RSS Fingerprint Berbasis Mobile untuk Estimasi Lokasi di Dalam Gedung Muhammad Ihsan Zul1), Mochammad Susantok2), Muhammad Diono3), Hendra4), Ari Kurniawan5), Ronny Septio Pramono6) 1) Jurusan Komputer, Politeknik Caltex Riau, Pekanbaru 28265, email: i h s a n @pcr.ac.id 2) Jurusan Teknik Elektro, Politeknik Caltex Riau, Pekanbaru 28265, email: s a n t o k @pcr.ac.id 3) Jurusan Teknik Elektro, Politeknik Caltex Riau, Pekanbaru 28265, email: d i o n o @pcr.ac.id 4) Jurusan Komputer, Politeknik Caltex Riau, Pekanbaru 28265, email: h e n d r a 4 6 4 8 @ g m a i l . c o m 5) Jurusan Teknik Elektro, Politeknik Caltex Riau, Pekanbaru 28265, email: s r . a r yk u r n i a w a n @ g m a i l . c o m 6) Jurusan Komputer, Politeknik Caltex Riau, Pekanbaru 28265, email: r o n n y. t i @gmail.com
Abstrak – Analisis kekuatan sinyal WiFi merupakan kajian yang menarik untuk diteliti. Salah satu pemanfaatan kekuatan sinyal WiFi adalah untuk deteksi lokasi di dalam gedung. Deteksi lokasi tersebut telah dilakukan oleh banyak peneliti. Salah satu tahap yang dilakukan adalah fingerprint. Tahap ini merupakan tahap pengumpulan informasi kekuatan sinyal yang diterima (RSS) oleh instrumen pengukur di koordinat tertentu. Pada umumnya proses fingerprint dilakukan secara manual dengan mencatat sinyal yang diterima oleh perangkat pengukur. Penelitian ini merancang aplikasi pengumpul data kekuatan sinyal melalui perangkat mobile. Aplikasi dirancang pada perangkat mobile (smartphone) berbasis Android. Selanjutnya, data hasil pengumpulan fingerprint dianalisis dan diseleksi agar bisa dimanfaatkan. Hasil analisis dan seleksi tersebut diuji dengan menggunakan algoritma klasifikasi k-NN. Nilai k yang digunakan adalah 20. Hasil estimasi lokasi dianalisis dengan menggunakan 60 data uji dan 728 data hasil fingerprint yang telah diseleksi. Akurasi hasil pengujian ini mencapai 70 % untuk akurasi koordinat dan 73,3 % untuk akurasi ruang. Kata Kunci: mobile fingerprint, k-NN, Estimasi lokasi Abstract – Analysis of the WiFi signal strength is an interesting field to study. Indoor localization is one of the most research that using WiFi signal strength to determine object position. The location detection has been performed by many researchers. The fingerprint is known as an important phase in this research. The fingerprint is an information gathering phase of the signal strength of access points that have been determined. A fingerprint process commonly done by recording the signal strength received by using a measuring device. This research collects the received signal strength data using an application through mobile devices. The applications run on mobile devices based on the Android operating system. Furthermore, the fingerprint data were analyzed and selected to be used. The analysis results were tested by using k-NN classification algorithm. K value used is 20. Location estimation results were analyzed using 60 test data and 728 fingerprint data that have been selected. The accuracy of the test results is 70% for coordinates accuracy and 73.3% for the office space accuracy. Keywords: mobile fingerprint, k-NN, location estimation 1. PENDAHULUAN Indoor localization merupakan salah satu kajian yang dibahas di bidang pervasive computing. Pemetaan lokasi dan penentuan koordinat suatu gedung merupakan langkah awal yang dilakukan untuk merancang sistem estimasi posisi suatu objek. Estimasi posisi tersebut diukur dengan menggunakan berbagai sumber, seperti sinyal, sensor, suara dan lain-lain. Dewasa ini telah dikembangkan berbagai macam sistem estimasi posisi di suatu ruangan dengan menggunakan sinyal frekuensi radio. Seperti sinyal jaringan bluetooth, UWB, GSM, CDMA dan sinyal WiFi (IEEE 802.11b/g) [1][2][3][4][6]. Sinyalsinyal tersebut mertuapakan suatu parameter yang dapat diukur dengan menggunakan perangkat tertentu.
