Implementasi Metode Kalman Filter Untuk Mengurangi Noise Sinyal RSSI pada Protokol ZigBee
DOI:
https://doi.org/10.32486/jeecae.v7i2.529Keywords:
RSSI, Jaringan Sensor Nirkabel, Zigbee, Kalman FilterAbstract
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 keduanya. 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 (skenario tanpa objek, skenario dengan objek statis, skenario dengan objek dinamis) 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.
References
Mohd Fauzi Othman, Khairunnisa Shazali, “Jaringan Sensor Nirkabel Applications: A Study in Environment Monitoring System”, In Procedia Engineering, Volume 41, 2012, Pages 1204-1210, ISSN 1877-705.
Mohamed Hadi Habaebi, Mahamat Mahamat Ali, M.M. Hassan, M.S. Shoib, A.A. Zahrudin, A.A. Kamarulzaman, W.S. Wan Azhan, Md. Rafiqul Islam,” Development of Physical Intrusion Detection System Using Wi-Fi / ZigBee RF Signals”, In Procedia Computer Science, Volume 76, 2015, Pages 547-552, ISSN 1877-0509.
M. Quwaider, “Real-time Intruder Surveillance using Low-cost Remote Wireless Sensors”, 8th International Conference on Information and Communication Systems (ICICS). 2017.
Bulten. Wouter. “Human SLAM, Indoor Localisation of Devices and Users”, IEEE First International Conference on Internet-of-Things Design and Implementation. 2016.
Sung, Y. “RSSI-Based Distance Estimation Framework Using a Kalman Filter for Sustainable Indoor Computing Environments”. Sustainability 2016, 8, 1136.
Jayakody, Chaminda & Lokuliyana, Shashika & Chathurangi, Dinusha & Vithana, Demini. (2016). “Indoor Positioning: Novel Approach for Bluetooth Networks using RSSI Smoothing". International Journal of Computer Applications. 137. 26-32. 10.5120/ijca2016909028.
Ramiro Martínez-de Dios, J.; Ollero, A.; Fernández, F.J.; Regoli, C. “On-Line RSSI-Range Model Learning for Target Localization and Tracking”. J. Sens. Actuator Netw. 2017, 6, 15.
N. P. M. Y. Nayan, M. F. Hassan and F. Subhan, "Filters for device-free indoor localization system based on RSSI measurement ", 2014 International Conference on Computer and Information Sciences (ICCOINS), Kuala Lumpur, 2014, pp. 1-5.
B. Tay, W. Liu, H. F. Chai and P. H. J. Chong, "Distributed RSSI-Sharing for Two-Way Ranging Base Station Selection ", 2010 11th International Conference on Control Automation Robotics & Vision, Singapore, 2010, pp. 90-95.
Z. Merhi, M. Nahas, S. Abdul-Nabi, A. Haj-Ali and M. Bayoumi, "RSSI Range Estimation for Indoor Anchor Based Localization for Jaringan Sensor Nirkabels ", 2013 25th International Conference on Microelectronics (ICM), Beirut, 2013, pp. 1-4.
M. Udin Harun Al Rasyid, Isbat Uzzin Nadhori, Yodhista Alnovinda, "CO and CO2 Pollution Monitoring Based on Jaringan Sensor Nirkabel", IEEE International Conference on Aerospace Electronics and Remote Sensing Technology (ICARES), 3-5 Desember 2015, Kuta, Bali, Indonesia.
M. Udin Harun Al Rasyid, Achmad Sayfudin, Arif Basofi,Amang Sudarsono, "Development of Semantic Sensor Web For Monitoring Environment Conditions", International Seminar on Intelligent Technology and Its Applications (ISITIA), 28 - 30 July 2016, Lombok Indonesia.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 JEECAE (Journal of Electrical, Electronics, Control, and Automotive Engineering)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.