Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 1
Estimasi Posisi Relatif Sensor Pada Jaringan Sensor Nirkabel Menggunakan Metode Geometrik
Raihana Fauziya
Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Abstract – Perkembangan dan penggunaan Wireless Sensor Network (WSN) saat ini sangat pesat khususnya bagi kehidupan manusia. Aplikasi WSN pada umumnya digunakan untuk kebutuhan- kebutuhan monitoring, tracking dan kontroling. pada beberapa aplikasi, WSN menggunakan banyak sensor yang disebar secara acak dalam suatu area tertentu dalam rangka memperoleh informasi yang luas. Tetapi dalam kenyataanya sedikit dari jumlah sensor yang tersebar tersebut yang diketahui posisinya pada area monitoring.
Pada tugas akhir ini, akan dibandingkan algoritma range based atau teknik lokalisasi sensor yang berdasarkan kepada jarak antar sensor, dan akan dibandingkan tiga algoritma Trilateration, Min-Max dan Linear Intersection dengan menggunakan jarak berdasarkan RSSI (Receive Signal Strength Indicator).
Hasil dari simulasi menunjukkan bahwa untuk Algoritma Trilateration memiliki hasil estimasi posisi sensor yang lebih akurat dibandingkan dengan algoritma Min-Max dan Linear Intersection.
Kata kunci: range-based, Wireless Sensor Network, Trilateration, Min-Max, Linear Intersection, Receive Signal Strength Indicator.
I. PENDAHULUAN
Wireless Sensor Network (WSN) dibentuk dari sejumlah sensor node yang tersebar didaerah monitoring [1].Dalam aplikasi Wireless Sensor Network (WSN) menggunakan radio microwave untuk berkomunikasi antara satu node dengan node yang lainnya. Frekuensi kerjanya adalah 2,4 GHz, radio frekuensi tersebut akan digunakan untuk tujuan positioning. Pada infrastructure jaringan menggunakan Received Signal Strength Indicator (RSSI) dalam metode pungukurannya. Kuat sinyal yang diterima dapat diukur dari setiap paket informasi yang diterima, nilai dari kuat sinyal merupakan bagian dari Link Quality Indicator (LQI). Dengan menggunakan nilai RSSI, jarak ke node bisa diukur dan dikalkulasikan menggunakan algoritma dengan referensi dari anchor sebagai istilah dari node yang diketahui posisinya[2].
Saat sekarang banyak skema lokalisasi node untuk WSN yang mengandalkan keberadaan anchor node yang tersebar diseluruh jaringan sensor. anchor merupakan node sensor yang mengetahui posisinya sendiri dan menjadi acuan atau referensi bagi node sensor yang tidak diketahui karena posisinya yang tersebar. Algoritma penglokalisasian yang berdasarkan
pada jarak digunakan untuk mengetahui lokasi dari node yang tidak diketahui. Algoritma dalam lokalisasi dapat dibagi menjadi dua yaitu Range Based dan Range Free.
Algoritma range free bersifat sederhana dan tidak membutuhkan perangkat tambahan namun sangat rentan teradap error, sedangkan algoritma range based lebih kuat dalam hal akurasi karena pengukuran berdasarkan kepada jarak. Diantara algoritma yang termasuk kepada range based diantaranya Trilateration, Min-Max dan Linear Intersection (LI) dan banyak lagi yang lainnya.
Dalam tugas akhir ini akan dibahas mengenai algoritma yang berdasarkan range based tersebut.
II. TEORI PENUNJANG 2.1 Model Penyebaran Sensor 2.1.1 Distribusi Uniform
Pemodelan penyebaran sensor pertama yang digunakan adalah distribusi uniform, dimana distribusi tersebut merupakan distribusi yang paling banyak digunakan dalam berbagai analisis statistika. Pemodelan penyebaran sensor dengan menggunakan distribusi uniform dapat dirumuskan dengan:
(2.1) Dimana a merupakan batas minimum panjang daerah yang akan dimodelkan dan b merupakan batas maksimum panjang daerah yang akan dimodelkan, sedangkan rand merupakan perintah yang digunakan untuk mendapatkan bilangan acak dari 0 sampai 1.
dengan mean ( ) bernilai nol dan nilai variansinya (σ^2) adalah satu.
