Estimasi Posisi Relatif Sensor Pada Jaringan Sensor Nirkabel Menggunakan Metode Geometrik

Estimasi Posisi Relatif Sensor Pada Jaringan Sensor Nirkabel Menggunakan Metode Geometrik Raihana Fauziya

Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111 Abstract – Perkembangan dan penggunaan Wireless Sensor Network (WSN) saat ini sangat pesat khususnya bagi kehidupan manusia. Aplikasi WSN pada umumnya digunakan untuk kebutuhankebutuhan monitoring, tracking dan kontroling. pada beberapa aplikasi, WSN menggunakan banyak sensor yang disebar secara acak dalam suatu area tertentu dalam rangka memperoleh informasi yang luas. Tetapi dalam kenyataanya sedikit dari jumlah sensor yang tersebar tersebut yang diketahui posisinya pada area monitoring. Pada tugas akhir ini, akan dibandingkan algoritma range based atau teknik lokalisasi sensor yang berdasarkan kepada jarak antar sensor, dan akan dibandingkan tiga algoritma Trilateration, Min-Max dan Linear Intersection dengan menggunakan jarak berdasarkan RSSI (Receive Signal Strength Indicator). Hasil dari simulasi menunjukkan bahwa untuk Algoritma Trilateration memiliki hasil estimasi posisi sensor yang lebih akurat dibandingkan dengan algoritma Min-Max dan Linear Intersection. Kata kunci: range-based, Wireless Sensor Network, Trilateration, Min-Max, Linear Intersection, Receive Signal Strength Indicator. I. PENDAHULUAN Wireless Sensor Network (WSN) dibentuk dari sejumlah sensor node yang tersebar didaerah monitoring [1].Dalam aplikasi Wireless Sensor Network (WSN) menggunakan radio microwave untuk berkomunikasi antara satu node dengan node yang lainnya. Frekuensi kerjanya adalah 2,4 GHz, radio frekuensi tersebut akan digunakan untuk tujuan positioning. Pada infrastructure jaringan menggunakan Received Signal Strength Indicator (RSSI) dalam metode pungukurannya. Kuat sinyal yang diterima dapat diukur dari setiap paket informasi yang diterima, nilai dari kuat sinyal merupakan bagian dari Link Quality Indicator (LQI). Dengan menggunakan nilai RSSI, jarak ke node bisa diukur dan dikalkulasikan menggunakan algoritma dengan referensi dari anchor sebagai istilah dari node yang diketahui posisinya[2]. Saat sekarang banyak skema lokalisasi node untuk WSN yang mengandalkan keberadaan anchor node yang tersebar diseluruh jaringan sensor. anchor merupakan node sensor yang mengetahui posisinya sendiri dan menjadi acuan atau referensi bagi node sensor yang tidak diketahui karena posisinya yang tersebar. Algoritma penglokalisasian yang berdasarkan

pada jarak digunakan untuk mengetahui lokasi dari node yang tidak diketahui. Algoritma dalam lokalisasi dapat dibagi menjadi dua yaitu Range Based dan Range Free. Algoritma range free bersifat sederhana dan tidak membutuhkan perangkat tambahan namun sangat rentan teradap error, sedangkan algoritma range based lebih kuat dalam hal akurasi karena pengukuran berdasarkan kepada jarak. Diantara algoritma yang termasuk kepada range based diantaranya Trilateration, Min-Max dan Linear Intersection (LI) dan banyak lagi yang lainnya. Dalam tugas akhir ini akan dibahas mengenai algoritma yang berdasarkan range based tersebut. II. TEORI PENUNJANG 2.1 2.1.1

