2
d
.v f
cos θ
λ =
2 dengan f
d
adalah Doppler shift, v adalah kecepatan pesawat terbang,
λ adalah panjang gelombang dan θ adalah sudut antara arah propagasi sinyal datang
dengan arah pergerakan antena. 2.2.
Adaptive Resonance Theory 1 ART1 [6]
JST-ART dirancang untuk memudahkan pengontrolan derajat kemiripan pola yang ditempatkan
pada cluster yang sama. ART dirancang untuk mengatasi masalah stability-plasticity yang dihadapi
oleh JST lainnya. JST-ART1 dirancang untuk mengelompokkan clustering vektor-vektor masukan
biner. JST-ART1 mempunyai dua lapisan, yaitu lapisan F
1
yang dibagi menjadi F
1
a sebagai bagian masukan dan F
1
b sebagai bagian antarmuka, dan lapisan F
2
cluster bersama dengan unit reset yang digunakan untuk mengontrol derajat kemiripan pola-
pola yang diletakkan pada unit cluster yang sama. Lapisan F1 dan F2 dihubungkan oleh dua kelompok
jalur-jalur bobot, bobot bottom-up dan bobot top- down. Untuk mengontrol proses belajar, beberapa unit
pelengkap juga dilibatkan pada JST ini.
83 Arsitektur JST-ART1 terdiri dari dua bagian.
Arsitektur JST-ART1 diperlihatkan pada Gambar 5. •
Unit-unit Komputasional. Terdiri dari lapisan F
1
bagian masukan dan antarmuka, lapisan F
2
, dan unit reset.
• Unit-unit Pelengkap. Unit ini menyediakan suatu
mekanisme sehingga komputasi yang dilakukan oleh algoritma ART1 dapat dilaksanakan dengan
menggunakan prinsip-prinsip JST. Unit-unit tersebut disebut juga dengan unit-unit gain control.
2.3. Fusi Informasi [2,3,4]
Fusi data atau informasi adalah suatu teknik pengombinasian data atau informasi untuk
memperkirakan estimate atau memprediksi berbagai keadaan entitas. Entitas-entitas tersebut dapat
berbentuk fisik atau non fisik. Masukan-masukan ke suatu sistem fusi informasi dapat berupa
1.
data hasil observasi sensor-sensor, 2.
masukan-masukan perintah dan data dari operator atau pengguna,
3. data a priori dari suatu basis data yang telah ada
2.3.1. Arsitektur-Arsitektur Fusi Informasi
Dalam aplikasi fusi informasi terdapat tiga alternatif arsitektur yang digunakan untuk memfusikan
informasi dari multisensor. •
Arsitektur terpusat dengan masukan data kasar atau vektor fitur.
• Arsitektur mandiri dengan masukan vektor fitur
dengan keluaran deklarasi identitas atau estimasi dari vektor keadaan. Teknik-teknik yang umum
digunakan adalah suara terbanyak voting, penyimpulan klasik,
teorema Bayes, metoda DS dan metoda Dezert-Smarandache Theory DSmT.
• Arsitektur hibrida yang mengombinasikan kedua
arsitektur di atas.
Y
1
Y
j
Y
m
X
1
X
i
X
n
S
1
S
i
S
n
G
2
G
1
Input Vektor
+ b
ij
t
ji
+ +
+ +
+
-
Lapisan F1a Lapisan F1b
Gain Control Gain Control
Lapisan F2 cluster Sinyal Reset
O r
i e
n t
i
n g
S u
b
s y
s t
e
m Input Vektor
Lapisan Perbandingan
⎟ ⎟
⎠ ⎞
⎜ ⎜
⎝ ⎛
s x
Lapisan Pengenalan atau Attention Subsystem
A +
- +
Gambar 5. Arsitektur JST-ART1.
