KLASIFIKASI TIPE MODULASI MENGGUNAKAN METODA DETEKSI SELUBUNGKOMPLEKS DAN PARAMETER STATISTIK

Desti Madya Saputri¹, Heroe Wijanto², Iwan Iwut Tirtoasmoro³

¹Magister Elektro Komunikasi, Fakultas Teknik Elektro, Universitas Telkom

AbstrakRekognisi skema modulasi adalah suatu sub-sistem pada perangkat receiver radio yangmemerlukan kemampuan untuk mengidentifikasi sinyal radio, yaitu dengan tugas pokokmelakukan rekognisi skema modulasi dari sinyal yang datang. Dengan lebih menerapkan fungsi-fungsi yang ada di dalam software dibandingkan dengan pendekatan hardware secara tradisional,sistem radio akan menawarkan solusi potensial untuk interoperabilitas, jaringan yang fleksibeldan dinamis serta pengurangan biaya operasi.

Rekognisi modulasi harus mampu melakukan klasifikasi dengan benar tentang skema modulasiyang diterimanya, termasuk pada kondisi sinyal terganggu. Permasalahan yang menjadi perhatiandan pengembangan sistem rekognisi modulasi terutama dalam hal bagaimana meningkatkanakurasi rekognisi. Algoritma pendeteksian skema modulasi digital yang digunakan padapenelitian ini merupakan gabungan antara metoda Transformasi Complex Shannon Wavelet danmetoda statistik pada bagian ekstrasi ciri dan pada bagian keputusan menggunakan tree diagramberdasarkan pada nilai threshold optimum. Sinyal termodulasi digital yang akan dideteksi adalahQPSK, 16QAM dan 64QAM. Sinyal multicarrier yang akan dideteksi adalah OFDM. Metodakorelasi digunakan untuk mengestimasi parameter OFDM yaitu panjang durasi satu simbol OFDMdan panjang cyclic prefix.

Hasil penelitian menunjukkan kinerja theoritic decision menggunakan kombinasi thresholdoptimum Th1 mean, Th4 variansi dan Th5 skewness merupakan theoritic decision terbaik untukmendeteksi semua skema modulasi digital, terutama untuk mendeteksi skema modulasi QPSKyaitu dengan akurasi hasil deteksi 100 %. Untuk skema modulasi 16QAM dan 64QAM, theoriticdecision ini memperoleh akurasi hasil deteksi maksimumnya masing-masing hanya mencapai ±90 %. Untuk parameter sinyal OFDM, metoda autokorelasi dapat mendeteksi durasi satu simbolOFDM dengan akurasi 100% mulai dari SNR 0dB. Sedangkan untuk mendeteksi panjang cyclicprefix mencapai 100% mulai dari SNR 18dB.

Kata Kunci : Deteksi Skema Modulasi, Deteksi Selubung Kompleks, Metoda Statistik, TreeDiagram, Korelasi.

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

AbstractModulation Recognition is a sub-system on the radio receiver device which requires the ability toidentify radio signals. It is important because the basic function of signal modulation schemesrecognition is to recognize the coming signal modulation schemes. By applying a software thatare able to work better than the traditional hardware, radio technology offers potential solutionfor interoperability, flexible and dynamic network, and reducing operational cost.

Modulation recognition should be able to classify the modulation scheme of the received signalcorrectly, even in the condition of disturbance channel. The issue in this study are how to developthe modulation recognition system so that its recognition accuracy improves The algorithm ofdigital modulations scheme’s detection used in this project was a combination of ComplexShannon Wavelet Transformation and Statistical Method of feature extraction. The Decision partused theoretic decision (tree diagram) based on optimum threshold value. The modulated digitalswhich were detected were QPSKs, 16QAM and 64QAM. The multicarrier signal which was detectedwas OFDM. The algorithm of multicarrier detection used in this project was a correlation method.This method was also used to estimate the symbol length and cyclic prefix length.