Model Penyebaran Sensor Distribusi Uniform Pemodelan penyebaran sensor pertama yang digunakan adalah distribusi uniform, dimana distribusi tersebut merupakan distribusi yang paling banyak digunakan dalam berbagai analisis statistika. Pemodelan penyebaran sensor dengan menggunakan distribusi uniform dapat dirumuskan dengan: (2.1) Dimana a merupakan batas minimum panjang daerah yang akan dimodelkan dan b merupakan batas maksimum panjang daerah yang akan dimodelkan, sedangkan rand merupakan perintah yang digunakan untuk mendapatkan bilangan acak dari 0 sampai 1. dengan mean ( ) bernilai nol dan nilai variansinya (σ^2) adalah satu. 2.1.2

Distribusi Square Pemodelan penyebaran sensor square adalah penyebaran sensor dengan mengikuti aturan pola tertentu. Pola ini kebanyakan digunakan untuk aplikasi didalam ruangan dimana koordinat dari sensor digunakan. Area Per node (APN) dari model yang teratur ini dihitung dengan persamaan: (2.2) Ap adalah Luas area dari pola, Np adalah jumlah sensor yang menyusun pola, Nn adalah jumlah node yang berbagi bidang. 2.2

Model Deteksi Sensor Pada tugas akhir ini, model deteksi sensor yang digunakan adalah model deteksi biner. Model deteksi biner merupakan model pendeteksian sensor yang paling sederhana dan banyak sekali digunakan dalam berbagai penelitian jaringan sensor nirkabel. Setiap sensor

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

1

mempunyai jangkauan sensing masing-masing, jangkauan sensing tersebut sering disebut dengan range sensor (rs). Range sensor inilah yang menentukan apakah sensor dapat mensensing sesuatu atau tidak. Untuk mengetahui jarak antar target dan sensor dapat menggunakan rumus jarak Euclidean. Berikut ini adalah probabilitas deteksi biner di sensor ke i

Gambar 2. Ilustrasi Model Deteksi Biner

PRX adalah daya transmisi yang diterima dari transmitter, PTX adalah gelombang power yang tersisa ditransmitter sedangkan N merupakan noise Gaussian additive dengan mean nol dan standar deviasi satu. Pada perangkat penerima, kekuatan sinyal terima diubah menjadi indikator kekuatan sinyal terima (RSSI) yang didefinisikan sebagai rasio dari daya yang diterima sebagai daya referensi (Pref). Biasanya daya referensi direpresentasikan sebagai sebuah nilai absolute dari Pref = 1mW. Nilai RSSI bisa didapat dengan menggunakan persamaan dibawah ini : (2.5) 2.4

2.3

Metode Perkiraan Jarak Berbasis RSSI Perkiraan jarak berbasis RSS (Received Signal Strength) dilakukan dengan men-sense sinyal yang diterima dan mengukur daya total yang diterima, yang bisa menghasilkan sebuah estimasi jarak antara obyek target dan sensor lokasi. Nilai yang diterima menunjukkan kekuatan sinyal yang disediakan sebagai Link Quality Indicator (LQI) sebagai nilai RSSI. Ide dibalik RSS ini adalah daya transmisi yang dikonfigurasikan pada perangkat transmisi (PTX) yang secara langsung mempengaruhi daya yang diterima pada perangkat penerima(PRX). Menurut persamaan ruang bebas, kekuatan sinyal yang terdeteksi menurun kuadratik dengan jarak ke pengirim[2]. Berdasarkan penelitian yang sudah dilakukan selama ini, pengukuran RSSI menunjukkan variasi yang besar karena adanya pengaruh fading atau shadowing. Dalam tugas akhir ini , model log normal shadowing[8] digunakan untuk merepresentasikan karakteristik path loss sesuai dengan lingkungan pengukuran. Persamaan berikut mewakili hubungan antara loss dengan eksponen jarak dengan daya, n, dan efek random shadowing (fading) dengan fungsi mean Gaussian dengan standar deviasi (dB), X. Nilai path loss dalam dB, PL, sebagai fungsi jarak, d, melalui persamaan berikut: (2.3)