2.1.2 Distribusi Square
Pemodelan penyebaran sensor square adalah penyebaran sensor dengan mengikuti aturan pola tertentu. Pola ini kebanyakan digunakan untuk aplikasi didalam ruangan dimana koordinat dari sensor digunakan. Area Per node (APN) dari model yang teratur ini dihitung dengan persamaan:
(2.2)
Ap adalah Luas area dari pola, Np adalah jumlah sensor yang menyusun pola, Nn adalah jumlah node yang berbagi bidang.
2.2 Model Deteksi Sensor
Pada tugas akhir ini, model deteksi sensor yang digunakan adalah model deteksi biner. Model deteksi biner merupakan model pendeteksian sensor yang paling sederhana dan banyak sekali digunakan dalam berbagai penelitian jaringan sensor nirkabel. Setiap sensor
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 2 mempunyai jangkauan sensing masing-masing,
jangkauan sensing tersebut sering disebut dengan range sensor (rs). Range sensor inilah yang menentukan apakah sensor dapat mensensing sesuatu atau tidak.
Untuk mengetahui jarak antar target dan sensor dapat menggunakan rumus jarak Euclidean. Berikut ini adalah probabilitas deteksi biner di sensor ke i
Gambar 2. Ilustrasi Model Deteksi Biner 2.3 Metode Perkiraan Jarak Berbasis RSSI
Perkiraan jarak berbasis RSS (Received Signal Strength) dilakukan dengan men-sense sinyal yang diterima dan mengukur daya total yang diterima, yang bisa menghasilkan sebuah estimasi jarak antara obyek target dan sensor lokasi. Nilai yang diterima menunjukkan kekuatan sinyal yang disediakan sebagai Link Quality Indicator (LQI) sebagai nilai RSSI.
Ide dibalik RSS ini adalah daya transmisi yang dikonfigurasikan pada perangkat transmisi (PTX) yang secara langsung mempengaruhi daya yang diterima pada perangkat penerima(PRX). Menurut persamaan ruang bebas, kekuatan sinyal yang terdeteksi menurun kuadratik dengan jarak ke pengirim[2].
Berdasarkan penelitian yang sudah dilakukan selama ini, pengukuran RSSI menunjukkan variasi yang besar karena adanya pengaruh fading atau shadowing.
Dalam tugas akhir ini , model log normal shadowing[8]
digunakan untuk merepresentasikan karakteristik path loss sesuai dengan lingkungan pengukuran. Persamaan berikut mewakili hubungan antara loss dengan eksponen jarak dengan daya, n, dan efek random shadowing (fading) dengan fungsi mean Gaussian dengan standar deviasi (dB), X. Nilai path loss dalam dB, PL, sebagai fungsi jarak, d, melalui persamaan berikut:
(2.3) Nilai n berdasarkan area pengukurannya dapat dilihat pada tabel 2.1 berikut:
Tabel 2.1 Path Loss Exponent untuk kondisi lingkungan yang berbeda[10]
Environment n
Free Space 2
Urban area cellular radio 2.7 to 3.5 Shadowed urban cellular radio 3 to 5 In Building line of sight 1.6 to 1.8
Obstructed in building 4 to 6
Obstructed in factories 2 to 3
Sehingga nilai daya yang terima menjadi:
– + N (2.4) (2.9)
PRX adalah daya transmisi yang diterima dari transmitter, PTX adalah gelombang power yang tersisa ditransmitter sedangkan N merupakan noise Gaussian additive dengan mean nol dan standar deviasi satu.
Pada perangkat penerima, kekuatan sinyal terima diubah menjadi indikator kekuatan sinyal terima (RSSI) yang didefinisikan sebagai rasio dari daya yang diterima sebagai daya referensi (Pref). Biasanya daya referensi direpresentasikan sebagai sebuah nilai absolute dari Pref = 1mW. Nilai RSSI bisa didapat dengan menggunakan persamaan dibawah ini :
(2.5) 2.4 Algoritma Lokalisasi Pada Jaringan Sensor
Nirkabel
Saat ini banyak skema lokalisasi yang mengandalkan sebagian kecil dari anchor yang tersebar diseluruh jaringan sensor. Anchor adalah node sensor yang mengetahui posisinya sendiri (melalui GPS atau konfigurasi manual lainnya) dan menjadi referensi bagi node lain yang posisinya tidak diketahui karena posisinya yang tersebar. Penentuan posisi yang tidak diketahui dalam hal ini dimaksudkan untuk mengeksploitasi karakteristik dari WSN, dan lebih mengandalkan pengukuran jarak dari node ke anchor.