Politeknik Caltex Riau (PCR) merupakan salah satu perguruan tinggi yang memiliki gedung dengan infrastruktur jaringan yang tertata baik. Access point merupakan peralatan penting yang umum dimiliki oleh sebuah gedung, terlebih institusi pendidikan tinggi. Penempatan access point yang hampir mengcover semua gedung Politeknik Caltex Riau dapat dimanfaatkan untuk merancang sistem yang dapat melakukan estimasi terhadap posisi suatu objek. Estimasi posisi tersebut diukur dengan menggunakan kekuatan sinyal yang dipancarkan oleh beberapa access point yang terletak pada posisi tertentu. Pengukuran sinyal merupakan bagian penting dalam penelitian ini. Pengukuran kekuatan sinyal dilakukan dengan menggunakan konsep trilaterasi. Dimana kekuatan sinyal yang akan diukur diambil dari tiga access point yang ditempatkan pada posisi-posisi tertentu dan tidak berdekatan.
Pengukuran sinyal tersebut dilakukan untuk setiap titik yang telah dipetakan. Penelitian menggunakan area blok 6 lantai dua gedung utama Politeknik Caltex Riau. Lantai dua blok 6 dipetakan hingga menghasilkan 103 titik yang akan diukur kekuatan sinyalnya dari masing-masing access point yang telah ditentukan. Konsep pengukuran an pengumpulan data dengan cara seperti ini dikenal dengan nama teknik fingerprint[5][6][7][8]. Pada umumnya, pengumpulan data tersebut dilakukan secara manual dengan bantuan komputer, telepon genggam, dan perangkat lain yang dapat mengukur kekuatan sinyal WiFi. Kekuatan sinyal setiap titik dicek secara manual[1][2][3][9][11]. Kemudian data hasil pengecakan dicatat dalam bentuk file atau catatan tertentu. Cara ini merupakan cara klasik yang umum dilakukan. Penelitian ini mengajukan teknik fingerprint yang bereda dari penelitian sebelumnya. Teknik ini menggunakan perangkat mobile. Perangkat mobile yang digunakan berbasis Android. Sehingga terdapat aplikasi tertentu yang digunakan untuk mengumpulkan data kekuatan sinyal masing-masing titik yang telah ditentukan. Selanjutnya data sebaran sinyal akan dipetakan dan di-filter untuk selnajutnya dijadikan sebagai data training estimasi lokasi. Algoritma yang digunakan adalah Algoritma klasifikasi k-NN. 2. PENELITIAN TERKAIT Penelitian tentang indoor localization atau deteksi lokasi dalam gedung telah banyak dilakukan. Penelitian-penelitian tersebut menggunakan berbagai macam teknologi untuk memprediksi posisi suatu objek di dalam gedung. Penelitian [1] menggunakan kekuatan sinyal GSM untuk mengestimasi posisi suatu objek di dalam gedung. Lokasi penelitian yang dilakukan berada di lantai tiga gedung jurusan Teknik Elektro dan Teknologi Informasi UGM. Metode fingerprint dilakukan secara manual. Penentuan titik untuk masing-masing grid dilakukan setiap 1 meter. Perangkat yang digunakan adalah handphone Sony Ericsson. Dimana setiap kekuatan sinyal yang terdeteksi dari tiga provider yang berbeda dicatat dan disimpan alam file excel. Estimasi lokasi dilakukan dengan menggunakan algoritma Nearest Neighbor (NN). Penelitian selnajutnya [2] menggunakan kekuatan sinyal WiFi (IEEE 802.11g) sebagai acuan estimasi lokasi. Kekuatan sinyal dikumpulkan dengan menggunakan laptop yang diukur dengan menggunakan aplikasi NetSurveyor. Pencatatan kekuatan sinyal dilakukan secara manual dengan menggunakan catatan kertas dan file excel. Estimasi lokasi dilakukan dengan menggunakan algoritma klasifikasi Naïve Bayes. Penelitian lain [3] menggunakan perangkat mobile untuk
