<![CDATA[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.]]>
Copyrights © 2025