Selain itu, karena beberapa keterbatasan khusus pada node sensor, seperti memori dan bandwidh yang rendah, usia baterai yang pendek, keterbatasan komunikasi dan komputansi. Skema lokalisasi umumnya memerlukan pendistribusian, kuat, hemat energi dan banyak lagi yang lain. Algoritma lokalisasi dibagi menjadi dua yaitu Range Based dan Range Free. Pada Tugas akhir ini menggunakan algoritma Range Based.
2.4.1 Algoritma Trilateration
Algoritma trilateration ini menghitung posisi node dengan menggunakan garis perpotongan dari tiga buah lingkaran node anchor.
Gambar 2.1 Model Penentuan posisi menggunakan algoritma Trilateration
Estimasi posisi menggunakan trilateration, unknown node harus tahu posisi dari tiga node referensi dan jarak kemasing-masing node anchor tersebut. Jarak dapat dihitung dengan menggunakan rumus berikut:
(x − x1)2 + (y − y1)2 = d12
(x − x2)2 + (y − y2)2 = d22
(x – xi)2 + (y – yi)2 = dn2 (2.6) Dimana (x,y) adalah posisi node yang akan dihitung, (xi,yi) adalah posisi dari node ke i dari node referensi, dan di adalah jarak dari node anchor ke unknown node. Dalam hal ini kita mempunyai tiga
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 3 persamaan kuadratik dengan dua unknown, yang dapat
di selesaikan secara teori kedalam sebuah persamaan.
Persamaan 2.6 dapat dilinearisasi dengan mengurangkan persamaan terakhir dari persamaan pertama n-1, dan dirumuskan dalam sistem perkalian linear dengan form AX = b, dimana:
,
, (2.7)
Pada akhirnya posisi node yang tidak diketahui dapat dihitung dengan menggunakan standar pendekatan kuadrat terkecil yang dinyatakan dengan persamaan:
(2.8) Pada kasus pengecualian, invers matriks tidak dapat dihitung dan lateration gagal, perhitungan dilakukan dengan menghitung residu antara jarak yang ditentukan (di) dengan jarak untuk memperkirakan posisi X :
(2.9) 2.4.2 Algoritma Min-Max
Metode dengan nama lain Bounding Box ini menggunakan prinsip yang sama dengan trilateration tapi dengan menggunakan perpotongan antara tiga persegi sebagai area estimasi posisi dari node yang tidak diketahui diperkirakan pada area perpotongan antara kotak persegi yang dapat dilihat pada gambar 2.2.
Gambar 2.2 Menentukan lokasi sensor menggunakan algoritma Min-max.
Untuk setiap node referensi i, bounding box di tentukan sebagai sebuah kotak dengan pusat dari posisi node ini adalah (xi,yi), dengan sisi 2 di ( d adalah jarak estimasi) dan dengan koordinat:
Perpotongan dari semua box akan dengan mudah dihitung tanpa operasi floating point dengan mengambil maksimum dari koordinat rendah dan mengambil minimum dari koordinat tinggi dari semua box. Final posisi dari unknown node kemudian dapat dihitung sebagai pusat dari persimpangan semua box yang ditentukan dengan rumus berikut:
(2.11)
2.4.3 Algoritma Linear Intersection (LI)
Berbeda dengan kedua motode linear intersection (LI) hanya menggunakan 2 node anchor sebagai referensi.
Gambar 2.3 Menentukan posisi dengan algoritma Linear Intersection.
Seperti terlihat pada gambar diatas A dan B merupakan dua titik kontrol, posisi masing-masingnya adalah (xA,yA) dan (xB,yB). P adalah titik yang akan ditentukan nilainya (x,y). Jarak antara P dengan A dan B dinotasikan dengan da dan db. Posisi P pada LI didapatkan dari hubungan geometri sederhana antara unknown node dengan anchor node, dan dengan prosedur perhitungan yang ringkas. Pertama, hubungan geometris antara titik unknown dengan anchor dapat dinyatakan sebagi berikut:
(2.12) Pada persamaan 2.12, xA dan yA diketahui, sehingga jika panjang PG, HE, AE dan GH diturunkan maka x dan y dapat ditentukan. Untuk memperoleh panjang dari masing-masing segmen, beberapa parameter intermediet perlu ditentukan terlebih dahulu, dapat ditentukan dengan hubungan dengan titik yang diketahui sebagai berikut:
Selanjutnya ABFAHEPGH, panjang PG, HE, AE dan GH dapat ditentukan dengan persamaan berikut:
Dengan dan , dan nilai x dan y dapat ditentukan dengan menggunakan persamaan:
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 4 Pada aplikasi yang sebenarnya, ada dua hal
yang harus diperhatikan. Pertama formula diatas hanya berlaku ketika posisi dari titik P dan dua titik control A dan B sesuai dengan arah jarum jam A B P.
