Implementasi Metode Klasifikasi Fuzzy K-Nearest Neighbor (FK-NN) Untuk Fingerprint Access Point Pada Indoor Positioning

  

Vol. 1, No. 11, November 2017, hlm. 1195-1205 http://j-ptiik.ub.ac.id

Implementasi Metode Klasifikasi Fuzzy K-Nearest Neighbor (FK-NN)

Untuk Fingerprint Access Point Pada Indoor Positioning

_{1 2 3} Baiq Findiarin Billyan , Adhitya Bhawiyuga , Rakhmadhany Primananda

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: fbillyan@gmail.com, bhawiyuga@ub.ac.id, rakhmadhany@ub.ac.id

  

Abstrak

Positioning adalah sebuah teknik yang digunakan untuk menentukan posisi suatu objek. Dalam

positioning terdapat dua jenis teknik yaitu outdoor positioning dan indoor positioning. Contoh sistem

outdoor positioning yaitu Global Positioning System (GPS). GPS merupakan sistem untuk mengetahui

  posisi dan penunjuk arah untuk perpindahan posisi objek melalui sinyal dari satelit. GPS memberikan perkiraan posisi yang baik dalam lingkungan outdoor, tetapi sinyalnya sangat lemah pada lingkungan

  

indoor . Berdasarkan hal tersebut berkembang teknologi yang berfungsi untuk mengetahui posisi objek

  di indoor yang disebut dengan Indoor Positioning. Pada penelitian ini penulis mengimplementasikan

  

Indoor Positioning dengan metode Fingerprint (metode pengenalan pola kekuatan sinyal) menggunakan

  pengukuran kekuatan sinyal (Received Signal Strength/RSS), yaitu dengan melihat pola kekuatan sinyal

  

access point yang datang ke penerima dari setiap ruangan. Hal pertama yang dilakukan oleh peneliti

  adalah mengumpukan data training sebagai dasar klasifikasi, kemudian diberikan label. Setelah itu membuat classifier berdasarkan data training dan peneliti mengukur ulang sebagai data testing untuk menguji akurasinya dengan metode klasifikasi Fuzzy K-Nearest Neighbor (FK-NN). Untuk mempermudah mengakses classifier yang telah dibuat maka penulis memanfaatkan web service. Hasil pengujian posisi client menghasilkan tingkat akurasi pada metode K-NN dengan nilai untuk k=1 nilainya mencapai 96%, k=2 hingga k=7 nilainya mencapai 76%, dan k=8 hingga k=10 nilainya mencapai 73%. Sedangkan, pada metode FK-NN dengan nilai k=1 dan k=2 nilainya mencapai 96%, k=3 hingga k=8 nilainya mencapai 76%, k=9 nilainya mencapai 73%, dan k=10 nilainya mencapai 76%. Berdasarkan hasil akurasi tersebut maka implementasi metode klasifikasi Fuzzy K-Nearest Neighbor (FK-NN) untuk

  

Fingerprint Access point pada Indoor Positioning ini memiliki tingkat akurasi yang cukup baik daripada

metode K-NN.

  Kata Kunci: Indoor Positioning, Fuzzy K-Nearest Neighbor (FK-NN), Fingerprint, Klasifikasi.

  

Abstract

Positioning is a technique used to determine the position of an object. There are two types of positioning

technique: outdoor positioning and indoor positioning. An example of a system that can be used to

measure outdoor positions is the Global Positioning System (GPS). GPS is a very common technology

that known to know a position and as a pointer for displacement of objects through signals from

satellites. GPS can provide good positioning in an outdoor environment, but the signal is very weak

when used in a closed / indoor environment. Accordingly then developed a technology that serves to

know the position of an object in indoor called Indoor Positioning. In this research we implements

Indoor Positioning with Fingerprint method (signal strength recognition method) using measurement

of signal strength (Received Signal Strength/RSS), that is by analyzed patterns strength of signal access

point coming to receiver from every room. The first thing we did is to collect training data first as a

basis for classification, then give the label. Next, we create a classifier based on training data. After

that we re-measure as data testing to test its accuracy by Fuzzy K-Nearest Neighbor (FK-NN)

classification method, and to make it easier to access the classifier that has been made, we use web

service. The result of client position gives an accuracy level on K-Nearest Neighbor (K-NN) method

with value k = 1 has value reaches 96%, for k=2 to k=7 has value reach 76%, and for k=8 to k=10 has

value reach 73%. Meanwhile, FK-NN method with value k=1 and k=2 has value reach 96%, for k=3 to

k=8 has value reach 76%, for k=9 has value reach 73%, and for k=10 has value reach 76%. Therefore,

the implementation of Fuzzy K-Nearest Neighbor (FK-NN) classification method for Fingerprint Access

Fakultas Ilmu Komputer Universitas Brawijaya

  

1195

  point on Indoor Positioning has an enough accuracy level than the K-NN method.

