Wifi Positioning System (WPS) Menggunakan Algoritma Neural Network Backpropagation di Area Kampus Politeknik Caltex Riau

130

Jurnal Teknik Elektro dan Komputer, Vol.I, No. 2, Oktober2013, 130-141

Wifi Positioning System (WPS) Menggunakan Algoritma Neural Network Backpropagation di Area Kampus Politeknik Caltex Riau Mochamad Susantok1, Ary Kurniawan2, Hamid Azwar3 1

ProdiTeknikTelekomunikasiPoliteknik Caltex Riau Prodi Teknik Elektronika TelekomunikasiPoliteknik Caltex Riau email:[email protected]

2,3

Abstrak WPS merupakan teknologi alternatif penentuan posisi selain dari teknologi GPS yang menggunakan satelit sebagai penentu koordinat. WPS hadir atas keterbatasan sinyal satelit pada GPS untuk area indoor, selain itu WPS dapat menambah fungsi jaringan hotspot WLAN yang terdiri dari beberapa Access Point (AP) menjadi area penentuan lokasi suatu mobile user atau client WLAN. WPS pada penelitian ini diimplementasikan pada area kampus Politeknik Caltex Riau yang sudah memiliki jaringan WLAN hotspot dan digunakan untuk menentukan posisi civitas akademika sebagai mobile user dari jaringan WLAN kampus. Penelitian ini menggunakan metode fingerprinting localization, yaitu posisi ditentukan oleh Reference Point (RP) yang berisi data RSS dari 3 AP dalam suatu area cakupan. Selanjutnya pada proses pembelajaran data fingerprinting dan proses pengujian terhadap akurasi posisi, menggunakan algoritma Neural Network Backpropagation. Hasil penelitian ini mendapatkan tingkat akurasi posisi sebesar 44% dengan penyimpangan terjauh 2 meter dan 64% dengan penyimpangan terjauh 4 meter. Kedua hasil tersebut untuk kondisi pengguna yang diam, namun jika pengguna berjalan akurasi meningkat menjadi 50% untuk penyimpangan terjauh 2 meter dan 83,3% untuk penyimpangan terjauh 4 meter. Penggunaan kecerdasan buatan seperti NNBp ternyata sangat tepat untuk isu peningkatan akurasi pada sistem WPS. Kata kunci:WPS, Neural Network Backpropagation, Fingerprinting Localization.

Abstract WPS become alternative technology for determinant of the coordinates besides GPS, differences is GPS using satelit to coordinate position whereas WPS using Access Point. WPS is present above limitations on GPS satelite signals to the indoor area, and other advantages WLAN hotspot network that consist of multiple Access Point (AP) can be add functionallity to be the area of determining the location of a mobile user or WLAN client. WPS in this study is implemented on campus Polytechnic Caltex Riau area which already has a network and a WLAN hotspot is used to determine the position of the academic community as a mobile user from campus WLAN network. In this study,using fingerprinting localization methods, the position is determined by the Reference Point(RP) which contains data from the RSS three AP in a coverage area. Later in the learning process of data fingerprinting and testing the accuracy of thepositioning process, using Backpropagation Neural Network algorithm. Results of this study to get the level of positional accuracy of 44% with 2 meters farthest deviation and 64% with 4 meters farthest deviation.Both of these results for the stationary condition of the user, but if the user runs the accuracy increased to50% for the farthest deviation of 2 meters and 83.3% for the farthest deviation of 4 meters. The use of artificial intelligence as NNBp was very appropriate for the issue of increasing the accuracy of the WPS system . Keywords: WPS, Backpropagation Neural Network, Fingerprinting localization.

