Publisher

PNMPNM

Journal JEECAE (Journal of Electrical, Electronics, Control, and Automotive Engineering)JEECAE (Journal of Electrical, Electronics, Control, and Automotive Engineering) Abstract

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 pendeteksinya 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 dilakukan. 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 ditaruh pada jalur antara pemancar dan penerima. Tahap ketiga, mendapatkan nilai RSSI asli dari penerima dan diproses dengan Kalman Filter. Dari tiga skenario tersebut didapat 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.

Conclusion

Pengujian menunjukkan bahwa penggunaan Kalman Filter dapat mengurangi noise pada nilai RSSI, sehingga menghasilkan kestabilan yang lebih baik dibandingkan dengan RSSI original pada semua skenario (tanpa objek, objek statis, dan objek dinamis).Nilai RSSI yang telah diproses dengan Kalman Filter berada dalam rentang yang lebih sempit, misalnya -55 dBm hingga -56 dBm pada skenario tanpa objek, dibandingkan dengan rentang -54 dBm hingga -57 dBm pada RSSI original.Dengan demikian, Kalman Filter terbukti meningkatkan akurasi dan keandalan pengukuran RSSI pada protokol ZigBee.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penerapan varian adaptif Kalman Filter yang secara dinamis menyesuaikan parameter proses dan noise sesuai dengan kondisi lingkungan yang berubah, sehingga dapat meningkatkan performa pada situasi dengan gangguan yang sangat variatif. Selain itu, kombinasi Kalman Filter dengan teknik pembelajaran mesin, seperti jaringan saraf atau regresi berbasis ensemble, dapat diuji untuk memprediksi nilai RSSI secara real-time dan membandingkan akurasi serta kecepatan responsnya dengan metode tradisional. Penelitian juga dapat memperluas cakupan percobaan dengan menguji sistem pada jaringan ZigBee yang mencakup lebih banyak node dan jarak yang lebih besar, serta dalam lingkungan indoor yang lebih kompleks, untuk menilai skalabilitas dan ketahanan metode terhadap multipath dan interferensi dari perangkat lain. Selanjutnya, dapat dilakukan studi perbandingan antara Kalman Filter dan metode penyaringan sinyal lainnya, seperti filter rata-moving atau particle filter, dalam konteks pengukuran RSSI pada protokol komunikasi nirkabel lain seperti Bluetooth Low Energy atau Wi-Fi. Akhirnya, analisis dampak mobilitas perangkat pada akurasi RSSI yang telah difilter dapat menjadi fokus, dengan merancang skenario pergerakan yang lebih realistis dan mengevaluasi bagaimana perubahan posisi mempengaruhi kestabilan estimasi yang dihasilkan oleh Kalman Filter.

Metadata

File size	429.68 KB
Pages	6
DMCA	Report