  Neighbor

  1. Geometric, yaitu digunakan sebagai pengukuran estimasi lokasi. Pada metode ini akan sangat bergantung pada kondisi

  Terdapat beberapa tipe pengukuran data dalam indoor positioning yaitu, yaitu :

  2.1.1 Tipe Pengukuran Data pada Indoor positioning

  digunakan untuk mengetahui lokasi suatu objek atau seseorang yang berada di dalam sebuah gedung dengan menggunakan gelombang radio, medan magnetik, sinyal akustik, atau informasi sensor lainnya yang telah dikumpulkan dari sebuah perangkat mobile.

  2.1 Indoor positioning Indoor positioning merupakan sistem yang

  2. LANDASAN KEPUSTAKAAN

  Dalam penelitian ini yang pertama dilakukan oleh peneliti adalah melakukan pengumpulan data training terlebih dahulu sebagai dasar untuk klasifikasi, kemudian diberikan label. Kemudian membuat classifier berdasarkan data training. Setelah itu peneliti mengukur ulang sebagai data testing untuk menguji akurasinya dengan menggunakan metode klasifikasi K-NN dan FK-NN, dan untuk mempermudah mengakses classifier yang telah dibuat maka penulis memanfaatkan web service.

  (FK-NN). Metode FK-NN merupakan metode yang memprediksi hasil dilakukan dengan data testing, diberikan label kelas pada setiap kelas di data training dengan memberikan nilai keanggotaan, sehingga lebih detail dan akurat perhitungannya.

  Pada pengukuran pattern tersebut dibutuhkan metode untuk melakukan klasifikasi, metode yang dapat digunakan yaitu metode K- NN. Pada data training yang memiliki jarak terdekat dengan objek di ukur dengan menggunakan rumus Euclidean Distance. Pada (Torteeka & Chundi, 2015) FK-NN dapat memberikan prediksi yang lebih baik dari metode K-NN, karena metode K-NN memiliki hasil perhitungan yang kurang akurat. Maka dari itu untuk meningkatkan akurasi pada metode penelitian indoor positioning ini penulis menambahkan metode Fuzzy K-Nearest

  Keywords: Indoor Positioning, Fuzzy K-Nearest Neighbor (FK-NN), Fingerprint, Classification.

1. PENDAHULUAN

  Metode Geometric adalah metode penentuan posisi dengan menggunakan pengukuran jarak (distance). Sedangkan, metode Inertial adalah adalah sebuah pengukuran yang mengandalkan sensor untuk menyimpulkan arah, perpindahan, atau kecepatan sebuah objek untuk keperluan navigasi/penentuan posisi dan kecepatan kendaraan yang bergerak. Metode Fingerprint sendiri merupakan metode penentuan posisi dengan menggunakan pengenalan pola (pattern) dari kekuatan sinyal. Indoor positioning diimplementasikan dengan menggunakan metode Fingerprint karena teknik tersebut difungsikan menggunakan akses dari jaringan lokal, maka dari itu tidak diperlukan biaya tambahan untuk infrastrukturnya.

  Indoor positioning terdapat beberapa metode, antara lain Geometric, Inertial, dan Fingerprint.

  dapat digunakan untuk menentukan lokasi objek di gedung-gedung besar dan di tempat tertutup menggunakan gelombang radio, medan magnetik, sinyal akustik, atau informasi sensor lainnya yang telah dikumpulkan dari sebuah perangkat mobile (Curran et al., 2011). Dalam

  Indoor Positioning merupakan sistem yang

  teknologi untuk mengetahui sebuah posisi dan sebagai penunjuk arah untuk perpindahan posisi objek melalui sinyal dari satelit, tetapi sinyalnya sangat lemah apabila digunakan pada lingkungan tertutup/dalam ruangan. Pada (Sana, 2013) hal tersebut dikarenakan, 1) GPS membutuhkan transmisi line-of-sight antara penerima dan satelit dimana hal tersebut merupakan suatu hal yang tidak mungkin dilakukan dalam lingkungan indoor. 2) GPS membutuhkan pandangan langit yang jelas untuk ketepatan kerjanya. 3) Sinyal GPS tidak tersedia pada lingkungan terbatas atau gedung-gedung yang tinggi. Saat ini sudah mulai berkembang teknologi yang berfungsi untuk mengetahui posisi suatu objek di dalam ruangan yang disebut dengan Indoor Positioning.

