View of TK PENENTUAN LOKASI OBJEK INDOOR DENGAN KEKUATAN SINYAL YANG DITERIMA OLEH WIRELES LAN

  

PENENTUAN LOKASI OBJEK INDOOR DENGAN KEKUATAN

SINYAL YANG DITERIMA OLEH WIRELES LAN

_{1) 2) 1)}

Taman Ginting, Didik Warasto

₂₎

Jursan Teknik Komputer Politeknik Pratama Mulia Surakarta

Jurusan Manajemen Informatika Politeknik Pratama Mulia Surakarta

  

ABSTRACT

Wireles lan technology advances have been very widely used as a

medium of public communication and widely applied in a variety of places

  

, ranging from campus , shops, offices and even public places . lan

wireless technologies by leveraging the value of RSS ( received signal

strength) obtained from the access point ( AP ) that already exist can be

applied to estimate the location of objects in the room . These underlying

factors to estimate the location of objects in the room with the fingerprint

method .

  This study focused on the use of RSS using 4 access points and the

location of the research conducted on the 3rd floor of the building

POLITAMA . Fingerprint data retrieval is done with a grid of 2 x 2 meters

aiming to obtain high accuracy . Predicting the location of this object with

methods of fingerprint algorithms using k - Nearest Neighbor ( kNN ) and

Naïve Bayes .

  From the results of the study showed that the effect of the study site

to interference from walls and obstructions in the room is unbelievably

disturbing than the power of RSS values obtained . The test results of the K

- NN algorithm shows better than Naïve Bayes algorithm .

Keywords - RSS , k - NN , Naive Bayes , Figerprint .

  ruangan tanpa menggunakan I.

   PENDAHULUAN

  peralatan tambahan. Salah Jaringan tanpa kabel satunya pada penelitian yang

  (Wireless Network) berkembang

  dilakukan lokalisasi dan pesat yang telah di gunakan Oleh pemetaan mengunakan masyarakat di berbagai tempat. pengukuran kekuatan sinyal. Perkembangan WLAN membuka

  Ada banyak sistem posisi peluang baru untuk layanan dalam ruangan dengan berbasis lokasi. Infrastruktur menggunakan teknologi yang

  WLAN juga dapat diterapkan berbeda misalnya

  IEEE untuk memberikan layanan untuk 802.11b/g, Bluetooth, RFID, mengetahui lokasi objek dalam Zigbee, dan UWB[1].

  2. Mengetahui performa perhitungan algoritma kNN, Naïve Bayes dan

  II. T

  berbasis Received Signal

  Strength (RSS) pada jaringan

  WLAN dengan skala besar untuk menampilkan lokalisasi statis menggunakan Power Map (PM) yang diperbaharui menggunakan pendekatan base-station-strict (BS-Strict) . WLAN memiliki daya jangkau sinyal yang cukup besar terhadap penguna khususnya di dalam ruangan. Hal tersebut menjadi salah satu alasan untuk membangun system lokasi didalam gedung.

a. Perumusan masalah.

  Kemajuan teknologi WLAN menyebakbkan penulis tertarik meneliti lokasi objek di dalam gedung. Berdasarkan latar belakang dan permasalahan di atas maka dapat ditarik perumusan masalah dalam penelitian ini yaitu : 1.

  RSS

  Pembandingan prisip pengukuran dan penggunaan algoritma posisi berdasarkan Triangulasi terdiri dari TOA, TDOA, Metode

  WLAN berbasis IEEE 802.11 merupakan standar jaringan nirkabel yang banyak digunakan pada masa sekarang ini, sehingga sangat menarik untuk digunakan pada lokalisasi dalam ruang . Lokalisasi berbasis RSS pada WLAN menghasilkan tingkat akurasi 3 hingga 30 m.

  INJAUN P USTAKA

  fingerprint .

  Fingerprinting Localisation

  decision tree terhadap nilai RSS.

• Based, RTOF, dan Metode POA, serta Metode Angulation yang terdiri dari AOA Estimasi. Berdasarkan Analisis Scene, dengan berbasis Radio Frequency menggunakan

  1. Mengetahui teknik untuk memprediksi lokasi objek dalam gedung mengunakan metode

  Tujuan penelitian yang ingin dicapai adalah sebagai berikut:

  2. Bagaimana performa algoritma K-NN, Naïve Bayes dan Decision tree terhadap akurasi objek dalam gedung.

  LAN mengunakan metode fingerprint .

