Implementasi Metode Klasifikasi Fuzzy K‐Nearest Neighbor (FK‐NN) Untuk Fingerprint Access Point Pada Indoor Positioning
| Main Author: | Billyan, Baiq Findiarin |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/795/1/Baiq%20Findiarin%C2%A0Billyan.pdf http://repository.ub.ac.id/795/ |
Daftar Isi:
- Positioning adalah sebuah teknik yang digunakan untuk menentukan posisi suatu objek, dsb. Dalam penentuan posisi tersebut dapat dilakukan dengan melakukan pengukuran dari sisi objek itu sendiri. Dalam positioning terdapat dua jenis teknik yaitu outdoor positioning dan indoor positioning. Sebuah contoh sistem yang dapat digunakan untuk mengukur posisi diluar ruangan yaitu Global Positioning System (GPS). GPS merupakan teknologi yang sangat umum diketahui saat ini untuk mengetahui sebuah posisi dan sebagai penunjuk arah untuk perpindahan posisi objek melalui sinyal dari satelit. GPS dapat memberikan perkiraan posisi yang baik dalam lingkungan luar ruangan, tetapi sinyalnya sangat lemah apabila digunakan pada lingkungan tertutup/dalam ruangan. Berdasarkan hal tersebut kemudian berkembang teknologi yang berfungsi untuk mengetahui posisi suatu objek di dalam ruangan yang disebut dengan Indoor Positioning. Pada penelitian ini penulis mengimplementasikan Indoor Positioning dengan metode Fingerprint (metode pengenalan pola kekuatan sinyal) menggunakan pengukuran kekuatan sinyal (Received Signal Strength/RSS), yaitu dengan melihat pola kekuatan sinyal access point yang datang ke penerima dari setiap ruangan. Hal pertama yang dilakukan oleh peneliti adalah melakukan pengumpulan data training terlebih dahulu sebagai dasar untuk klasifikasi, kemudian diberikan label. Setelah itu membuat classifier berdasarkan data training. Setelah itu peneliti mengukur ulang sebagai data testing untuk menguji akurasinya dengan metode klasifikasi K‐Nearest Neighbor (K‐NN) dan Fuzzy KNearest Neighbor (FK‐NN), dan untuk mempermudah mengakses classifier yang telah dibuat maka penulis memanfaatkan web service. Hasil pengujian posisi client memberikan tingkat akurasi pada metode K‐NN dengan nilai untuk k=1 memiliki nilai mencapai 96%, untuk k=2 sampai dengan k=7 memiliki nilai mencapai 76%, dan untuk k=8 sampai dengan k=10 memiliki nilai mencapai 73%. Sedangkan, pada metode FK‐NN dengan nilai untuk k=1 dan k=2 memiliki nilai mencapai 96%, untuk k=3 sampai dengan k=8 memiliki nilai mencapai 76%, untuk k=9 memiliki nilai mencapai 73%, dan untuk k=10 memiliki nilai mencapai 76%. Berdasarkan hasil akurasi tersebut maka implementasi metode klasifikasi Fuzzy K‐Nearest Neighbor (FK‐NN) untuk Fingerprint Access point pada Indoor Positioning ini memiliki tingkat akurasi yang cukup baik daripada metode K‐NN.