JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan November Tahun 2022, hal 11-16 p-ISSN : 2541-0288 e-ISSN : 2528-0708 JOURNAL OF ELECTRICAL.
ELECTRONIC.
CONTROL AND
AUTOMOTIVE ENGINEERING (JEECAE)
Homepage jurnal: http://journal.
Implementasi Metode Kalman Filter Untuk Mengurangi Noise Sinyal RSSI pada Protokol ZigBee MH.
Ramdhani Ismar1* .
Ardian Prima Atmaja2.
Syaeful Fajar3.
NisaAoul Hafidhoh4
1,2,3,4
Teknologi Informasi Politeknik Negeri Madiun.
Indonesia *Email Penulis: ramdhani@pnm.
id, atmaja@pnm.
id, syaefulfajar@pnm.
id, nisa@pnm.
(Artikel diterima: Oktober 2022, direvisi: November 2.
ABSTRAK Protokol ZigBee diterapkan secara luas pada banyak bidang kehidupan manusia.
Salah satu contoh implementasi ZigBee penggunaan nya pada Jaringan Sensor Nirkabel.
ZigBee mempunyai kelebihan sebagai media transmisi yang proses pendeteksiannya dapat dimonitor secara real-time dan dikontrol dari jarak jauh.
Selain itu.
ZigBee yang memiliki karakteristik kecepatan data yang rendah.
Kualitas sinyal pada ZigBee dapat dilihat dari Indikator Kekuatan Sinyal yang Diterima (RSSI).
Semakin tinggi nilai RSSI semakin baik kekuatan sinyal.
Nilai RSSI hanya bergantung pada jarak antara titik pengirim dan titik penerima yang diukur dengan mendeteksi kekuatan sinyal yang diterima di antara Nilai RSSI sangat dipengaruhi oleh lingkungan dan hambatan yang ada di sekitarnya.
Sinyal noise ini memantul pada benda-benda di lingkungan seperti dinding dan perabotan.
Oleh karena itu pada penelitian ini, dipilih metode Kalman Filter untuk mengurangi noise pada sinyal RSSI.
Kalman Filter sendiri adalah metode yang membuat suatu estimasi beberapa variabel yang tidak teramati berdasarkan pengukuran noise disekitarnya.
Ini adalah algoritma rekursif karena memperhitungkan sejarah pengukuran.
Dalam kasus ini, ingin mengetahui berapa nilai RSSI yang baik berdasarkan skenario pengukuran yang akan di lakukan.
Skenario yang diusulkan ada tiga skenario.
Pada skenario pertama, mengirim paket dari pemancar ke penerima.
Skenario kedua, membuat tiga skenario .
kenario tanpa objek, sken ario dengan objek statis, skenario dengan objek dinami.
yang di taruh pada jalur antara pemancar dan penerima.
Tahap ketiga, mendapatkan nilai RSSI asli dari penerima dan diproses dengan Kalman Filter.
Dari tiga skenario tersebut di dapat Nilai RSSI setelah diproses menggunakan Kalman Filter pada skenario tanpa objek menunjukkan kestabilan dengan nilai antara -55dBm sampai dengan -56dBm dibandingkan dengan RSSI tanpa Kalman Filter dengan nilai -54dBm sampai dengan -57dBm.
Skenario dengan Objek Statis menunjukkan RSSI Kalman Filter lebih stabil antara -62dBm sampai dengan -63dBm daripada nilai RSSI tanpa Kalman Filter antara -61dBm sampai dengan -64dBm.
Sedangkan pada skenario Objek Dinamis.
RSSI Kalman Filter juga menunjukkan kestabilan dengan nilai antara -74dBm sampai dengan -80dBm daripada RSSI tanpa Kalman Filter dengan nilai -74dBm sampai dengan -84dBm.
Dapat ditarik kesimpulan Nilai RSSI setelah diolah dengan metode Kalman Filter lebih baik daripada nilai RSSI tanpa Kalman Filter.