1

Pendahuluan

Teknologi positioning menggunakan WiFi mulai popular di munculkan dalam tataran riset disebabkan kendala sinyal GPS di area indor yang tidak mampu menembus struktur bangunan, akibatnya akurasi GPS menjadi lemah[1]. Di sisi lain hamper semua institusi pendidikan termasuk Politeknik Caltex Riau (PCR) memiliki jaringan hotspot dalam gedung (indor) menggunakan teknologi WLAN yang menghubungkan perangkat mobile user dengan

Wifi Positioning System (WPS) Menggunakan Algoritma Neural Network…

131

jaringan komputer. Jaringan hotspot ini merupakan layanan publik yang disediakan bagi semua civitas akademika PCR. Berdasar pada prinsip dasar kerja dari GPS yang menggunakan satelit sebagai referensi posisi, perangkat WLAN Access Point (AP) difungsikan sebagai titik referensi untuk menentukan posisi mobile user melalui Recieve Signal Strength (RSS) yang diterima dari AP. Berdasarkan latar belakang ini, penulis memanfaatkan jaringan hotspot untuk bias menentukan posisi keberadaan pengguna hotspot atau mobile user di area kampus PCR. Mode infra struktur jaringan hotpsot atau WLAN digunakan pada penelitian ini yang menempatkan AP sebagai sentral koneksi antar mobile user maupun mobile user dengan jaringan LAN. Mobile user menerima RSS dari beberapa AP di sekitar area cakupan kemudian nilai RSS ini dikirim ke server dan diolah menjadi nilai koordinat posisi. Keunggulan menggunakan nilai RSS sebagai metode untuk sistem lokalisasi dalam gedung adalah tidak memerlukan sinkronisasi antara pemancar (AP) dan penerima[2]. Sehingga dalam sistem, peranan AP hanya sebagai penghubung komunikasi antara mobile user dengan server tanpa ada pengolahan data informasi di sisi AP. Pengolahan nilai RSS menjadi koordinat posisi dinamakan dengan istilah fingerprinting, yaitu area uji digrid dengan titik-titik Reference Point (RP) dan setiap RP memiliki nilai RSS dari beberapa AP di sekitar lokasi titik RP. Data RP beserta nilai RSS nya dinamakan dengan data fingerprinting yang selanjutnya dimasukkan dalam database dan digunakan sebagai data pembelajaran bagi sistem. Sistem lokalisasi kemudian membandingkan nilai RSS posisi uji dari mobile user dengan data fingerprinting ini. Proses ini dilakukan secara riil time dan outputnya adalah koordinat posisi dari mobile user pada area uji. Penelitian ini mengangkat permalasahan akurasi dari proses uji ini, yaitu antara posisi uji dengan titik RP yang terdapat dalam data fingerprinting. Metode mendapatkan data fingerprinting dalam proses pembelajaran dilakukan secara manual dengan tiap-tiap RP diambil 10 kali nilai RSS nya. Hal ini dilakukan untuk menghindari faktor hasil interpolasi yang mempengaruhi kualitas data fingerpting. Walaupun kurang efisien dari sisi waktu untuk area cakupan yang luas [3]. Selanjutnya pada proses uji metode akurasi pada penelitian ini menggunakan Neural Network Backpropagation (NNBp) dengan 3 input node yaitu nilai RSS pada 3 AP. Metode pembelajaran terawasi menggunakan data fingerprinting sebagai data pembelajaran. Parameter NNBp hidden node, learning rate, dan epoch berturut-turut adalah 35, 0.03, 200000000 merupakan parameter yang optimal untuk menghasilkan akurasi 2 meter dengan prosentase 44 % dan 64% untuk akurasi 4 meter.Penggunaan NNBp sebagai algoritma untuk meningkatkan akurasi pada proses pemetaan menjadikan penyimpangan maksimum dapat diketahui sehingga kualitas dapat diukur. Paper ini terorganisir dengan bagian 1 tentang pendahuluan dan latar belakang penelitian, bagian 2 berisi tinjauan pustaka dari penelitian yang terkait, bagian 3 tentang metode penelitian Implementasi dan pengujian WPS pada Kampus Politeknik Caltex Riau, bagian 4 berisi tentang hasil penelitian dan diskusi, serta bagian 5 terakhir tentang kesimpulan dan saran untuk penelitian selanjutnya. 2

Tinjauan Pustaka

2.1

Penentuan Lokasi Berbasis RSS Beberapa metode yang umum digunakan untuk menentukan lokasi antara lain [4]. • TOA (Time of Arrival) dan TDOA (Time Difference of Arrival),yaitu perbedaan antara waktu kedatangan atas waktu transmisi antara dua perangkat pemancar dan penerima yang tersinkronisasi. Sedangkan TDOA untuk pemancar lebih dari satu. Kelebihan dari metode ini adalah akurasi yang tinggi namun kompleksitas saat waktu sinkronisasi.