Algoritma Lokalisasi Pada Jaringan Sensor Nirkabel Saat ini banyak skema lokalisasi yang mengandalkan sebagian kecil dari anchor yang tersebar diseluruh jaringan sensor. Anchor adalah node sensor yang mengetahui posisinya sendiri (melalui GPS atau konfigurasi manual lainnya) dan menjadi referensi bagi node lain yang posisinya tidak diketahui karena posisinya yang tersebar. Penentuan posisi yang tidak diketahui dalam hal ini dimaksudkan untuk mengeksploitasi karakteristik dari WSN, dan lebih mengandalkan pengukuran jarak dari node ke anchor. Selain itu, karena beberapa keterbatasan khusus pada node sensor, seperti memori dan bandwidh yang rendah, usia baterai yang pendek, keterbatasan komunikasi dan komputansi. Skema lokalisasi umumnya memerlukan pendistribusian, kuat, hemat energi dan banyak lagi yang lain. Algoritma lokalisasi dibagi menjadi dua yaitu Range Based dan Range Free. Pada Tugas akhir ini menggunakan algoritma Range Based. 2.4.1

Algoritma Trilateration Algoritma trilateration ini menghitung posisi node dengan menggunakan garis perpotongan dari tiga buah lingkaran node anchor.

Nilai n berdasarkan area pengukurannya dapat dilihat pada tabel 2.1 berikut: Tabel 2.1 Path Loss Exponent untuk kondisi lingkungan yang berbeda[10] Environment n Free Space 2 Urban area cellular radio 2.7 to 3.5 Shadowed urban cellular radio 3 to 5 In Building line of sight 1.6 to 1.8 Obstructed in building 4 to 6 Obstructed in factories 2 to 3 Sehingga nilai daya yang terima menjadi: –

+N

(2.4)

Gambar 2.1 Model Penentuan posisi menggunakan algoritma Trilateration Estimasi posisi menggunakan trilateration, unknown node harus tahu posisi dari tiga node referensi dan jarak kemasing-masing node anchor tersebut. Jarak dapat dihitung dengan menggunakan rumus berikut: (x − x1)2 + (y − y1)2 = d12 (x − x2)2 + (y − y2)2 = d22 (x – xi)2 + (y – yi)2 = dn2 (2.6) Dimana (x,y) adalah posisi node yang akan dihitung, (xi,yi) adalah posisi dari node ke i dari node referensi, dan di adalah jarak dari node anchor ke (2.9) unknown node. Dalam hal ini kita mempunyai tiga


2

persamaan kuadratik dengan dua unknown, yang dapat di selesaikan secara teori kedalam sebuah persamaan. Persamaan 2.6 dapat dilinearisasi dengan mengurangkan persamaan terakhir dari persamaan pertama n-1, dan dirumuskan dalam sistem perkalian linear dengan form AX = b, dimana:

(2.11)

2.4.3

Algoritma Linear Intersection (LI) Berbeda dengan kedua motode linear intersection (LI) hanya menggunakan 2 node anchor sebagai referensi.

, , (2.7) Pada akhirnya posisi node yang tidak diketahui dapat dihitung dengan menggunakan standar pendekatan kuadrat terkecil yang dinyatakan dengan persamaan: (2.8) Pada kasus pengecualian, invers matriks tidak dapat dihitung dan lateration gagal, perhitungan dilakukan dengan menghitung residu antara jarak yang ditentukan (di) dengan jarak untuk memperkirakan posisi X : (2.9) 2.4.2

Algoritma Min-Max Metode dengan nama lain Bounding Box ini menggunakan prinsip yang sama dengan trilateration tapi dengan menggunakan perpotongan antara tiga persegi sebagai area estimasi posisi dari node yang tidak diketahui diperkirakan pada area perpotongan antara kotak persegi yang dapat dilihat pada gambar 2.2.