  Positioning System (GPS). GPS merupakan

  Dalam positioning terdapat dua jenis teknik yaitu outdoor positioning dan indoor positioning (Rohmadi, Widyawan, & Najib, 2015). Sebuah contoh sistem outdoor positioning yaitu Global

  Positioning adalah sebuah teknik yang digunakan untuk menentukan posisi suatu objek. lingkungannya, dan cukup susah dalam mengkonversi dari kekuatan sinyalnya ke jaraknya, karena kekuatan sinyal itu mengikuti kondisi lingkungan (Dardari, Member, Closas, Member, & Djuri, 2015). Metode pengukuran yang umum digunakan seperti lateration, lokasi target merupakan estimasi dari pengukuran suatu jarak dari beberapa titik referensi menggunakan Time

  of Arrival (TOA)

  Klasifikasi adalah metode yang mencari nilai pada salah satu atribut berdasarkan data yang tersedia dapat disebut atribut klas. Nilai dari atribut klas ini dapat ditemukan jika berdasar pada nilai-nilai yang telah ada pada atribut klas, yaitu pada data training. Contohnya ketika seseorang dengan sebuah perangkat yang berada pada sebuah gedung, sedang berada diruangan A mendeteksi tiga access point yang letaknya masing-masing berada pada tiga ruangan yang berbeda yaitu ruangan A, B, dan

  Fuzzy K-NN merupakan gabungan metode Fuzzy dan K-Nearest Neighbor. Dalam Fuzzy, suatu data memiliki nilai keanggotaan disetiap kelasnya, maksudnya suatu data dapat dimiliki oleh kelas yang berbeda dengan nilai derajat keanggotaan pada interval [0,1]. Klasifikasi Fuzzy K-NN nanti dapat memilih nilai keanggotaan kelas pada data training dengan kekuatan sinyal access point tertinggi. Rumus untuk memberikan nilai keanggotaan pada data testing dijelaskan pada (Persamaan 2.1) dengan menggunakan rumus jarak (euclidiance):

  2.2.2 Fuzzy K-Nearest Neighbor

  pada klas yang memiliki kumpulan dari beberapa jarak K yang paling sedikit (Majumdar & Ward, 2000). Rumus euclidean distance digunakan untuk mengitung jaraknya, nilai k yang terbaik pada metode ini bergantung pada data. Diketahui bahwa nilai k yang tinggi dapat mengurangi efek noise dalam klasifikasi, namun dapat membuat batas antar setiap klasifikasi menjadi kabur. Sehingga dalam pemilihan nilai k yang tepat dapat mempengaruhi hasil klasifikasi data terbaik (Ichsan et al., 2013).

  sample training . Sample tesnya adalah diberikan

  Metode K-NN merupakan suatu metode untuk klasifikasi, metode ini melakukan klasifikasi terhadap suatu obyek yang berdasar kepada data training yang mempunyai jarak yang paling dekat dari obyek tersebut. Semua ruangan yang digunakan adalah sebagai data klasifikasi untuk sample training (Ichsan, Putra, Wibisono, & Studiawan, 2013). Ketika sebuah sample baru digunakan untuk test, kemudian akan dihitung jarak antara sample test dan setiap

  2.2.1 K-Nearest Neighbor

  C. Kekuatan sinyal akan berubah-ubah apabila orang tersebut berpindah-pindah posisi pada ruangan A, maka berdasarkan pada sinyal yang ditangkap pada perangkat posisi orang tersebut akan di klasifikasikan tetap ke dalam ruangan A karena posisi orang tersebut masih berada pada ruangan A, walaupun posisinya berpindah- pindah dan kekuatan sinyal berubah-ubah.

  4. Dead reckoning (Inertial), adalah proses menghitung posisi seseorang saat ini dengan menggunakan posisi yang telah ditentukan sebelumnya, dan memajukan posisi berdasarkan kecepatan yang telah diketahui atau diperkirakan dari waktu dan arah.

  , yaitu waktu perjalanan antara pemancar yang disinkronkan dan perangkat menerima, metode pengukuran

  3. Proximity (kedekatan), merupakan sebuah metode yang memberikan lokasi yang simbolik dalam kondisi dari sebuah layanan dari penyedia datacenter yang menawarkan pelanggan untuk menitipkan server / PC nya di datacenter dengan sebuah landmark yang diketahui.

  radio yang datang pada penerima dari pemancar.

  Strength (RSS) , yaitu pola kekuatan sinyal

  2. Fingerprinting, yaitu metode untuk pemetaan pengukuran data ke sebuah titik jaringan yang diketahui diseluruh cakupan area pada lingkungannya. Fingerprint merupakan metode penentuan posisi dengan menggunakan pengenalan pola (pattern) dari kekuatan sinyal. Jenis pengukuran ini menggunakan pengukuran Received Signal

  memperoleh arah dari propagasi dari sebuah insiden frekuensi gelombang radio.

  Arrival (AOA) , yaitu sebuah metode untuk

  kekuatan sinyal radio yang datang pada penerima sebuah jarak dari pemancar, dan metode angulasi menggunakan persimpangan dari beberapa pasang dari sudut arah garis untuk memperkirakan lokasi target merupakan pengukuran Angle Of

  Receive Signal Strength (RSS) , yaitu

2.2 Metode Klasifikasi

     

  terdekat (1-NN) Sumber: (Prasetyo, 2012)

    

        _{i j 49 .} ^{49 . 51 . ) (} _{k j n} ^{i j k j n x} _ij ^U

  Persamaan 2.4 Perhitungan inisialisasi Fuzzy

  Fungsi U ij : nilai keanggotaan kelas i pada vektor j, n j : jumlah anggota kelas j pada suatu dataset K, k: banyaknya tetangga terdekat, j: kelas target.