The results of the study showed that theoretic decision’s performance using combination ofoptimum threshold Th1 mean, viii Th4 variance and Th5 skewness were the best theoritic decisionmodulation scheme because the level accuracy detection reached 100%. However for 16QAM and64QAM modulation scheme, this theoretic decision each had an accuracy detection up to ± 90 %.For multicarrier signal detection, autocorrelation method produced the best accurate detection toestimate the length of data of an OFDM symbol with the level of accuracy detection of 100%starting from minimum SNR 0 dB. Finally to estimate the cyclic prefix length, the correlationmethod was able to reach a maximum detection of 100 % on SNR 18 dB.

Keywords : Modulation Scheme detection, Complex Shannon Wavelet Transformation, StatisticalMethod, Theoritic decision (Tree Diagram), Correlation

Powered by TCPDF (www.tcpdf.org)

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

1. PENDAHULUAN

1.1 Latar Belakang

Salah satu yang menjadi fokus bahasan di Software Defined

Radio (SDR) adalah deteksi modulasi, karena nantinya receiver

yang digunakan pada sistem ini harus mampu menerima semua

skema modulasi tanpa harus merubah perangkat fisiknya.

Dengan lebih menerapkan fungsi-fungsi yang ada di dalam

software dibandingkan dengan pendekatan hardware secara

tradisional, sistem radio akan memberikan fleksibilitas yang

lebih besar. Fleksibilitas ini menawarkan solusi potensial untuk

interoperabilitas, jaringan yang fleksibel, dinamis dan

pengurangan biaya operasi. Dengan menggunakan hardware

yang telah diprogram, diharapkan sistem ini dapat beradaptasi

dengan berbagai macam perbedaan standar juga kemudahan

upgrade.

Automatic Modulation Recognition (AMR) merupakan

cara untuk mengenali sinyal modulasi yang digunakan. Dalam

AMR terdapat ekstrak ciri yang berfungsi mendapatkan

karakteristik dari tiap-tiap tipe modulasi yang digunakan. Setelah

proses ekstraksi ciri maka diteruskan pada bagian keputusan

untuk menentukan skema modulasi yang digunakan. Pada

penelitian ini algoritma pendeteksian skema modulasi digital

yang digunakan merupakan gabungan antara metoda

Transformasi Complex Shannon Wavelet dan metoda statistik

pada bagian ekstraksi ciri (feature extraction) dan pada bagian

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

2

keputusan (decision part) menggunakan theoritic decision (tree

diagram) berdasarkan pada nilai threshold optimum yang telah

diteliti oleh Radomir Pavlik

(Binary PSK/CPFSK and MSK

Bandpass Modulation Identifier Based on the Complex Shannon

Wavelet Transform, Military Technical Institute of Protection

Czech Republic, 2005)[9]

. Sinyal termodulasi digital yang akan

dideteksi adalah QPSK, 16QAM dan 64QAM. Sinyal

multicarrier yang akan dideteksi adalah OFDM. Metoda korelasi

digunakan untuk mengestimasi parameter OFDM yaitu panjang

durasi satu simbol OFDM dan panjang cyclic prefix.

1.2 Rumusan Masalah

Permasalahan yang diteliti adalah bagaimana bagian receiver

mampu mengenali skema modulasi yang digunakan pada

trasmitter tanpa adanya informasi mengenai penggunaan skema

modulasi tersebut, yang kemudian dirumuskan dalam :

1) Bagaimana pendefinisian model sistem pengklasifikasi

skema modulasi yang digunakan pada SDR (Software

Defined Radio).

2) Bagaimana merancang suatu algoritma pendeteksian

skema modulasi otomatis untuk diterapkan pada sistem

SDR (Software Defined Radio) dengan menggunakan

metoda Transformasi Complex Shannon Wavelet dan

metoda statistik pada bagian ekstraksi ciri (feature

extraction), sedangkan pada bagian keputusan (decision

part) menggunakan theoritic decision (tree diagram)

berdasarkan nilai threshold optimum.

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

3

3) Bagaimana performansi yang dihasilkan oleh algoritma

tersebut dalam mengenali skema modulasi.

4) Bagaimana perbandingan performansi yang dihasilkan

dari variasi parameter statistik yang berbeda-beda yang

digunakan theoritic decision (tree diagram) pada bagian

keputusan (decision part).

