OPTIMASI WLAN DENGAN METODE JARINGAN SARAF TIRUAN (JST) TUGAS AKHIR - Optimasi WLAN dengan metode Jaringan Saraf Tiruan (JST) - USD Repository

(1)

i

TUGAS AKHIR

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Elektro

Oleh:

Nama : Bayu Pamungkas

NIM : 045114078

PROGRAM STUDI TEKNIK ELEKTRO

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

FINAL PROJECT

Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Teknik Degree

In Electrical Engineering Study Program

By:

Name : Bayu Pamungkas

Student Number: 045114078

ELECTRICAL ENGINEERING STUDY PROGRAM

ELECTRICAL ENGINEERING DEPARTMENT

SCIENCE AND TECHNOLOGY FACULTY

SANATA DHARMA UNIVERSITY

(3)

(4)

(5)

(6)

vi

BAPAK DAN MAMA TERCINTA ATAS SEMANGAT, DOA, SERTA DUKUNGAN

SECARA MORIL MAUPUN MATERIIL

KEDUA SAUDARAKU TERCINTA MIRRA KURNIANINGSIH DAN FURI ANTY RESPATI

ALMAMATERKU UNIVERSITAS SANATA DHARMA

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐

KITA TAHU SEKARANG , BAHWA ALLAH TURUT BEKERJA DALAM SEGALA SESUATU

UNTUK MENDATANGKAN KEBAIKAN BAGI MEREKA YANG MENGASIHI DIA, YAITU BAGI

MEREKA YANG TERPANGGIL SESUAI DENGAN RENCANA ALLAH

( ROMA 8 : 28 )

DEMIKIANLAH FIRMANKU YANG KELUAR DARI MULUTKU : IA TIDAK AKAN KEMBALI

KEPADAKU DENGAN SIASIA, TETAPI IA AKAN MELAKSANAKAN APA YANG

KUKEHENDAKI, DAN AKAN BERHASIL DALAM APA YANG

KUSURUHKAN KEPADANYA

( YESAYA 55 : 11 )

KULAKUKAN YANG TERBAIKKU, DAN KAU YANG SELEBIHNYA

(7)

(8)

viii

Sejalan dengan perkembangan Wireless Local Area Network (WLAN) yang semakin pesat, penentuan lokasi client yang optimal menjadi masalah yang sangat penting. Penentuan lokasi client akan berpengaruh pada koneksi internet. Semakin besar field strength dan bit rate, semakin baik koneksi internet. Penelitian ini bertujuan untuk membuat program visualisasi yang berfungsi sebagai penampil peta digital, data lokasi client dan AP (Access Point), serta data unjuk kerja WLAN dan optimasi.

Optimasi WLAN dengan Jaringan Saraf Tiruan (JST) ini terdiri dari dua tahapan yaitu tahapan prediksi dan tahapan optimasi. Tahapan prediksi menggunakan algoritma back propagation dengan target jaringan field strength, bit rate. Masukan jaringan adalah lokasi client. Tahapan optimasi diperoleh dengan membandingkan data hasil prediksi. Client dengan field strength dan bit rate yang terbaik dari hasil prediksi dianggap sebagai client optimal.

Penelitian ini menghasilkan aplikasi optimasi WLAN dengan JST, yang mampu mengolah data dari program pengukur field strength, bit rate dan program wireshark, fluks wifi analyze. Aplikasi ini berhasil memprediksi nilai field strength dengan baik dan letak lokasi client yang optimal terhadap AP.

(9)

v

connection. The greater the field strength and bit rate, the better the internet connection will be. This research aims to make a visualization program that is usefull to present digital map, data of client’s location and AP (access point), and data of WLAN’s performance and optimizing process.

The WLAN optimizing process with Artificial Neural Network is divided into two stages, predicting and optimizing stage. The predicting stage uses back propagation algorithm the target of the network are field strength, bit rate. The input of the network is client location. Client which has the best field strength and bit rate from prediction result is defined as optimum client.

This research results an application of WLAN optimizing process with Artifical Neural Network that is able to process data from measurement program of field strength, bit rate, and program of wireshark, fluks wifi analyze. This application can predict the value of field strength well and the optimal client’s location toward AP.

(10)

(11)

9.

(12)

xii

Halaman Judul………...….i

Halaman Persetujuan...iii

Halaman Pengesahan...iv

Halaman Pernyataan Keaslian Karya...v

Halaman Persembahan dan Motto...vi

Lembar Pernyataan Persetujuan Publikasi Karya Ilmiah Untuk Kepentingan Akademis...vii

Intisari...viii

Abstract...ix

Kata Pengantar...x

Daftar Isi...xii

Daftar Gambar...xv

Daftar Tabel...xviii

BAB I. PENDAHULUAN 1.1.Judul…………...1

1.2.Latar Belakang...………..…1

1.3.Tujuan dan Manfaat...2

1.4.Batasan Masalah...2

1.5.Metodologi Penelitian...3

(13)

xiii

2.1.1.Standar IEEE 802.11.a/b/g...6

2.1.2.Keunggulan dan Kelemahan Jaringan Tanpa Kabel...7

2.2.Model Jaringan Saraf Tiruan (JST)...8

2.2.1. Arsitektur Jaringan...9

2.2.2. Pelatihan Jaringan...10

2.2.3. Fungsi Aktivasi...11

2.3. Algoritma Back Propagation...14

2.4. MSE (Mean Square error)...20

2.5. Fluke Analyze……….…20

2.6. Wireshark………...21

BAB III. PERANCANGAN 3.1. Diagram Blok Optimasi WLAN...23

3.1.1. Proses dalam Blok Penerima II...24

3.2. Posisi Pengukuran Client…………...25

3.3. Diagram Alir Tampilan Utama Program Field Strength dan Bit Rate………..26

3.4. Proses Perancangan JST ………..……...28

3.4.1. Field Strength dan Bit Rate………...28

3.4.2.Perancangan Proses Pengujian...33

3.5. Perancangan Optimasi………...………...……….35

3.6. Layout Program Tampilan Depan……….……….38

(14)

xiv

4.2. Proses JST……….…...……….….46

4.2.1. Field Strength Analyze……….….46

4.2.2. Field Strength Program Pengukur………....55

4.2.3. Bit RateWireshark ………..59

4.2.4. Bit Rate Program Pengukur………..64

BAB V. KESIMPULAN DAN SARAN 5.1. Kesimpulan ………....71

5.2 Saran………...….…71

DAFTAR PUSTAKA………..…72

(15)

xv

Halaman

Gambar 2.1 Jaringan WLAN………...………...5

Gambar 2.2 Single Layer...9

Gambar 2.3 Multi Layer ...10

Gambar 2.4 Neuron Tiruan Sederhana. ...11

Gambar 2.5 Fungsi Aktivasi Sigmoid Biner...12

Gambar 2.6 Fungsi Aktivasi Sigmoid Bipolar...13

Gambar 2.7 Fungsi Aktivasi : Linear (Identitas)………....13

Gambar 2.8 Arsitektur Back Propagation…...15

Gambar 2.9 Tampilan (GUI) Fluke Analyze………...21

Gambar 2.10 Tampilan (GUI) Wireshark……….22

Gambar 3.1 BlokOptimasiWLAN...23

Gambar 3.2 Diagram Blok Proses Optimasi WLAN dengan JST ……….…24

Gambar 3.3 Penentuan Titik-Titik Lokasi Client ………...25

Gambar 3.4 Diagram Alir Program Keseluruhan………...26

Gambar 3.5 Tiga Unit Masukan dan 1 Keluaran ……...….28

Gambar 3.6 Algoritma JST Untuk AP1,AP2 dan AP3 ………...….….29

Gambar 3.7 Diagram Alir Proses Pembelajaran JST …...32

Gambar 3.8 Diagram Alir Proses Pengujian …………...………...35

Gambar 3.9 Diagram Alir Optimasi...36

(16)

xvi

Gambar 4.1 Tampilan Pembuka Program...………...…….41

Gambar 4.2 Tampilan Utama Program...42

Gambar 4.3 Pesan Peringatan Untuk Melakukan Pembelajaran Pada AP1, AP2 AP3 ……….…..45