Lainnya adalah selama penentuan posisi untuk titik unknown, jika jarak terlalu jauh, solusi H bisa saja berupa nilai jamak, maka titik unknown tidak bisa ditentukan dengan menggunakana LI.
III. PERANCANGAN SIMULASI
Tahap simulasi dari tugas akhir ini bisa dilihat pada blok diagram pada gambar 3.1 berikut ini:
Mulai
Menetukan Model Sistem
Menetukan Parameter
Mensimulasikan Algoritma Lokalisasi
Membandingkan Kinerja Trilateration, Min-max dan Linear
Intersection Melakukan Validasi
Model Sensor Penyebaran sensor
Luas Area
Jumlah Sensor Parameter Sensor
Perhitungan Jarak Penerapan Metode
Lokalisasi
Menghitung Estimasi Posisi Sensor Membandingkan Hasil Perhitungan Tiap Metode
Selesai
Gambar 3.1 Blok Diagram Langkah-langkah Penelitian
Estimasi Distribusi Sensor
Pembangkitan Model System Perhitungan RSSI
Estimasi Posisi dengan Algoritma Trilateration,
Min-max dan LI
Perbandingan Error Tiap Algoritma
Uniform Square
Estimasi Jarak Penetapan Anchor Referensi oleh Unknown
Proses Perbandingan Posisi Estimasi dengan Posisi
Sebenarnya
Gambar 3.2 Blok Diagram Langkah-langkah Simulasi Parameter yang digunakan dalam tugas akhir ini adalah parameter X-Bee Pro yang dibuat oleh
Maxstream. X-Bee Pro dirancang agar dapat memenuhi teknologi ZigBee/IEEE 802.15.4.. Parameter dapat dilihat pada tabel 3.1.
Tabel 3.1 Parameter yang digunakan dalam Simulasi
Parameter Simbol Nilai
Daya Transmisi Tx Power 50 mW
range r 1600 m
Luas daerah L 2000 m x 2000 m
Jumlah Sensor N 8 buah
IV. ANALISA DAN PEMBAHASAN 4.1 Pengukuran Jarak
Area Penyebaran sensor model uniform dapat dilihat pada gambar 4.1berikut:
Gambar 4.1 Distribusi Sensor Uniform Tabel 4.1 Nilai Jarak Pada distribusi Uniform
Unknown
Ke Jarak (meter)
Anchor 1 Anchor 2 Anchor 3 Anchor 4 1 1208,734 1542,828 1278,147 848,923 2 637,994 751,612 1257,918 1200,535 3 1148,061 1312,823 701,505 545,972 4 918,801 690,775 578,987 1003,571
Tabel 4.2 Jarak berdasarkan nilai RSSI pada Ditribusi Uniform
Dari tabel 4.2 diatas dapat kita lihat bahwa nilai RSSI berpengaruh kepada estimasi jarak setiap sensor.
Semakin rendah nilai RSSI atau daya sinyal yang diterima oleh sensor maka jarak yang terukur akan semakin jauh.
Distribusi sensor model square dapat dilihat pada gambar 4.2 berikut ini:
0 200 400 600 800 1000 12001400 16001800 2000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1 2
3
4 1
2
3 4
Panjang Daerah (m)
Lebar Daerah (m)
Distribusi Uniform Sensor Unknown Unknown Anchor
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 5 Gambar 4.2 Distribusi Sensor Square
Tabel 4.3 Nilai Jarak Pada distribusi Square
Tabel 4.4 Jarak Berdasarkan nilai RSSI pada distribusi square
Dari nilai jarak yang didapatkan dalam simulasi, jarak antara node anchor dengan node unknown akan mengalami perubahan yang cukup besar.