  Berikut ini adalah contoh dari metode Fuzzy K-Nearest Neighbor (FK-NN) berdasarkan pada posisi device dengan access

  point dalam ruangan, Gambar 2.2 adalah gambar

  sebuah device yang berada di room 1 (ruang 1), dan mendeteksi 1 access point terdekat sebagai tetangga terdekat (1 tetangga terdekat), maka pada metode ini diklasifikasikan bahwa device tersebut berada diruang 1.

Gambar 2.1 Contoh FK-NN dengan 1 tetangga

  Kemudian Gambar 2.3 adalah gambar sebuah device yang mendeteksi 3 access point terdekat sebagai tetangga terdekat (3 tetangga terdekat), maka pada metode ini posisi device dapat diklasifikasikan berada di ruang 1.

     

Gambar 2.2 Contoh FK-NN dengan 3 tetangga

  terdekat (3-NN) Sumber: (Prasetyo, 2012)

  2.3 Web Service

  Diketahui bahwa Web Service dapat menghubungkan client dengan aplikasi pada

  server melalui jaringan internet. Dalam Web Service apabila ingin melakukan pengiriman

  data, formatnya dapat berupa JSON (JavaScript Object Notation) dan XML (Extensible Markup Language). Dalam penelitian ini menggunakan format JSON karena filenya berukuran lebih kecil dibandingkan dengan XML. File yang lebih kecil dapat mempengaruhi respon yang lebih cepat apabila mengakses Web Service.

  3. METODOLOGI

  3.1. Identifikasi Masalah

     

     

     

  Fungsi u ⁱ (x): nilai keanggotaan data x ke kelas u i, K: nilai yang digunakan untuk menentukan jumlah tetangga terdekat, u ij : nilai keanggotaan data pada K tetangga terdekat di kelas j, x - x j : selisih jarak data x ke data x j dalam K tetangga terdekatnya, m: bobot pangkat (weight exponent) yang besarnya m > 1. Rumus untuk melakukan normalisasi data (Persamaan 2.2), yaitu:

   K j m j x x K j m j x x ij u x i u

  1 ) ) 1 (

  2

  1 ( 1 )

  ) 1 (

  2

  1 ( ) (

  Persamaan 2.1 Rumus Jarak (Euclidiance)

         min max min

         

  V V Persamaan 2.2 Rumus perhitungan normalisasi

  Min-Max

  Fungsi

  V 

  : Hasil normalisasi yang nilainya berkisar antara 0 dan 1, V: nilai atribut A yang akan dinormalisasi, min A : nilai minimum dari suatu atribut A, max A : nilai maksimum dari suatu atribut A. Berdasarkan hasil perhitungan jarak Euclidean dari semua data, dilakukan pencarian nilai weight (w).

  2 ) , ( tan 1 ) ( a y ce dis w weight 

  Persamaan 2.3 Rumus pencarian nilai weight (w)

  Fungsi distance (y,a) = nilai jarak dari data training ke data testing. Kemudian rumus untuk Inisialisasi Fuzzy, sebagai berikut:

  Pada identifikasi masalah ini membahas masalah yang diteliti dalam penelitian ini yaitu yang kemudian akan dikirimkan kepada bagaimana mendapatkan data untuk data train server. dan data test, bagaimana mengolah data train 2.

  Kebutuhan Software (perangkat lunak), dan data test untuk klasifikasi, bagaimana yaitu: pengiriman data pada client dan server Web a.

  Python Command Line dan Python IDLE

  

Service nya, dan bagaimana akurasi posisi yang digunakan sebagai compiler dari

seseorang pada sebuah tempat dengan metode perancangan sistem ini. fingerprint pada access point dan metode b.

  b.Tools scikit learn untuk dapat klasifikasi fuzzy k-nn. Berdasarkan pada memudahkan dalam melakukan permasalahan tersebut dapat diidentifikasi cara klasifikasi dengan metode fuzzy k-nn, yang dapat digunakan untuk mengatasi masalah numpy untuk pengolahan data, dan file csv tersebut. Dalam identifikasi masalah ini sebagai database file. diberikan solusi yang mungkin dapat digunakan c.

  Web Service Flask untuk menghubungkan atau diterapkan. Pada penelitian ini server dengan client. menggunakan metode Fingerprint dalam Indoor 3.

  Kebutuhan Data, yaitu info sinyal yang berisi karena memiliki keuntungan bahwa , kekuatan sinyal dari access

  positioning mac address koordinat access point tidak diperlukan pada point , dan kelas tempat pengambilan data.

  proses penentuan posisi. Tetapi, memerlukan Dilakukan pre-process pada info sinyal pengembangan pada database. Databasenya tersebut agar menjadi data training dan data disebut juga sebagai pemetaan gelombang radio, testing. yang berisi sebuah kumpulan dari pola penyesuaian pada lokasi yang berbeda di area

  4 SUMBER PUSTAKA/RUJUKAN

  dimana posisi access point akan melakukan

  4.1 kinerjanya.