Gambar 4.4 Pesan Untuk Memastikan AP1, AP2, dan AP3 Sudah Dipilih……...45

Gambar 4.5 Pesan Untuk Memastikan AP1, AP2, dan AP3 Sudah Dipilih………..45

Gambar 4.6 Penjelasan Bentuk Data yang Akan Diolah JST...……...46

Gambar 4.7 Masukan Field Strength Program Pengukur...46

Gambar 4.8 Hasil Pembelajaran AP1...47

Gambar 4.9 Hasil Pengujian AP1 Analyze ...49

Gambar 4.10 Proses Optimasi AP1 Analyze...52

Gambar 4.11 Proses Pengujian AP2 Analyze...…...53

Gambar 4.12 Hasil Pengujian AP3 Analyze...55

Gambar 4.13 Hasil Pengujian Pada AP1 Program Pengukur...56

Gambar 4.14 Hasil Pengujian AP2 Program Pengukur...57

Gambar 4.15 Hasil Pengujian AP3 Program Pengukur …...59

Gambar 4.16 Hasil Pengujian AP1 Wireshark...61

Gambar 4.19 Hasil Pengujian AP1 Program Pengukur………...65

Gambar 4.20 Hasil Pengujian AP2 Program Pengukur………...65

(17)

(18)

xviii

Halaman

Tabel 2.1 Standar IEEE 802.11 a/b/g ……….………….…...7

Tabel 3.1 Data Pengukuran Posisi (x,y,z) dan Field Strenght.…...…...30

Tabel 3.2 Data Pengukuran Posisi (x,y) dan Bit Rate...31

Tabel 3.3 Data Pengujian Posisi (x,y,z) dan Field Strength...33

Tabel 3.4 Data Pengujian Posisi (x,y,z) dan Bit Rate...34

Tabel 4.1 Perbandingan Hasil Pembelajaran JST dengan Program Analyze Pada AP1...48

Tabel 4.2 Perbandingan Hasil Pengukuran, Pengujian JST, dan Bit Rate dari AP1………...49

Tabel 4.3 Perbandingan Hasil Pengukuran dan Pembelajaran JST dari AP2 Analyze...53

Tabel 4.4 Perbandingan Hasil Pengukuran, Pengujian JST, dan Bit Rate dari AP2 Analyze...54

Tabel 4.5 Perbandingan Hasil Pengukuran dan Pembelajaran JST dari AP3 Analyze...54

Tabel 4.6 Perbandingan Hasil Pengukuran, Pengujian, dan Bit Rate AP3 Analyze...55

Tabel 4.7 Perbandingan Hasil Pembelajaran AP1 dengan Program Pengukur…….56

Tabel 4.8 Hasil Perbandingan Pengukuran dan Pengujian dari AP1 Program Pengukur………...56

(19)

xix

Tabel 4.11 Perbandingan Hasil Pembelajaran dari AP3 dengan Program

Pengukur...58

Tabel 4.12 Hasil Perbandingan Pengukuran, Pengujian, dan Bit Rate dari AP3 Program Pengukur ………..…...………...….59

Tabel 4.13 Perbandingan Pengukuran dan Pembelajaran JST AP1...60

Tabel 4.14 Hasil Pengujian AP1 Wireshark………...61

Tabel 4.15 Perbandingan Pengukuran dan Pembelajaran JST AP2…...61

Tabel 4.16 Hasil Pengujian AP2 Wireshark ………...…….…..62

Tabel 4.17 Perbandingan Pengukuran dan Pembelajaran JST AP3………..….63

Tabel 4.18 Hasil Pengujian AP3 Wireshark ………...….…..63

Tabel 4.19 Perbandingan Pengukuran dan Pembelajaran dari AP1 Program Pengukur ……….64

Tabel 4.20 Hasil Pengujian AP1 Program Pengukur ………...….65

Tabel 4.21 Perbandingan Pengukuran dan Pembelajaran dari AP2 Program Pengukur……….…….66

Tabel 4.22 Hasil Pengujian AP2 Program Pengukur....……….66

Tabel 4.23 Perbandingan Pengukuran dan Pembelajaran dari AP3 Program Pengukur……….….67

Tabel 4.24 Hasil Pengujian AP3 Program Pengukur.………....67

Tabel 4.25 Hasil Perbandingan Pengukuran Wireshark Terhadap AP1…….….…..68

Tabel 4.26 Hasil Perbandingan Pengukuran Wireshark Terhadap AP2…….……...68

(20)

xx

(21)

1

1.1.

JUDUL

Optimasi WLAN dengan Metode Jaringan Saraf Tiruan (JST)

1.2.

Latar Belakang

Sejalan dengan perkembangan Wireless Local Area Network (WLAN) yang semakin pesat, penentuan lokasi client yang optimal menjadi masalah yang sangat penting. Penentuan lokasi client akan berpengaruh pada koneksi internet. Semakin besar field strength dan bit rate maka semakin baik koneksi internet.

Menurut Soesetijo dan Antoni [1], data dari tabulasi fungsi kuat sinyal dan jarak, sebagai hasil dari pengukuran level kuat sinyal penerima pada lokasi yang telah ditentukan, dapat diklasifikasikan untuk masukan pembelajaran menggunakan bantuan Jaringan Saraf Tiruan (JST). Pada daerah cakupan, denah ruangan dua dimensi pada sumbu x dan y dalam satuan meter untuk memudahkan pengukuran. Penelitian Soesetijo dan Antoni telah menghasilkan komparasi antara hasil prediksi JST dengan data pengukuran pada posisi masing-masing AP yang mempunyai presentasi selisih rata-rata sebesar 10%. Hal ini berarti JST eksperimen mempunyai keakuratan yang tinggi dan telah terbukti pada hasil komparasinya.

(22)

posisi GPS (Global Potitioning System) sebagai masukan perhitungan JST. Optimasi yang dihasilkan dari prediksi JST akan ditampilkan dengan aplikasi pemetaan digital dan dilengkapi GPS (Global Potitioning System) sebagai data posisi.

Model komputasi JST telah dikembangkan pada sistem komputer yang cerdas dengan cara kerja yang mirip dengan jaringan otak manusia, yaitu mampu melakukan proses belajar [2]. Dari proses belajar komputer, jaringan dapat dilatih untuk mengenali pola-pola. Dengan pelatihan tersebut diharapkan JST mampu mengenal pola yang baru atau mirip dengan pola yang telah dilatih sebelumnya. Salah satu algoritma JST yang banyak dimanfaatkan dalam bidang pengenalan pola adalah back propagation. Tahapan pelatihan JST akan menghasilkan nilai bobot jaringan. Bobot ini dapat diterapkan pada jaringan dengan masukan berupa koordinat client yang baru. Letak client yang optimal dapat diperoleh dengan membandingkan field strength dan bit rate dari hasil prediksi beberapa client.

1.3.

Tujuan dan Manfaat

Tujuan dari penelitian ini adalah untuk membuat program dengan algoritma JST untuk melakukan optimasi client WLAN dari hasil prediksi.

Manfaat yang akan dicapai dalam penelitian ini adalah dapat menentukan lokasi posisi client optimal dari field strength dan bit rate bagi pengguna internet di kampus III USD.

1.4.

Batasan Masalah

(23)

1. Prediksi field strength dan bit rate menggunakan JST dengan algoritma back propagation untuk optimasi WLAN.

2. Masukan program berupa posisi x, y, dan z dari 10 client untuk masing – masing AP.

3. Target berupa field strength dan bit rate. 4. Jaringan yang digunakan :

¾ Fungsi aktivasi adalah sigmoid biner.

¾ Menggunakan dua lapisan tersembunyi.

¾ Unit tersembunyi pertama 10 neuron dan unit tersembunyi kedua 5

neuron.

5. Hasil optimasi client diperoleh dari prediksi JST.

1.5.

Metodologi Penelitian

Metodologi penelitian yang dilakukan terdiri dari : 1. Studi kepustakaan.

Dalam tahap ini akan dipelajari berbagai literatur, gambar dan manual yang merupakan dasar dari penelitian ini.

2. Rancangan.

Setelah melakukan studi pustaka, maka akan dilakukan perancangan alur program untuk penelitian ini.

3. Pembuatan program.

(24)

4. Proses pengujian.

Pengujian jaringan bertujuan untuk menguji kemampuan jaringan yang sudah dilatih berdasarkan bobot yang dihasilkan pada pelatihan jaringan dan dengan memberi client baru.

5. Penyusunan Laporan

Penyusunan laporan dilakukan berdasarkan hasil dari pengujian yang telah dilakukan.

1.6.