132

Mochamad Susantok, Ary Kurniawan, Hamid Azwar

• AOA (Anggle of Arrival), yaitu metode untuk menentukan arah dari propagasi pertemuan sinyal gelombang radio. Kelebihannya pada jumlah perangkat yang dibutuhkan sedikit, namun akurasinya menjadi turun ketika perangkat acuan melakukan pergerakan. • RSS (Recieved Signal Strength), yaitu kekuatan sinyal di sisi penerima yang umumnya berkurang proporsional terhadap jarak antara penerima dan pemancar. Jika pola hubungan antara kekuatan sinyal dan jarak diketahui baik secara analisis maupun empiris, jarak antara pemancar dan penerima bisa diketahui dalam hal ini posisi bisa ditentukan.Kelebihannya dibanding dua metode diatas, tidak diperlukannya sinkronisasi antara pemancar dan penerima, namun faktor interferensi dan multipath pada kanal yang digunakan menjadi sebab variasi pembacaan RSS di sisi penerima. • Inertial, yaitu fenomena terukur yang digunakan untuk menyimpulkan arah dan kecepatan sebuah benda pada proses navigasi. Beberapa instrument bisa dikombinasikan untuk pengukuran seperti accelerometer, magnetometer, gyroscope, kompas dan ordometer. Kelebihannya tidak tergantung pada infrastruktur yang lain, namun posisinya menjadi relatif kecuali ada sistem lain yang menjadi acuan. 2.2

Fingerprinting

Saat ini metode yang paling sesuai untuk penentuan lokasi menggunakan RSS adalah fingerprinting. Metode ini dibagi menjadi dua bagian yaitu offline dan online [5]. Pada saat offline lokasi dipetakan dalam bentuk grid untuk membentuk koordinat posisi sesuai yang diinginkan. Kemudian RSS yang ditangkap dari setiap AP dihimpun pada titik-titik koordinatyang kemudian dimasukkan kedalam database. Database ini disebut sebagai database fingerprinting atau peta radio yaitu informasi nilai RSS dari AP untuk setiap titik koordinat pada lokasi yang telah ditentukan. Selanjutnya pada saat online pada metode fingerprinting ini melakukan komputasi perbandingan antara nilai RSS yang diukur pada suatu lokasi titik koordinat dengan peta radio yang sudah disimpan dalam database. Dalam aplikasi pemetaan, output dari proses ini adalah koordinat dalam peta radio pada aplikasi di sisi client atau mobile user. Tantangan pada tahapan ini berada pada proses pengukuran nilai RSS pada penerima yang tidak konstan akibat faktor interferensi dan multipath seperti diungkap pada sub bab sebelumnya. Akibatnya nilai RSS yang diukur menjadi tidak linier bahkan juga saat proses pembelajaran yang akhirnya disimpan di database fingerprinting. Nilai perbedaan ini yang menjadi masalah dalam tingkat akurasi menentukan posisi. 2.3

Metode Akurasi Menggunakan NNBp

Proses komputasi untuk melakukan perbandingan antara nilai RSS yang diukur dengan nilai RSS pada peta radiobertujuan untuk meningkatkan akurasi. Beberapa teknik machine learning pada penelitian sebelumnya telah digunakan untuk permasalahan ini. Metode Probabilistic [6], K-Nearest-Neighboor [7] dan neural network [8][9]. Permasalahan umum yang diungkap pada penelitian yang serupa adalah nilai RSS pada setiap RP yang berubahrubah akibat faktor interferensi dan multipath[4]. Sehingga mempengaruhi performansi hasil komputasi pada algoritma. Atau dengan kata lain penentuan posisi AP sangat mempengaruhi kualitas data fingerprinting pada sebaran koordinat RP [8]. Neural Network (NN) sebagai salah satu teknologi artificial intelligent telah diimplementasikan dibanyak aplikasi pada kasus data tidak linier seperti pada kasus data fingerprinting ini.

