Sistem Dan Identifikasi Pesawat Menggunakan
SEMINAR RADAR NASIONAL III
2009
Prosiding
Bandung
30 April 2009
Savoy Homann Bidakara Hotel
Penyelenggara:
ppet
Pusat Penelitian Elektronika dan Telekomunikasi
Lembaga Ilmu Pengetahuan Indonesia (PPET - LIPI)
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
Sponsor:
i
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
ii
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
iii
Daftar Makalah
1.
Tinjauan Pemanfaatan Teknologi Seluler GSM Diaplikasikan Sebagai
Pasif Radar .............................................................................................................
Febrian Wijoseno, Adit Kurniawan, Arwin D.W.Sumantri
2.
Analisa FDOA-RADAR Sekunder Terhadap Gangguan Random Noise
Wahyu Widada dan Sri Kliwati …………………………………………………………..
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
4.
5.
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
Minimalisasi Sinyal Harmonik Radar Indra I dengan IF Lumped Element
Filter ........................................................................................................................
Liarto, A.A Lestari, Sri Hardiati
1-5
6-10
11-15
16-22
23-26
6.
First Results Of The Signal Processing Of INDERA ……………………………..
W. Sediono, A. A. Lestari
7.
Teknik Pengukuran Pola Radiasi Transduser Dwi-Fungsi Akustik
Bawah Air …………………………………………………………………………………
Syamsu Ismail
30-32
Analisis Penyesuai Impedansi NTL Menggunakan Metode Ekspansi
Fourier .....................................................................................................................
Rudy Yuwono, Achmad Setiawan, D.J. Djoko H.S
33-38
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
8.
9.
27-29
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
Optimasi Pemodelan Arima Dengan Efek Deteksi Outlier Pada Data
Curah Hujan Di Surabaya ......................................................................................
Achmad Mauludiyanto, Gamantyo Hendrantoro, Mauridhi Hery P, Suhartono
63-67
Desain Dan Simulasi Tranceiver Stepped Frequency ContinuousWave
Ground Penetrating Radar (SFCW GPR) 700 – 1400 Mhz ..................................
Tommi Hariyadi, Endon Bharata, Andriyan Bayu Suksmono
68-74
14.
15.
vi
16.
Sistem Antena Radar VHF Lapan .........................................................................
Peberlin Sitompul, Aries Kurniawan, M. Sjarifudin, MarioBatubara, Harry Bangkit,
Timbul Manik, J.R Roettger
17.
Pembuatan Modul Receiver Untuk Sistem Perangkat Pemancar
Jamming …………………………………………………………………………………..
Elan Djaelani
79-84
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
18.
75-78
19.
Penggunaan Radar Bagi Kepentingan Pertahanan Udara .................................
Suparman D, MM
20.
Kerjasama DEPHUT Dan Lembaga International dalam Penggunaan Radar
Untuk Mendukung Pengelolaan Hutan yang Lestari ……………………………...
Iwan Setiawan Priyambudi Santoso
95-96
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
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
21.
22.
89-94
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
27.
Estimasi Electromagnetic Interference (EMI) Dalam Sistem Antena Patch
Array Untuk Radar .................................................................................................
Sri Hardiati, Sulistyaningsih
129-132
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
28.
125-128
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
vii
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
Frekuensi
gelombang
elektromagnetik
yang
dipancarkan bervariasi mulai dari sekitar 3 MHz
sampai 100 GHz. Frekuensi gelombang yang
digunakan disesuaikan dengan jarak pendeteksian.
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.
1.2 Jaringan Syaraf Tiruan
Prinsip utama dari teknologi radar adalah pemantulan
gelombang elektromagnetik dan efek Doppler. 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.
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.
11
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 terusmenerus 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).
a.
b.
c.
d.
Berikut ini adalah data-data yang digunakan untuk
melatih jaringan :
Tabel 1: Data jenis pesawat terbang, kecepatan rata-rata
dan RCS[5].
1.3 Backpropagation
No
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 keluaran dengan 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.
1.
2.
3.
4.
5.
6.
7.
8.
Jenis pesawat
terbang
Bell 47G
F-16 Fighting
Falcon
Hawk 200
Su-30 Sukhoi
Cobra AH-1S
Casa C-212
CN-235 PT DI
A-310 Airbus
Kecepatan
rata-rata
(km/jam)
168,532
1.470
RCS
(m2)
1000,08
2.878,75
227,796
364,844
459,296
980
8
15
18
27
30
100
3
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
Fungsi aktivasi yang biasa digunakan dalam
backpropagation di antaranya adalah sigmoid biner,
sigmoid bipolar dan linier.