Kata kunci: RSSI.
Jaringan Sensor Nirkabel.
Zigbee.
Kalman Filter
PENDAHULUAN
Jaringan sensor nirkabel telah banyak digunakan dalam berbagai hal penting dan memiliki potensi untuk meningkatkan kemampuan manusia dalam mengembangkan aplikasi telekomunikasi.
Protokol ZigBee merupakan salah satu contoh implementasi jaringan sensor nirkabel.
ZigBee sebagai media transmisi yang proses pendeteksiannya dapat dimonitor secara real-time dari jarak jauh .
,11,.
ZigBee yang memiliki karakteristik kecepatan data yang rendah, sehingga sangat cocok digunakan dalam pengembangan sistem.
Mereka beroperasi pada rentang 4 GHz.
Nilai Indikator Kekuatan Sinyal yang Diterima (RSSI) diperoleh dengan menggunakan fungsi yang sudah diinstal sebelumnya pada perangkat.
Nilai RSSI menyerupai kekuatan sinyal radio yang diterima .
iukur dalam dB.
Semakin tinggi nilai RSSI berarti semakin tinggi kekuatan sinyalnya.
Alasan di balik penggunaan nilai RSSI adalah karena hampir semua sistem nirkabel menggunakan nilai ini.
Nilai RSSI sangat bergantung pada jarak antara dua Namun, pada kenyataannya nilai (RSSI) sangat dipengaruhi oleh lingkungan dan hambatan yang ada Noise ini disebabkan oleh pantulan terhadap sinyal yang lain, atau sinyal yang memantul pada benda-benda JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan November Tahun 2022, hal 11-16 p-ISSN : 2541-0288 e-ISSN : 2528-0708 di lingkungan seperti dinding dan perabotan .
Rumus penghitungan RSSI :
EP E
RSSI = 10 C log E RX E
EE Pref EE
PRX =
Power yang diterima receiver (Wat.
Pref = Power yang ditransmisikan transmitter (Wat.
Besarnya pengaruh gangguan yang terjadi, mengakibatkan kesulitan untuk mengetahui nilai RSSI yang sebenarnya dan dapat mempenngaruhi nilai sinyal yang sebenarnya .
Oleh karena itu, tujuan utama dari penelitian ini adalah untuk mengurangi gangguan pada nilai RSSI dengan menerapkan metode Kalman Filter.
Kalman Filter sendiri adalah sebuah estimator keadaan yang mengukur estimasi beberapa variabel yang tidak teramati berdasarkan hasil pengukuran penuh gangguan.
Ini adalah algoritma rekursif karena memperhitungkan riwayat Dalam kasus kami, kami ingin mengetahui nilai RSSI yang sebenarnya .
Baru-baru ini, banyak peneliti yang meneliti tentang RSSI untuk komunikasi jaringan sensor Menurut Yunsick terdapat sebuah kerangka kerja baru untuk memperkirakan jarak antara pengirim dan penerima yang di implementasikan pada WiFi.
Bluetooth, dan sinyal radio .
Pada penelitian sebelumya, sinyal RSSI di implementasikan hanya pada simulasi dan tidak di implementasikan pada sebuah alat.
Dan di dalamnya tidak ada bagaimana cara untuk mengurangi gangguan terhadap nilai RSSI.
Kontribusi penelitian ini penerapan nya pada alat langsung, dan pada pengambilan nilai RSSI akan di implementasikan Metode Kalman Filter, agar supaya nilai RSSI menjadi lebih baik dan stabil.
Pada penilitian ini digunakan Zigbee Xbee Pro S2 sebagai pemancar sinyal.
Waspmote sebagai mikrokontroler dan Raspberry Pi sebagai pengolah data sinyal menggunakan Kalman Filter.
Skenario yang akan dilakukan nantinya memiliki tiga skenario, pertama menggunakan objek statis, kedua menggunakan objek bergerak, ketiga tanpa objek sama sekali.
Gambar 1.
