4.1. Implementasi
Implementasi adalah kegiatan yang dilakukan untuk menguji data dan menerapkan sistem yang telah dirancang berdasarkan hasil analisis. Implementasi merupakan salah satu unsur tahapan dari keseluruhan pembangunan sistem komputerisasi, dan unsur yang harus dipertimbangkan dalam pembangunan sistem.
4.1.1. Perangkat sistem
Pada proses implementasi, penulis membangun sistem dengan menggunakan dua jenis perangkat dasar yaitu perangkat keras (hardware) dan perangkat lunak (software) untuk mendapatkan hasil yang sesuai dengan kebutuhan penelitian.
1) Perangkat keras sistem
Pada penelitian ini, penulis menggunakan satu unit personal computer (PC), 3 buah acces point (AP) dan satu unit tablet PC yang digunakan untuk meneliti dan menjalankan sistem ini. PC digunakan untuk menyimpan database dan menjalankan aplikasi sistem. AP digunakan untuk memancarkan sinyal (gelombang analog) yang akan diukur kekuatan sinyalnya untuk menentukan posisi objek. Sementara tablet PC digunakan sebagai penerima sinyal dan menjalankan aplikasi untuk menghitung dan menampilkan informasi kekuatan sinyal di setiap titik latih dan titik uji. Adapun spesifikasi dari setiap perangkat keras yang digunakan, dapat dilihat pada tabel 4.1.
Tabel 4.1 Perangkat keras sistem
Nama Perangkat Spesifikasi
Personal Komputer (PC)
Processor Intel Core i3 M380 (4 CPUs), 2.5 GHz RAM 2 GB
Harddisk 500 GB
AP (1)
IEEE 802.11n
Frequency 2.400-2.4835 GHz Signal Rate up to 150Mbps
AP (2) dan (3)
IEEE 802.11g
Frequency 2.400-2.4835 GHz Signal Rate up to 54Mbps
Tablet PC
Processor Intel Atom Z2520 (4 CPUs), 1.20 GHz RAM 1 GB
Storage 8 GB
2) Perangkat lunak sistem
Pada penelitian ini, penulis menggunakan Sharp Develop Sharp Develop 4.3 untuk membangun aplikasi yang digunakan untuk menjalankan sistem, MySQL untuk menyimpan dan mengolah data pada database, serta Wifi Analyzer 3.02 yang digunakan untuk menghitung dan menampilkan informasi kekuatan sinyal dari masing-masing AP. Sharp Develop dan MySQL berjalan pada PC berbasis Windows 7 dan Wifi Analyzer berjalan pada tablet PC berbasis Android 5.0.
4.1.2. Antarmuka sistem
Penelitian ini diimplementasikan kedalam beberapa bagian antarmuka, yaitu antarmuka utama (beranda), pelatihan, pengujian dan bantuan.
1) Antarmuka utama (beranda)
Antarmuka utama merupakan halaman yang terlihat pertama sekali ketika sistem dijalankan. Antarmuka awal berisi informasi mengenai judul penelitian, logo fakultas dan nama penulis. Bagian antarmuka awal dapat dilihat dalam gambar 4.1.
Gambar 4.1 Antarmuka awal 2) Antarmuka pelatihan
Antarmuka pelatihan merupakan antarmuka yang berisi form yang digunakan untuk melakukan proses pelatihan terhadap masukan nilai RSS, posisi dan tempat dilakukannya pelatihan. Bagian antarmuka pelatihan dapat dilihat dalam gambar 4.2.
Gambar 4.2 Antarmuka pelatihan
3) Antarmuka pengujian
Antarmuka pengujian merupakan antarmuka yang berisi form yang digunakan untuk melakukan proses pengujian sistem serta menampilkan hasil dari pengujian tersebut.
Bagian antarmuka pengujian dapat dilihat dalam gambar 4.3.
Gambar 4.3 Antarmuka pengujian 4) Antarmuka bantuan
Antarmuka bantuan merupakan antarmuka yang berisi mengenai cara peggunaan sistem untuk membantu pengguna dalam memahami langkah-langkah penggunaan sistem. Bagian antarmuka bantuan dapat dilihat dalam gambar 4.4.