2.3.2. Kelas-Kelas Tataran Fusi Informasi
Kelas-kelas tataran fusi informasi sensor majemuk multisensor pada umumnya digunakan untuk
aplikasi-aplikasi pengenalan sasaran otomatis automatic target recognition, ATR.
a. Fusi Tataran Piksel. Tataran ini diaplikasikan
kepada data piksel teregistrasi dari sekumpulan citra untuk kepentingan fungsi deteksi dan
diskriminan. Data citra diperoleh dari sensor- sensor citra seperti Radio Detection and Ranging
RADAR dan Forward Looking Infra Red FLIR.
b. Fusi Tataran Fitur. Tataran ini mengombinasikan
fitur-fitur obyek yang dideteksi dan dipisahkan di dalam masing-masing wilayah sensor. Fitur-fitur
setiap obyek diekstraksi secara independen di dalam setiap wilayah dan membentuk satu ruang
fitur bersama untuk klasifikasi obyek.
c. Fusi Tataran Keputusan. Fusi pada tataran
keputusan mengombinasikan keputusan-keputusan dari jalur-jalur klasifikasi atau deteksi sensor-
sensor independen menggunakan metoda-metoda operator Boolean AND, OR atau dengan nilai
heuristik seperti M-of-N, suara terbanyak maksimum maximum vote atau jumlah terbobot
weighted sum untuk keputusan tegas hard decision dan metoda Bayes, DS dan variabel fuzzy
untuk keputusan halus soft decision.
Gambar 6.
Arsitektur
sistem IFFN
.
3. DESAIN DAN KONSEP IMPLEMENTASI
SISTEM IFFN
Sistem IFFN dibagi ke dalam tiga bagian besar yakni pengolahan awal, identifikasi obyek dan
pengolahan akhir dengan dua macam moda yakni moda pembelajaran JST-ART1 dan moda pakai.
Arsitektur sistem IFFN diperlihatkan pada Gambar 6.
3.1. Pengolahan Awal
Pada pengolahan awal dilakukan proses ekstraksi fitur RCS dan kecepatan pesawat dari basis data
pesawat terbang. Proses berikutnya adalah melakukan melakukan pembangkitan pola RCS dan pola
kecepatan pesawat terbang dengan cara mengkonversikannya ke bentuk kode-kode biner.
Kode-kode biner ini adalah pola-pola yang akan diajarkan kepada JST-ART1 pada moda pembelajaran.
84
3.2. Identifikasi Obyek
Pada moda aplikasi JST-ART1 akan langsung melakukan pencocokan pola masukan RCS dan pola
kecepatan pesawat terbang dengan pengetahuan yang disimpan dalam memorinya. Proses temu kembali data
identitas pesawat terbang dari dalam basis data dengan pola hasil fusi informasi pola RCS dan pola kecepatan
pesawat terbang menggunakan metoda dari penelitian [2]. Pola-pola fitur RCS dan kecepatan yang
dipelajari dan diujikan pada sistem IFFN diperlihatkan pada Tabel 1 dan Tabel 2.
Pada blok identifikasi obyek dilakukan proses pencocokan pola masukan data RCS dan data
kecepatan pesawat terbang dengan pola yang disimpan di dalam memori JST-ART1. Informasi keluaran dari
JST-ART1 kemudian difusikan untuk memperoleh satu estimasi pola identitas pesawat terbang dalam
pengamatan. Fusi informasi dilakukan secara iteratif pada obyek yang sama menggunakan metoda voting
pada tahap I. Estimasi pola diperoleh dari hasil fusi informasi tahap II menggunakan metoda Boolean
AND. Daftar estimasi pola hasil fusi informasi sistem IFFN diperlihatkan pada Tabel 3.
Ta b e l 1.
Da ta d a n Po la RCS Pe sa wa t Te rb a ng [8] No.
Jenis Pesawat Terbang
RCS Pola 1. Bell
47G 3
0000 2.
F-16 Fighting Falcon 5
0001 3. Hawk
200 8
0010 4. Su-30
Sukhoi 15
0011 5. Cobra
AH-1S 18
0100 6. Casa
C-212 27
0101 7.
CN-235 PT DI 30
0110 8. A-310
Airbus 100
0111 9.
Unidentified unlisted 1000
10. Unidentified
unlisted 1001
11. Unidentified
unlisted 1010
12. Unidentified
unlisted 1011
13. Unidentified
unlisted 1100
14. Unidentified
unlisted 1101
15. Unidentified
unlisted 1110
16. Unidentified
unlisted 1111