Hal ini dipengaruhi oleh noise ,loss sinyal dan daya yang diterima oleh node unknown. Karena nilai RSSI berdasarkan pada nilai daya yang diterima oleh node unknown. Semakin besar nilai daya yang diterima maka perbedaan jarak akan semakin kecil jika daya yang diterima semakin kecil maka perbedaan jarak akan semakin besar.
4.2 Algoritma Trilateration
Dari hasil simulasi didapatkan posisi unknown seperti gambar 4.1 dan gambar 4.2. Pada gambar dapat dilihat bahwa penentuan posisi dengan menggunakan jarak berdasarkan Euclidean dibandingkan dengan nilai RSSI akan terjadi pergeseran dari posisi node yang sebenarnya. Nilai Euclidean merupakan jarak yang sebenarnya dari anchor ke unknown, sehingga pada saat dilakukan perhitungan algoritma Trilateral akan didapatkan posisi yang sesuai dengan sebenarnya.
Penentuan posisi menggunakan jarak hasil perhitungan RSSI, posisi estimasi memiliki pergeseran yang cukup jauh dari posisi sebenarnya. Hal ini disebabkan oleh nilai jarak yang terukur pada RSSI berbeda dengan jarak sebenarnya.
Gambar 4.3 Trilateral dengan distribusi Uniform
Gambar 4.4 Trilateral dengan distribusi Square 4.3 Algoritma Min-Max
Gambar 4.5 Min-Max dengan distribusi Uniform
Gambar 4.6 Min-Max dengan distribusi Square Setelah dilakukan estimasi posisi menggunakan algoritma Min-Max dengan distribusi uniform dengan menggunakan jarak sebenarnya didapatkan rata-rata pergeseran posisi sejauh 806,702 meter dari posisi sebenarnya, sedangkan dengan menggunakan jarak hasil estimasi berdasarkan RSSI adalah 754,7033 meter dari jarak sebenarnya. Perbedaan nilai pada pergeseran posisi dipengaruhi oleh nilai estimasi jarak serta anchor referensi yang digunakan.
4.4 Algoritma Linear Intersection
Pada hasil perhitungan dengan menggunakan algoritma LI didapatkan hasil estimasi posisi lebih baik dibandingkan dengan Min-Max, hal ini disebabkan karena LI hanya menggunakan dua anchor sebagai referensi. Semakin dekat posisi anchor sangat mempengaruhi dari pengukuran jarak.
0 200 400 600 800 10001200 1400 1600 1800 2000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1 2
3 4
1 2
3 4
Panjang Daerah (m)
Lebar Daerah (m)
Distribusi Square Sensor Unknown
Unknown Anchor
0 200 400 600 800 1000 1200 1400 16001800 2000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1 1 1
2 2 2
3 3 3 4 4 4
Panjang Daerah (m)
Lebar Daerah (m)
Posisi Unknown dengan Metode Trilateral
Anchor unknown Euclidean RSSI
0 200 400 600 800 100012001400160018002000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1 1 1 2 2 2
3 3 3 4 4 4
Panjang Daerah (m)
Lebar Daerah (m)
Posisi Unknown dengan Metode Trilateral
Anchor unknown Euclidean RSSI
0 200 400 600 800 100012001400160018002000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1 1
1
2 2 2
3 3
3
4
4 4
Panjang Daerah (m)
Lebar Daerah (m)
Posisi Unknown dengan Metode Min-Max Anchor unknown Euclidean RSSI
0 200 400 600 800 100012001400 1600 1800 2000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1 1
1 2
2
2
3 3 3
4 4
4
Panjang Daerah (m)
Lebar Daerah (m)
Posisi Unknown dengan Metode Min-Max
Anchor unknown Euclidean RSSI
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 6 Gambar 4.7 LI dengan distribusi Uniform
Gambar 4.8 LI dengan distribusi Square 4.4 Error Posisi
Nilai Error Posisi dari setiap model distribusi sendor dapat dilihat pada tabel 4.5 dibawah ini:
Tabel 4.5 Error posisi rata-rata distribusi uniform Algoritma Euclidean
(m) RSSI (m)
Trilateral 1,66x10-13 37,4595
Min-Max 806,7020093 754,703345
LI 546,9042628 336,802584
Tabel 4.6 Error posisi rata-rata distribusi square Algoritma Euclidean
(m) RSSI (m) Trilateral 4,02x10-14 33,86996772 Min-Max 727,1167888 872,8986456
LI 816,227766 304,9502759
Nilai error rata-rata pada tiap model distribusi sensor dan tiap algoritma terdapat perbedaan. Pada estimasi posisi menggunakan nilai RSSI error posisi cenderung lebih tinggi dibandingkan dengan error posisi dengan menggunakan jarak Euclidean. Hal ini disebabkan pengaruh dari noise dan fading pada pengukuran nilai RSSI.
