TY  - THES
N2  - Pengawasan spektrum siaran FM secara real-time memerlukan teknik
canggih; pendekatan berbasis klasifikasi sinyal telah terbukti meningkatkan
ketepatan deteksi dibandingkan metode manual. Penelitian ini mengembangkan
dan membandingkan tiga arsitektur deep learning - CNN 5-Layers, CNN-BiLSTM,
dan CNN-Transformer - untuk mengklasifikasikan pengguna siaran radio FM
berdasarkan data IQ. Data sinyal dikumpulkan dari 16 pemancar FM menggunakan
SDR dan diolah menjadi 80.000 sampel seimbang. Model-model ini dievaluasi
berdasarkan akurasi klasifikasi dan waktu inferensi. Hasil eksperimen
menunjukkan bahwa CNN-BiLSTM memberikan akurasi tertinggi sebesar 98,96%
namun dengan waktu inferensi relatif lama sekitar 62 detik. Sementara itu, CNN 5Layers
memiliki
waktu
klasifikasi
tercepat
sekitar
10
detik
dengan
akurasi
tinggi

sebesar

98,18%, dan CNN-Transformer paling lambat sekitar 120 detik dengan
akurasi sebesar 97,72%. Mengingat waktu klasifikasi per batch harus lebih pendek
daripada laju pengambilan data sekitar 2 milidetik per sampel, hanya CNN 5-Layers
yang memenuhi persyaratan pemantauan spektrum secara real-time.
ID  - universitasamikomyogyakarta31801
Y1  - 2025/11/01/
AV  - public
UR  - https://eprints.amikom.ac.id/id/eprint/31801/
KW  - Pengawasan Spektrum Frekuensi Radio; CNN; BiLSTM;
Transformer; Data IQ; Pemantauan Real-time
KW  -  Radio Frequency Spectrum Monitoring.
M1  - masters
TI  - KLASIFIKASI RADIO SIARAN FM BERDASARKAN DATA
IQ MENGGUNAKAN CONVOLUTIONAL NEURAL
A1  - Sukarno, Agus
PB  - Universitas AMIKOM Yogyakarta
ER  -