SEGMENTASI SINYAL PADA SPEKTROGRAM RF MENGGUNAKAN ATTENTION U-NET DAN PRA-PELATIHAN SINTETIS

Abstract

Pemantauan spektrum frekuensi radio (RF) pita lebar memerlukan pelokalan sinyal yang presisi pada citra spektrogram waktu–frekuensi. Namun, banyak sinyal muncul sebagai jejak vertikal sangat tipis (1–3 piksel) dan berada pada latar belakang derau yang bervariasi akibat perbedaan perangkat dan kondisi pengukuran. Kondisi ini menyebabkan pendekatan deteksi berbasis bounding box kurang optimal karena proses downsampling berpotensi menghilangkan detail objek kecil. Penelitian ini bertujuan meningkatkan akurasi pelokalan sinyal melalui segmentasi tingkat piksel menggunakan arsitektur Attention U-Net. Untuk mengatasi keterbatasan data riil berlabel dan kesenjangan distribusi antara data sintetis dan data lapangan, diterapkan strategi pelatihan dua tahap berupa pretraining pada dataset sintetis yang diselaraskan secara statistik dengan data riil, kemudian dilanjutkan fine-tuning pada dataset riil multi-band. Hasil evaluasi pada data uji riil menunjukkan peningkatan performa bertahap dari U-Net (Dice 0.3789) ke Attention U-Net (Dice 0.6196), hingga konfigurasi pretraining–fine-tuning yang mencapai Dice 0.8786 dan IoU 0.7908 dengan konvergensi lebih stabil. Temuan ini menunjukkan bahwa kombinasi mekanisme attention dan pelatihan dua tahap efektif meningkatkan presisi dan generalisasi segmentasi sinyal pada lingkungan pemantauan yang heterogen.