Sistematika Penulisan

Penulis menggunakan sistematika penulisan sebagai berikut :

BAB I Pendahuluan berisi tentang latar belakang masalah, tujuan, dan manfaat dari penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan.

BAB II Bab ini memberi penjelasan tentang WLAN dan JST dengan algoritma back propagation.

BAB III Bab ini berisi perancangan dari sistem yang dibuat, untuk memecahkan permasalahan meliputi diagram blok, diagaram alir program (flow chart), dan penjelasan singkat tentang cara kerjanya. BAB IV Bab ini berisi tentang pembahasan dan analisis mengenai hasil

(25)

5

2.1 WLAN

Jaringan WLAN (Wireless Local Area Network) merupakan salah satu bentuk

jaringan nirkabel (tanpa kabel) [3]. Jaringan WLAN memungkinkan dua mesin atau

lebih untuk berkomunikasi menggunakan protokol jaringan standar IEEE (Institute of Electrical and Electronic Engineers) 802.11. Media transmisi yang digunakan untuk komunikasi pada jaringan WLAN adalah gelombang elektromagnetik yang dapat

berupa sinar infra merah (infrared), gelombang mikro (microwave) atau gelombang

radio RF (Radio Frequency). Ilustrasi jaringan WLAN dapat dilihat pada Gambar

2.1.

(26)

Dari Gambar 2.1 terlihat bahwa jaringan WLAN terdiri dari beberapa komponen,

yaitu:

1. Access Point (AP) merupakan perangkat yang menjadi sentral koneksi

dari pengguna (user) ke Internet Service Provider (ISP). AP berfungsi

mengkonversikan sinyal RF menjadi sinyal digital yang akan disalurkan melalui

kabel atau disalurkan ke perangkat WLAN yang lain dengan dikonversikan ulang

menjadi sinyal RF.

2. WLAN Interface merupakan peralatan yang dipasang di Mobile / Desktop PC

dalam bentuk PCMCIA (Personal Computer Memory Card International

Association) card, PCI (Peripheral Component Interconnect) card, maupun melalui port USB (Universal Serial Bus).

3. Client menggunakan perangkat akses Mobile / Desktop PC yang di dalamnya

telah terpasang port PCMCIA atau ditambahkan wireless adapter melalui PCI

(Peripheral Component Interconnect) card atau USB (Universal Serial Bus). 4. Internet Service Provider (ISP) merupakan perusahaan atau badan usaha yang

menjual koneksi internet kepada pelanggan.

2.1.1 Standar IEEE 802.11.a/b/g

Ketentuan-ketentuan WLAN telah diatur oleh standar IEEE 802.11 [4].

Standar IEEE 802.11 berkembang antara lain menjadi IEEE 802.11a, IEEE 802.11b,

dan IEEE 802.11g. Kebanyakan produk WLAN menggunakan standar IEEE 802.11b

(27)

Tabel 2.1. Standar IEEE 802.11 a/b/g [4]

802.11a 802.11b 802.11g

Total

Bandwidth

300 MHz 83.5 MHz 83.5 MHz

Frekuensi yang dipakai 5.15-5.35 GHz OFDM 5.725-5.825Ghz OFDM 2.4-2.4835GHz DSSS 2.4-2.4835GHz DSSS, OFDM

Data Rate per

Chanel

54, 48, 36, 24, 18, 12, 9, 6 Mbps

11, 5.5, 2, 1 Mbps 54, 36, 33, 24,

22,12, 11, 9, 6, 5.5, 2,1 Mbps

Jenis Modulasi BPSK (6, 9 Mbps) QPSK (12, 18 Mbps) 16-QAM (24, 36 Mbps) 64-QAM (48, 54 Mbps)

DQPSK/CCK (11, 5.5 Mbps) DQPSK (2 Mbps) DBPSK (1 Mbps) OFDM/CCK (6,9,12,18,24,36,48 ,54) OFDM (6,9,12,18,24,36,48 ,54) DQPSK/CCK (22, 33, 11, 5.5 Mbps)

DQPSK (2 Mbps) DBPSK (1 Mbps)

Sensitivity Rx : -71, -88 dBm

Tx : 17, 13 dBm

Rx : -92, -95, -96, -97 dBm Tx : 26 dBm

Rx : 74, 77, 83, 86, 90, -91, -93, -94 dBm

Tx : 22, 23, 24, 26 dBm

2.1.2 Keunggulan dan Kelemahan Jaringan Tanpa Kabel

Jaringan tanpa kabel memiliki keunggulan berupa biaya pemeliharan yang

murah (pemeliharaan hanya mencakup stasiun sel), infrastrukturnya berdimensi

kecil, pembangunannya cepat, mudah, murah untuk direlokasi, dan mendukung

portabilitas. Sedangkan kelemahannya berupa biaya peralatan mahal, delay yang

besar, dan adanya masalah propagasi radio (terpantul, banyak sumber interferensi).

(28)

komponen elektronika. Masalah interferensi dapat diatasi dengan teknik antena

diversity atau antena rangkap.

2.2 Model Jaringan Saraf Tiruan (JST)

Jaringan Syaraf Tiruan (JST) adalah sebuah sistem pemrosesan suatu

informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan syaraf

biologis manusia, sama seperti cara kerja otak manusia sebagai metode

pengembangan indra buatan bagi komputer [2]. JST merupakan jaringan yang tidak

diprogam untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan

yang ditarik oleh jaringan didasarkan pada pengalaman selama mengikuti proses

pembelajaran atau pelatihan.

Konsep dasar JST dapat dilihat dari jumlah lapisan / layer dan jumlah simpul pada tiap lapisan. Lapisan-lapisan penyusun JST meliputi lapisan masukan, lapisan

tersembunyi, dan lapisan keluaran. JST tercipta sebagai suatu generalisasi model

matematis dari pemahaman manusia yang didasarkan atas [5]:

1) Pemrosesan informasi terjadi pada elemen sederhana (neuron).

2) Sinyal dikirimkan di antara neuron-neuron melalui penghubung-penghubung.

3) Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4) Setiap sel saraf menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan

berbobot yang masuk untuk menentukan sinyal keluarannya.

Karakteristik jaringan saraf tiruan ditentukan oleh [2]

(29)

2) Metode untuk menentukan bobot koneksi disebut pelatihan (training) atau

algoritma belajar (learning algorithm) misalnya back propagation.

3) Fungsi aktivasi ( activation function ).

2.2.1 Arsitektur Jaringan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan antara

lain [6] :

1) Jaringan Lapis Tunggal (single layer network). Dalam jaringan ini, sekumpulan

neuron masukan dihubungkan langsung dengansekumpulan keluaran, yang dapat

ditunjukkan pada Gambar 2.2. Dalam beberapa model (misal perceptron), hanya

adasebuah unit neuron keluaran.

Gambar 2.2 Single layer [6]

2) Jaringan Lapis Jamak (multi layer network), jaringan lapis jamak merupakan

perluasan dari lapis tunggal. Gambar 2.3 menjelaskan tentang jaringan lapis

jamak dengan, unit masukan, keluaran, dan ada unit-unit lain yang disebut unit

tersembunyi (hidden layer). Dimungkinkan pula ada beberapa lapisan

tersembunyi. Sama seperti pada unit masukan dan keluaran, unit-unit dalam satu

(30)

3) Jaringan Recurrent. Model jaringan reccurent mirip dengan jaringan lapisan tunggal ataupun ganda.Hanya saja, ada neuron keluaran yang memberikan sinyal pada unit masukan (seringdisebut feedback loop).

2.2.2

Pelatihan Jaringan

JST memerlukan algoritma belajar untuk dapat menyelesaikan suatu

permasalahan, yaitu bagaimana sebuah arsitektur jaringan dapat dilatih untuk

mempelajari data yang ada. Dari pelatihan tersebut dijelaskan bagaimana bobot

koneksi harus diubah agar masukan – keluaran yang diinginkan dapat tercapai.

Perubahan nilai bobot dapat dilakukan dengan berbagai cara tergantung dengan

metode pelatihan yang digunakan. Dengan mengatur besarnya nilai bobot, kinerja

jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap

pasangan masukan – keluaran diharapkan akan meningkat. Ada dua jenis pelatihan

[7], yaitu :

1) Supervised training (proses belajar terbimbing).

