MACHINE LEARNING UNTUK LOCALIZATION DALAM GEDUNG BERBASIS RSS FINGERPRINT MENGGUNAKAN IEEE 802.11g

CHAIRANI, Widyawan, S.T., M.Sc., Ph.D.,

2012 | Tesis | S2 Teknik Elektro

Penelitian ini membahas tentang localization (penentuan posisi) dalam gedung menggunakan jaringan wireless atau IEEE 802.11g dengan pendekatan machine learning. Metode pada pengukuran RSS menggunakan RSS-based fingerprint. Algoritma machine learning yang digunakan dalam memperkirakan lokasi dari pengukuran RSS-based menggunakan kNN dan Naive Bayes. Pada penelitian ini, eksperimen dilakukan pada koridor lantai 3 di Gedung Teknik Elektro dan Teknologi Informasi (JTETI) Universitas Gadjah Mada (UGM) dengan luas 1969,68 m 2 . Empat konfigurasi yang berbeda dilakukan pada eksperimen tersebut. Eksperimen dengan hasil akurasi terbaik akan digunakan untuk localization seluruh ruangan di lantai 3. Eksperimen pertama dilakukan pengukuran RSS fingerprint dengan grid berdimensi 2 m 2 pada koridor lantai 3, eksperimen kedua dilakukan pengukuran RSS fingerprint dengan grid berdimensi 1 m 2 pada koridor lantai 3 (ekperimen pertama dan kedua dilakukan dengan menggunakan seluruh access point (AP yang ada di seluruh gedung JTETI UGM), eksperimen ketiga dilakukan pengukuran RSS fingerprint dengan grid berdimensi 1 m 2 . Eksperimen ketiga hanya menggunakan AP permanen yang berada di lantai 3 saja. Eksperimen keempat dilakukan pengukuran RSS fingerprint dengan grid berdimensi 1 m 2 . Pada eksperimen keempat menggunakan dua buah AP yang berada di lantai 3 dan tiga buah AP tambahan yang dipasang secara random pada lantai 3. Hasil pengujian menunjukan akurasi terbaik terdapat pada eksperimen keempat yaitu RSS fingerprint menggunakan dua buah AP yang berada pada lantai 3 dan tiga buah AP tambahan dengan dimensi grid 1 m 2 . Akurasi klasifikasi yang diperoleh pada tahap learning dengan menggunakan metode cross validation sebesar 89,46% pada kNN dengan k=1 serta 43,74% dengan algoritma Naive Bayes. Rata-rata error jarak estimasi pada fase online dan tahap post learning adalah 4,13 meter pada algoritma kNN dan 6,20 pada algoritma Naive Bayes. Berdasarkan eksperimen tersebut, nilai rata-rata error jarak estimasi untuk localization seluruh ruangan di lantai 3 pada fase offline dan tahap learning adalah 4,93 meter pada algoritma kNN dengan k sama dengan 1 dan 6,29 meter pada algoritma Naive Bayes. Untuk fase online dan tahap post learning diperoleh ratarata error jarak estimasi sebesar 5,25 meter pada algoritma kNN dan 7,82 meter pada algoritma Naive Bayes.

cross validation This research discusses indoor localization using the IEEE 802.11g wireless network with machine learning approach. Measurement of RSS method is based on RSS-fingerprinting. Machine learning algorithms that are used for estimating location of the RSS are kNN and Naive Bayes. In this research, indoor localization is conducted in the entire room on the 3rd floor of Electrical Engineering and Information Technology (JTETI) Universitas Gadjah Mada (UGM) building. Area of the building is 1969,68 m 2 . Four different configurations are provided in the experiments. The best configuration would be used as indoor localization in all room of the 3rd floor. The first experiment is measurement of RSS fingerprint with 2 m 2 area of grid in 3rd floor corridor, the second experiment is measurement of RSS fingerprint with 1 m 2 area of grid (the first and second experiments use all of the permanent access point (AP) on the JTETI UGM building), the third experiment is measurement of RSS fingerprint with 1 m 2 area of grid. The third experiment only uses permanent AP on the third floor. The fourth experiment is measurement of RSS fingerprint with 1 m 2 area of grid. The experiment is used two AP on the 3rd floor and three additional AP, which has set randomly on the 3rd floor. Result of the experiments show that the best accuracy is obtained from the fourth experiment, which uses RSS fingerprint with two AP on the 3rd floor and three additional AP in 1 m 2 area dimension of grid. The accuracies that are obtained using in the learning phase are 89,46% using kNN with k = 1 and 43,74% using the Naive Bayes algorithm. Average errors of distance estimation are 4,13 meters using kNN algorithm and 6,20 meters using Naive Bayes algorithm in the online and post learning phase. From the experiments, average errors of distance estimation for indoor localization in all room of 3rd floor are 4,93 meters using kNN with k=1 and 6,29 meters using the Naive Bayes algorithm in the offline and learning phase. In the online and post learning phase, average errors of distance estimation average are obtained 5,25 meters using kNN algorithm and 7,82 meters using Naive Bayes algorithm.

Kata Kunci : Localization dalam gedung, IEEE 802.11g, Received Signal Strength (RSS), Fingerprint, Naive Bayes, k-Nearest Neighbour.