5) Bagaimana merancang suatu algoritma pendeteksian

parameter modulasi multicarrier (OFDM) dengan metoda

korelasi.

6) Bagaimana performansi yang dihasilkan oleh algoritma

tersebut untuk mendapatkan durasi satu simbol dan

panjang satu cyclic prefix.

1.3 Batasan Masalah

Batasan masalah yang digunakan pada Tesis ini adalah :

1) Tidak membahas bagian pre-processing dari receiver

seperti equalisasi dan down-converter.

2) Performansi algoritma yang diamati adalah modulation

error detection.

3) Perancangan algoritma pendeteksian skema modulasi

dengan menggunakan metoda Transformasi Complex

Shannon Wavelet dan metoda statistik untuk ekstrak ciri

(feature extraction), sedangkan pada bagian keputusan

(decision part) menggunakan theoritic decision (tree

diagram) berdasarkan pada nilai threshold optimum.

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

4

4) Pengujian bagian keputusan (decision part) hanya

menggunakan fungsi perbandingan berdasarkan nilai

threshold optimum menggunakan theoritic decision (tree

diagram).

5) Sinyal termodulasi digital yang diuji adalah modulasi

QPSK (Quadrature Phase Shift Keying), modulasi

16QAM (16 Quadrature Amplitude Modulation) dan

modulasi 64QAM (64 Quadrature Amplitude

Modulation).

6) Sinyal multicarrier yang diuji adalah OFDM (Orthogonal

Frequency Division Multiplexing).

7) Membahas estimasi parameter OFDM, yaitu durasi satu

simbol dan cyclic prefix yang digunakan.

8) Gangguan terhadap sinyal hanya berupa AWGN (Additive

White Gaussian Noise).

1.4 Tujuan

Tujuan penyusunan Tesis ini adalah :

1) Menganalisis performansi (tingkat akurasi) dalam

mengenali skema modulasi.

2) Membandingkan performansi yang dihasilkan dari variasi

parameter statistik yang digunakan theoritic decision (tree

diagram) pada bagian keputusan (decision part).

3) Dapat membedakan single/multicarrier modulation

dengan metoda autokorelasi.

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

5

4) Dapat menentukan parameter OFDM, yaitu durasi satu

simbol dan cyclic prefix yang digunakan kemudian

menganalisis performansinya

1.5 Metoda

Langkah-langkah yang ditempuh dalam menyelesaikan Tesis

ini adalah :

1) Study literatur

a. Mempelajari metoda deteksi skema modulasi,

mempelajari karakteristik modulasi digital, mempelajari

konsep Transformasi Wavelet (Complex Shannon

Wavelet), mempelajari probabilitas dan statistik dan

mempelajari konsep korelasi.

b. Diskusi dan bimbingan.

2) Pemodelan blok-blok diagram

Merancang algoritma pendeteksian skema modulasi dan

memodelkan ke dalam blok-blok diagram untuk memudahkan

penentuan titik pengujian.

3) Pengujian dan analisis

langkah ini terdiri dari :

a. Menguji dan menganalisis kemampuan metoda

Transformasi Complex Shannon Wavelet dan metoda

statistik dalam ekstrak ciri (feature extraction) dalam

mengenali skema modulasi.

b. Menganalisis serta menyimpulkan skema modulasi digital

yang dikenali menggunakan theoritic decision (tree

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

6

diagram) berdasarkan pada nilai threshold optimum dan

membuat tabel kebenaran.

c. Menguji dan menganalisis kemampuan metoda

autokorelasi dalam membedakan sinyal single carrier dan

multicarrier (OFDM).

d. Menguji dan menganalisis kemampuan metoda korelasi

dalam menentukan parameter OFDM, yaitu durasi satu

simbol dan panjang cyclic prefix.

4) Penyusunan laporan Tesis dan kesimpulan akhir.

Powered by TCPDF (www.tcpdf.org)

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

90

5. CONCLUSION AND SUGGESTION

5.1 Conclusion

This section is devoted to discuss the conclusions of this study

1. Statistical parameter type used in feature extraction process

had a great effect on the algorithm performance to detect the

modulation scheme.

