JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

1

Perancangan dan Implementasi Model Regresi Sebagai Solusi Untuk Asosiasi Plot Dengan Track yang Digunakan Pada Sistem Primary Surveillance Radar Secara Real-Time Ferry Fernandez Wijaya, Ahmad Saikhu, Suhadi Lili Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail: [email protected] Abstrak—Sistem radar banyak digunakan untuk berbagai kepentingan, misalnya untuk kepentingan pertahanan maupun sebagai air traffic control. Suatu sistem radar pada umumnya terdiri dari primary radar dan secondary radar. Secondary radar berfungsi untuk menginterogasi objek yang masuk ke dalam jangkauan radar. Objek yang masuk ke dalam jangkauan radar akan membalas pesan dari radar dengan identitas dirinya. Untuk objek yang tidak memberikan identitasnya, primary radar akan mendeteksi dan mengukur jarak serta arah objek yang bersangkutan. Bentuk keluaran dari primary radar ini hanyalah berupa plot atau posisi objek pada suatu waktu. Agar hasil deteksi radar dapat digunakan untuk proses analisis lebih lanjut, maka diperlukan sebuah metode untuk mengkonversi data plotplot tersebut menjadi track, atau lintasan suatu objek. Di dalam artikel ini akan ditawarkan salah satu metode yang dapat digunakan untuk mencapai tujuan itu. Metode yang ditawarkan dibuat dengan menggunakan dasar konsep analisis regresi. Suatu objek yang bergerak pasti memiliki kecepatan dan arah. Berangkat dari itu, dapat diasumsikan bahwa kita akan dapat mengenali suatu track dari kumpulan plot dengan cara meregresi parameter-parameter gerakan yang dimiliki oleh track tersebut. Setelah parameter didapatkan, parameter tersebut akan dapat digunakan untuk memprediksi posisi di masa yang akan datang, sehingga plot yang masuk setelah itu dapat dipasangkan dengan track yang memiliki posisi prediksi paling dekat dengan posisi sebenarnya. Metode pengasosiasian plot dengan track ini diimplementasikan dalam suatu modul program yang dibuat dengan menggunakan bahasa pemrograman C++. Setelah proses implementasi dan pengujian dilakukan, dapat ditarik kesimpulan bahwa konsep analisis regresi memadai untuk digunakan sebagai dasar pengasosian plot dengan track. Kata Kunci—analisis regresi, air traffic control, primary radar, radar, secondary radar.

memberikan informasi range–jarak relatif terhadap antena radar. Altitude–ketinggian–normalnya tidak ikut diukur oleh sebuah PSR. PSR dapat mendeteksi segala jenis objek terbang, baik itu merupakan pesawat sipil, maupun militer. SSR adalah sistem radar yang menggantikan sistem Identification Friend or Foe (IFF) yang biasa digunakan sebelumnya. Suatu sistem IFF akan mentransmisikan sinyal radio ke objek-objek yang tertangkap di dalam area jangkauan sistem. Agar sebuah objek diputuskan sebagai kawan, objek tersebut harus dapat membalas transmisi radio yang hanya diketahui oleh pesawat kawan. Suatu sistem SSR bekerja dengan prinsip yang hampir sama seperti sistem IFF. SSR akan mengirimkan suatu sinyal untuk menginterogasi suatu objek yang terbang di udara. Objek yang menerima sinyal tersebut selanjutnya akan membalas dengan suatu kode 4-digit yang dapat memberitahukan identitas pesawat tersebut. Karena SSR bekerja dengan mengandalkan kode balasan dari objek penerima, SSR tidak akan dapat mendeteksi pesawat yang tidak membawa transponder untuk mengirimkan balasan kode identitasnya. Pesawat militer pada umumnya tidak memberitahukan kode identitasnya [1]. Informasi posisi objek yang ditangkap oleh sebuah PSR akan lebih berguna jika diikuti oleh suatu proses tracking– pengakuisisian lintasan suatu objek. Oleh karena PSR hanya dapat memberikan informasi berupa plot–posisi objek-objek yang tertangkap radar pada suatu waktu, maka diperlukan suatu algoritma untuk mengasosiasikan plot yang diterima dari PSR dengan track-track yang bersesuaian. Untuk dapat melakukannya terdapat beberapa algoritma, namun harus diingat bahwa algoritma yang digunakan harus feasible untuk dikomputasi secara real time.