2.
data masukan untuk perangkat lunak ini
adalah kecepatan dan RCS pesawat;
perangkat lunak ini belum diterapkan di
Radar, maka data masukan dimasukkan
melalui keyboard;
perangkat lunak ini dibuat dengan
menggunakan program Matlab dengan
memanfaatkan toolbox neural network yang
ada di Matlab;
data sampel yang digunakan untuk dilatih
oleh JST backpropagation ada 8 jenis
pesawat beserta kecepatan dan RCS- nya.
No.
1.
2.
3.
4.
5.
6.
7.
8.
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 :
12
Masukan
168,532
1.470
1000,08
2.878,75
227,796
364,844
459,296
980
Target
00000001
00000010
00000100
00001000
00010000
00100000
01000000
10000000
Tabel 3: Masukan data dan pola target RCS pada JST2
No.
1.
2.
3.
4.
5.
6.
7.
8.
Masukan
3
5
8
15
18
27
30
100
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 :
Target
00000001
00000010
00000100
00001000
00010000
00100000
01000000
10000000
Arsitektur untuk kedua JST diperlihatkan pada
Gambar 1 dan Gambar 2.
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.
Gambar 1: Arsitektur JST1.
3.1 Hasil Pelatihan JST1
Performance is 0.00096893, Goal is 0.001
2
10
1
Training-Blue Goal-Black
10
0
10
-1
10
-2
10
-3
10
-4
10
0
100
200
300
400
659 Epochs
500
600
Gambar 3: Grafik hasil pembelajaran JST1.
Gambar 2: Arsitektur JST2.
Dari grafik di atas diperoleh hasil MSE yang diharapkan
dari pelatihan JST1 telah tercapai pada epoch ke 659.
13
Tabel 4a : Keluaran JST1 untuk data kecepatan
Keluaran
1
-0.0005
Keluaran
2
-0.0022
Keluaran
3
0.1514
Keluaran
4
-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
1.0003
0.0004
-0.0132
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
0.0001
Keluaran
6
0.0617
Keluaran
7
-0.0359
Keluaran
8
0.9994
0.0001
-0.0008
0.0091
0.9893
-0.0002
Keluaran
6
-0.0001
Keluaran
7
0.0019
Keluaran
8
0.8487
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
-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 masukanmasukan 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.
Hasil Pelatihan JST2
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.
Performance is 0.000984005, Goal is 0.001
10
0
10
Training-Blue Goal-Black
0.0045
Keluaran
5
-0.0384
Keluaran
5
-0.0001
1
-0.0261
Tabel 5b: Keluaran JST2 untuk data RCS
Tabel 4b: Keluaran JST1 untuk data kecepatan
4.
0.0185
-1
10
-2
10
-3
10
-4
10
0
100
200
300
400
500
824 Epochs
600
700
800
Gambar 4: Grafik hasil pembelajaran JST2.
Dari grafik di atas diperoleh hasil MSE yang diharapkan
dari pelatihan JST2 telah tercapai pada epoch ke 824.
Gambar 5: Tampilan jendela SIPT-BBPN.
Tabel 5a: Keluaran JST2 untuk data RCS
Keluaran
1
-0.0068
Keluaran
2
0.0084
Keluaran
3
-0.0055
Keluaran
4
0.0160
0.0297
-0.0426
0.0138
-0.0031
-0.0096
0.0117
-0.0032
0.0074
a.
Pengujian kesatu
Untuk pengujian, SIPT-BBPN akan menerima tiga
data masukan sebagaimana diperlihatkan pada Tabel
6, sedangkan hasil pengujiannya diperlihatkan pada
Tabel 7.
14
Tabel 6: Data validasi SIPT-BBPN
Data masukan
Data kecepatan
Data RCS
Deteksi
pertama
168
3
Deteksi
kedua
169
3.2
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.
Deteksi
ketiga
167
2.7
Tabel 7: Hasil validasi SIPT-BBPN
Keluaran
Berdasarkan
Informasi
Kecepatan
RCS
Hasil akhir
b.
Jenis
Jumlah
Pesawat
Informasi
Terbang
Bell 47G
3
Bell 47G
3
Bell 47G
DAFTAR REFERENSI
[1]
[2]
Pengujian kedua
Untuk pengujian, SIPT-BPN akan menerima tiga
data masukan sebagaimana diperlihatkan pada
Tabel 8, sedangkan hasil pengujiannya
diperlihatkan pada Tabel 9.