mengumpulkan data. Proses fingerprint setiap titik dilakukan dengan mengukur kekuatan sinyal yang ditangkap oleh perangkat mobile. Penelitian ini membandingkan tiga algoritma klasifikasi yaitu MLP NN, GR NN dan k-NN. Penelitian ini menghasilkan kesimpulan bahwa algoritma k-NN adalah algoritma klasifikasi terbaik. Penelitian [4] menggunakan kekuatan sinyal WiFi untuk mengestimasi lokasi. Data hasil fingerprint merupakan data mentah yang akan diolah kembali. Data hasil pengolahan fingerprint di-filter dan diseleksi untuk mengetahui nilai-nilai hasil pengukuran yang dianggap tidak relevan. Tahap estimasi lokasi dilakukan dengan menggunakan teknik clustering dan klasifikasi. Clustering digunakan untuk memilih dan menyaring semua data hasil fingerprint. Tujuannya adalah agar data yang akan diuji menjadi lebih sedikit. Sehingga waktu komputasi sistem menjadi lebih cepat. Setelah proses clustering dilakukan, maka estimasi lokasi dilanjutkan dengan menggunakan algortima klasifikasi. Penelitian [7] menggunakan 7 access point yang berbeda dalam mengestimasi lokasi objek di dalam suatu gedung. Kekuatan sinyal yang diukur dari semua access point yang ditentukan. Akan tetapi pada saat penentuan lokasi. Sistem akan memilih 3 access point yang dijadikan sebagai acuan untuk mengestimasi lokasi. 3. METODE PENELITIAN Penelitian ini dilakukan melalui tahap-tahap tertentu. Tahap-tahap tersebut antara lain: 3.1 Perancangan Aplikasi Fingerprint Aplikasi fingerprint dirancang dengan menggunakan sistem operasi berbasis Android. Terdapat beberapa parameter yang akan ditangkap oleh aplikasi, diantaranya Mac Address dari tiga Access point, SSID, Kekuatan Sinyal (RSS) dan Koordinat titik. 3.2 Penentuan Access point Tahap ini dilakukan untuk menentukan Access point yang akan diukur kekuatan sinyalnya. Access point tersebut ditentukan berdasarkan jangkauan sinyalnya. Access point yang dipilih adalah access point yang jangkauan sinyalnya dapat diakses di lantai 2 blok 6 gedung utama Politeknik Caltex Riau. 3.3 Tahap Pengujian Aplikasi Fingerprint Pengujian ini dilakukan untuk memastikan apakah sinyal yang ditangkap oleh aplikasi bisa dikirimkan ke server yang telah disediakan. 3.4 Pemetaan Lokasi Pemetaan ini dilakukan untuk memetakan dan menentukan titik-titik yang akan diukur kekuatan sinyalnya. Penentuan titik dilakukan untuk setiap 2
meter. Jadi grid akan terbentuk untuk setiap 2 × 2 meter. 3.5 Tahap Fingerprint. Fingerprint dilakukan untuk semua titik yang telah dipetakan. Kekuatan sinyal dari tiga Access point yang telah ditentukan akan diukur dan disimpan sebanyak 7 kali dalam rentang waktu sekitar 1 menit. Ilustrasi tahap fingerprint dapat dilihat pada gambar 1. RSS2
[10]. Persamaan untuk algortima k-NN dapat dilihat pada rumus 1.