I. PENDAHULUAN

S

ISTEM radar pada masa sekarang pada umumnya terdiri dari Primary Surveillance Radar (PSR) dan Secondary Surveillance Radar (SSR). PSR adalah sistem radar yang mendeteksi posisi objek di udara pada suatu waktu. Sudut azimuth dari antena radar dapat memberikan informasi bearing–arah relatif terhadap sudut normal dari antena radar– sedangkan perbedaan waktu antara saat gelombang radio dipancarkan dan saat pantulannya diterima kembali dapat

II. TINJAUAN PUSTAKA Pada bagian ini akan diuraikan mengenai studi pustaka yang dilakukan untuk memahami dasar-dasar konsep yang dibutuhkan untuk merancang solusi dari permasalahan yang diangkat dalam tulisan ini.


2

merupakan sebuah konsep untuk menemukan hubungan yang paling cocok diantara Y dan x, mengukur derajat keeratan hubungan tersebut, serta memungkinkan dilakukannya metode untuk memprediksi nilai Y jika diketahui x. Hubungan antara variabel-variabel tersebut dapat berupa linear maupun nonlinear/polinomial. Dalam kasus yang dibahas pada artikel ini, ada dua model persamaan yang digunakan, seperti ditunjukkan pada (1) dan (2). Vi  V0  a0 * ti 

j * ti 2  i 2

 i   0  0 * ti 

Gambar 1 Ilustrasi Plot dan Track yang Ditangkap Oleh Radar Pada Suatu Waktu

A. Radar Teknologi radar adalah teknologi yang memanfaatkan pantulan gelombang elektromagnetik untuk mendeteksi dan menemukan posisi suatu objek. Beberapa radar juga disertai dengan kemampuan untuk mendeteksi kecepatan dan arah suatu objek relatif terhadap radar [2]. B. Plot dan Track Data yang didapat dari proses pendeteksian objek oleh radar ini berupa plot. Selanjutnya plot ini akan dikonversi menjadi track untuk dapat dianalisis lebih lanjut. Untuk dapat lebih mudah membayangkan plot dan track, dapat digunakan ilustrasi seperti yang ditunjukkan pada Gambar 1. Titik-titik yang membentuk lintasan sebuah pesawat adalah plot. Satu titik dari satu pesawat akan ditangkap dalam satu putaran radar. Plot berisi informasi-informasi mengenai posisi objek yang terdeteksi, di antaranya adalah range–jarak dari radar, bearing–sudut azimuth kepala radar dari arah utara ketika plot dideteksi, waktu pendeteksian, serta identitas (apabila plot merupakan hasil pendeteksian oleh SSR). Objek yang terdeteksi umumnya adalah alat transportasi udara: pesawat, helikopter. Namun tidak tertutup kemungkinan ada objek terbang lain yang terdeteksi. Bahkan terdapat kemungkinan plot yang terdeteksi merupakan clutter, atau objek diam yang tidak seharusnya terdeteksi, contohnya antara lain, awan, gedung, dan sebagainya. Track di lain pihak adalah lintasan yang dilewati oleh pesawat. Pada Gambar 1 dapat dilihat bahwa plot-plot yang diterima akan membentuk garis yang merepresentasikan lintasan yang dilewati oleh pesawat. Pada dasarnya, radar tidak akan dapat mengenali lintasan pesawat. Radar hanya melaporkan titik-titik posisi setiap kali ada objek yang terdeteksi. C. Analisis Regresi [2] Jika terdapat variabel Y yang nilainya dependen terhadap variabel independen x, maka konsep analisis regresi

 *ti 2 2

(1) i

(2)

Pada (1), yang berperan sebagai variabel dependen adalah Vi, yaitu kecepatan objek pada saat suatu plot diterima, dan pada (2), yang berperan sebagai variabel dependen adalah θi, yaitu arah gerak objek pada saat suatu plot diterima. Yang menjadi variabel independen pada (1) dan (2) adalah ti, yaitu waktu dideteksinya plot. Penjelasan lebih lanjut mengenai perancangan model regresi dapat dilihat pada bab III.A. D. Symmetric Mean Absolute Error [3] Symmetric Mean Absolute Error atau yang sering disingkat sebagai SMAPE adalah suatu metode untuk mengukur kesalahan relatif, atau akurasi dari suatu model perkiraan, dalam bentuk persentase dari data sebenarnya. Nilai SMAPE yang didapat akan memiliki batas atas dan batas bawah, sehingga akurasi dari model dapat langsung secara intuitif diketahui dari nilai yang didapat. Hal ini berbeda dibandingkan dengan beberapa metode pengukuran akurasi yang lain, semisal MAPE. Nilai SMAPE berkisar antara 0% hingga 200%. Formula untuk mendapatkan nilai SMAPE dapat dilihat pada (3).