[3]
Tabel 8: Data validasi SIPT-BBPN
Data masukan
Data kecepatan
Data RCS
Deteksi
pertama
100
4
Deteksi
kedua
200
5
[4]
Deteksi
ketiga
300
6
[5]
Tabel 9: Hasil validasi SIPT-BBPN
Keluaran
Berdasarkan
Informasi
Kecepatan
RCS
Jenis
Jumlah
Pesawat
Informasi
Terbang
Cobra AH-1S 1
F-16 Fighting 3
Falcon
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
[6]
[7]
[8]
[9]
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.
[10]
[11]
[12]
[13]
15
Fausett, Laurene (1993), Fundamental of
Neural Networks, Prentice-Hall.
Freeman, James A., Skapura, David M.
(1991),
Neural
Networks
Algorithms,
Applications, and Programming Techniques,
Addison Wesley Longman Publishing Co.,
Inc., Redwood City.
Hall, David L., Llinas, James (2001),
Handbook of Multisensor Data Fusion, CRC
Press, United States of America.
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.
Nopriansyah (2008), System Identification
Friend, Foe or Neutral Radar Menggunakan
Radar Cross Section dan Kecepatan Pesawat,
Tugas Akhir, Institut Teknologi Bandung.
Skolnik, Merril I. (1990), Radar Handbook,
McGraw-Hill, United States of America, 2nd
Edition.
Wesling, Andreas (2002), Radar Target
Modelling Based on RCS Measurement,
Linkoping.
______________,
Doppler
Effect
in
Accoustics,
http://physicsanimations.com/Physics/English/wave_txt.htm
#Doppler, 25 November 2008, 20.00 WIB.
______________,
A-OA-148-001/AG-000
Manual
of
Instrument
Flying,
http://www.icpschool.com/Downloads/files/OOA-148/pdfs/Chap21a.PDF,
2 Desember
2008, 09.00 WIB.
______________,
http://www.airtoaircombat.com, 3 Februari
2008, 11.00 WIB.
______________, Lab Exercise 7 : Doppler
Radar,
http://www.eecs.umich.edu
/emag/labmanual/EECS330_LE7.pdf,
3
Desember 2008, 10.00 WIB.
______________,
Radar,
http://lasonearth.files.wordpress.com/2008/05/
pdf_ radar1.pdf, 3 Desember 2008, 10.15
WIB.
______________, (2004), Neural Network
Toolbox For Use with with Matlab® : Getting
Started, The MATH WORKS Inc., Version 7.
2009
Prosiding
Bandung
30 April 2009
Savoy Homann Bidakara Hotel
Penyelenggara:
ppet
Pusat Penelitian Elektronika dan Telekomunikasi
Lembaga Ilmu Pengetahuan Indonesia (PPET - LIPI)
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
Sponsor:
i
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
ii
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
iii
Daftar Makalah
1.
Tinjauan Pemanfaatan Teknologi Seluler GSM Diaplikasikan Sebagai
Pasif Radar .............................................................................................................
Febrian Wijoseno, Adit Kurniawan, Arwin D.W.Sumantri
2.
Analisa FDOA-RADAR Sekunder Terhadap Gangguan Random Noise
Wahyu Widada dan Sri Kliwati …………………………………………………………..
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
4.
5.
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
Minimalisasi Sinyal Harmonik Radar Indra I dengan IF Lumped Element
Filter ........................................................................................................................
Liarto, A.A Lestari, Sri Hardiati
1-5
6-10
11-15
16-22
23-26
6.
First Results Of The Signal Processing Of INDERA ……………………………..
W. Sediono, A. A. Lestari
7.
Teknik Pengukuran Pola Radiasi Transduser Dwi-Fungsi Akustik
Bawah Air …………………………………………………………………………………
Syamsu Ismail
30-32
Analisis Penyesuai Impedansi NTL Menggunakan Metode Ekspansi
Fourier .....................................................................................................................
Rudy Yuwono, Achmad Setiawan, D.J. Djoko H.S
33-38
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
8.
9.
27-29
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
Optimasi Pemodelan Arima Dengan Efek Deteksi Outlier Pada Data
Curah Hujan Di Surabaya ......................................................................................
Achmad Mauludiyanto, Gamantyo Hendrantoro, Mauridhi Hery P, Suhartono
63-67
Desain Dan Simulasi Tranceiver Stepped Frequency ContinuousWave
Ground Penetrating Radar (SFCW GPR) 700 – 1400 Mhz ..................................
Tommi Hariyadi, Endon Bharata, Andriyan Bayu Suksmono
68-74
14.
15.
vi
16.
Sistem Antena Radar VHF Lapan .........................................................................
