Musa Ibrahim

2208100047

Pembimbing :Dr. Ir. Wirawan, DEA

Ir. Endang Widjiati, M.Eng.Sc

Deteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree

(HMT)

Proudly Present :

Presentasi Tugas Akhir

2

LATAR BELAKANG

Gaussian

Hidden Markov Tree

(HMT)

Non-Gaussian

LATAR BELAKANG

• Proses deteksi yang merupakan isu yang penting

dalam penelitian akustik bawah air

• Pemrosesan sinyal dan kriteria deteksi

tradisional biasa diasumsikan sebagai Gaussian,

sedang akustik bawah air adalah non-Gaussian

• Hidden Markov Tree (HMT) pada domain

wavelet menunjukkan keuntungan dalam

menghadapi sinyal non-Gaussian.

3

RUMUSAN MASALAH

Bagaimana HMT digunakan untuk

merepresentasikan sebuah sinyal?

Bagaimana perbedaan parameter HMT ambient

noise dan ship noise?

Bagaimana deteksi sinyal yang terpancar oleh

obyek dilakukan dengan menggunakan

parameter HMT?

4

TUJUAN

o Mempelajari deteksi sinyal.dengan pendekatan

HMT.

o Membandingkan parameter HMT sinyal

ambient ocean noise dan ship noise

o Membuat keputusan deteksi (detection decision)

tentang muncul atau tidaknya target

5

BATASAN MASALAH

Software yang dipergunakan untuk simulasi

adalah Matlab

Obyek yang dideteksi yaitu kapal

6

NOISE BAWAH AIR (UNDERWATER NOISE)

Alami

Ocean Ambient Noise

Buatan Manusia

Ship-Radiated Noise

7

SPECTROGRAM

Spectrogram adalah representasi spektral variasi

waktu (membentuk sebuah gambar) yang

menunjukkan bagaimana kepadatan spektral

suatu sinyal.

8

DISCRETE WAVELET TRANSFORM

(DWT)

Discrete Wavelet Transform (DWT) menguraikan

sinyal satu atau multi dimensi menjadi atom-

atom dari fungsi bandpass wavelet ψ(t) yang

digeser dan didilasikan dan dari fungsi lowpass

scaling φ(t) yang digeser , yaitu sinyal yang

direpresentasikan pada skala waktu K dan skala

frekuensi J yang berlapis.

9

DISCRETE WAVELET TRANSFORM

(DWT)

Ketika didesain dengan pembatas tertentu,

fungsi wavelet dan scaling akan membentuk

basis orthonormal dengan representasi sinyal

sebagai berikut:

10

HIDDEN MARKOV TREE (HMT)

HMT adalah sebuah pohon yang terdiri dari

sekumpulan node bertingkat, yang terbentuk

dari penguraian wavelet dari sinyal

11

HIDDEN MARKOV TREE (HMT)

Conditional Gaussian Density

Marjinal Probability dari koefisien wavelet

12

HIDDEN MARKOV TREE (HMT)

Probabilitas marjinal dari

Parameter HMT

13

HIPOTESIS NEYMAN – PEARSON

Pengambilan keputusan suatu deteksi

membutuhkan teori statistik

Karakteristik kerja Neyman-Pearson adalah

berdasarkan distribusi probabilitas

Hipotesis null, data tersebut terdiri hanya dari

noise. Di bawah hipotesis alternatif, data terdiri

dari sinyal deterministik ditambah noise.

Ship absent

Ship present

14

LIKELIHOOD RATIO TEST

dimana λ ditentukan oleh :

Membuat yang ditentukan sebagai

probabilitas kepadatan menurut hipotesis null.

Membuat λ sama dengan nilai integral

dari sampai ∞ adalah sama dengan

probabilitas false-alarm yang diinginkan.15

TAHAPAN SIMULASI

16

PEMILIHAN DATA INPUT SINYAL

Dalam tugas akhir ini, Data ini didapatkan dari

situs resmi Taman Nasional Teluk Glacier,

Alaska, Amerika Utara

Dipilih hasil rekaman ambient noise “Light

Winds” yaitu ambient noise yang diakibatkan

oleh angin yang berkecepatan sedang. Dan untuk

suara kapal dipilih ship-radiated noise “State

Ferry”.

17

PLOT SINYAL OCEAN

18

PLOT SINYAL SHIP

19

PLOT SPECTOGRAM SINYAL

20

SAMPLING DAN HASIL DWT OCEAN

21

SAMPLING DAN HASIL DWT SHIP

22

PROBABILITAS TRANSISI HMT

23

VARIANSI HMT

24

KEPUTUSAN DETEKSI

Likelihood Rasio Test

Hasil perhitungan likelihood tiap sinyal didapat dari

perbandingan probability density function (PDF)

antar sinyal uji SRN atau OCN terhadap PDF sinyal

OCN.

Penentuan Threshold

Treshold didapatkan dari perhitungan sebesar 0,034.

Treshold yang telah didapatkan digunakan untuk

mendeteksi sinyal observasi baru .

Probabilitas False Alarm ditentukan sebesar 0,1.

25

HASIL DETEKSI

Tipe SinyalJumlahSampel

Tes BenarTingkat

Kebenaran

OCN 30 21 70 %

SRN 30 26 86,67 %

26

KESIMPULAN

Dengan teori deteksi Neyman-Pearson dan LRT

yang digunakan dalam deteksi mencapai tingkat

kebenaran deteksi 86,7%

Ada tidaknya kapal bergantung pada parameter

ambient noise yang digunakan

27

SARAN

Pengambilan data sebaiknya dilakukan juga di

dalam kondisi nyata (dalam hal ini lautan atau

sungai), agar diperoleh parameter deteksi yang

nyata.

Penggunaan metode deteksi sebaiknya

dilengkapi pula dengan metode lain, agar

keputusan deteksi lebih akurat.

28

PUSTAKA

1. “What are common underwater sounds?” <URL:http://www.dosits.org/science/soundsinthesea/commonsounds/> .Diambil pada tanggal 28 Desember 2012

2. “Neyman-Pearson Hypothesis Testing”. Matlab help3. “Likelihood Ratio Test”. Matlab help4. Yue Zhou, Zhibin Niu, Chenghao Wang, A Novel Approach to Detect

Ship-Radiated Signal Based on HMT, 2010 20th InternationalConference on Pattern Recognition, 2010, pp.4601-4604

5. Matthew S. Crouse et al. Wavelet-Based Statistical SignalProcessing Using Hidden Markov Models, IEEE Trans. SignalProcessing, 1998,46, pp.886-902

6. “Spectrogram Reading : What are Spectrograms?”<URL:http://www.cslu.ogi.edu/tutordemos/SpectrogramReading/spectrogram.html> diambil pada tanggal 29 Desember 2012.

7. “Underwater Sounds Recorded in Glacier Bay”<URL:http://www.nps.gov/glba/naturescience/soundclips.htm> diambilpada tanggal 29 Desember 2012 29

Terima kasih30

Musa Ibrahim

2208100047

Pembimbing :Dr. Ir. Wirawan, DEA

Ir. Endang Widjiati, M.Eng.Sc

Deteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree

(HMT)

31