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
Latar Belakang (i) Meningkatnya mobilitas dan kebutuhan manusia akan pentingnya teknologi komunikasi Berkembangnya sistem berbasis posisi untuk tracking position
Latar Belakang (ii) Indoor positioning system yang semakin populer Akurasi GPS untuk lokasi indoor rendah
Indoor Positioning System Sumber Gambar: http://geeknizer.com
Rumusan Permasalahan 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?
Deskripsi Tugas Akhir 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
Tujuan 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
Arsitektur Umum Sistem 2 1 5 6 7 4 8 3
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 ratarata 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 ratarata 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 Aplikasi 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 Lingkungan Uji Coba Menggunakan sebuah Laptop sebagai server Menggunakan sebuah smartphone Android sebagai client Menggunakan 3 buah Wi-Fi
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 90, 370 70, 480 160, 480 200, 370 315, 420 70, 560 160, 560 290, 580 430, 480 550, 480 240, 660 160, 660 430, 560 550, 560 160, 800 240, 800 475, 800 475, 700
Uji Coba Fungsionalitas Sampling Fingerprint 70, 80 0 475, 310 11 240, 660 25 330, 200 6 160, 480 16 240, 800 28
Uji Coba Fungsionalitas Sampling Fingerprint
Penentuan Threshold Berdasarkan Uji Coba 5.962000884388944 Tanpa Threshold 5.0436828377233075 6.548960901462831 12.838214469835126
Threshold = 5.0 Penentuan Threshold Berdasarkan Uji Coba
Uji Coba Fungsionalitas Pendeteksian Posisi Skenario 1 User Rizky berada di ruang tamu
Uji Coba Fungsionalitas Pendeteksian Posisi Skenario 2 User Gotra berada di ruang keluarga
Uji Coba Fungsionalitas Pendeteksian Posisi Skenario 3 User Teguh berada di dapur
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
Uji Coba Performa Aplikasi Pengaruh Aplikasi Terhadap Penggunaan Semua aplikasi lain, jaringan internet dan bluetooth dimatikan Uji coba dilakukan selama 120 menit Pengamatan dilakukan setiap 10 menit Energi Baterai
Uji Coba Performa Aplikasi Kecepatan Pengolahan Data
Kesimpulan (i) 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 (ii) 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.
Saran (i) 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 (ii) 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.