Peberlin Sitompul, Aries Kurniawan, M. Sjarifudin, MarioBatubara, Harry Bangkit,
Timbul Manik, J.R Roettger
17.
Pembuatan Modul Receiver Untuk Sistem Perangkat Pemancar
Jamming …………………………………………………………………………………..
Elan Djaelani
79-84
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
18.
75-78
19.
Penggunaan Radar Bagi Kepentingan Pertahanan Udara .................................
Suparman D, MM
20.
Kerjasama DEPHUT Dan Lembaga International dalam Penggunaan Radar
Untuk Mendukung Pengelolaan Hutan yang Lestari ……………………………...
Iwan Setiawan Priyambudi Santoso
95-96
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
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
21.
22.
89-94
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
27.
Estimasi Electromagnetic Interference (EMI) Dalam Sistem Antena Patch
Array Untuk Radar .................................................................................................
Sri Hardiati, Sulistyaningsih
129-132
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
28.
125-128
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
vii
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
Frekuensi
gelombang
elektromagnetik
yang
dipancarkan bervariasi mulai dari sekitar 3 MHz
sampai 100 GHz. Frekuensi gelombang yang
digunakan disesuaikan dengan jarak pendeteksian.
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.
1.2 Jaringan Syaraf Tiruan
Prinsip utama dari teknologi radar adalah pemantulan
gelombang elektromagnetik dan efek Doppler. 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.
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.
11
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 terusmenerus 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).
a.
b.
c.
d.
Berikut ini adalah data-data yang digunakan untuk
melatih jaringan :
Tabel 1: Data jenis pesawat terbang, kecepatan rata-rata
dan RCS[5].
1.3 Backpropagation
No
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 keluaran dengan 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.
1.
2.
3.
4.
5.
6.
7.
8.
Jenis pesawat
terbang
Bell 47G
F-16 Fighting
Falcon
Hawk 200
Su-30 Sukhoi
Cobra AH-1S
Casa C-212
CN-235 PT DI
A-310 Airbus
Kecepatan
rata-rata
(km/jam)
168,532
1.470
RCS
(m2)
1000,08
2.878,75
227,796
364,844
459,296
980
8
15
18
27
30
100
3
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
Fungsi aktivasi yang biasa digunakan dalam
backpropagation di antaranya adalah sigmoid biner,
sigmoid bipolar dan linier.
2.
data masukan untuk perangkat lunak ini
adalah kecepatan dan RCS pesawat;
perangkat lunak ini belum diterapkan di
Radar, maka data masukan dimasukkan
melalui keyboard;
perangkat lunak ini dibuat dengan
menggunakan program Matlab dengan
memanfaatkan toolbox neural network yang
ada di Matlab;
data sampel yang digunakan untuk dilatih
oleh JST backpropagation ada 8 jenis
pesawat beserta kecepatan dan RCS- nya.
No.
1.
2.
3.
4.
5.
6.
7.
8.
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 :
12
Masukan
168,532
1.470
1000,08
2.878,75
227,796
364,844
459,296
980
Target
00000001
00000010
00000100
00001000
00010000
00100000
01000000
10000000
Tabel 3: Masukan data dan pola target RCS pada JST2
No.
1.
2.
3.
4.
5.
6.
7.
8.
Masukan
3
5
8
15
18
27
30
100
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 :
Target
00000001
00000010
00000100
00001000
00010000
00100000
01000000
10000000
Arsitektur untuk kedua JST diperlihatkan pada
Gambar 1 dan Gambar 2.
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.
Gambar 1: Arsitektur JST1.
3.1 Hasil Pelatihan JST1
Performance is 0.00096893, Goal is 0.001
2
10
1
Training-Blue Goal-Black
10
0
10
-1
10
-2
10
-3
10
-4
10
0
100
200
300
400
659 Epochs
500
600
Gambar 3: Grafik hasil pembelajaran JST1.
Gambar 2: Arsitektur JST2.
Dari grafik di atas diperoleh hasil MSE yang diharapkan
dari pelatihan JST1 telah tercapai pada epoch ke 659.
13
Tabel 4a : Keluaran JST1 untuk data kecepatan
Keluaran
1
-0.0005
Keluaran
2
-0.0022
Keluaran
3
0.1514
Keluaran
4
-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
1.0003
0.0004
-0.0132
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
0.0001
Keluaran
6
0.0617
Keluaran
7
-0.0359
Keluaran
8
0.9994
0.0001
-0.0008
0.0091
0.9893
-0.0002
Keluaran
6
-0.0001
Keluaran
7
0.0019
Keluaran
8
0.8487
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
-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 masukanmasukan 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.
Hasil Pelatihan JST2
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.