Gambar 2.3 Menentukan posisi dengan algoritma Linear Intersection. Seperti terlihat pada gambar diatas A dan B merupakan dua titik kontrol, posisi masing-masingnya adalah (xA,yA) dan (xB,yB). P adalah titik yang akan ditentukan nilainya (x,y). Jarak antara P dengan A dan B dinotasikan dengan da dan db. Posisi P pada LI didapatkan dari hubungan geometri sederhana antara unknown node dengan anchor node, dan dengan prosedur perhitungan yang ringkas. Pertama, hubungan geometris antara titik unknown dengan anchor dapat dinyatakan sebagi berikut: (2.12) Pada persamaan 2.12, xA dan yA diketahui, sehingga jika panjang PG, HE, AE dan GH diturunkan maka x dan y dapat ditentukan. Untuk memperoleh panjang dari masing-masing segmen, beberapa parameter intermediet perlu ditentukan terlebih dahulu, dapat ditentukan dengan hubungan dengan titik yang diketahui sebagai berikut:

Selanjutnya ABFAHEPGH, panjang PG, HE, AE dan GH dapat ditentukan dengan persamaan berikut: Gambar 2.2 Menentukan lokasi sensor menggunakan algoritma Min-max. Untuk setiap node referensi i, bounding box di tentukan sebagai sebuah kotak dengan pusat dari posisi node ini adalah (xi,yi ), dengan sisi 2 di ( d adalah jarak estimasi) dan dengan koordinat: Perpotongan dari semua box akan dengan mudah dihitung tanpa operasi floating point dengan mengambil maksimum dari koordinat rendah dan mengambil minimum dari koordinat tinggi dari semua box. Final posisi dari unknown node kemudian dapat dihitung sebagai pusat dari persimpangan semua box yang ditentukan dengan rumus berikut:

Dengan

dan

, dan

nilai x dan y dapat ditentukan dengan menggunakan persamaan:


3

Pada aplikasi yang sebenarnya, ada dua hal yang harus diperhatikan. Pertama formula diatas hanya berlaku ketika posisi dari titik P dan dua titik control A dan B sesuai dengan arah jarum jam A  B  P. Lainnya adalah selama penentuan posisi untuk titik unknown, jika jarak terlalu jauh, solusi H bisa saja berupa nilai jamak, maka titik unknown tidak bisa ditentukan dengan menggunakana LI. III. PERANCANGAN SIMULASI

Maxstream. X-Bee Pro dirancang agar dapat memenuhi teknologi ZigBee/IEEE 802.15.4.. Parameter dapat dilihat pada tabel 3.1. Tabel 3.1 Parameter yang digunakan dalam Simulasi Parameter Simbol Nilai Daya Transmisi Tx Power 50 mW range r 1600 m Luas daerah L 2000 m x 2000 m Jumlah Sensor N 8 buah

Tahap simulasi dari tugas akhir ini bisa dilihat pada blok diagram pada gambar 3.1 berikut ini:

IV. ANALISA DAN PEMBAHASAN 4.1

Pengukuran Jarak Area Penyebaran sensor model uniform dapat dilihat pada gambar 4.1berikut:

Mulai

Menetukan Model Sistem

Distribusi Uniform Sensor Unknown

Model Sensor

2000 2

Unknown Anchor

1800

Penyebaran sensor

1600 2

Menetukan Parameter

Lebar Daerah (m)

1400

Luas Area Parameter Sensor

1

1200 4

1000 3

800 4

600 1

400

Jumlah Sensor Mensimulasikan Algoritma Lokalisasi

200 0

Perhitungan Jarak Penerapan Metode Lokalisasi

3

0

200

400

600

800 1000 1200 Panjang Daerah (m)

1400

1600

1800

2000

Gambar 4.1 Distribusi Sensor Uniform Tabel 4.1 Nilai Jarak Pada distribusi Uniform