Wifi Positioning System (WPS) Menggunakan Algoritma Neural Neural Network…

133

Dengan konsep banyak lapisanyang terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output pada Backpropagation, permasalahan terhadap data tidak linier menjadi lebih mudah dicari solusinya dengan tingkat kesalahan yang minim melalui optimasi pembobotan dan nilai threshold.Pola hubungan antar lapisan dalam NNBp yang diimplementasikan pada permasalahan WPS ditunjukkan pada gambar 1. lapisan inputmerupakan nilai RSS dari beberapa AP, sedangkan layer output adalah koordinat posisi(X,Y).

Gambar 1

Struktur NNBp.

Algoritma NNBp membagi proses menjadi tiga tahap, yaitu pertama perambatan maju, kedua perambatan balik, dan ketiga perubahan bobot dan bias. Berikut detail algoritma per tahap [10]. 1. Tahap perambatan maju Pada setiap unit input ( , = 1,2,3, … , ) menerima sinyal dann meneruskannya ke semua unit pada lapisan tersembunyi. Setiap unit tersembunyi , = 1,2,3, … , menjumlahkan sinyal-sinyal sinyal input terbobot dengan persamaan berikut _

+∑

=

(1)

Selanjutnya menerapkan fungsi aktivasi untuk menghitung menghitung sinyal output dengan persamaan berikut =

_

(2)

Fungsi aktivasi ini umumnya menggunakan fungsi sigmoid dengan mengirimkan sinyal ke semua unit output. Setiap unit output ( , = 1,2,3, … , ) menerima target pola yang berhubungan dengan pola input pembelajaran dan menghitung informasi error dengan persamaan berikut _

=

+∑

(3)

Sedangkan fungsi aktivasi untuk menghitung sinyal output menjadi = ( _

)

Kemudian hasil output

(4) diteruskan ke tahap perambatan balik.

134


2. Tahap perambatan balik Pada setiap unit output ( , = 1,2,3, … , ) menerima target pola yang berhubungan dengan pola input pembelajaran dan menghitung informasi error dengan persamaan sebagai berikut =(

) ′( _

−

)

(5)

Dimana ′ adalah turunan dari fungsi aktifasi Selanjutkan perhitungan koreksi bobot untuk memperbaiki nilai ∆

dengan persamaan berikut

=

(6)

Selain perhitungan koreksi bobot juga dilakukan perhitungan nilai bias untuk memperbaiki dengan persamaan berikut ∆

=

(7)

Dalam waktu yang bersamaan

juga dikirim ke unit-unit yang ada di lapisan bawahnya.

Pada setiap unit input tersembunyi , = 1,2,3, … , menjumlahkan delta inputnya dari unitunit yang berada pada lapisan atasnya dengan persamaan sebagai berikut =∑

_

(8)

Kemudian untuk mendapatkan informasi nilai error dengan persamaan berikut = _

′ _

(9)

Selanjutnya koreksi bobot untuk memperbaiki nilai ∆


=

(10)

Sedangkan perhitungan nilai bias untuk memperbaiki ∆


=

(11)

Tahap perubahan bobot dan bias Pada setiap unit output ( , = 1,2,3, … , 0,1,2,3, … , ) dengan persamaan berikut (

)=

(

)+∆

Dan setiap unit tersembunyi , = 1,2,3, … , 0,1,2,3, … , ) dengan persamaan berikut (

)=

(

)+∆

Kemudian tes kondisi dan berhenti.

)memperbaiki bias dan bobotnya ( =

(12) memperbaiki bias dan bobotnya ( =

(13)


3

Metode Penelitian

3.1

Pemetaan Lokasi

Aktifitas awal yang dilakukan dalam penelitian ini adalah posisi AP. Faktor yang menjadi pertimbangan peletakan AP selain adalahchannel yang digunakan untuk menghindari interferensi kampus PCR. Gambar 2 menunjukkan posisi AP dalam ruangan model grid untuk posisi RPnya.

(6,1)

(7,1)

AP1

135

pementaan lokasi terhadap ketersediaan sumber listrik dari AP hotspot disekitar LAB 234 di PCR beserta

(11,1)

(6,2)

(11,2)

AP master

AP2 (10,3)

(8,3) Pintu

Gambar 2

Pemetaan lokasi AP.

