Peningkatan penggunaan pesawat tanpa awak (drone / UAV) di berbagai sektor memberikan banyak kemudahan, namun di sisi lain menimbulkan potensi risiko keamanan pada area publik yang vital, seperti bandara, gedung pemerintahan, dan fasilitas umum lainnya. Untuk mengantisipasi potensi ancaman publik dan penyalahgunaan drone, diperlukan sistem deteksi serta estimasi jarak objek yang akurat dan beroperasi secara real-time.
Menjawab kebutuhan tersebut, tim peneliti yang terdiri dari Risa Farid Christianti, S.T., M.T., Danny Kurnianto, S.T., M.Eng., dan Ichwan Nugroho mengembangkan inovasi bertajuk Sound Base CNN Drone. Penelitian ini berfokus pada pengembangan model klasifikasi dan estimasi jarak drone menggunakan pendekatan sinyal audio, Convolutional Neural Network (CNN), dan regresi.
Metode Penelitian dan Pemrosesan Data
Sistem ini memanfaatkan akustik atau gelombang suara yang dihasilkan oleh baling-baling dan motor drone saat mengudara. Metode riset dijalankan melalui empat tahapan utama:
- Akuisisi Data: Menggunakan array yang terdiri dari 3 node sensor audio (INMP441) yang terhubung ke perangkat pemroses untuk menangkap suara di sekitarnya.
- Pemrosesan dan Fusi Data: Mengolah data audio mentah (raw waveform format WAV) tanpa perlu melalui ekstraksi Mel-Frequency Cepstral Coefficients (MFCC), kemudian melakukan fusi sinyal dari ketiga node sensor.
- Model CNN dan Regresi: Menerapkan arsitektur CNN untuk mengklasifikasikan keberadaan drone serta modul regresi sensor jarak untuk memprediksi posisi drone secara presisi.
- Dataset dan Parameter: Penelitian ini melibatkan dataset sebanyak 4.000 sampel (terdiri dari 2.000 sampel non-drone dan 2.000 sampel drone).
Hasil Penelitian dan Performa Alat
Berdasarkan hasil pengujian eksperimental, pendekatan fusi sensor audio dan deep learning ini mampu menunjukkan performa dan tingkat akurasi yang sangat tinggi:
- Akurasi Klasifikasi: Mencapai tingkat akurasi 98% hingga 100%. Secara spesifik, akurasi deteksi kelas Drone sebesar 99,2%, sedangkan kelas Non-Drone sebesar 98,7%.
- Presisi Estimasi Jarak: Model regresi mampu memprediksi jarak drone dengan tingkat kesalahan yang sangat rendah, dicirikan oleh nilai Mean Absolute Error (MAE) sebesar 0,98 m, Root Mean Squared Error (RMSE) sebesar 1,55 m, serta koefisien determinasi (R2) sebesar 0,92.
Kontribusi Utama dan Manfaat Penelitian
Inovasi Sound Base CNN Drone memberikan sejumlah kontribusi terobosan dalam pengembangan sistem keamanan berbasis AI:
- Pemrosesan Efisien: Menggunakan data audio mentah (raw waveform) secara langsung tanpa proses MFCC, sehingga mempercepat waktu komputasi.
- Fusi Multi-Sensor: Menggabungkan sinyal dari 3 node sensor audio untuk meningkatkan keandalan klasifikasi dan estimasi jarak.
- Monitoring Real-Time: Dapat diintegrasikan ke dalam ekosistem AIoT (Artificial Intelligence of Things) untuk deteksi dini tanpa bergantung pada kamera visual yang terbatas oleh cuaca atau pencahayaan.
- Penguatan Keamanan Publik: Memberikan solusi deteksi dini yang efektif untuk melindungi area sensitif dan objek vital nasional.
Melalui pengembangan model ini, pemrosesan deep learning pada sinyal audio terbukti menjadi solusi yang efisien, responsif, dan akurat untuk mendukung sistem keamanan wilayah udara di area publik.