Monitoring Radio Frekuensi Berbasis Deep Learning Untuk Klasifikasi Sinyal, Clustering dan Rekomendasi Amplifier

Cindy Alnis Rochmadani; Ade Silvia Handayani; Emilia Hesti

doi:10.70340/jirsi.v5i3.542

Penulis

Cindy Alnis Rochmadani Politeknik Negeri Sriwijaya
Ade Silvia Handayani Politeknik Negeri Sriwijaya
Emilia Hesti Politeknik Negeri Sriwijaya

DOI:

https://doi.org/10.70340/jirsi.v5i3.542

Kata Kunci:

Deep learning, GoogLeNet, DBSCAN, SDR Sharp, Monitoring Spektrum Radio

Abstrak

Monitoring spektrum radio frekuensi merupakan kegiatan penting dalam pengelolaan penggunaan frekuensi agar tidak terjadi interferensi antar pengguna. Penelitian ini mengusulkan sistem monitoring radio frekuensi berbasis deep learning menggunakan citra spektrum SDR# dengan receiver RTL-SDR yang diimplementasikan pada MATLAB. Sistem mengintegrasikan GoogLeNet dengan transfer learning untuk mengekstrak fitur visual dari citra spektrum, Autoencoder untuk mereduksi dimensi fitur ke latent space berdimensi 32, dan algoritma K-Means untuk mengelompokkan kondisi spektrum ke dalam Cluster A (sinyal bagus), Cluster B (sinyal sedang), dan Cluster C (sinyal lemah). Identifikasi modulasi sinyal AM/FM dilakukan menggunakan metode OCR pada header citra SDR# dengan rentang frekuensi FM 87-108 MHz dan AM 109-137 MHz. Sistem diuji pada 20 titik pengukuran di 4 arah mata angin dengan variasi jarak 2 km hingga 10 km menggunakan 909 foto citra spektrum SDR#. Hasil pengujian menunjukkan OCR Success Rate sebesar 16.4% sebagai ukuran keberhasilan pembacaan teks frekuensi pada header citra, yang mengindikasikan SDR# kurang optimal sebagai sumber citra pada pendekatan ini. Pada citra yang berhasil dikenali oleh OCR, klasifikasi modulasi sinyal berdasarkan rentang frekuensi menghasilkan akurasi, presisi, dan recall sebesar 100% sebagai ukuran ketepatan keputusan klasifikasi. Sistem juga menghasilkan clustering kondisi spektrum menggunakan K-Means (k=3) dengan distribusi Cluster A (56,8%), Cluster B (30,4%), dan Cluster C (12,9%), serta rekomendasi RF Amplifier berdasarkan dominasi sinyal FM. Penelitian selanjutnya disarankan menggunakan GQRX untuk meningkatkan performa sistem.

Unduhan

Data unduhan belum tersedia.

Referensi

Z. Sabrina, T. Djamel, T. Camel, M. Ammar, S. Said, and N. Okba, “SDR Implementation of Spectrum Sensing using Deep Learning,” Int. J. Sensors, Wirel. Commun. Control, vol. 13, no. 4, pp. 226–236, 2023, doi: 10.2174/2210327913666230719152400.

P. Flak, “Hardware-Accelerated Real-Time Spectrum Analyzer With a Broadband Fast Sweep Feature Based on the Cost-Effective SDR Platform,” IEEE Access, vol. 10, no. September, pp. 110934–110946, 2022, doi: 10.1109/ACCESS.2022.3215800.

S. E. Abdelbaset, H. M. Kasem, A. A. Khalaf, A. H. Hussein, and A. A. Kabeel, “Deep Learning-Based Spectrum Sensing for Cognitive Radio Applications,” Sensors, vol. 24, no. 24, 2024, doi: 10.3390/s24247907.

A. Olesiński and Z. Piotrowski, “Clustering Method for Signals in the Wideband RF Spectrum Using Semi-Supervised Deep Contrastive Learning,” Appl. Sci., vol. 14, no. 7, 2024, doi: 10.3390/app14072990.

T. Liang, G. Yilmaz, and C. S. Soon, “Deriving Accurate Nocturnal Heart Rate, rMSSD and Frequency HRV from the Oura Ring,” Sensors, vol. 24, no. 23, 2024, doi: 10.3390/s24237475.

J. H. Kim, S. Y. Kwon, and H. N. Kim, “Enhanced Radar Signal Classification Using AMP and Visibility Graph for Multi-Signal Environments,” Sensors, vol. 24, no. 23, 2024, doi: 10.3390/s24237612.

D. P. Kingma and M. Welling, “Auto-encoding variational bayes,” 2nd Int. Conf. Learn. Represent. ICLR 2014 - Conf. Track Proc., no. Ml, pp. 1–14, 2014, doi: 10.61603/ceas.v2i1.33.

M. Daszykowski and B. Walczak, “2.26 - Density-Based Clustering Methods,” Compr. Chemom. Chem. Biochem. Data Anal. Second Ed. Four Vol. Set, vol. 2, pp. 565–580, 2020, doi: 10.1016/B978-0-444-64165-6.03005-6.

H. Kim, Y. J. Kim, and W. T. Kim, “Multitask Learning-Based Deep Signal Identification for Advanced Spectrum Sensing,” Sensors, vol. 23, no. 24, pp. 1–22, 2023, doi: 10.3390/s23249806.

Z. Jing, P. Li, B. Wu, S. Yuan, and Y. Chen, “An Adaptive Focal Loss Function Based on Transfer Learning for Few-Shot Radar Signal Intra-Pulse Modulation Classification,” Remote Sens., vol. 14, no. 8, 2022, doi: 10.3390/rs14081950.

D. G. Cortes, E. Onieva, I. P. Lopez, L. Trinchera, and J. Wu, “Autoencoder-Enhanced Clustering: A Dimensionality Reduction Approach to Financial Time Series,” IEEE Access, vol. 12, no. January, pp. 16999–17009, 2024, doi: 10.1109/ACCESS.2024.3359413.

L. Yin, H. Hu, K. Li, G. Zheng, Y. Qu, and H. Chen, “Improvement of DBSCAN Algorithm Based on K-Dist Graph for Adaptive Determining Parameters,” Electron., vol. 12, no. 15, 2023, doi: 10.3390/electronics12153213.

T. Zaki Abdulhameed, S. A. Yousif, V. W. Samawi, and H. Imad Al-Shaikhli, “SS-DBSCAN: Semi-Supervised Density-Based Spatial Clustering of Applications With Noise for Meaningful Clustering in Diverse Density Data,” IEEE Access, vol. 12, no. September, pp. 131507–131520, 2024, doi: 10.1109/ACCESS.2024.3457587.

A. Nagasubramanian et al., “OCRNet a robust deep learning framework for alphanumeric character recognition to assist the visually impaired,” Sci. Rep., vol. 15, no. 1, pp. 1–16, 2025, doi: 10.1038/s41598-025-25278-9.

M. Zaid et al., “Optimizing Low Noise Amplifiers: A Two-Stage Approach for Improved Noise Figure and Stability,” IEEE Access, vol. 12, no. March, pp. 53475–53484, 2024, doi: 10.1109/ACCESS.2024.3387108.