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

POLITEKNOSAINS VOL. XIII NO. 1

Maret 2014

PENENTUAN LOKASI OBJEK INDOOR DENGAN KEKUATAN SINYAL YANG DITERIMA OLEH WIRELES LAN 1)

Taman Ginting, 2)Didik Warasto

1)

Jursan Teknik Komputer 2)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 . PENDAHULUAN Jaringan tanpa kabel (Wireless Network) berkembang pesat yang telah di gunakan Oleh masyarakat di berbagai tempat. Perkembangan WLAN membuka peluang baru untuk layanan berbasis lokasi. Infrastruktur WLAN juga dapat diterapkan untuk memberikan layanan untuk mengetahui lokasi objek dalam ruangan tanpa menggunakan peralatan tambahan. Salah satunya pada penelitian yang dilakukan lokalisasi dan pemetaan

Penentuan Lokasi Objek . . .

mengunakan pengukuran kekuatan sinyal. Ada banyak sistem posisi dalam ruangan dengan menggunakan teknologi yang berbeda misalnya IEEE 802.11b/g, Bluetooth, RFID, Zigbee, dan UWB (Wilson, M. Y., et al, 2007). Fingerprinting Localisation berbasis Received Signal Strength (RSS) pada jaringan WLAN dengan skala besar untuk menampilkan lokalisasi statis menggunakan Power Map (PM) yang diperbaharui menggunakan pendekatan basestation-strict (BS-Strict) . WLAN 46


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. 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. Bagaimana menprediksi lokasi objek dalam gedung dengan teknologi Wireless LAN mengunakan metode fingerprint. 2.

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

Tujuan Penelitian Tujuan penelitian yang ingin dicapai adalah sebagai berikut: 1. Mengetahui teknik untuk memprediksi lokasi objek dalam gedung mengunakan metode fingerprint. 2. Mengetahui performa perhitungan algoritma kNN, Naïve Bayes dan decision tree terhadap nilai RSS. TINJAUN PUSTAKA 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 . Penentuan Lokasi Objek . . .

Maret 2014

Lokalisasi berbasis RSS pada WLAN menghasilkan tingkat akurasi 3 hingga 30 m. Pembandingan prisip pengukuran dan penggunaan algoritma posisi berdasarkan Triangulasi terdiri dari TOA, TDOA, Metode RSS-Based, RTOF, dan Metode POA, serta Metode Angulation yang terdiri dari AOA Estimasi. Berdasarkan Analisis Scene, dengan berbasis Radio Frequency menggunakan 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 kompleks. Isu yang paling menantang dari WLAN Fingerprint adalah nilai RSS WLAN yang tidak stabil tiap kali dilakukan pengukuran. Hal ini dikarenakan adanya efek multipath (yang disebabkan oleh refleksi, difraksi, dan difusi di ruangan-ruangan serta adanya obstacle/hambatan). Efek multipath dapat ditangani dengan rata-rata(Yongguang Chen and Hisashi Kobayashi,2002) 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 Fingerprinting dan Proximity 2005). Keuntungan menggunakan RSS untuk lokalisasi dalam gedung. Pertama, dapat diimplementasikan 47


dalam sistem komunikasi nirkabel 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 (Li B,2006) Pengolahan Data Fingerprinting 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. Fingerprinting sering digunakan untuk lokalisasi berbasis dalam gedung atau dalam ruangan, terutama ketika hubungan analitis antara pengukuran RSS dan jarak tidak mudah dibentuk karena multipath dan interferensi (X. Li, and J. Makela K. Pahlavan, 2002).


Maret 2014

Gambar 1. Metode Pengukuran RSS WLAN didalam ruangan Fingerprint Metode fingerprint untuk lokalisasi juga disebut scene analysis biasanya digunakan dalam gedung karena dibutuhkan karakteristik stasioner lingkungan misalnya atenuasi dinding. fingerprint biasanya bekerja dalam dua tahap: off-line dan tahap online. Dalam tahap off-line, kekuatan sinyal dari Acces Poin (AP) dikumpulkan dari lokasi yang berbeda untuk membangun database atau disebut juga pemetaan lingkungan. Sedangkan tahap online, lokasi dapat dihitung dengan membandingkan pengukuran Receive Signal Strength (RSS) dan pengukuran nilai yang disimpan dalam database.

48


Maret 2014

Membandingkan rata-rata pengukuran Q {rssq = [rss1 rss2 ... rssp], q = 1, 2, …, Q} ke titik yang tidak diketahui dengan basis data pada tahap training.

Gambar 2. Contoh Algoritma Fingerprint terhadap estimasi locasi terhadap base station.