  FingerPrint dan penggunaan

  metode Probabilistik, KNN, Jaringan Syaraf, SUM, dan SMP.

  Kelemahan utama dari metode berbasis propagasi adalah harus selalu memperhitungkan setiap kondisi yang mempengaruhi propagasi sinyal untuk mendapatkan lokalisasi yang akurat. Propagasi sinyal dalam ruangan sangatlah

  Bagaimana menprediksi lokasi objek dalam gedung dengan teknologi Wireless

b. Tujuan Penelitian

  kompleks. Isu yang paling menantang dari WLAN

  nirkabel

   Fingerprint Metode fingerprint

  Gambar 1. Metode Pengukuran RSS WLAN didalam ruangan b.

  untuk lokalisasi berbasis dalam gedung atau dalam ruangan, terutama ketika hubungan analitis antara pengukuran RSS dan jarak tidak mudah dibentuk karena multipath dan interferensi [8].

  Fingerprinting sering digunakan

  adalah metode untuk pemetaan pengukuran data (misalnya RSS) ke titik grid yang dikenal di seluruh wilayah cakupan di lingkungan. Lokasi diperkirakan dari perbandingan antara pengukuran RSS real-time dan RSS yang sebelumnya disimpan dalam data base.

  a. Pengolahan Data Fingerprinting

  dengan penambahan perangkat keras yang digunakan atau cukup mengunakan pasilitas yang sudah tersedia. Namun yang diperlukan untuk mendapatkan dan membaca nilai RSS, Acces point yang tersedia, tidak memerlukan sinkronisasi antara pemancar dan penerima. Keuntungan ini merupakan faktor utama penggunaan nilai RSS untuk lokalisasi dalam gedung. Namun kelemahannya adalah adalah bahwa pembacaan nilai RSS dapat menunjukkan nilai yang bervariasi karena pengaruh interferensi dan multipath terhadap saluran radio[6].

  Keuntungan menggunakan RSS untuk lokalisasi dalam gedung. Pertama, dapat diimplementasikan dalam sistem komunikasi

  Fingerprint adalah nilai RSS

  Fingerprinting dan Proximity [5].

  rata-rata [4] Teknik dan algoritma berbasis propagasi sinyal yang digunakan dalam lokalisasi dalam ruang. Menyatakan bahwa terdapat beberapa teknik utama lokalisasi dalam ruang, antara lain Triangulasi, Location

  multipath dapat ditangani dengan

  /hambatan). Efek

  obstacle

  refleksi, difraksi, dan difusi di ruangan-ruangan serta adanya

  multipath (yang disebabkan oleh

  WLAN yang tidak stabil tiap kali dilakukan pengukuran. Hal ini dikarenakan adanya efek

  untuk lokalisasi juga disebut scene

  

analysis biasanya digunakan posisi. Dari algoritma yang

  dalam gedung karena dibutuhkan berbeda diterapkan untuk tujuan karakteristik stasioner Memprediksi lokasi objek. Hasil lingkungan misalnya atenuasi pengukuran RSS dari masing- dinding. fingerprint biasanya masing Acces point bisa di rata- bekerja dalam dua tahap: off-line rata. Secara garis besar, lokalisasi dan tahap online. Dalam tahap berbasis RSS terdiri dari dua fase

  off-line , kekuatan sinyal dari [9] yaitu: Acces Poin (AP) dikumpulkan

  1. Training phase, di mana peta dari lokasi yang berbeda untuk nirkabel lingkungan membangun database atau ditentukan menggunakan disebut juga pemetaan pengukuran. lingkungan. Sedangkan tahap 2.

  Positioning phase, di mana online, lokasi dapat dihitung estimasi posisi ditentukan dengan membandingkan berdasarkan peta nirkabel. pengukuran Receive Signal

  Strength (RSS) dan pengukuran

   Tahap Training nilai yang disimpan dalam Di dalam basis data termasuk database. pengukuran Q fingerprinting dari semua sinyal Acces Point dituliskan sebagai vektor {RSSrq = [RSSr1 RSSSr2 ...