Pemetaan ini mempengaruhi data pembelajaran yang dihasilkan dalam database fingerprinting. Dari gambar 2 tersebut diperoleh sebanyak 18 RP mulai dari RP (6,1) sampai (11,3), dimana titik RP (0,0) di tentukan diluar LAB 234 sudut gedung blok 6 lt 2 tempat lab 234 berada. Nilai RSS di tiap-tiap RP diperoleh dari ketiga AP yang dipasang seperti gambar 2. Ketiga AP tidak saling berhubungan seperti topologi EBSS (Extended Basic Service Set) Pada umumnya yang digunakan dalam jaringan hotspot. AP 1 dan 2 hanya sebagai AP referensi sinyal RSS ke mobile user atau client, sedangkan AP master terhubung langsung melalui jaringan LAN ke server seperti terlihat pada gambar 3 topologi jaringan sistem yang dibangun. Area uji merupakan kawasan dimana client smartphone menerima sinyal RSS dari ketiga AP.

AP Ref

Area uji AP Master

LA N Gambar 3

AP Ref

Server

Topologi Jaringan Sistem.

Topologi ini digunakan saat proses pembelajaran dan proses pengujian. Pada proses pembelajaran aplikasi client yang diinstall pada smartphone android berkomunikasi dengan server melalui AP master. Semua komputasi algoritma NNBp terjadi di server baik pada proses pembelajaran maupun pengujian. Bedanya pada proses pembelajaran NNBp digunakan untuk menghasilkan nilai bobot dan bias yang paling optimal. Nilai tersebut kemudian digunakan NNBp pada proses

136


pengujian untuk menghasilkan koordinat posisi(X,Y) pengguna smartphone terhadap peta radio atau database fingerprinting. 3.2

Proses Pembelajaran dan Pengujian Berikut tahapan pengambilan data fingerprinting pada proses pembelajaran :

1. Aplikasi client pada smartphone mengambil informasi RSS yang didapat dari AP sekitar dan memfilter hanya dari AP yang diinginkan. Dalam hal ini Apmaster, AP1, dan AP2. 2. Aplikasi client mengirim data informasi yaitu RSS ketiga AP, MAC Address, nama pengguna dan koordinat ( , )pada RP yang diambil. 3. Server menerima data informasi dari client dan menyimpannya di database. 4. Ulangi 3 tahap diatas sebanyak 15 kali iterasi untuk setiap RP dengan ∆ = 5 detik. Sedangkan tahapan pada proses pengujian sebagai berikut: 1. Aplikasi client pada smartphone mengambil informasi RSS yang didapat dari AP sekitar dan memfilter hanya dari AP yang diinginkan. 2. Aplikasi client mengirim data informasi RSS ketiga AP dan nama pengguna ke server. 3. Server kemudian mengolah data informasi nilai RSS yang diterima dengan menggunakan algoritma NNBp dengan parameter-parameter detailnya dijelaskan pada subbab 3.3 Setelah melalui proses komputasi dalam NNBp, keluaran dari proses ini berupa koordinat posisi( , ) yang menjadi masukan bagi aplikasi peta yang ada diserver sekaligus dikirim ke client untuk juga dipetakan ke aplikasi client. Proses pembelajaran data tiap RP diambil sebanyak 15 kali, dimana setiap kali pengambilan data client mengirim informasi koordinat ( , ) dan posisi ruang sebagai informasi tambahan. Di sisi server selain menyimpan informasi dari client ke database juga memasukkan informasi MAC Address dari perangkat mobile dari pengguna yang berfungsi sebagai private key dalam database. Fungsi normalisasi pada proses pembelajaran dan pengujian ditentukan untuk nilai RSSmin = -30db dan RSSmax = -99db menjadi nilai range [0: 1]. Selanjutnya mencari nilai bias menggunakanmetode Nguyen dan Widrow[11] sebagai berikut: = 0.7( )

⁄

= 0.7

( 1. Inisialisasi semua bobot ( ) kemudian hitung

(14) )dengan bilangan acak dalam interval [−0.5: 0.5]

2. Bobot yang dipakai sebagai inisialisasi 3. Bias yang dipakai sebagai inisialisasi

=

(

. (

) )

sama dengan bilangan acak antara –

dan .