Gambar 4.4 Antarmuka bantuan 4.1.3 Pengumpulan data
Penelitian ini menggunakan 2 buah ruangan dengan karakteristik yang berbeda.
Tujuannya adalah untuk membandingkan keakuratan dari metode fingerprinting jika diterapkan pada ruangan yang bersekat dan ruangan yang tanpa sekat. Metode fingerprinting menggunakan kekuatan sinyal yang berasal dari acces point sebagai parameter untuk menentukan lokasi objek, sehingga kondisi ruangan yang bersekat akan berpengaruh dan menentukan kekuatan sinyal yang diperoleh.
Adapun lokasi ruangan yang menjadi tempat penelitian ini diadakan ialah di rumah penulis sendiri dan Gedung gereja GBKP Kemenangan Tani Medan. Luas keseluruhan lokasi pengujian di rumah penulis ialah 6 m × 17,5 m, sedangkan luas keseluruhan lokasi pengujian di gedung Gereja GBKP Kemenangan Tani ialah 11 m × 21 m. Denah ruangan rumah peneliti dapat dilihat dalam gambar 4.5 dan denah gedung gereja GBKP Kemenangan Tani dapat dilihat dalam gambar 4.6.
2200.0 mm x 1200.0 mm
AP 1
AP 2 AP 3
Gambar 4.5 Denah rumah peneliti
AP 3
AP 2 AP 1
Gambar 4.6 Denah gedung Gereja GBKP Kemenangan Tani
Pada penelitian ini, data yang akan dikumpulkan ialah nilai kekuatan sinyal (RSS) yang diterima dari ketiga AP yang telah ditempatkan di posisi yang berbeda.
Kekuatan sinyal akan diukur di setiap titik dengan jarak 1 m × 1 m sesuai dengan luasnya ruangan. Pengumpulan data pada setiap titik di dalam ruangan ini disebut sebagai tahap pelatihan (fase Off-line). Letak titik-titik pelatihan di rumah peneliti dapat dilihat pada gambar 4.7 dan titik-titik pelatihan di gedung gereja GBKP Kemenangan Tani dapat dilihat pada gambar 4.8.
17,5 m
Gambar 4.7 Titik pelatihan pada rumah penulis
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Gambar 4.8 Titik pelatiahan pada gedung gereja GBKP Kemenangan Tani Hasil pengumpulan data nilai RSS pada setiap titik uji di rumah peneliti, dapat dilihat pada tabel 4.2 sementara hasil pengumpulan data nilai RSS di gedung gereja GBKP Kemeangan Tani dapat dilihat pada tabel 4.3.
Tabel 4.2 Data pelatihan pada rumah peneliti
AP1 AP2 AP3 Posisi AP1 AP2 AP3 Posisi AP1 AP2 AP3 Posisi
40 53 46 1 40 61 45 41 50 42 51 81
40 54 50 1 42 65 47 41 43 42 42 81
40 54 58 1 43 65 50 41 43 42 40 81
40 61 46 2 36 56 52 42 44 54 59 82
41 56 63 16 51 53 59 56 40 58 44 96
34 53 55 31 40 48 33 71 36 41 58 111
Tabel 4.3 Data pelatihan pada gedung gereja GBKP Kemenangan Tani AP1 AP2 AP3 Posisi AP1 AP2 AP3 Posisi AP1 AP2 AP3 Posisi
54 56 53 1 53 30 38 78 69 44 45 155
54 56 51 1 53 33 40 78 55 44 48 155
53 58 53 1 52 32 39 78 55 46 48 155
56 56 47 2 45 30 51 79 52 27 47 156
56 58 48 2 48 35 43 79 51 28 43 156
29 33 42 17 58 44 58 94 51 41 35 171
35 44 49 31 59 47 38 108 59 41 46 185
49 36 48 46 58 15 49 123 59 38 44 200
39 42 39 61 52 46 37 138 60 51 44 215
49 40 44 75 53 39 35 152 66 38 42 229
49 41 45 76 55 45 38 153 62 40 17 230
49 39 46 76 54 44 37 153 64 38 19 230
50 40 47 76 55 45 35 153 64 38 18 230
49 43 58 77 63 55 45 154 68 50 42 231
49 42 58 77 62 57 45 154 70 47 47 231
50 42 59 77 63 55 44 154 71 47 46 231
Keterangan :
AP1 = TP_Link_53B2A8 AP2 = TP_Link_81F9FD AP3 = TP_Link_81FACE
4.2. Pengujian
Pengujian sistem dilakukan dengan tujuan untuk mengetahui tingkat keberhasilan sistem dalam memperediksi posisi objek dalam ruangan berdasarkan nilai RSS yang telah diukur sebelumnya menggunakan algoritma K-NN dan Naive Bayes.
