Deteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree (HMT)

Transkripsi

1 Proudly Present : Presentasi Tugas Akhir Deteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree (HMT) Musa Ibrahim Pembimbing : Dr. Ir. Wirawan, DEA Ir. Endang Widjiati, M.Eng.Sc

2 LATAR BELAKANG Gaussian Non-Gaussian Hidden Markov Tree (HMT) 2

3 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

4 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

5 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

6 BATASAN MASALAH Software yang dipergunakan untuk simulasi adalah Matlab Obyek yang dideteksi yaitu kapal 6

7 NOISE BAWAH AIR (UNDERWATER NOISE) Alami Ocean Ambient Noise Buatan Manusia Ship-Radiated Noise 7

8 SPECTROGRAM Spectrogram adalah representasi spektral variasi waktu (membentuk sebuah gambar) yang menunjukkan bagaimana kepadatan spektral suatu sinyal. 8

9 DISCRETE WAVELET TRANSFORM (DWT) Discrete Wavelet Transform (DWT) menguraikan sinyal satu atau multi dimensi menjadi atomatom 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

10 DISCRETE WAVELET TRANSFORM (DWT) Ketika didesain dengan pembatas tertentu, fungsi wavelet dan scaling akan membentuk basis orthonormal dengan representasi sinyal sebagai berikut: 10

11 HIDDEN MARKOV TREE (HMT) HMT adalah sebuah pohon yang terdiri dari sekumpulan node bertingkat, yang terbentuk dari penguraian wavelet dari sinyal 11

12 HIDDEN MARKOV TREE (HMT) Conditional Gaussian Density Marjinal Probability dari koefisien wavelet 12

13 HIDDEN MARKOV TREE (HMT) Probabilitas marjinal dari Parameter HMT 13

14 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

15 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

16 TAHAPAN SIMULASI 16

17 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

18 PLOT SINYAL OCEAN 18

19 PLOT SINYAL SHIP 19

20 PLOT SPECTOGRAM SINYAL 20

21 SAMPLING DAN HASIL DWT OCEAN 21

22 SAMPLING DAN HASIL DWT SHIP 22

23 PROBABILITAS TRANSISI HMT 23

24 VARIANSI HMT 24

25 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

26 HASIL DETEKSI Tipe Sinyal Jumlah Sampel Tes Benar Tingkat Kebenaran OCN % SRN ,67 % 26

27 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

28 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

29 PUSTAKA 1. What are common underwater sounds? <URL: Diambil pada tanggal 28 Desember Neyman-Pearson Hypothesis Testing. Matlab help 3. Likelihood Ratio Test. Matlab help 4. Yue Zhou, Zhibin Niu, Chenghao Wang, A Novel Approach to Detect Ship-Radiated Signal Based on HMT, th International Conference on Pattern Recognition, 2010, pp Matthew S. Crouse et al. Wavelet-Based Statistical Signal Processing Using Hidden Markov Models, IEEE Trans. Signal Processing, 1998,46, pp Spectrogram Reading : What are Spectrograms? <URL: rogram.html> diambil pada tanggal 29 Desember Underwater Sounds Recorded in Glacier Bay <URL: diambil pada tanggal 29 Desember

30 Terima kasih 30

31 Deteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree (HMT) Musa Ibrahim Pembimbing : Dr. Ir. Wirawan, DEA Ir. Endang Widjiati, M.Eng.Sc 31