(1) d merupakan nilai euclidean distance yang diukur dari kekuatan sinyal (RSS) data uji (rssq) dan kekuatan sinyal (RSS) data fingerprint/data training (RSSq). Proses tersebut dilakukan kepada semua data hasil fingerprint yang dikumpulkan.
Server RSS3
Database RSS1
Gambar 1. Proses Fingerprint Tahap fingerprint ini dilakukan dengan menggunakan smartphone dengan spesifikasi sebagai berikut. 1. Merk: LG Optiomus L4 II E440 2. Sistem Operasi: Jelly Bean 4.12 3. WLAN: Wi-Fi 802.11 b/g/n 3.6 Tahap Filter dan Analysis Data Pada tahapan ini akan dilakukan pengecekan data hasil fingerprint. Pengecekan tersebut dilakukan untuk mengetahui data yang tidak memiliki informasi yang lengkap (missing value) dan data yang salah, seperti koordinat dan sebaran sinyal yang ditangkap. 3.7 Analisis Data Pada tahap ini data yang telah di-filter akan dianalisis sebaran sinyalnya. Sebaran sinyal tersebut diambil dari nilai rata-rata sinyal untuk setiap titik. Kekuatan sinyal hasil rata-rata tersebut akan dipetakan menurut posisinya. Selanjutnya dilakukan analisis berdasarkan nilai kekuatan sinyal tiap titik uji dari masing access point yang digunakan. 3.8 Pengumpulan Data Uji Pengumpulan data uji digunakan untuk mengecek hasil estimasi lokasi yang dihasilkan oleh sistem berdasarkan algoritma tertentu. Data uji yang dikumpulkan diambil secara acak dari beberapa titik di lantai 2 blok 6 gedung utama PCR. 3.9 Estimasi Lokasi Pada tahap ini akan dilakukan pengujian terhadap data uji. Data uji akan diolah dan diproses untuk mendapatkan estimasi lokasi dari masing-masing data uji tersebut. Estimasi lokasi dilakukan dengan menggunakan algortima klasifikasi k-NN dengan nilai k 20. k-NN merupakan algoritma klasifikasi yang diukur berdasarkan jarak dari nilai tetangga terdekat. Nilai k merupakan jumlah tetangga yang ditentukan.
3.10 Analisis Akurasi Analisis akurasi merupakan tahap akhir yang dilakukan di dalam penelitian ini. Pada tahap ini akan dilakukan pembandingan hasil estimasi sistem dengan hasil riil yang diambil saat mengumpulkan data uji. Pada pengujian ditentukan nilai ambang batas hasil akurasi yaitu sebesar 4 meter. Artinya estimasi posisi akan tetap dikatakan akurat jika hasil estimasi yang dihasilkan sistem berada dalam radius ambang batas koordinat riil. 4. HASIL DAN PEMBAHASAN 4.1 Aplikasi Fingerprint Aplikasi fingerprint dirancang untuk aplikasi mobile berbasis Android. Aplikasi ini dilengkapi dengan kemampuan untuk menangkap kekuatan sinyal dari tiga access point yang ditentukan oleh pengguna. Selain itu pengguna juga dapat mengubah alamat server yang akan digunakan untuk menampung semua data fingerprint. Aplikasi ini akan mengirimkan informasi kekuatan sinyal dari tiga access point, koordinat titik dan nama ruangan. Tampilan aplikasi tersebut dapat dilihat pada gambar 2. 4.2 Hasil Pemetaan Lokasi dan Posisi Access Point a. Posisi Access Point Penelitian dilakukan di lantai 2 blok 6 Politeknik Caltex Riau. Gambaran mengenai lokasi penelitian dan letak access point dapat dilihat pada gambar 3. Terdapat tiga access point yang digunakan di dalam penelitian ini. Ketiga access point tersebut antara lain: AP Pustaka 2, AP- 234 dan AP- 140. Ketiga access point tersebut memiliki spesifikasi yang sama. Adapun spesifikasi access point tersebut antara lain: 1. Vendor : Sparklan Communication 2. Tipe : Indoor Set 411AR 3. Wireless : 1 x Built in AR2417 802.11b/g
Gambar 2. Aplikasi Fingerprint
Gambar 4. Koordinat Fingerprint Dari Gambar 5, terdapat beberapa ruangan yang tidak diukur kekuatan sinyalnya. Sehingga dari pemetaan yang dilakukan terdapat 104 koordinat yang akan diukur kekuatan sinyalnya. Pengukuran kekuatan sinyal yang dilakukan dengan teknik fingerprint menghasilkan sebanyak 878 data. Semua data tersebut dapat dikumpulkan dalam waktu kurang dari 1 hari. Akan tetapi, data tersebut bukanlah data yang siap digunakan untuk melakukan estimasi lokasi.