Dalam proses belajar terbimbing ini seolah–olah ada “guru” yang mengajari,

dengan cara memberikan data-data yang disebut dengan data pelatihan yang terdiri

dari pasangan masukan dan keluaran yang diinginkan. Data tersebut diberikan ke

(31)

kesamaan antara hasil keluaran yang dihasilkan oleh jaringan dengan hasil yang

diinginkan atau nilai target.

2) Unsupervised training (proses belajar tanpa bimbingan)

Dalam proses belajar yang tidak terbimbing tidak ada “guru” yang mengajari.

Jaringan hanya diberi data masukan, berupa vektor masukan, dan tidak dilengkapi

dengan suatu hasil keluaran yang diinginkan.

2.2.3 Fungsi Aktivasi

Setiap neuron mempunyai bentuk / keadaan (state) internal, yang disebut aktivasi, yang merupakan sebuah fungsi dari masukan yang diterima. Biasanya, suatu

neuron mengirimkan nilai aktivasinya sebagai suatu sinyal ke beberapa neuron lain.

Hal yang perlu dicatat bahwa suatu neuron hanya dapat mengirimkan satu sinyal

pada satu waktu, walaupun sinyal tersebut dikirimkan ke beberapa neuron lain [2].

Pada metode back propagation, fungsi aktivasi harus memenuhi beberapa

syarat yaitu kontinu, terdeferensial dengan mudah, dan merupakan fungsi yang tidak

turun. Fungsi yang memenuhi ketiga syarat tersebut yaitu fungsi sigmoidbiner yang memiliki range 0 dan 1 [6].

Gambar 2.4 Neuron tiruan sederhana [6]

KELUARAN W2

W1

MASUKAN

(32)

Gambar 2.4 memperlihatkan sebuah contoh neuron sederhana dengan satu

neuron Y menerima masukan dari neuron-neuron X1, X2, dan X3 [6]. Bobot pada

hubungan antara X1, X2, dan X3 ke neuron Y secara berurutan adalah W1, W2, dan

W3. Masukan jaringan y_in, menuju neuron Y adalah penjumlahan dari neuron X1,

X2, dan X3 yang dapat ditulis :

y_in = + + =∑ (2.1)

Aktivasi y neuron Y akan diberikan oleh beberapa fungsi dari masukan jaringan,

y=f(y_in), misalnya fungsi sigmoid logistik, disebut juga sigmoid biner. Sigmoid biner dapat dinyatakan dengan

(2.2)

dengan turunan

(2.3)

dan grafik fungsinya ditunjukkan pada Gambar 2.5

Gambar 2.5 Fungsi aktivasi sigmoid biner [6]

Fungsi yang lain yang memenuhi syarat yaitu fungsi sigmoid bipolar yang memiliki

range -1 dan 1.

Sigmoid bipolar dapat dinyatakan dengan

(2.4)

( )

1

x

f

x

e

−

=

+

( )

(

( )

)

'

1

f

x

=

f

x

−

f

x

0 0 .5

1

x f(x)

( )

2

1

x

f

x

e

−

=

−

(33)

dengan turunan

(2.5)

dan grafik fungsinya dapat ditunjukkan pada Gambar 2.6

Gambar 2.6 Fungsi aktivasi sigmoid bipolar [6]

Fungsi sigmoid memiliki nilai maksimum satu, sehingga nilai yang lebih

besar satu harus terlebih dahulu ditransformasi sehingga semua polanya memiliki

range yang sama seperti fungsi sigmoid yang dipakai. Cara yang lain menggunakan fungsi aktivasi sigmoid adalah hanya pada lapisan yang bukan lapisan keluaran. Pada lapisan keluaran fungsi aktivasi yang dipakai adalah fungsi identitas : f(x) = x [6].

Fungsi aktivasi identitas dikenal dengan nama purelin memiliki nilai keluaran yang sama dengan nilai masukannya, dapat ditunjukkan pada Gambar 2.7.

Fungsi linear dirumuskan sebagai:

y = x (2.6)

Gambar 2.7 Fungsi aktivasi : linear (identitas) [6]

( )

(

1

( )

)

(

1

( )

)

'

2

f x f x

f x = + −

-1 1

(34)

Penambahan jumlah lapisan tersembunyi membuat penelitian lebih mudah.

Jika terdapat lebih dari satu lapisan tersembunyi, maka algoritma pelatihan yang

dijabarkan sebelumnya perlu direvisi. Dalam propagasi maju, untuk setiap lapisan

dimulai dari lapisan tersembunyi paling bawah keluaran harus dihitung. Sebaliknya

dalam propagasi mundur, faktor δ perlu dihitung untuk tiap lapisan tersembunyi,

dimulai dari lapisan keluaran.

2.3

Algoritma

Back Propagation

Salah satu algoritma pelatihan JST yang banyak dimanfaatkan dalam bidang

pengenalan pola adalah back propagation. Algoritma ini umumnya digunakan pada

JST yang berjenis multi-layerfeed-forward, yang tersusun dari beberapa lapisan, dan sinyal yang dialirkan secara searah dari masukan menuju keluaran.

JST dengan lapisan tunggal memiliki keterbatasan dalam pengenalan pola.

Kelemahan ini bisa ditanggulangi dengan menambahkan satu atau beberapa lapisan

tersembunyi di antara lapisan masukan dan keluaran. Gambar 2.8 adalah arsitektur

back propagation dengan n buah masukan (ditambah sebuah bias), sebuah lapisan

tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit

(35)

Gambar 2.8 Arsitektur back propagation[6]

merupakan bobot dari unit masukan ke unit lapisan tersembunyi Z_j(

merupakan bobot yang menghubungkan bias di unit masukan ke unit lapisan

tersembunyi ). merupakan bobot dari unit lapisan tersembunyi ke unit

keluaran ( merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran ) [5].

Metode back propagation dapat dideskripsikan, jika jaringan diberi pola

masukan sebagai pola pelatihan, maka pola tersebut menuju ke unit-unit pada lapisan

tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian lapisan

keluaran memberikan tanggapan, yang disebut keluaran jaringan. Jika keluaran

jaringan tidak sama dengan nilai target, maka keluaran akan dirambatkan mundur

(backward) pada lapisan tersembunyi, diteruskan ke unit lapisan masukan. Di dalam jaringan back propagation, setiap unit lapisan masukan terhubung dengan setiap unit

x₁ Y₁

x_n x_i

Y_k Y_m

z₁ z_p

1 z_j

1

w_mp w_kp w_1p w_mj w_kj w_1j w_m1 w_k1 w₁₀

w₁₁ w_m0

w_{k 0}

v_pn v_1n

v_jn v_pi

v_1i vji v_p1

v_j1 v₁₁ v_j0

(36)

yang berada pada lapisan tersembunyi. Setiap unit pada lapisan tersembunyi

terhubung dengan setiap unit lapisan keluaran [6].

Tahap-tahap back propagation

1) Fase I: Propagasi Maju

Selama propagasi maju, sinyal masukan ( ) dipropagasikan ke lapisan

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit

lapisan tersembunyi (= ) tersebut selanjutnya dipropagasikan maju lagi ke lapisan

tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian

seterusnya hingga menghasilkan keluaran jaringan (= ). Berikutnya, keluaran

jaringan (= ) dibandingkan dengan target yang harus dicapai (= tk). Selisih -

adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang

ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar

dari batas toleransinya, bobot setiap dalam jaringan akan dimodifikasi untuk

mengurangi kesalahan yang terjadi.

2) Fase II: Propagasi Mundur

Berdasarkan kesalahan - , faktor (k = 1,2,..., m) yang akan dipakai

untuk mendistribusikan kesalahan di unit ke semua unit tersembunyi yang

terhubung langsung dengan dihitung. Hal ini dipakai untuk mengubah bobot yang

berhubungan langsung dengan unit keluaran. Dengan cara yang sama, faktor di

setiap unit di lapisan tersembunyi dihitung sebagai dasar perubahan bobot semua

yang berasal dari unit tersembunyi di lapisan di bawahnya. Demikian seterusnya

hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit

(37)

3) Fase III: Perubahan Bobot

Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan.

Perubahan bobot didasarkan atas faktor δ neuron di lapisan atasnya. Sebagai contoh,

perubahan bobot yang menuju ke lapisan keluaran didasarkan atas yang ada di

unit keluaran.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau

kesalahan. Iterasi akan dihentikan, jika jumlah iterasi yang dilakukan sudah melebihi

jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah

lebih kecil dari batas toleransi yang diijinkan.

Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat

belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih antara

keluaran aktual (current output) dan keluaran target (desired output). Langkah pelatihan jaringan back propagation

• Langkah 0 :Inisialisasi semua bobot dengan bilangan acak kecil

berkisar dari 0-1.

• Langkah 1 :Bila syarat berhenti belum terpenuhi, kerjakan langkah 2

sampai 9.

• Langkah 2 :Untuk setiap pasangan pelatihan, kerjakan langkah 3 sampai 8.

Fase 1 : Propagasi maju

• Langkah 3 :Tiap unit masukan ( Xi,i = 1,...n) menerima sinyal dan

meneruskan ke lapisan tersembunyi diatasnya.

(38)

Kemudian nilai bobot koneksinya dihitung, dengan adalah pola masukan

(i=1,………n).

Z_net_j = (2.7)

Kemudian nilai keluaran dengan fungsi aktivasi yang dipilih dihitung

zj = f (z_net j ) = (2.8)

dengan fungsi aktivasi yang digunakan ialah fungsi sigmoid biner yang

mempunyai persamaan f(x)=

(2.9)

• Langkah 5 : Hitung semua keluaran jaringan di unit (k =1,2...m)

y_net k = (2.10)

yk = f (y_net k ) = (2.11)

dengan adalah unit lapisan tersembunyi (j=1,…………..n), yk

adalah lapisan keluaran (k=1,………n), dan adalah nilai target

(k=1,………n).

Fase II : Propgasi mundur

• Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap

unit keluaran Yk ( k= 1,2,...,m).

=

δ_kmerupakan unit kesalahan yang akan dipakai dalam perubahan bobot

lapisan dibawahnya (langkah 7).

Hitung suku perubahan bobot (yang akan dipakai nanti untuk merubah

bobot ) dengan laju percepatan

α

_.

(k = 1, ... ,m ; j = 0, ... , p) (2.13)

1

n

jo i ji

i

v

x v

=

+

∑

_

1

z n e tj

e

−

+

1

p

k o j k j

j

w

z

w

=

+

∑

_

1

y n e tk

e

−

+

(

) (

'

_

)

k

t

k

y

k

f

y net

k

δ

= −

(

t

_k

−

y y

_k

) (

_k

1

−

y

_k

)

kj k j

w

α δ

z

∆

=

(39)

• Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di

setiap unit tersembunyi Zj (j = 1,2,...,p)

(2.14)

Faktor unit tersembunyi

= (2.15)

Hitung suku perubahan bobot ( yang dipakai untuk mengubah bobot )

; j = 1, 2, ... , p ; i = 0, 1, ... ,n (2.16)

dengan adalah perubahan bobot menuju unit lapisan keluaran

(k=1,…………m ; j=0,…………..p) dan adalah perubahan bobot menuju ke

lapisan tersembunyi (j = 1, 2, ... , p ; i = 0, 1, ... ,n).

Fase III perobahan bobot

• Langkah 8

Perubahan bobot garis yang menuju ke unit keluaran

(k = 1, 2, ... ,m; j = 0, 1, ... , p) (2.17)

Perubahan bobot garis yang menuju ke unit tersembunyi

(j = 1, 2, ... , p ; i = 0, 1, ... , n) (2.18)

Jika fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7. Setelah

pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal

ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan

keluaran jaringan.

1

_

m

j k k j

k

n e t

w

δ

=

∑

(

)

_

'

_

j

net

j

f

z

net

j

δ

=

δ

_

net

_j

z

_j

(

1

−

z

_j

)

ji j i

v

α δ

x

∆

=

(

)

(

)

k j k j k j

w baru

=

w lama

+∆

w

(

)

(

)

ji ji ji

(40)

2.4

MSE (

Mean square error

)

Dalam statistik, Mean Squared Error (MSE) adalah nilai yang diharapkan dari

kuadrat error. Error yang ada menunjukkan seberapa besar perbedaan hasil estimasi

dengan nilai yang akan diestimasi, dengan N adalah jumlah sampel, adalah nilai

aktual indeks, dan merupakan nilai prediksi indeks yang dapat ditulis [8] :

(2.19)

2.5

Fluke Analyze

Fluke Analyze (Wifi Spectrum Analyzer) adalah suatu perangkat untuk memonitor spektrum RF yang bisa digunakan untuk berbagai macam jaringan

wireless dan teknologi komunikasi [9]. Fluke Analyze terdiri dari piranti sensor spektrum berbasis hardware dan tampilan (GUI) berbasis aplikasi software seperti terlihat pada Gambar 2.9.

Perangkat ini dapat menampilkan lingkungan RF yang detail di dalam suatu

operasi teknologi jaringan wireless. Fluke Analyze juga bisa mengidentifikasi hampir seluruh sumber dari aktivitas RF. Perangkat Fluke Analyze terdiri dari:

– Sebuah spektrum PC card sebagai sensor.

– Sebuah software CD yang berisi aplikasi Fluke Analyze. – Sebuah antenna directional 2,4-2,5 GHz, 4,9-5,9 GHz.

(41)

Gambar 2.9 Tampilan (GUI) Fluke Analyze [9]

2.6

Wireshark

Wireshark adalah sebuah perangkat lunak yang digunakan untuk menganalisa paket data suatu jaringan, atau sering disebut network packet analyzer yang berbasis

open source [10]. Perangkat ini akan menangkap (melakukan capture) paket-paket data dalam suatu jaringan dan menampilkan detail dari paket data tersebut.

Wireshark biasa digunakan untuk mempelajari dan mengamati suatu jaringan.

Gambar 2.10 memperlihatkan tampilan (GUI) wireshark. Fasilitas dari perangkat

wireshark antara lain:

– Tersedia untuk UNIX dan Windows.

– Capture paket data secara langsung (live) dengan antar muka jaringan. – Menampilkan detail informasi paket data.

(42)

– Pewarnaan dalam tampilan berdasarkan kriteria.

– Dilengkapi dengan open dan save paket yang telah ditangkap (captured).

(43)

23 WLAN card

Penerima

PERANCANGAN

3.1 Diagram Blok Optimasi WLAN

Sistem ini terdiri dari pengukur field strength dan bit rate, proses optimasi field strength dan bi rate terhadap letak beberapa acces point (AP), dan penampil dengan peta digital.

Gambar 3.1BlokoptimasiWLAN

Pada blok penerima pertama dalam Gambar 3.1, data yang diukur adalah field strength dan bit rate dengan WLAN card. Kemudian data tersebut disimpan dalam bentuk text. Sedangkan pada blok penerima kedua dengan JST, data yang disimpan dalam bentuk text tersebut akan diproses hingga dihasilkan nilai bobot yang optimal. Client yang optimal, diketahui dengan memasukkan data baru yaitu data dari beberapa client pada proses pengujiannya. Pada blok penerima ketiga, data yang telah diolah oleh blok penerima satu dan dua ditampilkan menggunakan peta digital.

Pemancar

(Acces Point)

I Pengukur field strength

dan bit rate

II Optimasi

(44)

3.1.1 Proses dalam Blok Penerima II

Gambar 3.2 Diagram blok proses optimasi WLAN dengan JST

Secara garis besar proses optimasi dapat digambarkan dalam diagram blok yang ditunjukkan pada Gambar 3.2. Proses optimasi WLAN pada diagram blok ada dua tahapan, yaitu tahapan prediksi dan tahapan optimasi. Tahapan prediksi menggunakan salah satu algoritma yang ada pada jaringan saraf tiruan, yaitu algoritma back propagation. Dengan algoritma ini, jaringan diberikan sepasang pola- pola yang terdiri dari pola masukan, yaitu data berupa lokasi posisi client (x,y,z) untuk setiap AP, dan pola keluaran atau target yang diinginkan, yaitu field strength dari masing-masing client. Sedangkan untuk memprediksi bit rate, masukan jaringan berupa lokasi posisi client (x,y,z) untuk setiap AP dan target jaringan berupa nilai bit rate. Nilai bobot diberikan untuk memperkecil perbedaan antara pola keluaran dengan pola yang diinginkan. Jaringan dilatih sampai semua pola yang dikeluarkan jaringan dapat mendekati pola yang dinginkan. Iterasi akan berhenti saat fungsi kinerja MSE = . Kemudian jaringan yang sudah terlatih akan diuji dengan data baru, yaitu lima buah client untuk masing-masing AP.