Membandingkan Kinerja Trilateration, Min-max dan Linear Intersection

Menghitung Estimasi Posisi Sensor

Melakukan Validasi

Membandingkan Hasil Perhitungan Tiap Metode

Unknown Ke

Selesai

Gambar 3.1 Blok Diagram Langkah-langkah Penelitian

1 2 3 4

Anchor 1 1208,734 637,994 1148,061 918,801

Jarak (meter) Anchor 2 Anchor 3 1542,828 1278,147 751,612 1257,918 1312,823 701,505 690,775 578,987

Anchor 4 848,923 1200,535 545,972 1003,571

Tabel 4.2 Jarak berdasarkan nilai RSSI pada Ditribusi Uniform

Estimasi Distribusi Sensor

Uniform

Square

Pembangkitan Model System Perhitungan RSSI Estimasi Jarak Penetapan Anchor Referensi oleh Unknown Estimasi Posisi dengan Algoritma Trilateration, Min-max dan LI Proses Perbandingan Posisi Estimasi dengan Posisi Sebenarnya Perbandingan Error Tiap Algoritma

Dari tabel 4.2 diatas dapat kita lihat bahwa nilai RSSI berpengaruh kepada estimasi jarak setiap sensor. Semakin rendah nilai RSSI atau daya sinyal yang diterima oleh sensor maka jarak yang terukur akan semakin jauh. Distribusi sensor model square dapat dilihat pada gambar 4.2 berikut ini:

Gambar 3.2 Blok Diagram Langkah-langkah Simulasi Parameter yang digunakan dalam tugas akhir ini adalah parameter X-Bee Pro yang dibuat oleh


4

Posisi Unknown dengan Metode Trilateral

Distribusi Square Sensor Unknown 2000

2000 1800

Unknown 4 Anchor

2

1600

1600 2

1400

4

Lebar Daerah (m)

Lebar Daerah (m)

1400 1200 1000 800 600

1

1000 800 3 33 4 44

400

200

1

200

3

0

0

200

400

600


1400

2 22

1 1 1

1200

600

3

400

0

Anchor unknown Euclidean RSSI

1800

1600

1800

2000

0

200

400

600

800

1000

1200

1400

1600

1800

2000

Gambar 4.3 Trilateral dengan distribusi Uniform

Gambar 4.2 Distribusi Sensor Square

Panjang Daerah (m)

Posisi Unknown dengan Metode Trilateral 2000

Tabel 4.3 Nilai Jarak Pada distribusi Square


1800 1600

Lebar Daerah (m)

1400

2

2

44

1200 1000 800 600

1 1

3 3

400 200

Tabel 4.4 Jarak Berdasarkan nilai RSSI pada distribusi square

0

0

200

400

600

800

1000

1200

1400

1600

1800

2000

Panjang Daerah (m)

Gambar 4.4 Trilateral dengan distribusi Square 4.3

Algoritma Min-Max Posisi Unknown dengan Metode Min-Max 2000 Anchor unknown Euclidean RSSI

1800 22

1600 2 1

Lebar Daerah (m)

1400

1

1

1200 3

1000

3 3

800 4

600 400 200 0

Algoritma Trilateration Dari hasil simulasi didapatkan posisi unknown seperti gambar 4.1 dan gambar 4.2. Pada gambar dapat dilihat bahwa penentuan posisi dengan menggunakan jarak berdasarkan Euclidean dibandingkan dengan nilai RSSI akan terjadi pergeseran dari posisi node yang sebenarnya. Nilai Euclidean merupakan jarak yang sebenarnya dari anchor ke unknown, sehingga pada saat dilakukan perhitungan algoritma Trilateral akan didapatkan posisi yang sesuai dengan sebenarnya. Penentuan posisi menggunakan jarak hasil perhitungan RSSI, posisi estimasi memiliki pergeseran yang cukup jauh dari posisi sebenarnya. Hal ini disebabkan oleh nilai jarak yang terukur pada RSSI berbeda dengan jarak sebenarnya.

