Estimasi Jarak Berbasis Convolutional Neural Network dan Regresi Dalam Sistem Deteksi Kendaraan Udara Nirawak Berbasis Suara
DOI:
https://doi.org/10.61124/sinta.v2i3.92Keywords:
sesor jarak, fitur suara MFCCAbstract
Sistem deteksi kendaraan nirawak (UAV) saat ini dilengkapi dengan berbagai jenis sensor sebagai alat deteksi, termasuk metode untuk menggabungkan data sensor. Namun, menggabungkan data dari beberapa sensor (multi-sensor data fusion, MDF) dapat menyebabkan kesalahan deteksi, yang antara lain disebabkan oleh noise lingkungan di sekitar sensor. Hal ini menghasilkan informasi peringatan yang salah (False Alarm) dari sistem. Penelitian ini bertujuan untuk mengembangkan sistem deteksi UAV berbasis suara menggunakan metode CNN dan Regresi, sehingga diperoleh informasi peringatan dini terkait ancaman UAV (drone), serta estimasi jarak terhadap larik node sensor yang lebih akurat. Suara UAV yang direkam oleh larik sensor audio diekstraksi untuk mendapatkan fitur data suara UAV. Ekstraksi fitur dilakukan dengan menggabungkan Log-Mel Spectrogram dan Mel-Frequency Cepstrum Coefficient (MFCC). Fitur ini digunakan untuk membangun model deteksi UAV sekaligus mengestimasi jarak menggunakan metode Convolutional Neural Network (CNN) dan Regresi. Eksperimen dilakukan menggunakan 5500 data primer berdasarkan 11 kelas jarak dalam satuan meter. Hasil eksperimen menunjukkan bahwa model deteksi UAV yang dikembangkan memiliki akurasi dan recall sebesar 91%, menandakan potensi tinggi dalam estimasi jarak UAV. Penelitian ini memberikan kontribusi penting bagi pengembangan ilmu di bidang pemrosesan sinyal akustik dan deep learning untuk deteksi objek udara. Secara praktis, sistem ini berpotensi diaplikasikan pada sistem keamanan, pemantauan wilayah, dan perlindungan infrastruktur kritis, khususnya di lingkungan dengan keterbatasan sensor visual atau radar.
References
Q. Dong, Y. Liu, and X. Liu, “Drone sound detection system based on feature result-level fusion using deep learning,” Multimed. Tools Appl., vol. 82, no. 1, pp. 149–171, 2023, doi: 10.1007/s11042-022-12964-3.
J. Zhong, A. Fan, K. Fan, W. Pan, and L. Zeng, “Research on the UAV Sound Recognition Method Based on Frequency Band Feature Extraction,” Drones, vol. 9, no. 5, pp. 1–14, 2025, doi: 10.3390/drones9050351.
D. Tejera-Berengue, F. Zhu-Zhou, M. Utrilla-Manso, R. Gil-Pita, and M. Rosa-Zurera, “Analysis of Distance and Environmental Impact on UAV Acoustic Detection,” Electronics, vol. 13, no. 3. 2024. doi: 10.3390/electronics13030643.
Y. Wang, F. Fagiani, K. Ho, and E. Matson, “A Feature Engineering Focused System for Acoustic UAV Payload Detection,” Proc. 14th Int. Conf. Agents Artif. Intell. (ICAART 2022), vol. 3, no. Icaart, pp. 470–475, 2022, doi: 10.5220/0010843800003116.
P. Wellig et al., “Radar systems and challenges for C-UAV,” Proc. Int. Radar Symp., vol. 2018-June, pp. 1–8, 2018, doi: 10.23919/IRS.2018.8448071.
P. Nguyen, H. Truong, and M. Ravindranathan, “Passive Rf-Based Drone,” vol. 21, no. 4, pp. 30–34, 2017.
M. S. Allahham, T. Khattab, and A. Mohamed, “Deep Learning for RF-Based Drone Detection and Identification: A Multi-Channel 1-D Convolutional Neural Networks Approach,” 2020 IEEE Int. Conf. Informatics, IoT, Enabling Technol. ICIoT 2020, pp. 112–117, 2020, doi: 10.1109/ICIoT48696.2020.9089657.
O. O. Medaiyese, A. Syed, and A. P. Lauf, “Machine Learning Framework for RF-Based Drone Detection and Identification System,” 2020, [Online]. Available: http://arxiv.org/abs/2003.02656
M. F. Al-Sa’d, A. Al-Ali, A. Mohamed, T. Khattab, and A. Erbad, “RF-based drone detection and identification using deep learning approaches: An initiative towards a large open source drone database,” Futur. Gener. Comput. Syst., vol. 100, pp. 86–97, 2019, doi: 10.1016/j.future.2019.05.007.
M. Messina and G. Pinelli, Classification of Drones with a Surveillance Radar Signal, vol. 11754 LNCS. 2019. doi: 10.1007/978-3-030-34995-0_66.
J. Busset et al., “Detection and tracking of drones using advanced acoustic cameras,” Unmanned/Unattended Sensors Sens. Networks XI; Adv. Free. Opt. Commun. Tech. Appl., vol. 9647, p. 96470F, 2015, doi: 10.1117/12.2194309.
T. P. Banerjee and S. Das, “Multi-sensor data fusion using support vector machine for motor fault detection,” Inf. Sci. (Ny)., vol. 217, pp. 96–107, 2012, doi: 10.1016/j.ins.2012.06.016.
S. Jeon, J. W. Shin, Y. J. Lee, W. H. Kim, Y. H. Kwon, and H. Y. Yang, “Empirical study of drone sound detection in real-life environment with deep neural networks,” 25th Eur. Signal Process. Conf. EUSIPCO 2017, vol. 2017-Janua, pp. 1858–1862, 2017, doi: 10.23919/EUSIPCO.2017.8081531.
J. Guo, I. Ahmad, and K. H. Chang, “Classification, positioning, and tracking of drones by HMM using acoustic circular microphone array beamforming,” Eurasip J. Wirel. Commun. Netw., vol. 2020, no. 1, 2020, doi: 10.1186/s13638-019-1632-9.
J. Ngiam, A. Khosla, M. Kim, J. Nam, H. Lee, and A. Y. Ng, “Multimodal deep learning,” in ICML, 2011.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Risa F Christianti
This work is licensed under a Creative Commons Attribution 4.0 International License.