  RSSrP], r = 1, 2, ..., R, q = 1, 2, …, Q}.  Tahap Positioning Membandingkan rata-rata pengukuran Q {rssq = [rss1

  Gambar

  2. Contoh rss2 ... rssp], q = 1, 2, …, Q} Algoritma Fingerprint terhadap ke titik yang tidak diketahui

  estimasi locasi terhadap base

  dengan basis data pada tahap station. training.

  c. lokalisasi Tahappan d.

  k-Nearest Neighbor (k-NN)

BELUM DIISI

  k-Nearest Neighbor (k-NN)

  Dalam tahap ini, lokasi yang adalah sebuah metode untuk tidak diketahui akan diestimasi melakukan klasifikasi terhadap dengan membandingkan rata-rata objek berdasarkan data pengukuran ke titik yang tidak pembelajaran yang jaraknya diketahui dengan database pada paling dekat dengan objek fase off-line. Perbandingan tersebut. KNN digunakan untuk terbaik menunjukkan perkiraan memperkirakan lokasi yang adanya kejadian A, peluang sebenarnya, algorima ini sesuai kejadian A, dan peluang kejadian dengan fingerprint. Algoritma k-

  B. Teori peluang yang NN dilakukan dengan cara digunakan pada algoritma Naïve

  Bayes

  menghitung jarak total semua untuk sistem klasifikasi variabel pada data test dengan yang menggunakan propagasi semua data pada set data sinyal adalah distribusi normal

  training , dengan menggunakan atau sering juga disebut Gaussian rumus euclidean. Distribution .

  (2.1) Distribusi normal dapat dinyatakan dalam bentuk fungsi

  (1) kepadatan probabilitas Keterangan rumus:

  (probability density function) d i = jarak data uji terhadap dengan persamaan: data sampel ke i, X i = data ₂ sampel ke i, j = indeks variable,  

   x  

  1 ₂ f x 

  P = jumlah variable. Y = data   

  2 ₂ e 2 

  uji

  (3)

  Besarnya standar deviasi e.

   Naïve Bayes

  dihitung dengan persamaan:

  Naïve Bayes adalah suatu _n

  probabilistik simpel yang ₂ berdasarkan pada teorema bayes x 

      _{2 i  1} i

    pada umumnya, inferensi Bayes

   n  1 

  khususnya dengan asumsi

  (4) independensi yang kuat (naive).

  Dalam melakukan klasifikasi Sedangkan besarnya rata-rata data, Naïve Bayes

  (mean) dihitung menggunakan mengasumsikan bahwa ada atau persamaan: tidak adanya suatu fitur pada _n suatu kelas tidak berhubungan _i

   x

  dengan ada atau tidaknya fitur _{i }

    n

  lain di kelas yang sama. Dasar

  (5)

  dari teorema Naïve Bayes adalah

  2

  rumus berikut ini: dengan:  = standar deviasi, µ =

  mean (rata-rata),  = 3,14159…,

• P  B | A    P A

  e = 2,71828… dan x = variabel

  P  A | B   P   B

  acak

   (2) (2.2)

  Peluang kejadian A karena Perhitungan Akurasi adanya kejadian B ditentukan dari peluang kejadian B karena

  Akurasi dapat juga dianggap kekuatan sinyal yang diterima sebagai besarnya penyimpangan oleh leptop di lantai 3 gedung dari sebuah sistem lokalisasi, POLITAMA. sehingga jika penyimpangan Dalam melakukan penelitian semakin kecil maka sistem akan mengenai estimasi posisi objek semakin baik. dalam gedung diperlukan

  Setelah diperoleh hasil dari beberapa perangkat keras dan peritungan algoritma maka perangkat lunak sebagai berikut: dilakukan evaluasi dengan perangkat keras yaitu 4 buah

  Access Point

  menghitung error jarak dari (AP) dan leptop perkiraan posisi (x,y) pada proses yang Laptop telah dilengkapi pembelajaran dengan dengan NIC berbasis IEEE menggunakan rumus euclidean 802.11 . Perangkat lunak yaitu distance dan standar deviasi. Netsurveyor, RapidMiner 5.1 dan

  Ms Excel Error jarak = 2007.