   Gambaran Umum Sistem

  Setelah dapat menentukan masalah yang Berikut adalah gambaran umum sistem diteliti kemudian selanjutnya yang dilakukan

  (Gambar 4.1) mengetahui posisi seseorang adalah mencari tujuan penelitian. Tujuan dengan fingerprint access point. penelitian yaitu metode fingerprint access point pada Indoor positioning tersebut dapat menentukan posisi seseorang dengan menggunakan tambahan metode K-Nearest

  Neighbor (K-NN) dan Fuzzy K-Nearest Neighbor (FK-NN). Keakuratannya diukur

  berdasar kekuatan sinyal baru yang didapatkan cocok dengan kekuatan sinyal yang berada dalam database.

Gambar 4.1 Gambaran Umum Sistem

3.2 Analisis Kebutuhan

  Tahap analisis kebutuhan dilakukan dengan Dalam sistem ini client menerima data mac tujuan untuk memenuhi kebutuhan pada sistem

  address dan kekuatan sinyal dari satu atau lebih

  ini. Jenis analisis kebutuhan yang diperlukan

  access point kemudian sistem (server)

  dalam pengimplementasian penelitian ini yaitu melakukan kalkulasi data yang baru saja sebagai berikut: diterima client dengan data yang sudah ada di

1. Kebutuhan Hardware (perangkat keras), sistem untuk mengetahui posisi client.

  yaitu: a.

  Komputer atau laptop yang dapat

  4.2 Perancangan Sistem

  digunakan sebagai server maupun client Pada Gambar 4.2 perancangan sistem untuk sistem. Dimana diketahui sistem ini digambarkan secara lengkap dari

  client

  dapat berkomunikasi melalui server yang mendapatkan sinyal kemudian server melakukan memiliki database dari gedung yang komputasi hingga client menerima hasil digunakan dengan client. komputasi dari server (menerima posisinya saat b. Access Point digunakan sebagai jaringan itu). lokal yang digunakan oleh client untuk melakukan fingerprint kekuatan sinyal perancangan sistem untuk implementasi metode klasifikasi K-NN dan FK-NN dari fingerprint

  access point pada indoor positioning. Proses alir

  perancangan sistem tersebut dimulai dari menjalankan server webservice, kemudian pengguna melakukan scan/fingerprint access

  point . Hasil scan tersebut dapat digunakan

  sebagai data testing untuk sistem dapat melakukan klasifikasi dengan data training yang sudah ada menggunakan metode klasifikasi K-

Gambar 4.2 Gambaran Perancangan Sistem

  NN dan FK-NN, setelah itu sistem akan memunculkan hasil prediksi dari klasifikasi Dapat dilihat dari gambar diatas bagaimana tersebut. proses kerja sistem antara server dan client, yaitu :

  4.4 Perancangan Pengujian Sistem 1.

  Client melakukan fingerprint untuk data test Pengujian sistem ini dilakukan untuk yaitu berupa data mac dan kekuatan sinyal. menguji kinerja dari sistem telah berjalan 2. Client mengirimkan data yang didapatkan dengan baik atau belum. Pengujian yang dari hasil fingerprint kepada server. dilakukan adalah pengujian fungsionalitas 3. Server melakukan filter mac address dari sistem dan pengujian akurasi sistem.

  data test yang didapatkan dari client dengan

  mencocokan mac address yang ada di dalam

  4.4.1 Perancangan Pengujian Fungsionalitas

  data itu dengan data mac address yang sudah

  Sistem

  ada di dalam data train. Apabila mac address Pengujian fungsionalitas sistem ini cocok (ada) di dalam data train maka server merupakan pengujian fungsionalitas web service akan melanjutkan proses untuk melakukan dari client ke server dan server ke client. klasifikasi. Jika tidak cocok (tidak ada) di dalam data train maka server tidak akan

Tabel 4.1 Skenario Pengujian Fungsionalitas Web

  melanjutkan proses. Server melakukan

  Service antar server-client

  klasifikasi data test dengan data train yang

  Percobaan Pengujian fungsionalitas web service sudah didapatkan sebelumnya oleh peneliti. Kasus antar server dan client 4.

  Server mendapatkan hasil klasifikasi berupa

  Prosedur

  1. Menjalankan server

  teks yang berisi posisi client saat itu. Server

  2. Menjalankan client

  mengirimkan hasil klasifikasi kepada client. Hasil yang Sistem dapat menampilkan hasil

  diharapkan perhitungan posisi pada client 5.