 SMAPE  

n

t 1 n

t 1

Ft  At

( At  Ft )

(3)

Pada (3), F adalah nilai hasil prediksi, sedangkan A adalah nilai data aktual. Nilai SMAPE ini digunakan untuk mengukur nilai kesesuaian model dengan sampel kasus yang tersedia, seperti dapat dilihat pada bab IV. E. ASTERIX 048 [4] All Purpose STructured Eurocontrol SuRveillance Information EXchange, atau yang biasa disingkat sebagai ASTERIX, merupakan suatu format pengiriman data biner yang biasa digunakan pada sistem Air Traffic Surveillance. ASTERIX memungkinkan komponen-komponen yang berbeda di dalam suatu sistem Air Traffic Surveillance dapat saling bertukar informasi secara terpadu. Di dalam ASTERIX didefinisikan struktur data yang akan saling dipertukarkan, termasuk encoding dari setiap bit informasi, hingga organisasi data yang ada di dalam suatu blok. Data yang dikirimkan dalam format ASTERIX harus

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) dapat dikembalikan ke bentuk data yang sesungguhnya tanpa ada informasi yang hilang. III. DESAIN DAN IMPLEMENTASI Pada bagian ini akan ditunjukkan desain model dan struktur implementasi dari solusi yang ditawarkan. A. Deskripsi Umum Sistem Sistem yang akan dibuat sebagai solusi masalah akan berupa sebuah modul yang merupakan mengimplementasikan suatu metode pengasosiasian plot dengan track. Masukan adalah plot, yaitu pasangan koordinat x dan y dalam suatu satuan waktu. Keluaran adalah track, yaitu lintasan objek, yang berupa vektor kecepatan dan posisi. Masukan serta keluaran dari modul ini akan mengikuti format ASTERIX 048. Metode yang akan dibuat untuk topik tugas akhir ini akan memanfaatkan konsep analisis regresi. Untuk implementasi, akan digunakan bahasa C++ dengan framework .NET 4.0. B. Perancangan Model Statistika Untuk dapat mengasosiasikan suatu plot dengan track, maka sistem ini akan mengandalkan enam parameter yang akan dimiliki oleh tiap-tiap track. Parameter-parameter ini akan diregresi dengan model polinomial. Enam parameter yang akan diregresi tersebut antara lain: - V0, yang mewakili kecepatan awal objek pada saat t = 0. Kecepatan didefinisikan sebagai besaran yang menyatakan perubahan posisi objek tiap satuan waktu. - a0, yang mewakili percepatan/akselerasi objek. Akselerasi didefinisikan sebagai besaran yang menyatakan perubahan kecepatan tiap satuan waktu. - j, yang mewakili jolt. Jolt didefinisikan sebagai besaran yang menyatakan perubahan akselerasi tiap satuan waktu. - θ0, yang mewakili theta/arah. Theta didefinisikan sebagai arah perubahan posisi objek pada satuan waktu tertentu. - ω0, yang mewakili omega/kecepatan angular. Kecepatan angular didefinisikan sebagai perubahan arah kecepatan objek tiap satuan waktu. - α, yang mewakili alpha/percepatan angular. Percepatan angular didefinisikan sebagai perubahan kecepatan angular tiap satuan waktu. Untuk meregresi keenam parameter tersebut, digunakan dua model persamaan, yaitu (4) dan (5). Vi  V0  a0 * ti 

 i   0  0 * ti 

j * ti 2  i 2

 *ti 2 2

i

(4)

