MONITORING SPEKTRUM FREKUENSI RADIO BERBASIS MACHINE LEARNING UNTUK KLASIFIKASI JENIS SINYAL DAN KUALITAS SINYAL SERTA REKOMENDASI AMPLIFIER

Sari, Adinda Kamila (2026) MONITORING SPEKTRUM FREKUENSI RADIO BERBASIS MACHINE LEARNING UNTUK KLASIFIKASI JENIS SINYAL DAN KUALITAS SINYAL SERTA REKOMENDASI AMPLIFIER. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (Cover) COVER.pdf - Published Version Download (1MB)
	Text (Abstrak) ABSTRAK.pdf - Published Version Download (325kB)
	Text (BAB I Pendahuluan) BAB I.pdf - Published Version Restricted to Repository staff only Download (305kB) | Request a copy
	Text (BAB II Tinjauan Pustaka) BAB II.pdf - Published Version Restricted to Repository staff only Download (561kB) | Request a copy
	Text (BAB III Metode Penelitian) BAB III.pdf - Published Version Restricted to Repository staff only Download (794kB) | Request a copy
	Text (BAB IV Hasil dan Pembahasan) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V Penutup) BAB V.pdf - Published Version Restricted to Repository staff only Download (207kB) | Request a copy
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (353kB) | Request a copy
	Text (Lampiran) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Spektrum frekuensi radio (RF) yang padat membuat analisis sinyal menjadi semakin kompleks akibat tingginya noise dan interferensi. Saat ini, Monitoring spektrum masih banyak dilakukan secara manual melalui pengamatan visual pada Software Defined Radio (SDR) sehingga hasilnya sangat bergantung pada operator dan kurang efisien. Oleh karena itu, penelitian bertujuan mengotomatisasi klasifikasi jenis modulasi AM dan FM sekaligus kualitas sinyal menggunakan pendekatan Machine Learning. Data yang dianalisis mencakup citra spektrogram serta parameter sinyal (Peak Power dan Noise Floor) yang didapatkan melalui perangkat RTL-SDR dan GQRX. Sistem ini dikembangkan melalui tiga modul terintegrasi, yaitu: MobileNetV2 untuk mengklasifikasikan jenis modulasi,Principal Component Analysis (PCA) untuk mereduksi dimensi Fitur visual, serta Feature fusion yang menggabungkan Fitur PCA dengan parameter fisik untuk diproses oleh Random Forest. Model ini mengklasifikasikan kualitas sinyal ke dalam lima kategori standar TIPHON (Outstanding, Excellent, Good, Fair, Bad). Hasil klasifikasi akhir tersebut kemudian dijadikan dasar oleh Rule-Based Mapping untuk merekomendasikan penggunaan amplifier yang sesuai. Sistem yang dikembangkan ini diharapkan mampu membuat proses analisis spektrum frekuensi radio menjadi jauh lebih otomatis, objektif, dan efisien dibandingkan metode manual.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Radio Frequency, Machine Learning, Klasifikasi Sinyal, Feature fusion, Random Forest
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	25 Sep 2026 04:25
Last Modified:	25 Sep 2026 04:25
URI:	http://eprints.polsri.ac.id/id/eprint/27058

Actions (login required)

View Item