  Client menerima hasil klasifikasi (client

  berdasarkan data yang dikirim oleh mengetahui posisinya saat itu). client dan kemudian dikalkulasi oleh server dengan metode klasifikasi fk-nn.

4.3 Aliran Perancangan Sistem

  Aliran perancangan sistem untuk penelitian

  4.4.2 Perancangan Pengujian Akurasi Sistem

  ini dapat dilihat sebagai berikut: Pengujian akurasi sistem ini dilakukan untuk menguji keakuratan data yang dihasilkan oleh

  client berdasarkan pada hasil perhitungan

  klasifikasi server dari data yang dikirimkan oleh client.

Tabel 4.2 Skenario Pengujian Akurasi Sistem

  Percobaan Pengujian akurasi sistem Kasus Prosedur

  1. Menjalankan server dengan memilih nilai k terbaik untuk mendapatkan hasil keakuratan posisi client

  2. Menjalankan client Hasil yang Sistem dapat menghasilkan posisi yang

Gambar 4.3 Aliran Perancangan Sistem

  diharapkan akurat berdasar pada data yang dikirim oleh client dan perhitungan klasifikasi

  Pada Gambar 4.3 menunjukkan alir dengan metode fk-nn pada server.

5 IMPLEMENTASI SISTEM

5.1 Implementasi Antarmuka Sistem

  Implementasi antarmuka sistem ini diimplementasikan dalam bentuk antarmuka

  Pengujian ini merupakan pengujian fungsionalitas Web Service dari client ke server dan server ke client. Pengujian disini dilihat (Gambar 6.1) bagaimana server dapat melakukan mekanisme klasifikasi dengan dengan upload data yang sudah ada atau dengan mengirim mac address secara langsung.

  4. Client mengirimkan data test ke server 5.

  Client menerima data hasil klasifikasi dari

  server

  6 PENGUJIAN SISTEM

  6.1 Pengujian Fungsionalitas

  6.1.1 Proses Pengujian Fungsional

Gambar 6.1 Alur proses client-server

  2. Client memasukkan hasil scan ke dalam bentuk list/dictionary

  Berikut ini merupakan proses yang dilakukan untuk pengujian fungsional, dimulai dari proses menjalankan server hingga client mendapatkan hasil prediksi posisinya.

  1. Menjalankan file server (Gambar 6.2).

Gambar 6.2 Menjalankan Server 2.

  Menjalankan file client (Gambar 6.3).

  3. Client mengubah list/dictionary menjadi string dengan format JSON

  client mendapatkan data test berupa mac address dan kekuatan sinyal

  client

  Client melakukan fingerprint access point,

  Pada implementasi ini ketika client dijalankan, client akan melakukan beberapa hal, yaitu: 1.

  dan server pada dua terminal. Dalam

Gambar 5.1 merupakan gambaran server pada terminal ketika dijalankan.Gambar 5.1 Antarmuka Server

  Pada implementasi ini ketika server dijalankan, server akan melakukan beberapa hal, yaitu: 1.

  Server menerima data test dari client berupa string

2. Data diubah dari string ke bentuk awal dari

  Data test diparsing mac addressnya untuk dilakukan pencocokan mac address dengan hasil parsing mac address data train yang ada pada server

  Server membaca data train yang ada pada file

  client yaitu list/dictionary 3.

  5. Hasil pencocokan data mac address, apabila ada data yang cocok maka dilakukan klasifikasi 6. Untuk melakukan klasifikasi server memasukkan data kekuatan sinyal dari hasil parsing mac address tadi ke dalam matrix numpy

  7. Server melakukan klasifikasi menggunakan tambahan tools scikit learns dan numpy untuk memudahkan dalam pengolahan datanya pada sistem operasi python dan mendapatkan hasil berupa label (nomor ruangan) dari data

  train 8.

  Server mengimkan kembali data hasil klasifikasi kepada client dengan format Json Dalam Gambar 5.2 merupakan gambaran client ketika dijalankan.

Gambar 5.2 Antarmuka Client

  csv (Comma Separate Value) 4.

Gambar 6.3 Menjalankan Client 3.Gambar 6.13 Client menerima hasil prediksi

  untuk melakukan klasifikasi 10.

  Server mendapatkan hasil prediksi posisi

  client dan mengirimkannya kepada client (Gambar 6.12).

Gambar 6.12 Server mendapatkan kemudian

  mengirimkan hasil klasifikasi ke client 11.

  Client menerima hasil prediksi posisinya dari server (Gambar 6.13).

  posisinya

  untuk melakukan klasifikasi

  6.1.2 Hasil Pengujian Fungsional

  Dari kasus pengujian fungsional yang telah ditentukan dan dari proses yang telah dilakukan didapatkan, maka hasil dari pengujian fungsional tersebut. Hasilnya ditampilkan pada Tabel 6.1.

