan saraf tiruan dengan tingkat keberhasilan klasifikasi

100% untuk data radar yang digunakan.

V.2. Saran

Selain data radar posisi ini dapat juga digunakan data radar yang lain,

seperti radar cuaca, radar polusi dan lain-lain.

DAFTAR PUSTAKA

1.

Anderson J.A., Silverstein J.W., Ritz S.A. and Jones R.S., “Distinctive

features, categorical perception, and probability learning: Some applications

of a neural model”, Psychological Review, 1977.

2.

Demuth, Howard and Mark Beale, “Neural Network Toolbox User’s Guide”,

The Math Works, 1994.

3.

Edde, Byron, “Radar Principle, Technology, Application”, Prentice-Hall

International, Inc, United State of America, 1993.

4.

Jong, J.S, “Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan

Matlab”, Penerbit Andi, Yogyakarta, 2005.

5.

Kristanto, Andri, ”Jaringan Saraf Tiruan : Konsep Dasar, Algoritma dan

Aplikasi”, Edisi Pertama, Penerbit Gava Media, Yogyakarta, 2004.

6.

Kumar, Satish, “Neural Network: A Classroom Approach”, McGraw-Hill,

Singapore, 2005.

7.

Kusumadewi, Sri, “Membangun Jaringan Saraf Tiruan Menggunakan Matlab

& Excel Link”, Penerbit Graha Ilmu, Yogyakarta, 2004.