  (6) √

  Besarnya nilai akurasi Perancangan secara keseluruhan diperoleh

  Lokasi Penelitian dengan menggunakan persamaan: _{n 2 2} Pengambilan data

     x  x y  y

      

  Traning nilai RSS _i i i i i  ¹

  (fase off-line) Akurasi  n

  (7)

  (2.12)

  dengan :

  Pengambilan _{Basis Visualisasi} Datauji (fase on-

  d = jarak Euclidean, (x,y) = _{line data fingerprint}

  )

  lokasi sebenarnya, fingerpr

    _int

  (x ,y )= Prediksi lokasi, n = banyaknya data pengujian. Rumus standar deviasi yang digunakan : Pengolahan dengan

  algoritma Lokasi x  x _i

  SD =  (8)

  n Hasil Estimasi lokasi

  ETODOLOGI III. M f. Bahan dan Alat Penelitian

  Gambar 3. Teknik lokasi Bahan penelitian yang digunakan dalam deteksi lokasi

  g.

  dalam gedung berdasar WLAN Pengukuran RSS adalah hasil pengukuran

  Pengukuran RSS merupakan proses yang dilakukan untuk memperoleh data fingerprint. Pada proses ini dilakukan pengukuran RSS yang diterima oleh Laptop, di masing-masing titik yang telah ditentukan sebelumnya menggunakan

  grid atau titik-titik pengukuran

  seperti pada gambar dibawah . Dari hasil pengukuran RSS terhadap 4 Access Point yang terpasang di dalam lokasi penelitian. Kemudian diolah ke dalam microsoft excel dalam format csv dengan atribut AP1, AP2, AP3 dan AP4 klasifikasi berdasarkan koordinat (x,y) yang digunakan sebagai acuan untuk penentuan posisi objek. Data di

  fingerprint

  Dalam fase off-line ini menghasilkan visualisasi

  kemudian diolah untuk menghasilkan visualisasi Konfigurasi yang dilakukan pada pengujian pertama ini memperoleh visualisai dan hasil dari fase off-line dan fase on-line seperti berikut : Fase off-line

  Database fingerprint ini

  program RapidMiner 5.0.

  database fingerprint . Database fingerprint di-import kedalam

  Hasil seluruh rata-rata dari masing-masing grid yang telah ditetapkan nilai koordinatnya kemudian disimpan dalam

  dalam bentuk koordinat (x,y) yang berukuran 2 meter x 2 meter. Pengukuran RSS dilakukan dengan menggunakan software NetSurveyor. Pengukuran dilakukan pada titik tengah masing-masing grid.

  Proses pengukuran dilakukan dengan mengabaikan adanya efek multipath dan propagasi, dengan menetapkan

  Netsurveyor . Pengambilan data

  yang digunakan di gedung POLITAMA utuk mendapatkan data yang akan diolah dengan motode fingerprint mengunakan algoritma kNN dan Naïve bayes.

  access point

  Tahap Training Pengukuran nilai RSS dari 4

   HA SIL DAN PEMBAHASAN a.

  Melakukan pengukuran RSS IV.

  Netsurveyor pada Saat

  5. Tampilan

  pengukuran RSS. Gambar

  data bentuk .xls. Tampilan Netsurveyor pada saat melakukan

  RSS dilakukan selama ± 2 menit terhadap Acces point yang terindentifikasi. Nilai RSS yang diterima disimpan dalam basis

  import ke dalam perangkat lunak

  RapidMiner 5.1 untuk dibuat visualisasi peta fingerprint . Visualisasi peta fingerprint pada

  0.00

  Kesalahan Jarak Estimasi

  8.00 Naïve Bayes kNN k=9 Rata-Rata

  7.00

  6.00

  5.00

  4.00

  3.00

  2.00

  1.00

  Estimasi 4,20 3,76 Standar Deviasi 7,11 6,01

  lokasi penelitian adalah sebagai berikut:

  Rata-Rata Kesalahan Jarak

  Keterangan Naïve Bayes kNN k=1

  on-line

Tabel 4.8. Hasi dari pengolahan data RSS fase

  Grafik perbandingan error jarak estimasi lokasi target antara algoritma k-NN dan Naïve Bayes fase on-line adalah sebagai berikut : Gambar 4. 9 Perbandingan Error perhitungan Fase On-line Algoritma k-NN dan Naïve bayes.