Tabel 6.1 Hasil Pengujian Fungsional No. Deskrips

  i Hasil Yang Diharapkan Hasil Yang Didapatkan

  1. Pengujia n fungsiona litas web service antar server dan client

  Sistem dapat menampilkan hasil perhitungan posisi pada client berdasarkan data yang

Gambar 6.11 Server menampilkan isi data testGambar 6.10 Server menampilkan isi data train

  Client melakukan fingerprint data test (Gambar 6.4).

  Server melakukan pencocokan data mac address (Gambar 6.7).

Gambar 6.4 Client Fingerprint Access point 4.

  Data diubah ke dalam bentuk Json untuk dikirimkan melalui Web Service (Gambar 6.5).

Gambar 6.5 Client mengirim data dalam bentuk

  Json 5.

  Server menerima hasil fingerprint data test yang dikirimkan oleh client (Gambar 6.6)

Gambar 6.6 Server menerima data dari Client 6.Gambar 6.7 Server membaca daftar mac address

  train (Gambar 6.10) dan data test yang telah didapatkan oleh client (Gambar 6.11).

  pada file data train 7.

  Client menerima pemberitahuan berupa pesan bahwa mac address ada pada data train (Gambar 6.8).

Gambar 6.8 Mac address ada (cocok) 8.

  Server menambahkan nilai ‘-110’ pada isi data mac address yang tidak terdeteksi ketika

  client melakukan fingerprint (Gambar 6.9).

Gambar 6.9 Menambahkan nilai ‘-110’ 9.

  Server melakukan klasifikasi dengan data

  Sistem dapat menampilkan hasil perhitungan posisi pada client berdasarkan data yang dikirim oleh dikirim oleh

Tabel 6.2 Hasil Pengujian Akurasi Posisi Client

  client dan client dan metode K-NN kemudian kemudian dikalkulasi dikalkulasi oleh server oleh server dengan metode dengan metode klasifikasi k-nn klasifikasi k-nn dan fk-nn. dan fk-nn.

6.1.3 Analisis Pengujian Fungsional

  Berdasarkan pada hasil pengujian fungsional maka dapat dilihat bahwa implementasi metode k-nn dan fk-nn untuk

  fingerprint Indoor positioning yang telah

  dilakukan oleh peneliti telah memenuhi kebutuhan yang telah ditentukan.

6.2 Pengujian Akurasi

  Pengujian akurasi ini dilakukan untuk mengetahui hasil implementasi program ini memenuhi kebutuhan yang telah ditentukan dan

Tabel 6.3 Hasil Pengujian Akurasi Posisi Client memiliki tingkat akurasi yang baik.

  metode FK-NN

6.2.1 Proses dan Hasil Pengujian Akurasi

  Pengujian akurasi dilakukan menggunakan 60 data training dan 30 data Diketahui posisi client sebenarnya di testing. ruang mana, kemudian dengan hasil implementasi program ini didapatkan hasil prediksi posisi client tersebut, dan keterangan

  valid atau tidak valid dari hasil prediksinya. Pada

Tabel 6.2 menggunakan metode klasifikasi K-

  NN dan Tabel 6.3 menggunakan metode FK- NN, masing-masing menggunakan nilai k=1 hingga k=10.

  6.2.2 Analisis Pengujian Akurasi metode K- NN dan FK-NN

  Pada analisis hasil pengujian akurasi posisi

  client berikut akan dilihat kesesuaian posisi client sebenarnya dengan hasil prediksi posisi client dari sistem. Berikut (Persamaan 6.1) rumus untuk menghitung akurasinya.

    JumlahVali d Akurasi (%) 100

      JumlahData Testing

    Persamaan 6.1 Menghitung Akurasi Pada Tabel 6.4 merupakan hasil 2.

  Menentukan posisi client dengan klasifikasi perbandingan perhitungan akurasi metode K-NN menggunakan data training berisi mac dan FK-NN. address , kekuatan sinyal, dan diberikan label kelas secara manual kemudian disimpan

Tabel 6.4 Hasil Perbandingan Akurasi metode K-NN

  dalam file csv, sedangkan pada data test

  dan FK-NN berisi mac address dan kekuatan sinyal.

  Ketika klasifikasi tipe data dari data train dan

  Metode Klasifikasi K- Metode Klasifikasi data test yaitu array numpy dengan jumlah

NN FK-NN

  fitur sama dan terdapat kecocokan pada mac

  Untuk nilai k=1 Untuk nilai k=1 dan k=2

  metode klasifikasinya menggunakan

  address, Akurasi (%) Akurasi (%) tools scikit learn.

  29

  29

      3.

   Implementasi kebutuhan fungsional dalam   100   100

      menentukan posisi client dengan metode

  30

  30

      klasifikasi FK-NN untuk fingerprint access

     96 %    96 % , 96 100 , 96 100 point pada Indoor positioning berhasil

  Untuk nilai k=2 hingga Untuk nilai k=3 hingga

  diimplementasi menggunakan bahasa

  k=7 k=8 Akurasi (%) Akurasi (%)

  pemrograman Python, dengan Web Service

  untuk menghubungkan client dan server

  23

  23

     

     

  100 100

    dengan menggunakan format pengiriman file

  30

  30

      JSON .