Nilai Sinyal RSSI Original.
Untuk mengatasi permasalahan noise pada sinyal RSSI, digungakan Kalman Filter sebagai penyetabil sinyal RSSI dengan mengurangi noise yang ada pada nilai RSSI.
Pada implementasi nya nanti digunakan dua perangkat pengirim dan penerima, dan nilai RSSI dapa di hitung menggunakan rumus:
At = At Oe 1 Eu t = Eu t Oe1 Rt Simbol sebagai nilai prediksi,sedangkan mendifiniskan tingkat akurasi dari perhitungan nilai prediksi.
Berdasarkan perhitungan akurasi nilai prediksi dan R sebagai symbol dari noise itu sendiri, makan didapatkan sebuah rumus untuk menghitung nilai terendah RSSI seperti di bawah ini:
K t = Eu t (Eu t Qt ) Oe1 II.
METODOLOGI
Metode penelitian menggunakan metode eskperimen tiga skenario yang dilaksanakan di laboraturium dengan kondisi dan peralatan yang diselesaikan guna memperoleh nilai RSSI.
Pada tahap pertama akan diambil nilai tanpa menggunakan metode Kalman Filter, dan yang kedua menggunakan Kalman Filter.
Proses ini disebut dengan RSSI Filtering.
RSSI Filtering Di dalam sebuah komunikasi jaringan nirkabel, nilai RSSI akan tergantung kepada jarak transmitter dengan receiver.
Akan tetapi nilai RSSI juga sangat di pengaruhi dengan kondisi lingkungan sekitar .
Nilai RSSI yang nantinya akan digunakan sifatnya masih acak karena adanya sinyal yang memantul pada dinding atau terpengaruh objek disekitarnya.
(Gambar .
Sementara itu penggunaan Zigbee sebagai perangkat yang akan digunakan, mempunyai keterbatasan pada pancaran sinyal RSSI.
JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan November Tahun 2022, hal 11-16 p-ISSN : 2541-0288 e-ISSN : 2528-0708 .
Gambar 2.
Nilai Sinyal RSSI Original.
Gambar 3.
Perbandingan nilai RSSI tanpa Kalman filter dan Menggunakan Kalman Filter Untuk mengatasi permasalahan noise pada sinyal RSSI, digungakan Kalman Filter sebagai penyetabil sinyal RSSI dengan mengurangi noise yang ada pada nilai RSSI.
Pada implementasi nya nanti digunakan dua perangkat pengirim dan penerima, dan nilai RSSI dapa di hitung menggunakan rumus:
Komponen Sistem Spesifikasi alat yang digunakan pada penelitian ini dapat di lihat pada Tabel 1 :
Tabel 1 Spesifikasi Hardware At = At Oe 1 Eu t = Eu t Oe1 Rt Simbol sebagai nilai prediksi,sedangkan mendifiniskan tingkat akurasi dari perhitungan nilai prediksi.
Berdasarkan perhitungan akurasi nilai prediksi dan R sebagai symbol dari noise itu sendiri.
Terdapat sebuah rumus untuk menghitung nilai terendah RSSI.
Mini PC sebagai Penerima / Receiver Mikrokontroller sebagai Pengirim / Transmitter Raspberry Pi 2 Model B Waspmote PRO 1.
Xbee Pro S2 module USB Wifi USB Xbee transceiver K t = Eu t (Eu t Qt ) Oe1 Skema Ruangan Percobaan Perhitungan noise atau gangguan, nilai Qt , diubah ke beberapa inputan nilai RSSI.
Rumus perhitungan tersebut lalu di perbaharui dengan perhitungan baru :
At = At K t ( zt Oe At ).
Eu t =Eu t Oe ( K t Eu t ) Hasil Perbandingan antara nilai RSSI tanpa menggunakan kalman filter dan nilai RSSI menggunakan kalman filter pada protocol Zigbee menghasilkan keluaran, jika menggunakan Kalman Filter sanggup mengurangi noise atau gangguan pada nilai RSSI yg di terima.
