Rancang Bangun Sistem Pendeteksi Posisi dalam

Ruangan Menggunakan

Kekuatan Sinyal Wi-Fi dengan Penerapan Algoritma Cluster

Filtered KNN Rizky Ichsan Parama Putra – 5109100026

Dosen Pembimbing:

Waskitho Wibisono, S.Kom., M.Eng., Ph.D.

Hudan Studiawan, S.Kom, M.Kom

Meningkatnya mobilitas dan kebutuhan manusia

akan pentingnya teknologi komunikasi

Berkembangnya sistem berbasis posisi untuk

tracking position

Latar Belakang (i)

Indoor positioning system yang semakin populer

Akurasi GPS untuk lokasi indoor rendah

Latar Belakang (ii)

Indoor Positioning System

Sumber Gambar: http://geeknizer.com

Bagaimana melakukan sampling kekuatan sinyal pada setiap Wi-Fi pada waktu yang berbeda-beda?

Bagaimana melakukan clustering dan filtering data kekuatan sinyal yang diterima server dengan Algoritma Cluster Filtered K-Nearest Neighbors (CFK)?

Bagaimana server dapat menentukan posisi user dan mengirimkan informasi posisi user?

Rumusan Permasalahan

Sebuah sistem pendeteksi posisi dalam ruangan

yang mengintegrasikan penggunaan Wi-Fi dan

smartphone Android

Sistem yang memiliki layanan pendeteksian yang

berpusat di server

Sistem pendeteksi posisi berbasis metode Cluster

Filtered KNN

Deskripsi Tugas Akhir

Membangun sistem yang dapat melakukan

sampling kekuatan sinyal pada setiap Wi-Fi pada

waktu yang berbeda-beda

Membangun sistem yang dapat melakukan

clustering dan filtering data kekuatan sinyal yang

diterima server dengan algoritma Cluster Filtered

K-Nearest Neighbors

Membangun sistem yang dapat menentukan

posisi user-user dan mengirimkan informasi dalam

bentuk web yang dapat diakses oleh user

maupun admin

Tujuan Tugas Akhir

Arsitektur Umum Sistem

1

2

3

4

5

6 7

8

Sampling Fingerprint

& Searching Position

Inisialisasi

perangkat Wi-

Fi di Android

Scanning Wi-Fi

Pencocokan

dengan MAC

Address

Data

kekuatan

sinyal dikirim

ke server

Disimpan

sebagai Data

Point of

Fingerprint

(POF)

Disimpan

sebagai

dataset

Sampling Fingerprint

& Searching Position

Pendeteksian Posisi K-Nearest Neighbors

1. Memperoleh POF terdekat sejumlah k

Hitung jarak dengan Euclidean

Distance

Pendeteksian Posisi K-Nearest Neighbors

2. Memperoleh Nilai Central of Cluster

Mencari

cluster yang

sama

Menggabung

kan menjadi

satu cluster

Mencari rata-

rata kekuatan

sinyal

Pendeteksian Posisi Cluster Filtered KNN

1. Algoritma Hierarchical Clustering

10 11 1. Tempatkan setiap obyek yang ada menjadi

satu cluster.

2. Hitung jarak antar cluster.

3. Gabungkan dua cluster menjadi satu cluster baru yang memiliki jarak terpendek.

4. Hitung kembali jarak dengan cluster yang baru.

5. Jika jarak minimum lebih besar dari threshold,

maka hentikan. Jika tidak lakukan kembali langkah 2.