Pada simulasi dilakukan perbandingan antara SNR 1dB sampai 10dB untuk melihat pengaruh nilai SNR terhadap error posisi sensor.
Gambar 4.9 Perbandingan Rata-rata Error dengan SNR
Dari grafik diatas dapat dilihat bahwa SNR sangat mempengaruhi nilai estimasi posisi sensor.
Semakin kecil nilai SNR yang kita berikan maka error posisi akan semakin tinggi, namun jika kita beri SNR dengan nilai yang cukup tinggi maka error posisi semakin kecil. Dari ketiga algoritma yang digunakan dapat dilihat Trilateral memiliki error posisi paling kecil dibandingkan dengan algoritma yang lain. Sedangkan Min-Max merupakan algoritma yang meiliki error posisi yang paling tinggi.
Hal lain yang juga mempengaruhi error pada saat estimasi posisi sensor adalah jumlah unknown yang tersebar pada area pengamatan. Dengan jumlah anchor 4 buah dan jumlah unknown divariasikan dari 1 sampai 16 node didapatkan grarik perbandingan rata-rata error dengan jumlah unknown, seperti pada gambar 4.10 dibawah ini.
(a)
(b)
Gambar 4.10 Grafik Perbandingan Jumlah Unknown (c) dengan Error Rata-rata. (a).Trilateral, (b) Min-Max, (c) LI.
Dari ketiga grafik diatas terlihat bahwa jumlah unknown yang tersebar sangat mempengaruhi nilai error pada estimasi posisi. Pada algoritma Trilateral, perbandingan jumlah unknown dengan nilai error tidak terlalu besar perbedaannya, Meskipun terdapat pengaruh, tapi masih dikategorikan stabil dibandingkan algoritma yang lain.
0 200 400 600 800 10001200 1400 16001800 2000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1
1 1
2 2
3
3 3 4
4 4
Panjang Daerah (m)
Lebar Daerah (m)
Posisi Unknown dengan Metode LI
Anchor unknown Euclidean RSSI
0 200 400 600 800 1000 12001400 1600 1800 2000 0
200 400 600 800 1000 1200 1400 1600 1800 2000
1 1
1 2
2 2
3
3 3 4 4 4
Panjang Daerah (m)
Lebar Daerah (m)
Posisi Unknown dengan Metode LI Anchor unknown Euclidean RSSI
1 2 3 4 5 6 7 8 9 10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
SNR
MSE
Grafik Perbandingan SNR dengan MSE
Trilateral Min-Max LI
0 2 4 6 8 10 12 14 16
-1 0 1 2 3 4 5
Jumlah Unknown
Rata-rata error
Grafik Perbandingan Jumlah Unknown dengan MSE Trilateral
Trilateration Trilateration Rssi
0 2 4 6 8 10 12 14 16
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Jumlah Unknown
Rata-rata error
Grafik Perbandingan Jumlah Unknown dengan MSE Min-Max
Min-Max Min-Max Rssi
0 2 4 6 8 10 12 14 16
0 1 2 3 4 5 6 7 8 9 10
Jumlah Unknown
Rata-rata error
Grafik Perbandingan Jumlah Unknown dengan MSE LI LI LI Rssi
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 7 Pada algoritma Min-Max perbandingan jumlah
unknown berbanding lurus dengan nilai error, hal ini disebabkan karena posisi dari unknown yang semakin mendekati anchor, area estimasi dari perpotongan antara box anchor pun akan semakin luas yang menyebakan error posisi tinggi.
Perbedaan yang cukup jauh pada algoritma LI.
Dimana jumlah unknown berbanding terbalik dengan nilai error. Semakin banyak jumlah unknown yang tersebar maka nilai error akan semakin kecil. Hal ini disebabkan karena posisi unknown akan semakin mendekati posisi anchor, sehingga kesalahan dalam estimasi jarak tidak terlalu besar, maka area perpotongan garis berdasarkan panjang jarak akan semakin mendekati posisi sebenarnya.