Gambar 4.
Skema Ruangan Percobaan Skenario ruangan yang akan digunakan dalam pengambilan nilai RSSI dapat di lihat pada Gambar 3.
Pada pengambilan nilai RSSI menggunakan dua perangkat sebagai perangkat pengirim sinyal RSSI dan penerima sinyal RSSI.
Protokol ZigBee 802.
4 sebagai perangkat pengirim dan penerima sinyal yang di kombinasikan dengan Waspmote sebagai Mikrokontroller.
JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan November Tahun 2022, hal 11-16 p-ISSN : 2541-0288 e-ISSN : 2528-0708 i.
HASIL DAN ANALISA
Pada bagian ini akan dilakukan proses pengujian skenario.
Langkah pertama adalah dengan mendeteksi kekuatan sinyal dari node penerima yang ditangkap tanpa objek.
Langkah kedua dilakukan perhitungan nilai RSSI dengan objek statis atau tidak bergerak.
Langkah ketiga dilakukan perhitungan nilai RSSI dengan objek dinamis atau objek bergerak.
Kalman Filter digunakan setelah nilai RSSI dari semua skenario terkumpul, untuk mereduksi noise dan dibandingkan dengan nilai RSSI original.
Lokasi perangkat pengirim dan penerima tetap, sedangkan sinyal yang dikirimkan bergantian antara dua perangkat yaitu pengirim dan penerima, dengan interval 1 detik.
Jarak antara pengirim dan penerima adalah 5 meter, dan jarak ketinggian dari lantai yaitu 1 meter.
Tabel 2 RSSI Original dari 3 skenario berbeda Intervals .
Tanpa Objek Objek Statis Objek Dinamis -56 dBm -56 dBm -56 dBm -62 dBm -63 dBm -62 dBm -58 dBm -63 dBm -62 dBm -56 dBm -56 dBm -62 dBm -63 dBm -61 dBm -55 dBm -56 dBm -56 dBm -56 dBm -56 dBm -55 dBm -62 dBm -63 dBm -62 dBm -63 dBm -62 dBm -67 dBm -64 dBm -64 dBm -64 dBm -64 dBm A.
Ratarata -55 dBm -56 dBm -63 dBm -63 dBm -56 dBm -60 dBm Dari hasil pengujian sinyal yang dilakukan secara berulangulang pada dua titik perangkat, pengirim dan penerima dengan jarak 5 meter tanpa Kalman Filter, diperoleh nilai RSSI yang ditunjukkan pada Tabel 2.
Tampak bahwa nilai RSSI tanpa objek memiliki rata-rata -56 dBm, dengan objek statis memiliki rata-rata -63 dBm dan dengan objek dinamis memiliki rata-rata -60 dBm.
Gambar 6.
Skenario Tanpa Objek Gambar 5 menunjukkan kinerja Kalman Filter yang diterapkan pada nilai RSSI dalam Skenario Tanpa Objek.
Nilai standar RSSI terlihat tidak stabil, hal ini dipengaruhi oleh pantulan sinyal yang mengenai benda-benda di lingkungan sekitar seperti tembok dan benda disekitarnya.
Grafik Kalman Filter menunjukkan kurva yang lebih baik dibandingkan dengan grafik RSSI original.
Gambar 7.
Skenario Objek Statis Gambar 6 menunjukkan kinerja Kalman Filter yang diterapkan pada nilai RSSI di Skenario Objek Statis.
Nilai standar RSSI terlihat tidak stabil karena terdapat objek statis diantara node pengirim dan penerima, hal ini dapat dipengaruhi oleh pantulan sinyal yang mengenai objek penghalang.
Grafik Kalman Filter menunjukkan kurva yang lebih baik dibandingkan dengan grafik RSSI original.
Gambar 5.
RSSI Original Gambar 8.