Tahappan lokalisasi BELUM DIISI Dalam tahap ini, lokasi yang tidak diketahui akan diestimasi dengan membandingkan rata-rata pengukuran ke titik yang tidak diketahui dengan database pada fase off-line. Perbandingan terbaik menunjukkan perkiraan posisi. Dari algoritma yang berbeda diterapkan untuk tujuan Memprediksi lokasi objek. Hasil pengukuran RSS dari masing-masing Acces point bisa di rata-rata. Secara garis besar, lokalisasi berbasis RSS terdiri dari dua fase (Gunadi, 2006) yaitu: 1. Training phase, di mana peta nirkabel lingkungan ditentukan menggunakan pengukuran. 2. Positioning phase, di mana estimasi posisi ditentukan berdasarkan peta nirkabel. •

•

Tahap Training Di dalam basis data termasuk 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


a. k-Nearest Neighbor (k-NN) k-Nearest Neighbor (k-NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. KNN digunakan untuk memperkirakan lokasi yang sebenarnya, algorima ini sesuai dengan fingerprint. Algoritma k-NN dilakukan dengan cara menghitung jarak total semua variabel pada data test dengan semua data pada set data training, dengan menggunakan rumus euclidean.

Keterangan rumus: di = jarak data uji terhadap data sampel ke i, Xi = data sampel ke i, j = indeks variable, P = jumlah variable. Y = data uji b. Naïve Bayes Naïve Bayes adalah suatu probabilistik simpel yang berdasarkan pada teorema bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (naive). Dalam melakukan klasifikasi data, Naïve Bayes mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang sama. Dasar dari 49


teorema Naïve Bayes adalah rumus berikut ini:

P ( B | A ) * P ( A) P (B )

P( A | B ) = (2)

Peluang kejadian A karena adanya kejadian B ditentukan dari peluang kejadian B karena adanya kejadian A, peluang kejadian A, dan peluang kejadian B. Teori peluang yang digunakan pada algoritma Naïve Bayes untuk sistem klasifikasi yang menggunakan propagasi sinyal adalah distribusi normal atau sering juga disebut Gaussian Distribution. Distribusi normal dapat dinyatakan dalam bentuk fungsi kepadatan probabilitas (probability density function) dengan persamaan:

Maret 2014

Perhitungan Akurasi Akurasi dapat juga dianggap sebagai besarnya penyimpangan dari sebuah sistem lokalisasi, sehingga jika penyimpangan semakin kecil maka sistem akan (2.2) semakin baik. Setelah diperoleh hasil dari peritungan algoritma maka dilakukan evaluasi dengan menghitung error jarak dari perkiraan posisi (x,y) pada proses pembelajaran dengan menggunakan rumus euclidean distance dan standar deviasi. Error jarak =

ඥሺ‫ ݔ‬െ ‫ ݔ‬′ ሻଶ ൅ ሺ‫ ݕ‬െ ‫ ݕ‬′ ሻଶ (6) Besarnya nilai akurasi secara keseluruhan diperoleh dengan menggunakan persamaan:

− (x − µ ) e 2σ 2

2

1

f (x ) =

2πσ

2

Akurasi =

(3) Besarnya standar deviasi dihitung dengan persamaan: n

σ

2

=

∑ (x i − µ )

2

i =1

(n

− 1)

(4) Sedangkan besarnya rata-rata (mean) dihitung menggunakan persamaan: n

µ =

∑ x

n

i

i= 0

n

(5) dengan: σ2 = standar deviasi, µ = mean (rata-rata), π = 3,14159…, e =

2,71828… dan x = variabel acak Penentuan Lokasi Objek . . .

∑ (xi − xi′ ) + ( yi − yi′ ) 2

2

i =1

n

(7) dengan : d = jarak Euclidean, (x,y) = lokasi sebenarnya, (x′,y′)= Prediksi lokasi, n = banyaknya data pengujian. Rumus standar deviasi yang digunakan : SD =

∑x

i

(2.4)

−x

(8) n METODOLOGI Bahan dan Alat Penelitian Bahan penelitian yang digunakan dalam deteksi lokasi dalam gedung berdasar WLAN adalah hasil pengukuran kekuatan sinyal yang 50


diterima oleh leptop di lantai 3 gedung POLITAMA. Dalam melakukan penelitian mengenai estimasi posisi objek dalam gedung diperlukan beberapa perangkat keras dan perangkat lunak sebagai berikut: perangkat keras yaitu 4 buah Access Point (AP) dan leptop yang Laptop telah dilengkapi dengan NIC berbasis IEEE 802.11 . Perangkat lunak yaitu Netsurveyor, RapidMiner 5.1 dan Ms Excel 2007.

Maret 2014

masing-masing titik yang telah ditentukan sebelumnya menggunakan Netsurveyor. Pengambilan data RSS dilakukan selama ± 2 menit terhadap Acces point yang terindentifikasi. Nilai RSS yang diterima disimpan dalam basis data bentuk .xls. Tampilan Netsurveyor pada saat melakukan

Perancangan Lokasi Penelitian

Pengambilan data Traning nilai RSS (fase off-line)

Pengambilan Datauji (fase online)

Basis data fingerpr int

pengukuran RSS.

Visualisasi fingerprint

Pengolahan dengan algoritma Lokasi

Hasil Estimasi lokasi

Gambar 3. Teknik lokasi

Pengukuran RSS Pengukuran RSS merupakan proses yang dilakukan untuk memperoleh data fingerprint. Pada proses ini dilakukan pengukuran RSS yang diterima oleh Laptop, di Penentuan Lokasi Objek . . .