Nilai bobot dan bias selanjutnya digunakan pada proses NNBp dimulai dari lapisan tersembunyi sampai dengan lapisan output dan mengembalikan nilai bobot dan bias ke proses lapisan tersembunyi sampai tercapai batas error atau iterasi maksimum. Jika kondisi diatas terpenuhi, maka nilai bobot dan bias terbaik telah tercapai, yang selanjutnya digunakan sebagai nilai bobot dan bias pada proses pengujian. Pada proses pengujian tidak ada iterasi seperti pada proses pembelajaran dan alurnya lebih ringkas. Yaitu dimulai dari client mengirim informasi nilai RSS ketiga AP yang ditangkap ke server. Kemudian server melakukan normalisasi nilai RSS tersebut ke range [0: 1] untuk digunakan pada proses NNBp. Selanjutnya NNBp menggunakan nilai bobot dan bias yang dihasilkan dari proses pembelajaran untuk menghitung nilai output dari lapisan tersembunyi dan


137

jugaoutput dari lapisan output. Hasil akhirnya berupa koordinat posisi ( , ) dari pengguna dan dikirim ke client untuk dipetakan ke aplikasi client. 3.3

Parameter Algoritma NNBp

Berdasarkan kepada hasil dari proses pembelajaran dan pengujian, ditentukan nilai-nilai parameter untuk mendapatkan hasil akurasi yang paling baik atau maksimal. Nilai-nilai parameter NNBp pada WPS dideskripsikan pada tabel 1. Tabel 1

Parameter NNBp yang digunakan

Parameter Input Node Hidden Node Output Node Learning Rate Momentum Epsilon Epoch

Nilai 3 35 2 0.03 0.9 1.0E-15 200000000

Parameter input node merupakan representasi dari RSS tiga AP yang diterima oleh client dalam area pengujian. Parameter output node merepresentasikan koordinat posisi ( , ) hasil perhitungan dengan algoritma NNBp Parameter hidden node yaitu jumlah hidden node yang nilai % akurasi maksimal dari percobaan dalam proses pembelajaran antara 5 – 50 hidden node. Parameter lain yang digunakan yaitulearning rate = 0.05 momentum 0.9 epsilon = 1.0E-10 dan epoch = 200000000 Paramter learning rate yaitu tingkat ketelitian dalam range [0: 1] yang nilai % akurasi maksimal dari percobaan dalam proses pembelajaran antara 0.01 – 0.25. Parameter lain yang digunakan yaitu hidden node = 35 momentum 0.9 epsilon = 1.0E-10 dan epoch = 200000000 Paramter epsilon yaitu toleransi kesalahan yang nilai % akurasi maksimal dari percobaan dalam proses pembelajaran antara 0.001 – 1.0E-17. Parameter lain yang digunakan yaitu hidden node = 35 learning rate = 0.03 momentum 0.9 dan epoch = 200000000 Paramter epoch yaitu jumlah iterasi yang dilakukan dengan nilai % akurasi maksimal dari percobaan dalam proses pembelajaran antara 100000000 – 200000000. Parameter lain yang digunakan yaitu hidden node = 35 learning rate =0.03 momentum 0.9 dan epsilon = 1.0E-10 3.4

Spesifikasi Perangkat Keras dan Lunak

Spesifikasi perangkat keras yang digunakan untuk melakukan penelitian ini sebagai berikut: 1. Mobile device: Smartphone android samsung galaxy ace 2, Tablet samsung galaxy tab 2, Smartphone android samsung galaxy SI 9000 2. Server:Laptop dengan processor intel i3, memori DDR3 4GB, hardisk 500GB, kartu grafis NVDIA Geforce 1 GB 3. Access Point: Mikrotik Routerboard (CPU: 680-800MHz Atheros, RAM: 128MB DDR, NAND Storage: 512MB, Micro SD Slot, RouterOS level 5)

138

Mochamad Susantok, Susanto Ary Kurniawan, Hamid Azwar

Sedangkan untuk perangkat lunak terdiri dari: dari 1. XAMPP yang meliputi apache webserver, database mySQL, dan pemrograman web PHP. 2. Android Gingerbread dan Ice Cream Sandwich untuk sistem operasi pada mobile device. 3. Java untuk pembuatan aplikasi baik diserver maupun di mobile device atau client.