Skenario Objek Bergerak JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan November Tahun 2022, hal 11-16 Gambar 7 menunjukkan performa Kalman Filter yang diterapkan pada RSSI dalam Skenario Objek Dinamis.
Nilai standar RSSI dengan tidak stabil di interval 16 sampai 31, hal ini dapat dipengaruhi oleh objek yang menghalangi jalur.
Teknik Kalman Filter membantu untuk membuat kurva yang lebih baik dibandingkan dengan kurva RSSI original.
Tabel 3 RSSI menggunakan Kalman Filter dari 3 skenario No Object Static Object Dynamic Object -56 dBm -62 dBm -58 dBm -56 dBm 50012497 dBm 50062484 dBm -56 dBm 33327779 dBm 00083286 dBm -56 dBm 24981264 dBm 00062428 dBm -56 dBm 40029973 dBm 79690301 dBm -56 dBm 33327779 dBm 00291321 dBm -56 dBm 42914168 dBm 43384592 dBm -56 dBm 37503079 dBm 75741478 dBm -56 dBm 44525633 dBm 009406 dBm 8986 dBm 40009864 dBm 21129113 dBm A.
8706 dBm 82261167 dBm 46623047 dBm Kalman Filtering terbukti dapat memperbaiki nilai RSSI pada diimplementasikan dalam penelitian ini.
nilai RSSI yang diukur dibandingkan dengan RSSI yang telah di filter oleh Kalman Filter yang ditunjukkan pada Tabel 3.
Gambar 8 menunjukkan kinerja Kalman Filter yang diterapkan pada nilai RSSI di semua skenario.
Hasil dari Kalman Filter menunjukkan kurva yang lebih baik dibandingkan dengan RSSI original.
p-ISSN : 2541-0288 e-ISSN : 2528-0708 IV.
KESIMPULAN
Berdasarkan pengujian dan analisis data nilai RSSI maka dapat ditarik kesimpulan:
Keakuratan nilai RSSI merupakan salah satu aspek terpenting dalam estimasi kekuatan sinyal, baik untuk aplikasi pelacakan lokasi sebuah objek maupun deteksi keberadaan objek pada sebuah ruangan.
Untuk deteksi objek pada sebuah ruangan, pengukuran RSSI yang akurat dan tepat sangat dibutuhkan.
Pada penelitian ini menyajikan penggunaan metode Kalman Filter untuk mengurangi noise pada nilai RSSI.
Kinerja Kalman Filter real-time diimplementasikan pada perangkat keras yang sesungguhnya.
Hasil nilai yang disajikan dalam penelitian ini menyimpulkan bahwa kinerja nilai RSSI dengan Kalman Filter lebih baik daripada nilai RSSI original.
Kontribusi utama dari penelitian ini adalah perancangan Kalman Filter pada perangkat keras dengan protokol (ZigBee 802.
dan Raspberry Pi.
Tujuan dari Kalman Filter adalah untuk memprediksi dan memfilter nilai RSSI pada kondisi skenario tanpa objek, objek statis, dan objek dinamis.
RSSI setelah diproses dengan Kalman Filter pada skenario tanpa objek menunjukkan kestabilan dengan nilai antara -55dBm sampai dengan -56dBm dibandingkan dengan RSSI Original dengan nilai -54dBm sampai dengan 57dBm.
Skenario Objek Statis menunjukkan RSSI Kalman Filter lebih stabil antara -62dBm sampai dengan -63dBm daripada nilai RSSI Original antara -61dBm sampai dengan 64dBm.
Sedangkan pada skenario objek dinamis, nilai RSSI menggunakan Kalman Filter juga menunjukkan kestabilan dengan nilai antara -74dBm sampai dengan -80dBm daripada RSSI Original dengan nilai -74dBm sampai dengan -84dBm.
Hasil yang ditunjukkan adalah nilai RSSI setelah diolah dengan Kalman Filter lebih baik menggunakan nilai RSSI
original karena Kalman Filter mampu mereduksi noise yang DAFTAR PUSTAKA