Tahapan kedua adalah proses optimasi. Client dengan nilai field strength dan bit rate yang terbaik diperoleh dengan membandingan hasil prediksi JST, yaitu nilai field strength dan bit rate dari lima client baru pada tiga buah AP.

Masukan Data Tahapan

Prediksi

(45)

3.2. Posisi Pengukuran

Client

Penempatan posisi WLAN card pada PC, sebagai client dipilih sebanyak 10 tempat dan AP sebanyak 3 buah, dapat ditunjukkan pada Gambar 3.3. Posisi 3 buah AP ditempatkan di sekitar gedung. Data pengukuran field strength dan bit rate diambil dari posisi client tersebut. Pada penelitian ini, pengambilan data pengukuran field strength dan bit rate untuk 1 client dilakukan masing-masing sebanyak 100 kali, kemudian diambil nilai rata-rata. Nilai rata-rata untuk field strength dan bit rate digunakan sebagai target dalam pembelajaran JST. Pengujian jaringan dilakukan dengan 5 buah client baru untuk setiap AP. Pengujian ini dilakukan untuk mengetahui tingkat keberhasilan jaringan.

Tidak ada aturan yang mengikat untuk pemilihan jumlah client dan jumlah AP. Client yang dapat menerima kuat sinyal dari 3 buah AP (karena tidak semua tempat menerima kuat sinyal) dan kawasan-kawasan tertentu yang sering dipakai client (adanya fasilitas yang mendukung seperti meja, kursi) dijadikan dasar untuk penentuan jumlah client. Pemilihan jumlah AP sebanyak 3 buah dikarenakan ketiga AP tersebut memiliki coverage area yang besar di kawasan falkutas sanis dan teknologi kampus III USD.

(46)

3.3 Diagram Alir Tampilan Utama Program

Field Strength

dan

Bit

Rate

Gambar 3.4 menunjukkan diagram alir tampilan menu utama keseluruhan program proses optimasi field strength, bit rate. Pada tampilan utama, terdapat beberapa subroutine yang dapat dijalankan, yaitu pembelajaran JST, pengujian, dan pembanding data hasil prediksi atau proses optimasi.

(47)

(48)

Gambar 3.4 (Lanjutan) Diagram alir program keseluruhan

3.4 Proses Perancangan JST

3.4.1

Field Strength

dan

Bit Rate

Model JST yang digunakan dalam tugas akhir ini adalah back propagation, dengan masukan data berupa posisi x ,y dan z yang diambil dari 10 client untuk setiap AP-nya (Clx ,Cly dan CLz) dengan 2 buah lapisan tersembunyi, dan 1 keluaran berupa field strength dan bit rate yang ditunjukkan pada Gambar 3.5.

(49)

Perancangan JST yang lebih jelas dapat dilihat pada Gambar 3.6. Pada gambar tersebut terdapat tiga unit masukan, yaitu CLX, CLY, dan CLZ yang dirambatkan maju ke lapisan tersembunyi pertama yang mempunyai 10 neuron dengan fungsi aktivasi sigmoid biner. Selanjutnya hasil dari lapisan tersembunyi pertama dirambatkan ke lapisan tersembunyi kedua yang mempunyai 5 neuron. Selanjutnya hasil dari lapisan tersembunyi kedua dirambatkan ke lapisan keluaran yang mempunyai satu neuron dengan fungsi aktivasi purelin, dengan bias menyambung pada lapisan keluaran dan lapisan tersembunyi dengan nilai 1.

Untuk proses perancangan JST, masukan diperoleh dengan mengambil data pada direktori yang telah ditentukan. Selanjutnya data masukan diubah dalam bentuk matriks p dan target disimpan dalam bentuk matriks t. Preprosesing dilakukan terlebih dahulu sebelum jaringan dibangun. Hal ini dilakukan untuk menormalisasi masukan dan target dalam range [-1 1].

(50)

Selanjutnya nilai bobot awal lapisan tersembunyi dan keluaran dipilih dengan nilai acak kecil. Program melakukan pembelajaran dengan parameter-parameter yang telah ditentukan seperti; fungsi aktivasi, jumlah maksimum epochs (100,000), dan MSE (mean square error) . Hasil keluaran dari pembelajaran tidak jauh beda dengan target. Hasil pembelajaran disimpan di dalam direktori yang telah ditentukan dan ditampilkan dalam bentuk grafik perbandingan antara hasil pembelajaran JST dengan hasil pengukuran.

Tabel 3.1 berisi data masukan JST yaitu posisi client dari setiap AP. Jumlah keseluruhan ada 30 buah data koordinat x, y, dan z di 10 client dari tiga AP, dengan target keluaran field strength. Tabel 3.2 berisi masukan JST yang tidak jauh beda dengan Tabel 3.1 yang membedakan adalah nilai target yaitu bit rate .

Tabel 3.1.Data pengukuran posisi (x,y,z) dan field strength

NO

Masukan

Target CLx CLy CLz

1 C1AP1 C1AP1 C1AP1 StrengthC1AP1 2 C2AP1 C2AP1 C2AP1 StrengthC2AP1 3 C3AP1 C3AP1 C3AP1 StrengthC3AP1 4 C4AP1 C4AP1 C4AP1 StrengthC4AP1 5 C5AP1 C5AP1 C5AP1 StrengthC5AP1

. dst

. dst 10 C10AP1 C10AP1 C10AP1 StrengthC10AP1 11 C1AP2 C1AP2 C1AP2 StrengthC1AP2 12 C2AP2 C2AP2 C2AP2 StrengthC2AP2 13 C3AP2 C3AP2 C3AP2 StrengthC3AP2 14 C4AP2 C4AP2 C4AP2 StrengthC4AP2 15 C5AP2 C5AP2 C5AP2 StrengthC5AP2

. dst

(51)

Tabel 3.1.(Lanjutan) Data pengukuran posisi (x,y,z) dan field strength

Tabel 3.2. Data pengukuran posisi (x,y,z) dan bit rate

NO Masukan Target

CLx CLy CLz

1 C1AP1 C1AP1 C1AP1 bitC1AP1 2 C2AP1 C2AP1 C2AP1 bitC2AP1 3 C3AP1 C3AP1 C3AP1 bitC3AP1 4 C4AP1 C4AP1 C4AP1 bitC4AP1 5 C5AP1 C5AP1 C5AP1 bitC5AP1

. dst . dst . dst . dst . dst

10 C10AP1 C10AP1 C10AP1 bitC10AP1 11 C1AP2 C1AP2 C1AP2 bitC1AP2 12 C2AP2 C2AP2 C2AP2 bitC2AP2 13 C3AP2 C3AP2 C3AP2 bitC3AP2 14 _{C4AP2 C4AP2 C4AP2}bitC4AP2 15 _{C5AP2 C5AP2 C5AP2}bitC5AP2

dst dst dst dst dst

20 _C10AP2 _{C10AP2 C10AP2} bitC10AP2 21 _{C1AP3 C1AP3 C1AP3}bitC1AP3 22 _{C2AP3 C2AP3 C2AP3}bitC2AP3 23 _{C3AP3 C3AP3 C3AP3}bitC3AP3 24 _{C4AP3 C4AP3 C4AP3}bitC4AP3

NO Masukan Target

CLx CLy CLz

. dst . dst . dst . dst . dst 22 C2AP3 C2AP3 C2AP3 StrengthC2AP3 23 C3AP3 C3AP3 C3AP3 StrengthC3AP3 24 C4AP3 C4AP3 C4AP3 StrengthC4AP3 25 C5AP3 C5AP3 C5AP3 StrengthC5AP3

(52)

Tabel 3.2. (Lanjutan) Data pengukuran posisi (x,y,z) dan bit rate

NO Masukan Target

CLx CLy CLz

25 C5AP3 C5AP3 C5AP3 bitC5AP3 .

dst

. dst

. dst 30 C10AP3 C10AP3 C10AP3 bitC10AP3

Diagram alir untuk proses pembelajaran JST dapat ditunjukkan pada Gambar 3.7

(53)

Pada perancangan JST, data yang digunakan sebagai target keluaran adalah field strength dan bit rate. Data field strength diperoleh dari pengukuran dengan analyzer dan pengukuran dengan program pengukur, sedangkan bit rate diperoleh dari pengukuran dengan program pengukur dan wireshark.