Terdapat dua jenis pengujian yang akan dilakukan dalam penelitian ini, yaitu pertama keakurasian algoritma K-NN dan Naive Bayes dalam memprediksi lokasi dengan menggunggunakan metode fingerprinting dan kedua ialah kecepatan algoritma K-NN dan Naive Bayes dalam memprediksi lokasi objek.
4.2.1. Pengumpulan data uji pada lokasi pengujian
Tahap pengujian disebut juga sebagai fase on-line dari metode fingerprinting.
Pengujian dilakuakan pada dua tempat yang memiliki karakteristik yang berbeda yaitu di rumah penulis sendiri dan Gedung gereja GBKP Kemenangan Tani Medan.
Pengujian secara umum dilakukan dengan konfigurasi yang seragam, sehingga hasil pengujian dapat dibandingkan. Konfigurasi pengujian yang dilakukan dalam penelitian ini ialah :
1. Pengukuran nilai RSS sebagai data uji dilakukan dengan menggunakan tablet PC yang dipegang dalam posisi tegak dan arah yang sama pada setiap titik uji.
2. Pengujian dilakukan didalam ruangan dan titik uji ditentukan secara acak sesuai dengan titik pelatihan.
3. Pengujian dilakukan dalam keadaan diam.
1) Pengujian pada rumah peneliti
Pengujian pertama dilakukan di rumah peneliti sendiri dengan 36 titik uji yang dipilih secara acak. Gambar 4.9 merupakan lokasi titik uji yang terdapat pada rumah peneliti.
Gambar 4.10 merupakan contoh pengukuran nilai RSS dengan menggunakan software Wifi Analyzer pada tablet PC berbasis android. Gambar 4.10 merupakan contoh perhitungan prediksi lokasi dengan menggunakan aplikasi yang berjalan pada software Sharp Develop menggunakan PC berbasis Windows. Tabel 4.4 berisi informasi mengenai hasil pengujian 36 titik yang dipilih secara acak yang terdiri dari posisi dan nilai RSS pada titik uji, serta asumsi posisi, jarak error dan kecepatan perhitungan yang diperoleh dengan menggunakan algoritma KNN dan Naive Bayes.
17,5 m
6 m
2200.0 mm x 1200.0 mm
AP 1
AP 2 AP 3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
7
6
5
4
3
2
1
Gambar 4.9 Lokasi titik uji yang terdapat pada rumah peneliti
Gambar 4.10 Pengukuran nilai RSS pada posisi 30 di rumah penulis saat pengujian
Gambar 4.11 Perhitungan asumsi posisi berdasarkan titik uji di rumah penulis
Tabel 4.4 Informasi hasil pengujian di rumah rumah peneliti
No. Posisi uji
Nilai RSS Algoritma K-NN Algoritma Naive Bayes
AP1 AP2 AP3 Asumsi
20 64 52 36 48 80 1509 2.828 58 1504 1.414 21 67 43 40 55 100 1503 5.385 100 1504 5.385
22 73 43 40 48 87 1509 2 58 1511 2.236
23 75 57 38 47 89 1506 2 58 1511 3.605
24 78 51 33 55 109 1541 5 109 1508 5
25 81 51 32 52 109 1539 4 109 1506 4
26 84 55 41 47 89 1534 2.236 75 1516 2.236 27 86 46 33 54 109 1540 3.605 109 1507 3.605
28 89 45 39 50 87 1553 2 37 1507 7.615
29 94 44 32 47 87 1548 1 58 1506 5.099
30 98 53 55 44 77 1544 3 33 1505 9.219
31 99 58 43 32 91 1536 6.324 89 1508 4.472 32 102 58 33 36 86 1548 2.828 58 1504 6.324
33 107 47 31 37 86 1545 3 58 1510 7
34 110 61 37 39 75 1514 5 58 1511 7.615
35 113 63 43 33 75 1545 7.211 89 1511 5.656 36 116 54 31 27 86 1540 4.472 58 1507 8.246
Keterangan :
AP1 = TP_Link_81F9FD AP2 = TP_Link_53B2A8 AP3 = TP_Link_81FACE
