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 amedium 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 faseGrafik 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 diPerbandingan 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 =1Error 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 Bayes802.11. 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