Terdapat pada Buku halaman 10

Pendeteksian Posisi Cluster Filtered KNN

2. Menentukan cluster akhir sesuai CFK Rule

Memilih cluster dengan

anggota terbanyak

Memilih cluster dengan rata-

rata jarak terkecil jika jumlah

anggotanya sama

Pendeteksian Posisi Average Coordinate & Update Position

Mencari rata-rata koordinat x

dan y dari anggota cluster

akhir

Mengubah data posisi user di

database

Uji coba yang dilakukan dibagi menjadi dua

tahap yaitu Uji Coba Fungsionalitas dan Uji Coba

Performa

Menjalankan beberapa skenario yang telah

ditentukan

Uji Coba Aplikasi

Menggunakan sebuah Laptop sebagai server

Menggunakan sebuah smartphone Android

sebagai client

Menggunakan 3 buah Wi-Fi

Uji Coba Aplikasi Lingkungan Uji Coba

Uji Coba Aplikasi Lokasi Uji Coba

70, 80 200, 80 330, 80 460, 80

70, 200 200, 200 330, 200 460, 200

90, 290 200, 290 330, 310 475, 310

200, 370 90, 370

315, 420 70, 480 160, 480

70, 560 160, 560

430, 480 550, 480

430, 560 550, 560

475, 800 475, 700

290, 580

240, 660

160, 660

240, 800

160, 800

Uji Coba Fungsionalitas Sampling Fingerprint

70, 80 475, 310

330, 200 160, 480

240, 660

240, 800

0 11 25

6 16 28

Uji Coba Fungsionalitas Sampling Fingerprint

Penentuan Threshold Berdasarkan Uji Coba

5.962000884388944

Tanpa Threshold 5.0436828377233075

6.548960901462831

12.838214469835126

Penentuan Threshold Berdasarkan Uji Coba

Threshold = 5.0

User Rizky berada di

ruang tamu

Uji Coba Fungsionalitas Pendeteksian Posisi – Skenario 1

User Gotra berada

di ruang keluarga

Uji Coba Fungsionalitas Pendeteksian Posisi – Skenario 2

User Teguh berada

di dapur

Uji Coba Fungsionalitas Pendeteksian Posisi – Skenario 3

Uji Coba Fungsionalitas Pendeteksian Posisi

Uji Coba Performa Keakuratan Pendeteksian Posisi

Uji coba untuk

mengetahui jarak fisik

Menggunakan titik A

dengan x = 160 dan y

= 560 dan titik B

dengan x = 218.75

dan y = 530

65.96637 = 1 meter

Uji Coba Performa Keakuratan Pendeteksian Posisi

Pada lokasi titik

POF

Uji coba dilakukan

10x

Menggunakan 1,

5, dan 10 dataset

Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi

1 data 5 data

10 data

Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi

Pada lokasi titik

non POF

Uji coba dilakukan

10x

Menggunakan 1,

5, dan 10 dataset

Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi

1 data 5 data

10 data

Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi

Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi

Uji Coba Performa Aplikasi Waktu Pengiriman Data Kekuatan

Sinyal Wi-Fi

Semua aplikasi lain, jaringan internet dan

bluetooth dimatikan

Uji coba dilakukan selama 120 menit

Pengamatan dilakukan setiap 10 menit

Uji Coba Performa Aplikasi Pengaruh Aplikasi Terhadap Penggunaan

Energi Baterai

Uji Coba Performa Aplikasi Kecepatan Pengolahan Data

Sistem dapat mendeteksi posisi user di dalam

ruangan menggunakan kekuatan sinyal Wi-Fi

dengan menerapkan algoritma Cluster Filtered

KNN berdasarkan uji coba yang telah dilakukan.

Waktu pengiriman data kekuatan sinyal Wi-Fi

dari client ke server relatif sama. Dari hasil uji

coba yang telah dilakukan, diperoleh rata-rata

pengiriman sebesar 105 milliseconds per data.

Aplikasi tidak boros baterai, energi baterai yang

digunakan aplikasi mengalami penurunan yang

tidak terlalu signifikan.

Kesimpulan (i)

Jumlah dataset yang digunakan berpengaruh

terhadap keakuratan pendeteksian posisi.

Jumlah dataset yang lebih besar menghasilkan

akurasi yang lebih besar pula.

Dataset yang dicari nilai rata-ratanya

menghasilkan keakuratan yang lebih kecil.

Jumlah data berpengaruh terhadap kecepatan

pengolahan data di server. Semakin banyak

data yang diolah, maka kecepatan pengolahan

tiap data semakin tinggi.

Kesimpulan (ii)

Meningkatkan keakuratan pendeteksian posisi

dengan menggabungkan beberapa teknologi

seperti infra merah, bluetooth atau RFID agar

menghasilkan posisi yang lebih detail.

Mengembangkan sistem dengan

menggabungkan teknologi GPS. Sistem dapat

mendeteksi posisi ketika user berada di outdoor

menggunakan GPS, dan otomatis

menggunakan Wi-Fi ketika user berada di indoor.

Saran (i)

Noise pada scanning sinyal Wi-Fi merupakan

salah satu permasalahan yang dapat terjadi

pada sistem pendeteksian berbasis kekuatan

sinyal Wi-Fi. Sehingga, metode untuk mengurangi

noise tersebut perlu dilakukan. Pengurangan

noise berhubungan dengan meningkatnya

keakuratan posisi yang dihasilkan.

Saran (ii)