2) Pengujian pada gedung gereja GBKP Kemenangan Tani
Pengujian kedua dilakukan di gedung gereja GBKP Kemenangan Tani dengan 50 titik uji yang dipilih secara acak. Gambar 4.12 merupakan lokasi titik uji yang terdapat pada gedung gereja GBKP Kemenangan Tani. Gambar 4.13 merupakan contoh pengukuran nilai RSS dengan menggunakan software Wifi Analyzer pada tablet PC berbasis android. Gambar 4.14 merupakan contoh perhitungan prediksi lokasi dengan menggunakan aplikasi yang berjalan pada software Sharp Develop menggunakan PC berbasis Windows. Tabel 4.5 berisi informasi mengenai hasil pengujian 50 titik yang dipilih secara acak yang terdiri dari posisi dan nilai RSS pada titik uji, serta asumsi posisi, jarak error dan kecepatan perhitungan yang diperoleh dengan menggunakan algoritma KNN dan Naive Bayes.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
11 10
9 1 8 7 6 5 4 3 2 1
AP 3
AP 2 AP 1
Gambar 4.12 Lokasi titik uji yang terdapat pada gedung gereja GBKP Kemenangan Tani
Gambar 4.13 Pengukuran nilai RSS pada posisi 1 di gedung gereja GBKP Kemenangan Tani
Gambar 4.14 Perhitungan asumsi posisi berddasarkan titik uji di gedung gereja GBKP Kemenangan Tani
Tabel 4.5 Informasi hasil pengujian di gedung gereja GBKP Kemenangan Tani
No. Posisi uji
Nilai RSS Algoritma K-NN Algoritma Naive Bayes AP1 AP2 AP3 Asumsi
19 84 46 45 44 141 1512 5.385 141 1520 5.385
4.2.2. Perhitungan rata-rata jarak error
Berdasarkan hasil pengujian diatas, besarnya nilai rata-rata jarak error secara keseluruhan dapat dihitung dengan membandingkan jumlah seuruh jarak error dengan
banyaknya data. Nilai rata-rata error dapat dihitung dengan menggunakan persamaan 𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑗𝑎𝑟𝑎𝑘 𝑒𝑟𝑟𝑜𝑟 = ∑𝑛𝑖=1√(𝑥𝑖 − 𝑥𝑖′)2+ (𝑦𝑖− 𝑦𝑖′)2
𝑛
Hasil perhitungan rata-rata jarak error dari hasil pengujian menggunakan algoritma K-NN dan Naive Bayes pada rumah penulis dan gedung gereja GBKP Kemenangan Tani dapat dilihat dari tabel 4.6.
Tabel 4.6 Hasil perhitungan rata-rata jarak error
Tempat Algoritma
K-NN Naive Bayes Rumah peneliti 5.34 m 5.196 m
Gedung gereja 6.177 m 6.105 m
Dari tabel 4.6, didapati bahwa hasil jarak error algoritma Naive Bayes lebih kecil dari pada algoritma K-NN baik di tempat yang memiliki penghalang ruangan (rumah peneliti) ataupun di tempat yang tidak memiliki penghalang ruangan (gedung gereja GBKP Kemenangan Tani). Hal ini menyatakan bahwa dalam penelitian ini, hasil estimasi posisi algoritma Naive Bayes lebih mendekati posisi objek yang sebenarnya dibandingkan hasil prediksi algoritma K-NN. Meskipun hasilnya berbeda, namun selisih rata-rata jarak error kedua algoritma tersebut sagatlah kecil. Selisih terbesar dari hasil rata-rata jarak error kedua algoritma tersebut hanya 0,144 m.
Dari tabel 4.6 didapati bahwa rata-rata jarak error terbesar didapat dari hasil pengujian algoritma K-NN di gedung gereja GBKP Kemenangan Tani. Hasil pembulatan dari rata-rata jarak error terbesar ini dapat dijadikan batas jarak toleransi untuk menentukan akurasi penentuan posisi dari kedua algoritma yang diuji.