2. Theoritic decision (tree diagram) with first order mean

statistical parameter was only suitable for detecting QPSK and

16QAM modulation scheme.

3. Theoritic decision (tree diagram) with second order variance

statistical parameter was only suitable for detecting QPSK

and 64QAM modulation scheme.

4. Theoritic decision (tree diagram) with third order skewness

statistical parameter only suitable for detecting QPSK and

64QAM modulation scheme.

5. Theoritic decision (tree diagram) with combination of

optimum threshold in first order statistical parameter mean

Th1, second order statistical parameter variance Th4, and

third order statistical parameter skewness Th5 was the best

theoritic decision for detecting all modulation scheme.

6. Autocorrelation method was suitable for symbol length

estimation.

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

91

5.2 Suggestion

This study was far from being perfect, it needs further study

for example:

1. The process to find a solution for cyclic prefix length

estimation.

2. The process to have the intended dynamic threshold.

Powered by TCPDF (www.tcpdf.org)

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

xxiii

DAFTAR PUSTAKA

[1] Chen, Qinqin. 2009. “Cognitive Gateway to Promote

Interoperability Coverage, and Throughput in

Heterogeneous Communication System “, Virginia

polytechnic Institute and State University, Virginia.

[2] E. E. Azzouz dan A. K. Nandi.(1996) Automatic

Modulation Recognition of Communication Signals,

Kluwer Academic Publishers.

[3] IEEE Standart 802.16TM

for local and metropolitan area

networks, Part 16, 2004: “Air Interface for Fixed

Broadband Wireless Access Systems”, LAN/MAN

Standards Committee.

[4] J.T. Tou and R.C. Gonzales. 1974. “Pattern Recognition

Principles”, Addision Wesley.

[5] Kanginan, Marthen. 2004. ”Matematika untuk SMA kelas II semester 1”, Grafindo Media Pratama, Indonesia.

Kanginan, Marthen. 2004. ”Matematika untuk SMA kelas

II semester 1”, Grafindo Media Pratama, Indonesia.

[6] Modul Praktikum Elektronika Komunikasi, Laboratorium Elektronika Komunikasi, Sekolah Tinggi Teknologi Telkom, Bandung.

Modul Praktikum Elektronika Komunikasi, Laboratorium

Elektronika Komunikasi, Sekolah Tinggi Teknologi

Telkom, Bandung.

[7] Nikhil, S Bathia. 2004. “A Physical Layer Implementation

of Reconfigurable Radio”, Master of Science Thesis,

Bradley Department of Electrical and Computer

Engineering Blacksburg, Virginia.

[8] Papoulis, Athanasios.1965. Probability, Random

Variables, and Stochastic Process Third Edition, Singpore:

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi

xxiv

McGraw-Hill International

[9] Pavlik, Radomir. 2005 ”Binary PSK/CPFSK and MSK

Bandpass Modulation Identifier Based on the Complex

Shannon Wavelet Transform”, Military Technical Institute

of Protection, Czech Republic.

[10] Rahmawan, Arief Purwa. 2008. “Simulasi Pendeteksi Tipe

Modulasi Digital Menggunakan Transformasi Wavelet

Pada Software Defined Radio (SDR)”, Institut Teknologi

Telkom, Bandung.

[11] Theodore S. Rappaport, “Wireless Communications”,

Prentice Hall, 2002.

[12] Wijanto, Heroe. 2011. Transformasi Data dan Ekstraksi Ciri

Statistik Orde Tinggi Untuk Rekognisi Modulasi Otomatik.

Institut Teknologi Bandung, Bandung.

[13] Wijanto, Heroe. Materi Kuliah Sistem Komunikasi,

Spektral Tersebar, Laboratorium Sistem Komunikasi,

Sekolah Tinggi Teknologi Telkom, Bandung.

Powered by TCPDF (www.tcpdf.org)

Tugas Akhir - 2012

Fakultas Teknik Elektro Program Studi S2 Magister Elektro Komunikasi