  Bayes.

  RSS real time tersebut disimpan dalam basis data yang kemudian akan dilakukan proses perhitungan estimasi posisi dengan menggunakan algoritma k-NN dan Naive

  Pada fase on- line, dilakukan pengujian terhadap nilai RSS yang diukur secara real time dengan cara berjalan. Nilai

  tengah koridor Fase On- line

Gambar 4.1 Visualisasi peta fingerprint pada posisi AP di

  Perbandingan Error hasil Perhitungan Kesalahan jarak yang dihasikan masing algoritma dengan real- dari fase on-line pada masing- time adalah sebagai berikut:

  Error Jarak Algorima K-NN

  60

  50

  40 er et

30 M

  20

  10

  1

  7

  3

  13

  19

  25

  31

  37

  43

  

49

  55

  61

  67

  73

  79

  85

  91

  97

  10 Jumlah Data

Gambar 4.2. Error jarak etimasi fase on-line Algoritma k-NN k =1

  Error Jarak Algorima NAIVE BAYES

  40

  35

  30

  25 er

  20 et M

  15

  10

  5

  1

  7

  3

  13

  19

  25

  31

  37

  43

  49

  

55

  61

  67

  73

  79

  85

  91

  97

  10 Jumlah Data

Gambar 4.3. Error jarak etimasi fase on-line Algoritma Naive Bayes

  802.11. mengunakan metode

KESIMPULAN DAN SARAN V.

  fingerprint .

  Dari hasil penelitian yang telah dilakukan dapat disimpulkan

  1. Fingerprint RSS mengalami bahwa memprediksi lokasi objek penyebaran nilai kekuatan dalam gedung dapat dilakukan sinyal yang berbeda hal ini dengan memanfaatkan teknologi disebakan oleh waktu dan Wireless LAN berbasis IEEE kondisi lingkungan pengukuran yang berbeda.

  2. Tingkat keakurasian dari penelitian ini member kontribusi dengan algoritma K-NN lebih baik disbanding dengan Algoritma Naïve Bayes .

  A.

  PT Alex Media Komputindo, 2006.

  dan Aplikasinya . Jakarta:

  , vol. 40, no. 2, pp. 112-118, Feb 2002 Gunadi, Teknologi Wireless LAN

  IEEE Communications Magazine

  Pahlavan, "Indoor Geolocation Science and Technology,"

  X. Li, and J. Makela K.

  Widyawan, "Learning Data Fusion for Indoor Localization," Departement of Electronic Engineering Cork Institute of Technology, Ph.D. dissertation 2009.

  Li B, "Terrestrial Mobile User Positioning Using TDOA and fingerprinting Techniques," Sydney, 2006.

  Kupper, "Location Based Services : Fundamentals and Operations," -, 2005.

  Yongguang Chen and Hisashi Kobayashi, "Signal Strength Based Indoor Geolocation," IEEE, vol. -, pp. 436-439, 2002

  3. Tingkat akurasi yang dihasilkan dari sistem estimasi lokasi objek berbasis RSS

  — Part C: Applications And Reviews, Vol. 37, No. 6

  IEEE Transactions On Systems, Man, And Cybernetics

  Hui, L., et al, 2007, Survey of Wireless Indoor Positioning Techniques and Systems,

  IEEE Transactions on Vehicular Technology, Vol 59 No. 1, Jan. 2010.

  Leo, Fingerprinting Localization in Wireless Networks Based on Received-Signal-Strength Measurements: A Case Study on WiMAX Networks, in:

  Lan Positioning Based On Received Signal Strength From Mobile Device And Access Points, 13th IEEE International Conference on Embedded and Real-Time Computing Systems and Applications (RTCSA 2007), Bshara. Mussa, G. Fredrik, V.B.

  Wireless

  Wilson, M. Y., et al, 2007,

  meberikakan tingkat akurasi yang tinggi.

  fingerprint