Performance is 0.000984005, Goal is 0.001
10
0
10
Training-Blue Goal-Black
0.0045
Keluaran
5
-0.0384
Keluaran
5
-0.0001
1
-0.0261
Tabel 5b: Keluaran JST2 untuk data RCS
Tabel 4b: Keluaran JST1 untuk data kecepatan
4.
0.0185
-1
10
-2
10
-3
10
-4
10
0
100
200
300
400
500
824 Epochs
600
700
800
Gambar 4: Grafik hasil pembelajaran JST2.
Dari grafik di atas diperoleh hasil MSE yang diharapkan
dari pelatihan JST2 telah tercapai pada epoch ke 824.
Gambar 5: Tampilan jendela SIPT-BBPN.
Tabel 5a: Keluaran JST2 untuk data RCS
Keluaran
1
-0.0068
Keluaran
2
0.0084
Keluaran
3
-0.0055
Keluaran
4
0.0160
0.0297
-0.0426
0.0138
-0.0031
-0.0096
0.0117
-0.0032
0.0074
a.
Pengujian kesatu
Untuk pengujian, SIPT-BBPN akan menerima tiga
data masukan sebagaimana diperlihatkan pada Tabel
6, sedangkan hasil pengujiannya diperlihatkan pada
Tabel 7.
14
Tabel 6: Data validasi SIPT-BBPN
Data masukan
Data kecepatan
Data RCS
Deteksi
pertama
168
3
Deteksi
kedua
169
3.2
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.
Deteksi
ketiga
167
2.7
Tabel 7: Hasil validasi SIPT-BBPN
Keluaran
Berdasarkan
Informasi
Kecepatan
RCS
Hasil akhir
b.
Jenis
Jumlah
Pesawat
Informasi
Terbang
Bell 47G
3
Bell 47G
3
Bell 47G
DAFTAR REFERENSI
[1]
[2]
Pengujian kedua
Untuk pengujian, SIPT-BPN akan menerima tiga
data masukan sebagaimana diperlihatkan pada
Tabel 8, sedangkan hasil pengujiannya
diperlihatkan pada Tabel 9.
[3]
Tabel 8: Data validasi SIPT-BBPN
Data masukan
Data kecepatan
Data RCS
Deteksi
pertama
100
4
Deteksi
kedua
200
5
[4]
Deteksi
ketiga
300
6
[5]
Tabel 9: Hasil validasi SIPT-BBPN
Keluaran
Berdasarkan
Informasi
Kecepatan
RCS
Jenis
Jumlah
Pesawat
Informasi
Terbang
Cobra AH-1S 1
F-16 Fighting 3
Falcon
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
[6]
[7]
[8]
[9]
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.
[10]
[11]
[12]
[13]
15
Fausett, Laurene (1993), Fundamental of
Neural Networks, Prentice-Hall.
Freeman, James A., Skapura, David M.
(1991),
Neural
Networks
Algorithms,
Applications, and Programming Techniques,
Addison Wesley Longman Publishing Co.,
Inc., Redwood City.
Hall, David L., Llinas, James (2001),
Handbook of Multisensor Data Fusion, CRC
Press, United States of America.
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.
Nopriansyah (2008), System Identification
Friend, Foe or Neutral Radar Menggunakan
Radar Cross Section dan Kecepatan Pesawat,
Tugas Akhir, Institut Teknologi Bandung.
Skolnik, Merril I. (1990), Radar Handbook,
McGraw-Hill, United States of America, 2nd
Edition.
Wesling, Andreas (2002), Radar Target
Modelling Based on RCS Measurement,
Linkoping.
______________,
Doppler
Effect
in
Accoustics,
http://physicsanimations.com/Physics/English/wave_txt.htm
#Doppler, 25 November 2008, 20.00 WIB.
______________,
A-OA-148-001/AG-000
Manual
of
Instrument
Flying,
http://www.icpschool.com/Downloads/files/OOA-148/pdfs/Chap21a.PDF,
2 Desember
2008, 09.00 WIB.
______________,
http://www.airtoaircombat.com, 3 Februari
2008, 11.00 WIB.
______________, Lab Exercise 7 : Doppler
Radar,
http://www.eecs.umich.edu
/emag/labmanual/EECS330_LE7.pdf,
3
Desember 2008, 10.00 WIB.
______________,
Radar,
http://lasonearth.files.wordpress.com/2008/05/
pdf_ radar1.pdf, 3 Desember 2008, 10.15
WIB.
______________, (2004), Neural Network
Toolbox For Use with with Matlab® : Getting
Started, The MATH WORKS Inc., Version 7.