200

400

600


1400

1600

1800

2000

Gambar 4.5 Min-Max dengan distribusi Uniform

Dari nilai jarak yang didapatkan dalam simulasi, jarak antara node anchor dengan node unknown akan mengalami perubahan yang cukup besar. Hal ini dipengaruhi oleh noise ,loss sinyal dan daya yang diterima oleh node unknown. Karena nilai RSSI berdasarkan pada nilai daya yang diterima oleh node unknown. Semakin besar nilai daya yang diterima maka perbedaan jarak akan semakin kecil jika daya yang diterima semakin kecil maka perbedaan jarak akan semakin besar. 4.2

44

0

Posisi Unknown dengan Metode Min-Max 2000 1800 1600

1 4

Lebar Daerah (m)

1400


2

2

4

1200 1000 2 3

800

41

3

600

1

3

400 200 0

0

200

400

600


1400

1600

1800

2000

Gambar 4.6 Min-Max dengan distribusi Square Setelah dilakukan estimasi posisi menggunakan algoritma Min-Max dengan distribusi uniform dengan menggunakan jarak sebenarnya didapatkan rata-rata pergeseran posisi sejauh 806,702 meter dari posisi sebenarnya, sedangkan dengan menggunakan jarak hasil estimasi berdasarkan RSSI adalah 754,7033 meter dari jarak sebenarnya. Perbedaan nilai pada pergeseran posisi dipengaruhi oleh nilai estimasi jarak serta anchor referensi yang digunakan. 4.4

Algoritma Linear Intersection Pada hasil perhitungan dengan menggunakan algoritma LI didapatkan hasil estimasi posisi lebih baik dibandingkan dengan Min-Max, hal ini disebabkan karena LI hanya menggunakan dua anchor sebagai referensi. Semakin dekat posisi anchor sangat mempengaruhi dari pengukuran jarak.


5

Posisi Unknown dengan Metode LI 2000 Anchor unknown Euclidean RSSI

1

1800 1600

2

Lebar Daerah (m)

1400

1

1200 1

1000

3

800 4

600

3

400

3

200 0

44

0

200

400

600


1400

1600

1800

2000

Gambar 4.7 LI dengan distribusi Uniform 12

Posisi Unknown dengan Metode LI 2000 Anchor unknown Euclidean RSSI

1800 1600

Lebar Daerah (m)

1400

2

44

1 1

3

1200 1000 800 600 400 200 0

200

Grafik Perbandingan Jumlah Unknown dengan MSE Trilateral

3 3

2

0

Dari grafik diatas dapat dilihat bahwa SNR sangat mempengaruhi nilai estimasi posisi sensor. Semakin kecil nilai SNR yang kita berikan maka error posisi akan semakin tinggi, namun jika kita beri SNR dengan nilai yang cukup tinggi maka error posisi semakin kecil. Dari ketiga algoritma yang digunakan dapat dilihat Trilateral memiliki error posisi paling kecil dibandingkan dengan algoritma yang lain. Sedangkan Min-Max merupakan algoritma yang meiliki error posisi yang paling tinggi. Hal lain yang juga mempengaruhi error pada saat estimasi posisi sensor adalah jumlah unknown yang tersebar pada area pengamatan. Dengan jumlah anchor 4 buah dan jumlah unknown divariasikan dari 1 sampai 16 node didapatkan grarik perbandingan rata-rata error dengan jumlah unknown, seperti pada gambar 4.10 dibawah ini.