Data yang diperlukan untuk meregresi parameter-parameter gerak linear (V0, a0, dan j) adalah selisih posisi antara plot i dengan plot i – 1, yang dinotasikan sebagai di, dan ti, atau waktu plot i diterima. Sedangkan untuk meregresi parameterparameter gerak angular (θ0, ω0, dan α0), diperlukan data arah di, dan ti. Dengan metode SSE, maka dapat ditemukan formula regresi untuk masing-masing parameter. Persamaan (6) dan (7) menunjukkan bentuk persamaan SSE untuk masing-masing (4) dan (5). n

SSE 

2  V  V  a * t  j * ti   i 0 0 i  2  i 1  n

  2

i

i 1 n

SSE 



2

2       * t   * ti  i 0 0 i  2  i 1  n

i2 

i 1



(6) 2

(7)

Regresi parameter berhasil jika nilai masing-masing parameter yang didapat berhasil meminimimalkan nilai SSE seperti yang ditunjukkan pada (6) dan (7). Untuk meminimalkan SSE, dapat dilakukan dengan cara analitis, yaitu menurunkan secara parsial persamaan SSE terhadap masing-masing parameter. 0

 ( SSE) V0

2  V  V  a * t  j * ti  i 0 0 i  2  i 1   ( SSE) 0 a0 n

 2*



2    V  V  a * t  j * ti  *  t   2* i 0 0 i i   2   i 1   n



0

2  2    V  V  a * t  j * ti  *   ti   i 0 0 i  2   2    i 1   n

 2* 0



 ( SSE) 0

2       * t   * ti   2* i 0 0 i  2  i 1   ( SSE) 0 0 n



2         * t   * ti  *  t  0 0 i i  i  2   i 1   n

(5)

(8)

(9)

 ( SSE) j

 2*

Pada (4), Vi adalah kecepatan objek dalam suatu waktu, V0 adalah kecepatan awal dari objek, a0 adalah akselerasi awal dari objek. Sedangkan pada (5), θi adalah arah gerakan objek pada suatu waktu, θ0 adalah arah awal dari gerakan objek, ω0 adalah kecepatan angular awal dari suatu objek, dan α0 adalah percepatan awal dari suatu objek.

3



 ( SSE)  n  2  2        * t   * ti  *   ti    2* i 0 0 i  2   2    i 1  

(10)

(11)

(12)

0



(13)


j  2*



 in1 d i * ti



2



 in1 d i * ti  a0 

V0 



















 



2 2 2 2 2 2 3 3   in1 d i * ti *  in1 ti *  in1 ti   in1 d i * ti *  in1 ti *    *  in1 d i   in1 d i * ti *  in1 ti *  in1 ti *  in1 ti *    in1 d i *  in1 ti 2 3 2 2 2 4 3 2 4 2  in1 ti * in1 ti *   2 *  *  in1 ti  in1 ti   in1 ti *  in1 ti   in1 ti *







 n 2 3  i 1 di * in1 ti  in1 d i * ti  * in1 ti  0.5 * j * in1 ti * in1 ti  0.5 * j *  2 2  n *  in1 ti   in1 ti    in1 ti

in1 d i  a0 *  in1 ti  0.5 * j *  in1 ti





 in1 ti



 

 



(14)

2 2

 

3 *  in1 ti  0.5 * j *  in1 ti

(15)

2

2

(16)

n

  2*



 in1  i * ti





2

 in1  i * ti 

0 

0 



4

























 n 2 3  i 1 i * in1 ti  in1 i * ti  * in1 ti  0.5 * j * in1 ti * in1 ti  0.5 *  *  2 2  n *  in1 ti   in1 ti    in1 ti





 in1 ti



 

 



 



(17)

2 2

 

*  in1 ti  0.5 *  *  in1 ti

3

(18)

2

2  in1 i  0 * in1 ti  0.5 *  * in1 ti

(19)