     , 76  100 76 %  , 76  100 76 % 4.

   Metode klasifikasi K-NN dan FK-NN Untuk nilai k=8 hingga Untuk nilai k=9

  diimplementasikan dengan melakukan proses

  k=10 Akurasi (%) fingerprint info sinyal sebagai bahan data

  Akurasi (%)

  22

  untuk di pre-proccess sebagai data training  

    100

   

  22

    dan data testing. Data training merupakan

    bahan dasar untuk klasifikasi yang diberikan

  30   100  

  30

   

     73 % , 73 100

  label kelas. Sedangkan data testing

     , 73 100 73 %

  digunakan untuk menguji keakuratan data

  Untuk nilai k=10 Akurasi (%) dengan data training. Data training dan data testing tersebut kemudian menjadi classifier,

  23

    setelah itu dilakukan klasifikasi dengan

    100

   

  30

    metode K-NN dan FK-NN pada bagian

   , 76  100  76 % server sehingga client dapat mengetahui

  posisinya. Untuk mempermudah dalam Berdasarkan Tabel 6.4 menunjukkan bahwa mengakses classifier tersebut maka penulis hasil akurasi dari implementasi metode memanfaatkan web service. klasifikasi FK-NN untuk Fingerprint Access 5.

   Berdasarkan pengujian akurasi posisi client point pada Indoor Positioning ini memiliki

  yang telah dilakukan dari metode K-NN dan

  tingkat akurasi yang cukup baik daripada

  FK-NN, menghasilkan indeks presentase (%) metode K-NN. pada metode K-NN untuk k=1 nilainya mencapai 96%, k=2 hingga k=7 nilainya

7. KESIMPULAN

  mencapai 76%, dan k=8 hingga k=10 nilainya mencapai 73%. Sedangkan, metode Berikut hasil pengamatan dari penelitian

  FK-NN untuk k=1 dan k=2 nilainya skripsi ini selama perancangan, implementasi, mencapai 96%, k=3 hingga k=8 nilainya dan pengujian, yaitu: mencapai 76%, k=9 nilainya mencapai 73%, 1. Data train dan data test merupakan hasil dan k=10 nilainya mencapai 76%.

  fingerprint access point oleh peneliti di

  Berdasarkan hasil tersebut menunjukkan gedung E lantai 2 FILKOM pada 6 ruangan bahwa sistem berjalan dengan baik dan hasil yaitu E2.1, E2.2, E2.3, E2.4, E2.5, dan E2.7 akurasi dari implementasi metode klasifikasi menggunakan hasil implementasi coding FK-NN untuk Fingerprint Access point pada python yang di parsing dari iwlist scan. Data

  Indoor Positioning ini memiliki tingkat train berjumlah 60, data test berjumlah 30,

  akurasi yang cukup baik daripada metode K- dan masing-masing memiliki 19 mac address NN. yang sama.

DAFTAR PUSTAKA

  Curran, K., Furey, E., Lunney, T., Santos, J., Woods, D., & McCaughey, A. (2011). An evaluation of indoor location determination technologies. Journal of

  Location Based Services , 5(2), 61 –78.

  http://doi.org/10.1080/17489725.2011.562 927

  Dardari, D., Member, S., Closas, P., Member, S., & Djuri, P. M. (2015). Indoor Tracking : Theory , Methods , and Technologies, 64(4), 1263 –1278.

  Ichsan, R., Putra, P., Wibisono, W., & Studiawan, H. (2013). Sistem Pendeteksi Posisi dalam Ruangan Menggunakan Kekuatan Sinyal Wi-Fi dengan Penerapan Algoritma Cluster Filtered KNN, 2(1).

  Majumdar, A., & Ward, R. K. (2000).

  FINGERPRINT RECOGNITION WITH CURVELET FEATURES AND FUZZY KNN CLASSIFIER φ ( x , y ) = φ ( x ) × φ ( y ) - scaling function ψ y ( x , y ) = φ ( x ) × ψ ( y ) - vertical wavelets ψ x ( x , y ) = ψ ( x ) × φ ( y ) - horizontal wavelets ψ d ( x , y ) = ψ ( x .

  Prasetyo, E. (2012). Fuzzy K-Nearest Neighbor in Every Class Untuk Klasifikasi Data, (Santika 2012), 57 –60. Rohmadi, Y. E., Widyawan, & Najib, W.

  (2015). Teknik positioning pada bluetooth. ISSN: 2302-3805, 45

• –49. Sana. (2013). A Survey of Indoor Localization Techniques. IOSR Journal of Electrical

  and Electronics Engineering (IOSR- JEEE) , 6(3), 69

• –76. Torteeka, P., & Chundi, X. I. U. (2015). Indoor Positioning based on Wi-Fi Fingerprint Technique using Fuzzy K-Nearest Neighbor.