4

Pengujian engujian dan Analisa

4.1

Aplikasi client dan server

Pada subbab ini dijelaskan aplikasi yang dibangun pada sisi client dan server. Seperti dijelaskan pada bab 3, fasilitas pada aplikasi client berupa connect untuk terhubung ke server dan menandakan pengguna tersebut aktif, kemu kemudian submit untuk pengguna mengirimkan informasi nama dan tentunya nilai RSS dari AP yang ditangkap. Umpan balik dari server yang berupa koordinat posisi dari pengguna dipetakan oleh aplikasi client seperti terlihat pada gambar 6.

Gambar 4

Tampilan aplikasi client.

Pada sisi server tampilan antarmuka sederhanya seperti gambar 7, yaitu berbasis web dihalaman pertama login untuk autentikasi admin, dan langsung ditampilkan halaman monitoring posisi pengguna-pengguna pengguna pengguna yang aktif. Pada gambar 8 menunjukkan satus client cl di database server untuk menandakan pengguna aktif atau non-aktif. non aktif. Primary key dalam database tersebut adalah mac address dari mobile device pengguna untuk membedakan posisi pengguna satu dengan yang lain.

Gambar 5

Tampilan aplikasi di server.


Gambar 6

4.2

139

Tampilan status pengguna di database.

Pengujian data training dan data uji

Pada area uji di ruangan lab 234 dengan jarak antar titik RP 2 meter didapatkan sebanyak 18 RP seperti gambar 2. Pada sub bab ini menampilkan hanya beberapa RP untuk diuji, yaitu RP (6,1) RP (6,2) RP (11,1) RP (11,2) RP (7,1). Berikut hasil dalam tabel untuk masing-masing RP sebanyak 5 kali pengujian. Tabel 2 No 1 2 3 4 5

Koordinat (6,3) (6,1) (8,3) (7,1) (7,3) Tabel 3

No 1 2 3 4 5

No 1 2 3 4 5

Penyimpangan (m) 2 2 4.47 6.32 2.82

Hasil data uji RP (11,1).

Koordinat (11,3) (11,3) (11,1) (10,3) (10,3) Tabel 5

Penyimpangan (m) 4 0 5.65 2 4.47


Koordinat (6,1) (6,1) (8,1) (9,1) (7,1) Tabel 4

No 1 2 3 4 5


Penyimpangan (m) 4 4 0 4.47 4.47


Koordinat (11,1) (11,3) (11,1) (11,3) (11,3)

Penyimpangan (m) 2 2 2 2 2

140

Mochamad Susantok, Ary Kurniawan, Hamid Azwar Hasil data uji RP (7,1)

Tabel 6 No 1 2 3 4 5

Koordinat (6,3) (11,1) (11,1) (11,3) (8,1)

Penyimpangan (m) 4.47 8 8 8.94 2

Pada hasil pengujian diatas, kolom penyimpangan memperlihatkan tingkat akurasi posisi. Pada titik uji RP (11,2) tingkat akurasi 100% untuk toleransi penyimpangan sampai 2 meter. Sedangkan pada RP (6,1) dan RP (6,2) tingkat akurasinya sama yaitu 40% untuk toleransi yang sama yaitu sampai 2 meter. Secara keseluruhan dari data hasil pengujian jika toleransi penyimpangan dinaikkan menjadi 4 sampai 8 meter akan mengakibatkan tingkat akurasi meningkat seperti pada grafik gambar 8. Pada penelitian ini difokuskan untuk toleransi 2 meter dan 4 meter dengan hasil akurasi 44 % dan 64 %.

% Akurasi

Tingkat akurasi pada RP yang diuji 96

100 90 80 70 60 50 40 30 20 10 0

84 64 44

8

0

2

4

6

8

Toleransi (m)

Gambar 7

4.3

Prosentase tingkat akurasi.