n

Persamaan (8), (9), (10), (11), (12) dan (13) menunjukkan persamaan-persamaan hasil penurunan parsial untuk masingmasing parameter. Persamaan hasil penurunan parsial dari keenam parameter tersebut lalu disubstitusikan dengan nilai nol. Persamaan (14) digunakan untuk mencari nilai j. di adalah selisih posisi antara suatu plot dengan plot sebelumnya di dalam suatu track. Setelah nilai j didapatkan, maka j dapat disubstitusikan ke dalam Persamaan (15) untuk mendapatkan a0. Setelah nilai a0 didapatkan, a0 dapat disubstitusikan ke dalam persamaan (16) untuk mendapatkan nilai V0. Pada Persamaan (17) yang digunakan untuk mendapatkan nilai α, θi adalah arah dari di, yang merupakan selisih posisi antara suatu plot dengan plot sebelumnya di dalam suatu track.. Setelah nilai α didapatkan, maka α dapat disubsitusikan ke dalam Persamaan (18) untuk mendapatkan nilai ω. Setelah nilai ω didapatkan, ω0 dapat disubstitusikan ke dalam Persamaan (19) untuk mendapatkan nilai θ0. Setelah keenam parameter tersebut telah diregresi, maka parameter-parameter tersebut akan digunakan untuk memrediksi koordinat plot selanjutnya. Setelah itu hasil prediksi akan digunakan untuk menghitung nilai korelasi satu plot yang masuk dengan track tersebut, dengan mengikuti (15). 



2 3 3 2 2 2 2 2   in1  i * ti *  in1 ti *  in1 ti   in1  i * ti *  in1 ti *    *  in1 i   in1  i * ti *  in1 ti *  in1 ti *  in1 ti *    in1 i *  in1 ti 2 3 2 3 2 2 2 4 4 2  in1 ti *  in1 ti *   2 *  *  in1 ti   in1 ti   in1 ti *  in1 ti   in1 ti *

1 abs( xi  xî )  abs( yi  yî )  (ti  ti 1) 2 2 / radar

(15)

Dengan ρ adalah nilai korelasi plot yang masuk, (xi, yi) adalah koordinat plot baru yang masuk, dan ( xî , yî ) adalah koordinat

plot hasil prediksi dengan menggunakan parameter-parameter yang telah didapat dari proses regresi. Selain itu, untuk menanggulangi delay pengiriman data masukan dari radar, digunakan juga suatu model aproksimasi t. Semisal, dalam satu time window diterima sejumlah paket data, maka nilai t sebenarnya dari masing-masing paket data, setelah dikurangi oleh delay propagasi dapat diaproksimasi dengan menggunakan tNorth dan bearing. Persamaan (16) menunjukkan persamaan yang dapat digunakan untuk mendapatkan nilai tNorth.  t N  t '   t   

(16)

Dengan μt’ adalah rata-rata waktu penerimaan plot yang didapatkan dari data masukan, μϵt adalah rata-rata waktu propagasi yang bervariasi tiap paket, namun mengikuti pola distribusi normal sehingga dalam kasus ini dapat diasumsikan sama dengan nol, μθ adalah rata-rata bearing dari plot-plot yang diterima, dan ω adalah kecepatan putar kepala radar. ti  t N 

bearingi

radar

(17)

Selanjutnya, untuk masing-masing paket data, waktu yang sebenarnya dapat ditemukan dengan menggunakan (17). Pada (17), ti adalah waktu masing-masing plot setelah dikoreksi dengan memperhatikan waktu propagasi, tN adalah waktu kepala radar menghadap utara, bearingi adalah sudut azimuth


Input Plot (ASTERIX 048)

-

Tracking

Distributor

Display

Display

Display

-

Gambar 2 Hubungan Arsitektural Antar Komponen

kepala radar terhadap arah utara ketika plot diterima, dan ωradar adalah kecepatan putar kepala radar. C. Perancangan Arsitektural Sistem yang dibuat akan terdiri dari beberapa komponen. Gambar 2 menggambarkan secara umum hubungan antar komponen dalam sistem. Setelah mendapat masukan plot dari radar, maka modul Tracking akan melakukan proses asosiasi plot dengan track. Oleh karena data masukan plot datang secara real-time tanpa request terlebih dahulu, maka proses asosiasi harus dapat berjalan tanpa memblok input plot yang datang selanjutnya. Setelah proses asosiasi dilakukan, kumpulan dari track-track yang telah ter-update akan diberikan kepada modul Distributor, yang selanjutnya akan mendistribusikan kumpulan Track itu kepada masing-masing display. Proses regresi dan asosiasi yang merupakan inti dari solusi yang dibahas di artikel ini akan dilakukan di dalam modul Tracking. D. Perancangan Kelas-Kelas Terdapat empat kelas dan dua interface yang menjadi komponen utama dalam modul Tracking ini. Keenam kelas tersebut akan tergabung menjadi satu package, Tracking. Penjelasan singkat atas peran masing-masing kelas adalah sebagai berikut: - Kelas Track_Container Kelas ini akan berperan sebagai representasi masingmasing track yang terdeteksi. Di dalam kelas inilah proses regresi dilakukan. Kelas ini akan menyimpan parameterparameter yang telah diregresi, beserta history plot-plot yang diasosiasikan dengan track bersangkutan. Selain itu, di dalam kelas ini juga akan disimpan suatu nilai yang menunjukkan kualitas informasi track. Nilai ini akan diperbarui setiap satu kali putaran radar. Apabila dalam satu putaran radar, track menerima plot baru, maka nilai tersebut akan bertambah. Sebaliknya jika dalam satu putaran radar, track tidak mendapatkan plot baru, maka nilai tersebut akan