3.4.2 Perancangan Proses Pengujian

Untuk proses pengujian jaringan, algoritma yang digunakan hanya menggunakan propagasi maju, hal ini dilakukan karena pada proses pengujian digunakan nilai bobot yang diperoleh dari pelatihan. Pengujian dilakukan dengan memberikan data baru, yaitu 5 client dari setiap AP. Data pada proses pengujian dapat dilihat pada Tabel 3.3.

Proses pengujian dilakukan untuk mengetahui jaringan yang telah dibentuk pada proses pengujian berjalan dengan baik atau tidak. Dengan memasukkan data baru jaringan diharapkan dapat memprediksi nilai field strength dan bit rate dengan baik sesuai dengan pola yang dinginkan.

Tabel 3.3. Data pengujian posisi (x,y,z) dan field strength

NO Masukan

CLx CLy CLz

1 C1AP1 C1AP1 C1AP1

2 C2AP1 C2AP1 C2AP1

3 C3AP1 C3AP1 C3AP1

4 C4AP1 C4AP1 C4AP1

5 C5AP1 C5AP1 C5AP1

6 C1AP2 C1AP2 C1AP2

7 C2AP2 C2AP2 C2AP2

8 C3AP2 C3AP2 C3AP2

(54)

Tabel 3.3.(Lanjutan) Data pengujian posisi (x,y,z) dan field strength

Tabel 3.4. Data pengujian posisi (x,y,z) dan bit rate

NO Masukan

CLx CLy CLz

10 C5AP2 C5AP2 C5AP2

NO Masukan

CLx CLy CLz

1 C1AP1 C1AP1 C1AP1

2 C2AP1 C2AP1 C2AP1

3 C3AP1 C3AP1 C3AP1

4 C4AP1 C4AP1 C4AP1

5 C5AP1 C5AP1 C5AP1

6 C1AP2 C1AP2 C1AP2

7 C2AP2 C2AP2 C2AP2

8 C3AP2 C3AP2 C3AP2

9 C4AP2 C4AP2 C4AP2

(55)

Gambar 3.8 Diagram alir proses pengujian

3.5 Perancangan Optimasi

Gambar 3.9 menunjukkan diagram alir proses optimasi, dengan satu subroutine yang dapat dijalankan, yaitu proses perbandingan. Program pertama kali melakukan inisialisasi. Selanjutnya program akan mengambil data hasil prediksi untuk tiap AP yang telah disimpan dalam direktori. Data akan dibandingkan untuk

mulai

Inisialisasi data

Load data di direktori

Mengubah data dalam bentuk matrik

(P,T)

Menggunakan jaringan yang sudah dibentuk

Mengambil nilai bobot akhir dari proses pembelajaran

Melakukan simulasi keluaran

Y=sim(net,P)

Menyimpan hasil pengujian pada

direktori

Menampilkan hasil pada listbox

(56)

memperoleh client optimal yaitu client yang mempunyai nilai field strength dan bit rate yang terbaik.

Gambar 3.9 Diagram alir optimasi

Gambar 3.10 menunjukkan hasil perbandingan data client 1 dibandingkan dengan client 2, 3, 4, 5. Jika client 1 lebih besar, maka client yang optimal adalah client 1. Selanjutnya client 2 dibandingkan dengan client 1, 3, 4, dan 5. Jika benar client 2 lebih besar, maka client yang optimal adalah client 2. Selanjutnya client 5 dibandingkan dengan client 1, 2, 3, dan 4. Jika client 5 lebih besar, maka client yang optimal adalah client 5. Selanjutnya client optimal terhadap AP1, AP2 dan AP3 disimpan pada direktori c yang telah ditetapkan.

(57)

(58)

3.6.

Layout

Program Tampilan Depan

Layout program tampilan depan pada Gambar 3.11 terdiri dari dua buah static text dan dua buah push button. Static text digunakan untuk menampilkan judul dari program. Dua buah push button memiliki fungsi yang berbeda, yaitu start untuk memulai program tampilan utama dan exit untuk mengakhiri program.

Gambar 3.11Layout pembuka program

3.7. Layout Program Optimasi WLAN

(59)

Layout program tersusun atas 3 bagian utama yaitu: 1. Bagian Pembelajaran

Bagian pelatihan berisi tentang pembelajaran JST untuk tiap AP, baik itu data field strength dengan program pengukur maupun dari analyze, serta data bit rate pengukuran maupun dari wireshark. Bagian pembelajaran terdiri dari 5 buah static text dan17 buah push button. Static text berfungsi untuk memberi keterangan bagian pembelajaran. Push button pada masukan program pengukur, masukan Analyze, masukan bit ukur dan masukan wireshark berfungsi untuk menampilkan masukan program pada listbox. Push button AP1, AP2, dan AP3 berguna untuk proses pembelajaran. Push button simpan digunakan untuk menyimpan semua data hasil pembelajaran baik untuk field strength maupun bit rate dari program pengukur.

2. Bagian Pengujian

(60)

3. Bagian Optimasi

Bagian optimasi terdiri dari 5 buah static text dan 12 buah push button. Empat buah static text berfungsi memberikan informasi keterangan letak optimasi dari program pengukur, field analyze dan wireshark. Push button berisi pilihan untuk melakukan proses optimasi. Pada bagian ini kolom listbox akan muncul ketika pengguna memilih AP1, AP2 dan AP3.

4.

Bagian lain-lain

Bagian lain–lain berisi 3 buah push button yang terdiri dari point, reset, dan KELUAR. Tiga buah push button ini berfungsi untuk memperlihatkan angka pada grafik axes, menghapus hasil pada listbox dan keluar dari program. Satu buah axes yang berfungsi menampilkan simulasi hasil pembelajaran. Satu buah listbox yang berfungsi untuk menampilkan hasil dari pengujian dan optimasi.

Push button Static text Axes

Listbox

(61)

41

HASIL DAN PEMBAHASAN

Bab ini akan membahas hasil dari program yang telah dibuat. Perbandingan hasil pengukuran dan prediksi setiap AP (access point) juga akan dibahas.

4.1 Tampilan Program

Saat pengguna menjalankan program simulasi pertama kali, pengguna akan melihat tampilan antar muka halaman pembuka program. Halaman pembuka berisi judul dan pembuat program simulasi. Tampilan halaman pembuka program dapat dilihat pada Gambar 4.1.

Gambar 4.1 Tampilan pembuka program

(62)

melihat tampilan utama program. Tampilan utama program dapat dilihat pada Gambar 4.2.

Gambar 4.2 Tampilan utama program Keterangan

Nomor 1 :Masukan program ukur, masukan analyze, masukan bit ukur, dan masukan wireshark yang berfungsi untuk menampilkan pada listbox sebagai data masukan.

Nomor 2 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pembelajaran untuk data dari program fluke analyze.

Nomor 3 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pembelajaran untuk data field strength program pengukur.

1 2 3 4 5 6

7 8 9 10 11 12

13 ₁₄ 15 16

18 19

(63)

Nomor 4 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pembelajaran untuk data dari program wireshark.

Nomor 5 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pembelajaran untuk data bit rate program pengukur.

Nomor 6 :Menu simpan untuk menyimpan data hasil pembelajaran dari program pengukur.

Nomor 7 :Masukan field ukur, masukan field analyze, masukan bit ukur, dan masukan wireshark yang berfungsi untuk menampilkan data pengujian ke listbox.

Nomor 8 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pengujian field strength dari data program flukeanalyze.

Nomor 9 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pengujian field strength untuk data dari program pengukur.

Nomor 10 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pengujian bit rate dari data program wireshark.

Nomor11 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses pengujian bit rate program pengukur.

Nomor 12 :Menu simpan bit dan simpan fs berfungsi untuk menyimpan hasil pengujian bit rate dan field strength dari program pengukur.

Nomor 13 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses optimasi field strength flukeanalyze.

(64)

Nomor 15 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses optimasi untuk bit rate dari program wireshark.

Nomor 16 : Tiga buah submenu, yaitu POINT, Reset, dan KELUAR. Submenu Point berfungsi untuk menampilkan nilai field strength dan bit rate hasil pelatihan JST dan pengukuran yang ditampilkan pada grafik pada sumbu x dan y. Submenu reset berfungsi untuk mengosongkan data pada listbox, sedangkan untuk keluar dari tampilan utama menggunakan submenu KELUAR.

Nomor 17 :Menu push button AP1, AP2, dan AP3 berfungsi sebagai proses optimasi untuk bit rate program pengukur.