Pengujian dengan kondisi pengguna bergerak Tabel 7 RP Uji

Pengujian saat pengguna bergerak. RP muncul

(11,1) (9,3) (10,1) (11,1) (9,1) (11,1) (8,1) (7,1) (7,1) (6,2) (6,1) (6,2) (11,3) (10,3) (10,3) (8,3) (9,3) (10,2) (8,3) (8,3) (7,3) (8,3) (6,3) (9,1) Akurasi (toleransi 2 m) Akurasi (toleransi 4 m)

Penyimpangan (m) 5.65 2 4 2 2.82 2 2 4 2.82 0 2 7.2 6/12 x 100% = 50% 10/12 x 100% = 83.3%


141

Selanjutnya pengujian dengan kondisi pengguna atau client bergerak atau berjalan. Rute yang di uji lihat gambar 2 dimulai dari RP (11,1) sampai RP (6,1) dan RP (11,3) sampai RP (6,3) dengan kondisi berjalan lurus dan posisi mobile device di ketinggian dan arah yang tetap yaitu ± 1 meter dan arah ke timur laut. Hasil pengujian pada tabel 7 memperlihatkan akurasi meningkat dibandingkan dengan kondisi statis atau diam, yaitu untuk toleransi 2 meter dan 4 meter menghasilkan 50 % dan 83.3 %. 5

Kesimpulan

1. NNBp dapat meningkatkan akurasi dalam menentukan posisi koordinat ( , ) pengguna WPS. 2. Tingkat akurasi sistem WPS yang dihasilkan dalam penelitian ini dengan toleransi 2 meter sebesar 44 % untuk kondisi pengguna diam dan 50 % untuk kondisi pengguna berjalan. 3. Tingkat akurasi sistem WPS yang dihasilkan dengan toleransi 4 meter sebesar 64 % untuk kondisi pengguna diam dan 83,3 % untuk kondisi pengguna berjalan.

6

Daftar Pustaka

Hui Liu, HoushangDarabi, Pat Banerjee, and Jing Liu (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, NOVEMBER 2007 [ 2 ] Chairani, Widyawan, Sri S. Kusumawardani (2012), “Indoor Localization berbasis RSS Fingerprinting Menggunakan IEEE 802.11n”, ICITEE 2012, ISSN: 2088-6578, Yogyakarta, 12 Juli 2012 [3] Anthony, Charlie (2008), “Perancangandanpembuatanaplikasipemetaanpengguna wireless lanmenggunakan location fingerprinting dan weighted distance inverse”. Bachelor thesis, Petra Christian University [4] Widyawan (2009),”Learning Data for Indoor Localization”, Master Thesis, Deapartment of Electronic Engineering Cork Institute of Technology. [5] Shih-Hau Fang, Tsung-Nan Lin, Kun-Chou Lee, “A Novel Algorithm for Multipath Fingerprinting in Indoor WLAN Environments”. IEEE Transaction on Wireless Communications, Vol 7, No 9, September 2008 [6] T. Roos, P. Myllymaki, H. Tirri, P. Misikangas, and J. Sievanen, “A probabilistic approach to WLAN user location estimation,” International J. Wireless Inform. Networks, vol. 9, no. 3, pp. 155–164, 2002. [7] Y. B. Xu, M. Zhou, W. X. Meng, and L. Ma, “Optimal KNN positioning algorithm via theoretical accuracy criterion in WLAN indoor environment,” in Proceedings of 2010 IEEE Global Telecommunications Conference, pp. 1-5, Dec. 2010. [8] Yubin Xu, Yonglian Sun, “Neural Network-Based Accuracy Enhancement Method for WLAN Indoor Positioning”, IEEE, 2012. [9] A. M. Edgar, C. Raul, and F. Jesus, “Estimating user location in a WLAN using backpropagation neural networks,” Lecture Notes in Computer Science, vol. 3315, pp. 737–746, 2004. [10] Laurance, Fausett, “Fundamental of Neural Networks, Architectures, Algorithms, and Applications”, Prentice-Hall, New Jersey, 1994. [11] Derrick Nguyen, Bernard Widrow “Nonlinier Control with Neural Network”,L. Erlbaum Associates Inc.Hillsdale, NJ, USA, 1995. [1]

Wifi Positioning System (WPS) Menggunakan Algoritma Neural Network Backpropagation di Area Kampus Politeknik Caltex Riau

Recommend Documents