-

-

-

5

berkurang. Nilai kualitas track ini berfungsi sebagai dasar untuk memutuskan inisialisasi dan terminasi sebuah track. Kelas Tracker Kelas ini akan berperan sebagai pengontrol proses asosiasi, termasuk di dalamnya algoritma untuk memasangkan antara plot dengan track yang bersesuaian. Kelas ini juga menyimpan daftar track yang telah terdeteksi, dan juga akan memanggil fungsi Distribute yang dimiliki oleh kelas konkret dari antar muka IDistributor untuk mendistribusikan track-track yang ter-update. Masalah pengasosiasian plot dengan track di dalam kelas ini akan diselesaikan dengan solusi untuk permasalahan Max Flow, Min Cost. Kelas polar_plot Struktur data untuk menyimpan parameter-parameter plot yang diperlukan untuk proses asosiasi. Parameter-parameter tersebut antara lain: range–jarak plot yang terdeteksi dengan radar, bearing–arah dimana plot terdeteksi, direpresentasikan sebagai sudut azimuth dari kepala radar terhadap arah utara, time–waktu terdeteksinya plot oleh radar. Kelas ASTERIX_048_TRACK Struktur data untuk menyimpan seluruh parameterparameter yang dapat diperoleh dari satu paket data ASTERIX. Interface IDistributor Interface ini menyediakan metode-metode yang harus dimiliki oleh kelas Distributor agar dapat berinteraksi dengan kelas Tracker. Interface IPriorityTrack Interface ini menyediakan metode-metode yang harus dimiliki agar kelas Track_Container dapat berinteraksi dengan modul Source Rate Control1. IV. PENGUJIAN

Pada bagian ini akan diuraikan mengenai tahap pengujian solusi permasalahan yang ditawarkan. Pengujian ini dilakukan untuk mengetahui sejauh mana model regresi dapat digunakan untuk mengidentifikasi track dari kumpulan plot-plot yang ada. Dan juga seberapa akurat proses asosiasi yang dilakukan oleh sistem yang dibuat. A. Penjelasan Data Kasus Data Kasus yang dibuat akan terbagi menjadi dua himpunan. Himpunan pertama berisi data kasus yang terkontrol, dalam artian data kasus-data kasus yang digunakan, dirancang tersendiri dengan maksud tertentu. Data-data kasus tersebut terdiri dari 719 plot yang dimiliki oleh 4 track. Dua track bergerak lurus saling menjauhi satu sama lain, dan dua track yang lain bergerak berdampingan mengitari titik pusat radar. Alasan digunakannya himpunan data kasus pertama ini dalam pengujian yang ditulis dalam buku ini adalah dikarenakan data-data kasus yang termasuk di sini menyoroti situasi-situasi 1 Modul untuk pengaturan kecepatan transmisi data yang dibuat oleh Hermawan Winata [5]


Himpunan I II

Total Track sebenarnya 4 198

Tabel 1 Hasil Pengujian Akurasi Total Track yang Total Plot Teridentifikasi 7 719 351 7146