Nomor 18 :Axes untuk menampilkan hasil pembelajaran.

Nomor 19 :Listbox berfungsi untuk menampilkan masukan, hasil pengujian, dan optimasi.

Ketika pengguna menjalankan program tampilan utama, push button nomor 8, 9, 10, 11, 13, 14, 15, dan 17 berada dalam kondisi off.Push button selain yang telah disebutkan di atas berada dalam keadaan on.

(65)

Gambar 4.3 Pesan peringatan untuk melakukan pembelajaran pada AP1, AP2, AP3

Gambar 4.4 Pesan untuk memastikan AP1, AP2, dan AP3 bit rate sudah dipilih

Gambar 4.5 Pesan untuk memastikan AP1, AP2, dan AP3 fieldstrength sudah dipilih

Pertama kali membuka program tampilan utama, terdapat menu masukan field strength. Dengan menekan menu tersebut, program akan mengambil data dan menampilkannya pada listbox, berupa data field strength. Gambar 4.7 merupakan tampilan listbox yang berisi data field strength hasil pengukuran.

A B C D E

(66)

Gambar 4.6 menjelaskan data yang akan diolah di JST. Data A merupakan masukan berupa longitude, data B merupakan altitude, data C adalah ketinggian, data D merupakan field strength yang digunakan untuk target, dan data E merupakan mac address.

4.2 Proses JST

4.2.1

Field Strength Analyze

Data field strength analyze merupakan data yang diperoleh dari program dengan alat fluke wifi analyze. Sub bab ini akan menjelaskan proses JST untuk menghasilkan prediksi nilai field strength dan hasilnya akan dibandingkan untuk memperoleh client optimal. Pertama kali, pengguna dapat menekan nomor 2 AP1 pada Gambar 4.2, agar program melakukan proses pembelajaran. Selanjutnya secara

(67)

otomatis pada nomor 8 AP1 akan on, yang hasilnya dan prosesnya dapat ditunjukkan pada Gambar 4.8.

Gambar 4.8 Hasil pembelajaran AP1

Sumbu x merupakan client 1 sampai 10, sedangkan sumbu y adalah target keluaran berupa field strength. Gambar 4.8 menjelaskan bahwa, setelah menu POINT ditekan dengan menunjukkan cursor ke grafik, nilai hasil pembelajaran JST dan pengukuran dengan wifi analyze dapat diketahui. Hasil pembelajaran AP1 dengan maksimum epochs 150000 danMSE = , hasilnya dapat ditunjukkan pada Tabel

Keterangan

O ………….hasil pengukuran dengan Wifi Analyze

(68)

4.1. Iterasi akan berhenti saat proses pembelajaran memenuhi MSE 9,97599 saat epochs 86512.

Tabel 4.1. Perbandingan hasil pembelajaran JST dengan program analyze pada AP1

Client

Masukan Field strength Prosentase

Selisih (%)

X Y Z Analyze JST

1 436171 9142715 190 -86,76 -86,7600252 2 436193 9142713 186 -88,26 -88,2599103 3 436239 9142711 182 -84,61 -84,6099792 4 436208 9142706 184 -85,59 -85,5900890 5 436243 9142760 185 -73,95 -73,9499898 6 436222 9142706 186 -86,5 -86,4999737 7 436211 9142738 187 83,26 -83,2600272 8 436372 9142923 194 -61,96 -61,9600019 9 436211 9142722 198 -88,66 -88,6600082 10 436219 9142717 203 -89,32 -89,3199952

(69)

Tabel 4.2. Perbandingan hasil pengukuran, pengujian JST, dan bit rate dari AP1

Client Masukan Field strength Bit rate Prosentase

Selisih(%)

X Y Z Analyze Prediksi Pengukuran

1

436248 9142774 192 -63,97 -63,99 7780,48 0,031

2

436238 9142750 192 -68,07 -64,55 3447,09 5,171

3

436190 9142760 189 -70,43 -64,34 945,32 8,647

4

436184 9142730 191 -64,01 -72,62 8871,25 13,451

5

436250 9142750 190 -74,57 -64,52 3782,43 13,477

Rata-rata -68,21 -66,004 4965,31

Rata-rata prosentase selisih 8,155

Gambar 4.9 Hasil pengujian AP1 analyze

Listing program untuk proses pengujian dapat dilihat sebagai berikut :

load('U.txt')

U

format long g

p=U(1:5,1:3)';

n=[-64 -68 -70 -68 -75];

%normalisasi input baru

(70)

Pada listing program di atas, perintah load berfungsi mengambil data pada direktori matlab, yaitu U.txt sebagai data yang mau diuji. Proses berikutnya, data diubah dalam matriks P dengan perintah P=U(1:5,1:3)’. Kemudian data dinormalisasi dalam range 1 dan -1 dengan perintah [pn,minp,maxp]= premnmx(p). Proses berikutnya, yaitu mengambil nilai bobot hasil pembelajaran dengan perintah net.IW{1,1}=load('AbbtakhI1.txt') yang artinya nilai bobot untuk lapisan tersembunyi pertama dengan 10 neuron. Kemudian setelah nilai bobot sudah diambil dari proses pembelajaran, jaringan mensimulasikan keluaran dengan perintah Y= sim (net, pn).

Listing program optimasi dapat dilihat sebagai berikut: [nn,minn,maxn]=premnmx(n)

%menggunakan jaringan yang sudah dibentuk

net=newff(minmax(pn),[10 5 1],{'logsig' 'logsig'

'purelin'},'traingdx');

%bobot awal dari masukan ke lapisan tersembunyi pertama dengan 10 neuron

net.IW{1,1}=load('AbbtakhI1.txt')

%bobot bias awal dari masukan ke lapisan tersembunyi pertama

net.b{1,1}=load ('Abbtakhb1.txt');

%bobot awal lapisan tersembunyi pertama ke lapisan tersembunyi kedua

net.LW{2,1}=load('Abbtakhls1.txt')

%bobot bias awal ke lapisan tersembunyi kedua

net.b{2,1}=load('Abbtakhbls1.txt')

%bobot awal lapisan tersembunyi kedua ke keluaran

net.LW{3,2}=load('Abbtakhld1.txt')

net.b{3,1}=load('Abbtakhbld1.txt')

%melakukan simulasi keluaran

Y=sim(net,pn);

%mengubah keluaran dalam bentuk awal

Y=postmnmx(Y,mint,maxt);

proyek=guidata(gcbo)

dataku=load('k1.txt')

(71)

c4=dataku(4,4) c5=dataku(5,4)

if c1>c2 & c1>c3 & c1>c4 & c1>c5 c1

j=dataku'

j1=j(:,1) b1=[j1] A1=b1'

save genit.txt A1 -ascii;

format long

data=textread('genit.txt','%s','delimiter','\n','expchars',

'')

set(proyek.b,'string',data)

set(proyek.b,'userdata',data)

elseif c2>c1 & c2>c3 & c2>c4 & c2>c5 c2

j=dataku' j1=j(:,2) b1=[j1] A1=b1'

format long

'')

j=dataku' j1=j(:,3) b1=[j1] A1=b1'

format long

'')

j=dataku' j1=j(:,4) b1=[j1] A1=b1'

format long

'')

j=dataku' j1=j(:,5) b1=[j1]

(72)

Pada listing program diatas, perintah dataku=load('k1.txt')berfungsi untuk mengambil data berupa k1.txt, yang merupakan data hasil pengujian dari program pengukur. Proses berikutnya memilah data client 1, client 2, client 3, client 4, dan client 5 dengan perintah c1=dataku(1,4), c2=dataku(2,4),

c3=dataku(3,4), c4=dataku(4,4), c5=dataku(5,4).Kemudian client optimal

diperoleh dengan membandingkan data hasil prediksi setiap client, dengan perintah

if c1>c2 & c1>c3 & c1>c4 & c1>c5 =C1. Data optimasi ditampilkan pada listbox dengan perintah textread.

format long

data=

textread('genit.txt','%s','delimiter','\n','expchars','')

end

(73)

Proses selanjutnya adalah AP2. Dari hasil pembelajaran didapatkan MSE = 9,9279 dan iterasi berhenti saat epochs ke 12025. Tabel 4.3 menunjukkan perbandingan antara pengukuran program analyze dan hasil pembelajaran AP2. Tabel 4.4 menjelaskan perbandingan hasil dari pengujian JST, pengukuran analyze, dan pengukuran bit r