4.2.3. Perhitungan akurasi
Persentase akurasi dihitung untuk menentukan tingkat keakuratan dari suatu algoritma dalam memprediksi lokasi. Persentasi akurasi dari suatu algoritma dapat dihitung dengan rumus :
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑒𝑠𝑡𝑖𝑚𝑎𝑠𝑖 𝑝𝑜𝑠𝑖𝑠𝑖 𝑦𝑎𝑛𝑔 𝑎𝑘𝑢𝑟𝑎𝑡
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑠𝑖 𝑝𝑜𝑠𝑖𝑠𝑖 × 100%
Untuk menentukan tingkat persentase akurasi dari kedua algoritma tersebut, maka penulis mencoba membandingkan data persentase akurasi berdasarkan batas jarak
toleransi yang lebih kecil dari jarak error terbesar, yaitu 2 m, 4 m dan 6 m. Gambar 4.15 menunjukkan tingkat persentase akurasi dari algoritma K-NN dan Naive Bayes berdasarkan batas jarak toleransi.
(a)
(b)
Gambar 4.15 Perbandingan persentase akurasi algoritma K-NN dan Naive Bayes di (a) rumah peneliti, (b) gedung gereja GBKP Kemenangan Tani.
Gambar 4.16 menunjukkan rata-rata persentase akurasi algoritma K-NN dan Naive Bayes yang diuji pada rumah peneliti sendiri dan gedung gereja GBKP Kemenangan Tani.
Perbandingan persentase akurasi algoritma K-NN dan Naive Bayes di rumah peneliti
KNN NB
Perbandingan persentase akurasi algoritma K-NN dan Naive Bayes di gedung gereja GBKP
K-NN NB
Gambar 4.16 Rata-rata persentase akurasi
Dari seluruh hasil perhitungan dan perbandingan nilai akurasi algoritma di atas, didapati bahwa algoritma K-NN memiliki tingkat keakurasian yang lebih baik dibandingkan algoritma Naive Bayes. Persentase keakurasian meningkat berbanding lurus dengan jarak toleransi, namun jarak toleransi yang terlalu besar akan memberikan hasil prediksi yang jauh dari posisi sebenarnya.
Meskipun dalam penelitian ini diperoleh bahwa algoritma Naive Bayes memiliki rata-rata jarak error yang lebih kecil dibandingkan algoritma K-NN, namun hasil persentasi keakurasian algoritma K-NN lebih besar dari algoritma Naive Bayes.
Hal ini membuktikan bahwa algoritma yang memiliki hasil jarak error yang lebih baik belum tentu akan menghasilkan nilai akurasi yang lebih baik pula.
4.2.4. Perhitungan kecepatan prediksi
Untuk menentukan algoritma yang memiliki kecepatan perhitungan tertinggi dalam memprediksi lokasi, maka dilakukan perhitungan kecepatan waktu saat data uji dijalankan (saat tombol uji ditekan) hingga aplikasi selesai menghitung dan memberikan hasil kepada pengguna. Gambar 6.17 menunjukkan perhitungan waktu yang dibutuhkan algoritma K-NN dan Naive Bayes untuk menghitung lokasi prediksi dari data uji dilakukan. Tabel 4.6 menunjukkan rata-rata kecepatan algotitma K-NN dan Naive Bayes untuk menghitung prediksi lokasi dari data uji.
15,9
Gambar 6.17 Perhitungan kecepatan algoritma saat memprediksi lokasi Tabel 4.7 Rata-rata kecepatan algoritma saat memprediksi lokasi
Algoritma Kecepatan (ms) Rata-rata
kecepatan (ms) Rumah peneliti Gedung gereja
K-NN 1524.472 1510.020 1517.246
Naive Bayes 1509.556 1521.780 1515.668
Dari hasil perhitungan rata-rata kecepatan pada tabel 4.7, didapati bahwa algoritma Naive Bayes merupakan algoritma tercepat dalam memprediksi posisi objek dalam ruangan dengan menggunakan metode fingerprinting. Hasil perhitungan rata-rata menunjukkan bahwa selisih kecepatan kedua algoritma tersebut tidaklah berbeda jauh, hanya sekitar 1,578 ms.
BAB 5