yang dapat menjadi problematik untuk algoritma yang digunakan. Sedangkan untuk himpunan kedua, berisi data kasus riil yang tidak terkontrol. Data kasus yang ada di sini berasal dari rekaman data radar, terdiri dari 11405 plot yang mayoritas merupakan plot SSR. Namun untuk keperluan pengujian plot SSR ini akan dianggap sebagai PSR. Di dalam data kasus ini juga masih terdapat cluttering, yang dapat menjadi masalah dalam proses asosiasi track. B. Skenario Pengujian Pengujian dilakukan dengan mencetak hasil asosiasi ke dalam file, setiap ada plot yang ditambahkan ke dalam track. Untuk keperluan pengujian ini, setiap plot diberi identitas yang menunjukkan bahwa plot sebenarnya adalah milik track keberapa. Pada himpunan data kasus pertama, plot-plot diberi identitas berupa angka 1-4, sedangkan pada himpunan kedua plot-plot diberi identitas angka sesuai dengan mode3. Asosiasi dianggap benar apabila plot dimasukkan ke dalam track yang didalamnya disimpan plot-plot yang mayoritas beridentitas sama dengan plot yang baru. Kondisi selain itu, maka asosiasi dianggap salah. C. Hasil Pengujian Tabel 1 menunjukkan hasil pengujian dengan menggunakan kedua himpunan data kasus. Dari Tabel 1, dapat dilihat bahwa nilai SMAPE (Symmetric Mean Absolute Error) untuk asosiasi plot adalah 0,49% untuk himpunan data kasus pertama, dan 0,29% untuk himpunan data kasus kedua. Nilai SMAPE untuk pengidentifikasian track adalah 27,27% untuk himpunan data kasus pertama dan 27,87% untuk himpunan data kasus kedua. V. KESIMPULAN/RINGKASAN Dari hasil pengamatan selama perancangan, implementasi, dan proses uji coba yang dilakukan, kesimpulan yang dapat diambil adalah sebagai berikut: 1. Model regresi dapat digunakan sebagai dasar algoritma sistem asosiasi plot dengan track. Model regresi berhasil mendapatkan parameter-parameter gerak dari sekumpulan plot, dan akurasi algoritma asosiasi yang dilakukan dengan metode Edmonds Karp, dengan skor yang didapat dari prediksi dengan dasar metode regresi dapat digolongkan tinggi.

Total Asosiasi Plot yang Benar 712 7105

6

Total Asosiasi Plot Yang Salah 7 41

2. Algoritma untuk proses inisialisasi dan terminasi track dapat mengidentifikasi sekelompok plot ke dalam suatu track. Nilai SMAPE yang didapat dari proses pengujian masih cukup signifikan. 3. Program yang dibuat telah termodular dengan cukup baik sehingga mudah untuk diubah. Algoritma untuk proses regresi dan asosiasi terpisah ke dalam kelas yang berbeda, dan masing-masing kelas menyediakan antarmuka yang dapt digunakan sebagai sarana komunikasi antarkelas. 4. Data masukan plot yang datang secara real-time tanpa request terlebih dahulu dapat diakomodasi dengan meletakkan proses asosiasi pada thread yang berbeda dari thread utama, sehingga tidak memblok data plot yang masuk setelahnya. UCAPAN TERIMA KASIH Penulis F.F. mengucapkan terima kasih khususnya kepada P.T. Infoglobal Autoptima yang telah memfasilitasi, serta membagi pengetahuan dan pengalaman yang berguna untuk kelancaran penulisan artikel ini. Tidak lupa juga kepada keluarga, teman, dosen pembimbing, serta seluruh staf dosen dan karyawan Teknik Informatika ITS yang telah membantu penulis dalam penulisan artikel ini baik secara langsung maupun tidak langsung, penulis mengucapkan terima kasih yang sebesar-besarnya. DAFTAR PUSTAKA [1] Phil Vabre. (2013, February) “Air Traffic Services Surveillance Systems, Including An Explanation of Primary and Secondary Radar” in AirwaysMuseum.com. [Online]. http://www.airwaysmuseum.com/Surveillance.htm [2] R. E. Walpole et al., Probability and Statistics for Engineers and Scientists, 9th ed. Upper Saddle River, New Jersey: Prentice Hall, 2011. [3] S. Makridakis and M. Hibon, "EVALUATING ACCURACY (OR ERROR) MEASURES,". INSEAD Working Paper Series. 1995 [4] EUROCONTROL. (2013, October) http://www.eurocontrol.int/services/asterix

eurocontrol.int.

[Online].

[5] Hermawan Winata, "Perancangan dan Implementasi Pengaturan Source Rate untuk Menangani Kongesti pada Studi Kasus Transmisi Data Radar," Institut Teknologi Sepuluh Nopember, Surabaya, Undergraduate Thesis 2013.

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1

Recommend Documents