400

600


1400

5 1600

1800

Trilateration Trilateration Rssi

2000

4

Gambar 4.8 LI dengan distribusi Square Rata-rata error

3

4.4

Error Posisi Nilai Error Posisi dari setiap model distribusi sendor dapat dilihat pada tabel 4.5 dibawah ini: Tabel 4.5 Error posisi rata-rata distribusi uniform

2

1

0

-1

Algoritma

Euclidean RSSI (m) (m) Trilateral 1,66x10-13 37,4595 Min-Max 806,7020093 754,703345 LI 546,9042628 336,802584 Tabel 4.6 Error posisi rata-rata distribusi square Euclidean (m) 4,02x10-14 727,1167888 816,227766

Trilateral Min-Max LI

2

4

6

8 10 Jumlah Unknown

12

14

16

(a) Grafik Perbandingan Jumlah Unknown dengan MSE Min-Max 5 Min-Max Min-Max Rssi

4.5 4 3.5 Rata-rata error

Algoritma

0

RSSI (m)

3 2.5 2 1.5 1

33,86996772 872,8986456 304,9502759

0.5 0

0

2

4

6

8 10 Jumlah Unknown

12

14

16

(b)

Grafik Perbandingan Jumlah Unknown dengan MSE LI 10

Grafik Perbandingan SNR dengan MSE 5 4.5 4

LI LI Rssi

8 7 Rata-rata error

Nilai error rata-rata pada tiap model distribusi sensor dan tiap algoritma terdapat perbedaan. Pada estimasi posisi menggunakan nilai RSSI error posisi cenderung lebih tinggi dibandingkan dengan error posisi dengan menggunakan jarak Euclidean. Hal ini disebabkan pengaruh dari noise dan fading pada pengukuran nilai RSSI. Pada simulasi dilakukan perbandingan antara SNR 1dB sampai 10dB untuk melihat pengaruh nilai SNR terhadap error posisi sensor.

9

6 5 4 3 2 1 0

0

2

4

6

8 10 Jumlah Unknown

12

14

16

(c) Gambar 4.10 Grafik Perbandingan Jumlah Unknown dengan Error Rata-rata. (a).Trilateral, (b) Min-Max, (c) LI.

3.5

MSE

3 2.5 2 1.5 Trilateral Min-Max LI

1 0.5 0

1

2

3

4

5

6

7

8

9

10

SNR

Gambar 4.9 Perbandingan Rata-rata Error dengan SNR

Dari ketiga grafik diatas terlihat bahwa jumlah unknown yang tersebar sangat mempengaruhi nilai error pada estimasi posisi. Pada algoritma Trilateral, perbandingan jumlah unknown dengan nilai error tidak terlalu besar perbedaannya, Meskipun terdapat pengaruh, tapi masih dikategorikan stabil dibandingkan algoritma yang lain.


6

Pada algoritma Min-Max perbandingan jumlah unknown berbanding lurus dengan nilai error, hal ini disebabkan karena posisi dari unknown yang semakin mendekati anchor, area estimasi dari perpotongan antara box anchor pun akan semakin luas yang menyebakan error posisi tinggi. Perbedaan yang cukup jauh pada algoritma LI. Dimana jumlah unknown berbanding terbalik dengan nilai error. Semakin banyak jumlah unknown yang tersebar maka nilai error akan semakin kecil. Hal ini disebabkan karena posisi unknown akan semakin mendekati posisi anchor, sehingga kesalahan dalam estimasi jarak tidak terlalu besar, maka area perpotongan garis berdasarkan panjang jarak akan semakin mendekati posisi sebenarnya. V. PENUTUP 5.1

Kesimpulan Berdasarkan hasil simulasi dan analisa, dapat diambil beberapa kesimpulan sebagai berikut: 1. Estimasi jarak berdasarkan RSSI dipengaruhi daya yang diterima oleh sensor, semakin kecil nilai daya maka jarak yang terukur akan semakin jauh. 2. Keakuratan hasil estimasi posisi dipengaruhi oleh jarak yang terukur, semakin jauh nilai estimasi jarak maka nilai error estimasi posisi akan semakin tinggi. 3. Semakin tinggi nilai SNR yang diberikan pada saat pengiriman sinyal maka nilai error pada estimasi jarak semakin kecil. 4. Algoritma Trilateral memiliki keakuratan yang paling baik dibandingkan dengan Algorima MinMax dan Linear Intersection. 5.2