Gambar 3. Lokasi dan posisi access point b. Koordinat Fingerprint Koordinat fingerprint yang digunakan berjarak 2 m × 2 m. Jarak tersebut diukur dengan menggunakan alat ukur meteran. Setiap titik hasil pengukuran ditandai dan selanjutnya dijadikan acuan untuk pengumpulan data kekuatan sinyal. Koordinat yang digunakan untuk pengukuran dapat dilihat pada gambar 4.
4.3 Hasil Analisis Data Sebanyak 878 data yang dikumpulkan dari teknik fingerprint belum dapat digunakan sebagai data training untuk estimasi lokasi. Proses pengecakan dan penyeleksian dilakukan agar data yang diperoleh adalah data ang valid. Dari hasil pengecekan dan seleksi tersebut, maka terpilih sebanyak 728 data. Sehingga setiap titik yang dikumpulkan kekuatan sinyalnya akan memiliki masing-masing 7 data kekuatan sinyal dari tiga access point yang berbeda. Gambaran data training tersebut dapat dilihat pada tabel 1. Tabel 1. Data Training Kekuatan Sinyal No.
RSS1 (dBm)
RSS2 (dBm)
RSS3 (dBm)
Koordinat x|y
1
-95.13
-51.75
-71.63
1|1
234
2
-88.57
-46.71
-84.86
1|2
234
…
…
…
…
…
728
-93.71
-37.57
-68.71
1|3
Kelas
… 234
Data pada tabel 1 merupakan data yang telah difilter dan diseleksi. Sehingga data tersebut siap digunakan untuk estimasi lokasi. Selanjutnya data ini akan diukur dengan data uji untuk menghasilkan estimasi lokasi dengan menggunakan algoritma kNN. Sebaran data training tersebut dapat dilihat pada gambar 5.
pengujian dengan menggunakan algoritma klasifikasi k-NN dengan k 20, maka sistem mampu mencapai akurasi hingga 70% untuk akurasi koordinat dan 73.33 % untuk akurasi ruang. Penelitian lanjutan yang akan dilakukan adalah meningkatkan akurasi hasil estimasi. Selain itu, estimasi lokasi juga akan dilakukan untuk semua blok yang terdapat di gedung Politeknik Caltex Riau. DAFTAR REFERENSI [1] Hani Rubiani, Widyawan, and Lukito Edi Nugroho, "GSM Fingerprint untuk Deteksi Lokasi dalam Gedung dengan Menggunakan Algoritma Naive Bayes," in CITEE, Yogyakarta, 2012, pp. 43-45.
Gambar 5. Sebaran Sinyal Menurut Urutan Data 4.4 Akurasi Estimasi Posisi Akurasi estimasi posisi dilakukan dengan cara membandingkan estimasi posisi hasil pengolahan algortima klasifikasi k-NN dengan koordinat riil yang dikumpulkan saat pengukuran kekuatan sinyal. Data uji yang digunakan adalah data yang dikumpulkan setelah tahap fingerprint dilakukan. Hasilnya, terdapat 60 data uji yang diambil dari koordinat-koordinat tertentu. Penentuan koordinat uji dilakukan secara acak. Hasil pengujian estimasi lokasi dari 60 data uji dapat dilihat pada tabel 2.