Gambar 5. Tampilan Netsurveyor pada Saat Melakukan pengukuran RSS

HASIL DAN PEMBAHASAN a. Tahap Training Pengukuran nilai RSS dari 4 access point yang digunakan di gedung POLITAMA utuk mendapatkan data yang akan diolah dengan motode fingerprint mengunakan algoritma kNN dan Naïve bayes. Proses pengukuran dilakukan dengan mengabaikan adanya efek multipath dan propagasi, dengan menetapkan grid atau titik-titik pengukuran 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. Hasil seluruh rata-rata dari 51


masing-masing grid yang telah ditetapkan nilai koordinatnya kemudian disimpan dalam database fingerprint. Database fingerprint diimport kedalam program RapidMiner 5.0. Database fingerprint ini 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

Dalam fase off-line ini menghasilkan visualisasi fingerprint 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 import ke dalam perangkat lunak RapidMiner 5.1 untuk dibuat visualisasi peta fingerprint. Visualisasi peta fingerprint pada lokasi penelitian adalah sebagai berikut:

Maret 2014 fingerprint pada posisi AP di tengah koridor Fase On- line

Pada fase on- line, dilakukan pengujian terhadap nilai RSS yang diukur secara real time dengan cara berjalan. Nilai RSS real time tersebut disimpan dalam basis data yang kemudian akan dilakukan proses perhitungan estimasi posisi dengan menggunakan algoritma k-NN dan Naive Bayes. Grafik perbandingan error jarak estimasi lokasi target antara algoritma k-NN dan Naïve Bayes fase on-line adalah sebagai berikut :

Perbandingan Error hasil Perhitungan 8.00 7.00 6.00 5.00 4.00 3.00 2.00 1.00 0.00

Rata-Rata Kesalahan Jarak Estimasi

Naïve Bayes

kNN k=9

Gambar 7. Perbandingan Error perhitungan Fase On-line Algoritma kNN dan Naïve bayes.

Gambar 6. Visualisasi peta


52


Maret 2014

Tabel 1. Hasi dari pengolahan data RSS fase on-line

Keterangan

Naïve Bayes

kNN k=1

Rata-Rata Kesalahan Jarak Estimasi

4,20

3,76

Standar Deviasi

7,11

6,01

Kesalahan jarak yang dihasikan dari fase on-line pada masing-masing

algoritma dengan real-time adalah sebagai berikut:

BIBLIOGRAPHY There are no sources in the current document. Gambar 8. Error jarak etimasi fase on-line Algoritma k-NN k =1

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103

Meter

Error Jarak Algorima NAIVE BAYES

40 35 30 25 20 15 10 5 0

Jumlah Data Gambar 9. Error jarak etimasi fase on-line Algoritma Naive Bayes KESIMPULAN DAN SARAN

Dari hasil penelitian yang telah dilakukan dapat disimpulkan bahwa memprediksi lokasi objek dalam gedung dapat dilakukan dengan memanfaatkan teknologi Wireless LAN berbasis IEEE 802.11. mengunakan metode fingerprint. 1. Fingerprint RSS mengalami penyebaran nilai kekuatan sinyal yang berbeda hal ini disebakan Penentuan Lokasi Objek . . .

oleh waktu dan kondisi lingkungan pengukuran yang berbeda. 2. Tingkat keakurasian dari penelitian ini member kontribusi dengan algoritma K-NN lebih baik disbanding dengan Algoritma Naïve Bayes . 3. Tingkat akurasi yang dihasilkan dari sistem estimasi lokasi objek berbasis RSS fingerprint meberikakan tingkat akurasi 53


yang tinggi. DAFTAR PUSTAKA Wilson, M. Y., et al, 2007, Wireless 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. Leo, Fingerprinting Localization in Wireless Networks Based on ReceivedSignal-Strength Measurements: A Case Study on WiMAX Networks, in: IEEE Transactions on Vehicular Technology, Vol 59 No. 1, Jan. 2010. Hui, L., et al, 2007, Survey of Wireless Indoor Positioning Techniques and Systems, IEEE Transactions On Systems, Man, And Cybernetics—Part C: Applications And Reviews, Vol. 37, No. 6


Maret 2014

Yongguang Chen and Hisashi Kobayashi, "Signal Strength Based Indoor Geolocation," IEEE, vol. -, pp. 436-439, 2002 A. Kupper, "Location Based Services : Fundamentals and Operations," -, 2005. Li B, "Terrestrial Mobile User Positioning Using TDOA and fingerprinting Techniques," Sydney, 2006. Widyawan, "Learning Data Fusion for Indoor Localization," Departement of Electronic Engineering Cork Institute of Technology, Ph.D. dissertation 2009. X. Li, and J. Makela K. Pahlavan, "Indoor Geolocation Science and Technology," IEEE Communications Magazine, vol. 40, no. 2, pp. 112-118, Feb 2002 Gunadi, Teknologi Wireless LAN dan Aplikasinya. Jakarta: PT Alex Media Komputindo, 2006.

54

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

Recommend Documents