Simulasi Coverage sinyal Wireless Local Area Network (WLAN) Berbasis Machine Learning Menggunakan Visualisasi Web

Perencanaan jaringan Wireless Local Area Network (WLAN) di dalam gedung memerlukan pemahaman mengenai pola penyebaran sinyal yang dipengaruhi oleh berbagai faktor fisik seperti jarak, jumlah, material, dan tipe tembok penghalang. Pendekatan konvensional berbasis rumus propagasi Log-Distance Path Loss hanya mempertimbangkan jarak dan redaman tembok dengan asumsi material seragam, sehingga tidak mampu mencerminkan variasi kondisi lapangan secara akurat. Penelitian ini mengembangkan aplikasi SimNet, sebuah simulasi coverage sinyal WLAN berbasis web yang mengintegrasikan model propagasi Log-Distance dengan algoritma Machine Learning Random Forest untuk mengklasifikasikan kualitas sinyal di setiap titik pada denah bangunan. Aplikasi dibangun menggunakan Python dan framework Dash, dengan empat fitur input model yang seluruhnya berasal dari kondisi fisik terukur: jarak (distance), jumlah tembok (wall_count), material tembok (wall_material), dan tipe tembok (wall_full). Model Random Forest dilatih menggunakan 2.800 data pengukuran lapangan dengan distribusi kelas yang seimbang antara kelas Baik, Sedang, dan Buruk. Hasil pengujian menunjukkan bahwa model classifier mencapai akurasi 79,29% dengan F1-Score macro 79,48% pada data uji, serta akurasi Cross-Validation 5-fold sebesar 79,54% ± 1,56%, sedangkan model regressor mencapai MAE 3,64 dBm dan R² sebesar 0,89. Kedekatan antara nilai OOB (77,81%), test accuracy (79,29%), dan CV accuracy (79,54%) mengkonfirmasi bahwa model tidak mengalami overfitting. Aplikasi SimNet menyediakan visualisasi heatmap coverage berbasis prediksi Machine Learning serta fitur perbandingan hasil klasifikasi antara pendekatan Random Forest dan threshold Teori Log-Distance secara langsung di dalam antarmuka web, sehingga dapat digunakan sebagai alat bantu perencanaan penempatan Access Point sebelum implementasi fisik.