[2] Chairani, Widyawan, and Sri Suning K, "Indoor Localization Berbasis RSS Fingerprint Menggunakan IEEE 802.11g," in CITEE, Yogyakarta, 2012, pp. 32-38. [3] Gilles Ibrahim WASSI and Charles Despins, "Indoor Location Using Received Signal Strength of IEEE 802.11b Access Point," in CCECE/CCGEI, Saskatoon, 2005, pp. 13671370. [4] Wilson M, Yeung, and Jospeh K. Ng, "An Enhanced Wireless LAN Positioning Algorithm based on the Fingerprint Approach," in TENCON 2006. 2006 IEEE Region 10 Conference , Hong Kong, 2006, pp. 1-4.
Tabel 2. Persentase Hasil Estimasi Posisi Jumla Data Training
Uji
Akurasi Koordinat
728
60
70 %
Akurasi Ruang 73,3 %
Selain itu, dilakukan analisis terhadap kesalahan estimasi yang dihasilkan sistem. Dari hasil perhitungan jarak rata-rata ketidakakuratan sistem berjarak 5,5 Meter. Hasil ini didapat dari 18 data hasil estimasi yang tidak akurat. 5. KESIMPULAN Penelitian ini dilakukan dengan menggunakan aplikasi fingerprint berbasis mobile. Aplikasi tersebut dikembangkan dengan menggunakan sistem operasi Android. Perangkat yang digunakan untuk mengumpulkan data dari teknik fingerprint adalah Smartphone LG Optimus L4 II E440. Dengan menggunakan aplikasi ini, pengumpulan data untuk estimasi lokasi menjadi lebih cepat. Akurasi hasil estimasi lokasi dilakukan dengan dua cara. Pertama adalah estimasi koordinat dan yang kedua adalah estimasi ruang. Berdasarkan hasil
[5] Wilson M, Yeung, and Josep K. Ng, "Wireless LAN Positioning based on Received Signal Strength from Mobile Device and Access Points," in International Conference on Embedded and Real-Time Computing Systems and Applications, 2007. RTCSA 2007. 13th IEEE , Daegu, 2007, pp. 131 - 137. [6] Hongpeng Wang and Fei Jia, "A Hybrid Modeling for WLAN Positioning System," in International Conference on Wireless Communications, Networking and Mobile Computing, 2007. WiCom 2007, Shanghai, 2007, pp. 2152 - 2155. [7] Alireza Nafarieh and Jacek Ilow, "A Testbed for Localizing Wireless LAN Devices Using Received Signal Strength," in Communication Networks and Services Research Conference, Halifax, NS, 2008, pp. 481-487. [8] Shih-Hau Fang and Tsung Nan-Lin, "Robust Wireless LAN Location Fingerprinting by SVDBased Noise Reduction," in Communications, Control and Signal Processing, Malta, 2008, pp.
295 - 298. [9] Jun Ma, Xuansong Li, Xianping Tao, and Jian Lu, "Cluster Filtered KNN: A WLAN-Based Indoor Positioning Scheme," in International Symposium on a World of Wireless, Mobile and Multimedia Networks, Newport Beach, CA, 2008, pp. 1 - 8. [10] Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques, 2nd ed. San Fransisco, USA: Elsevier, 2006. [11] Shaoshuai LIU, Haiyong LUO, and Shihong ZOU, "A Low-Cost and Accurate Indoor Localization Algorithm Using Label Propagation Based Semi-Supervised Learning," in Fifth International Conference on Mobile Ad-hoc and Sensor Networks, Fujian, 2009, pp. 108-111.
