Page 1
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
Page 2
Meningkatnya mobilitas dan kebutuhan manusia
akan pentingnya teknologi komunikasi
Berkembangnya sistem berbasis posisi untuk
tracking position
Latar Belakang (i)
Page 3
Indoor positioning system yang semakin populer
Akurasi GPS untuk lokasi indoor rendah
Latar Belakang (ii)
Page 4
Indoor Positioning System
Sumber Gambar: http://geeknizer.com
Page 5
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
Page 6
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
Page 7
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
Page 8
Arsitektur Umum Sistem
1
2
3
4
5
6 7
8
Page 9
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
Page 10
Sampling Fingerprint
& Searching Position
Page 11
Pendeteksian Posisi K-Nearest Neighbors
1. Memperoleh POF terdekat sejumlah k
Hitung jarak dengan Euclidean
Distance
Page 12
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
Page 13
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
Page 14
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
Page 15
Pendeteksian Posisi Average Coordinate & Update Position
Mencari rata-rata koordinat x
dan y dari anggota cluster
akhir
Mengubah data posisi user di
database
Page 16
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
Page 17
Menggunakan sebuah Laptop sebagai server
Menggunakan sebuah smartphone Android
sebagai client
Menggunakan 3 buah Wi-Fi
Uji Coba Aplikasi Lingkungan Uji Coba
Page 18
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
Page 19
Uji Coba Fungsionalitas Sampling Fingerprint
70, 80 475, 310
330, 200 160, 480
240, 660
240, 800
0 11 25
6 16 28
Page 20
Uji Coba Fungsionalitas Sampling Fingerprint
Page 21
Penentuan Threshold Berdasarkan Uji Coba
5.962000884388944
Tanpa Threshold 5.0436828377233075
6.548960901462831
12.838214469835126
Page 22
Penentuan Threshold Berdasarkan Uji Coba
Threshold = 5.0
Page 23
User Rizky berada di
ruang tamu
Uji Coba Fungsionalitas Pendeteksian Posisi – Skenario 1
Page 24
User Gotra berada
di ruang keluarga
Uji Coba Fungsionalitas Pendeteksian Posisi – Skenario 2
Page 25
User Teguh berada
di dapur
Uji Coba Fungsionalitas Pendeteksian Posisi – Skenario 3
Page 26
Uji Coba Fungsionalitas Pendeteksian Posisi
Page 27
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
Page 28
Uji Coba Performa Keakuratan Pendeteksian Posisi
Pada lokasi titik
POF
Uji coba dilakukan
10x
Menggunakan 1,
5, dan 10 dataset
Page 29
Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi
1 data 5 data
10 data
Page 30
Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi
Pada lokasi titik
non POF
Uji coba dilakukan
10x
Menggunakan 1,
5, dan 10 dataset
Page 31
Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi
1 data 5 data
10 data
Page 32
Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi
Page 33
Uji Coba Performa Aplikasi Keakuratan Pendeteksian Posisi
Page 34
Uji Coba Performa Aplikasi Waktu Pengiriman Data Kekuatan
Sinyal Wi-Fi
Page 35
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
Page 36
Uji Coba Performa Aplikasi Kecepatan Pengolahan Data
Page 37
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)
Page 38
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)
Page 39
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)
Page 40
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)