Saran Untuk sistem lokalisasi berdasarkan RSSI dapat diaplikasikan dalam pemantauan lingkungan berbasis WSN yang sulit dijangkau. Dengan perbandingan hasil estimasi Posisi menggunakan algoritma Trilateral, Minmax dan Linear Intersection diharapkan bisa menjadi referensi untuk penelitian selanjutnya DAFTAR PUSTAKA [1].A.Boukerche,H.A.B.F.Oliveira,E.F. Nakamura,A. AF. Loureiro, Algorithms and Protocols for Wireless sensor Networks, Chapter 11,pp 307-340, October 2008. [2]. R. Mardeni, Othman. Shaifull Nizam,Node Positioning in ZigBee Network Using Trilateration Method Based on the Received Signal Strength Indicator (RSSI), European Journal of Scientific Research, vol.46 No.1, pp. 048-061, 2010. [3]. Q.shi,H.Huo,T.Fang,D.Li, A Distributed Node Localization Scheme for Wireless Sensor Networks, Wireless Personal Communication,Vol. 53, No. 1,pp.15-33,2010. [4]. Achmad Iqbal Fahmi, (2010) "Algoritma Konsensus Terdistribusi Pada Komunikasi Yang Tidak Sempurna Di Jaringan Sensor Nirkabel", Tugas

Akhir S1, Institut Teknologi Sepuluh Nopember Surabaya. [5]. Muhammad Aviz Shena, (2010) “Konsensus RataRata Terdistribusi Menggunakan Kuantisasi Probabilistik”, Tugas Akhir S1, Institut Teknologi Sepuluh Nopember Surabaya. [6]. Prima Kristalina, Wirawan, Gamantyo H, Estimasi Lokasi Relatif Sensor Pada Jaringan Sensor Nirkabel Menggunakan Metode Maximum Likelihood Estimation dan Cramer-Rao Bound,2011. [7] Triuli Novianti, Wirawan, Karakteristik Propagasi dalam Ruang Berdasarkan Analisa RSSI pada Jaringan Sensor Nirkabel, 2011. [8] Ms. Abiola,F. Dr. Jeff, F, Effect of Natural Propagation Environments on Wireless Sensor Network Coverage Area. [9] S.Agus, H. Ali Husein,N.Endah Suharyati, Penentuan Posisi Node Jaringan Sensor Dengan Menggunakan Metode Trilaterasi Berdasarkan Kekuatan Sinyal Radio.2010. [10] T. Rappaport, Wireless Communication Principles and Practice, 2001, 2nd edition, Prentice Hall. RIWAYAT PENULIS Raihana Fauziya dilahirkan di Bukittinggi, 17 September 1986. Pada tahun 1998 penulis menamatkan pendidikan sekolah dasar di SDN 11 Kamang Sari Kamang, Kab. Agam, kemudian melanjutkan ke MTsN Kamang dan selesai pada tahun 2001. Penulis menyelesaikan pendidikan sekolah menengah atas di MAN Batu Mandi Kab. Agam pada tahun 2004. Setelah itu penulis melanjutkan pendidikan D1 di LP3I Bukittinggi dengan jurusan Informatika Komputer dan selesai pada tahun 2005 dan melanjutkan pendidikan D3 di Politeknik Negeri Padang dan menyelesaikan pendidikan pada tahun 2008. Dengan anugrah Allah SWT, pada tahun 2009 penulis dapat melanjutkan studinya di S1 Teknik Elektro program studi Telekomunikasi Multimedia Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) melalui jalur Lintas Jalur.


7

Estimasi Posisi Relatif Sensor Pada Jaringan Sensor Nirkabel Menggunakan Metode Geometrik

Recommend Documents