V. PENUTUP 5.1 Kesimpulan
Berdasarkan hasil simulasi dan analisa, dapat diambil beberapa kesimpulan sebagai berikut:
1. Estimasi jarak berdasarkan RSSI dipengaruhi daya yang diterima oleh sensor, semakin kecil nilai daya maka jarak yang terukur akan semakin jauh.
2. Keakuratan hasil estimasi posisi dipengaruhi oleh jarak yang terukur, semakin jauh nilai estimasi jarak maka nilai error estimasi posisi akan semakin tinggi.
3. Semakin tinggi nilai SNR yang diberikan pada saat pengiriman sinyal maka nilai error pada estimasi jarak semakin kecil.
4. Algoritma Trilateral memiliki keakuratan yang paling baik dibandingkan dengan Algorima Min- Max dan Linear Intersection.
5.2 Saran
Untuk sistem lokalisasi berdasarkan RSSI dapat diaplikasikan dalam pemantauan lingkungan berbasis WSN yang sulit dijangkau. Dengan perbandingan hasil estimasi Posisi menggunakan algoritma Trilateral, Min- max dan Linear Intersection diharapkan bisa menjadi referensi untuk penelitian selanjutnya
DAFTAR PUSTAKA
[1].A.Boukerche,H.A.B.F.Oliveira,E.F. Nakamura,A.
AF. Loureiro, Algorithms and Protocols for Wireless sensor Networks, Chapter 11,pp 307-340, October 2008.
[2]. R. Mardeni, Othman. Shaifull Nizam,Node Positioning in ZigBee Network Using Trilateration Method Based on the Received Signal Strength Indicator (RSSI), European Journal of Scientific Research, vol.46 No.1, pp. 048-061, 2010.
[3]. Q.shi,H.Huo,T.Fang,D.Li, A Distributed Node Localization Scheme for Wireless Sensor Networks, Wireless Personal Communication,Vol. 53, No.
1,pp.15-33,2010.
[4]. Achmad Iqbal Fahmi, (2010) "Algoritma Konsensus Terdistribusi Pada Komunikasi Yang Tidak Sempurna Di Jaringan Sensor Nirkabel", Tugas
Akhir S1, Institut Teknologi Sepuluh Nopember Surabaya.
[5]. Muhammad Aviz Shena, (2010) “Konsensus Rata- Rata Terdistribusi Menggunakan Kuantisasi Probabilistik”, Tugas Akhir S1, Institut Teknologi Sepuluh Nopember Surabaya.
[6]. Prima Kristalina, Wirawan, Gamantyo H, Estimasi Lokasi Relatif Sensor Pada Jaringan Sensor Nirkabel Menggunakan Metode Maximum Likelihood Estimation dan Cramer-Rao Bound,2011.
[7] Triuli Novianti, Wirawan, Karakteristik Propagasi dalam Ruang Berdasarkan Analisa RSSI pada Jaringan Sensor Nirkabel, 2011.
[8] Ms. Abiola,F. Dr. Jeff, F, Effect of Natural Propagation Environments on Wireless Sensor Network Coverage Area.
[9] S.Agus, H. Ali Husein,N.Endah Suharyati, Penentuan Posisi Node Jaringan Sensor Dengan Menggunakan Metode Trilaterasi Berdasarkan Kekuatan Sinyal Radio.2010.
[10] T. Rappaport, Wireless Communication Principles and Practice, 2001, 2nd edition, Prentice Hall.
RIWAYAT PENULIS
Raihana Fauziya dilahirkan di Bukittinggi, 17 September 1986. Pada tahun 1998 penulis menamatkan pendidikan sekolah dasar di SDN 11 Kamang Sari Kamang, Kab. Agam, kemudian melanjutkan ke MTsN Kamang dan selesai pada tahun 2001. Penulis menyelesaikan pendidikan sekolah menengah atas di MAN Batu Mandi Kab. Agam pada tahun 2004. Setelah itu penulis melanjutkan pendidikan D1 di LP3I Bukittinggi dengan jurusan Informatika Komputer dan selesai pada tahun 2005 dan melanjutkan pendidikan D3 di Politeknik Negeri Padang dan menyelesaikan pendidikan pada tahun 2008. Dengan anugrah Allah SWT, pada tahun 2009 penulis dapat melanjutkan studinya di S1 Teknik Elektro program studi Telekomunikasi Multimedia Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) melalui jalur Lintas Jalur.
