Implementasi Model PCA-CNN Untuk Lokalisasi Device-Free Dalam Ruang dengan Teknik Radio-Fingerprint Menggunakan Citra AoA-ToF

Nashwa Tharissa Lyra, Dr. Eng., Ir. Dwi Joko Suroso, S.T., M.Eng., IPP. ; Ir. Agus Arif, M.T.

2025 | Skripsi | FISIKA TEKNIK

Lokalisasi dalam ruang berbasis Wi-Fi menjadi solusi atas keterbatasan GPS yang tidak dapat berungsi optimal pada lingkungan indoor. Salah satu pendekatan yang menjanjikan adalah device-free localization, yaitu sistem pelacakan posisi tanpa perangkat tambahan pada pengguna. Penelitian ini mengembangkan sistem lokalisasi berbasis Wi-Fi sensing menggunakan teknik radio-fingerprint dengan fitur utama berupa Angle of Arrival (AoA) dan Time of Flight (ToF) dari Channel State Information (CSI) melalui algoritma SpotFi. 

Data CSI diperoleh menggunakan Intel AX210 NIC dengan konfigurasi 2x2 antena, bandwidth 80 MHz, dan 1001 subcarrier. SpotFi diimplementasikan melalui sanitasi Sampling Time Offset (STO), pembangunan steering vector joint AoA-ToF, spatial smoothing, serta estimasi AoA menggunakan metode MUSIC. Hasil pseudospectrum AoA-ToF diproyeksikan menjadi citra heatmap 2D sebagai basis data radio-fingerprint. Proses pattern matching dilakukan menggunakan tiga metode pembelajaran mesin, yaitu CNN, PCA-CNN, dan MLP. 

Hasil validasi menunjukkan akurasi sangat tinggi (?99,50%), dengan MLP terbaik (99,75% akurasi, MDE 0,007 m). CNN dan PCA-CNN memberikan hasil uji kompetitif, dengan PCA-CNN lebih efisien dalam waktu pelatihan. Pada data uji variasi dengan pengganggu statis maupun dinamis, performa model menurun relatif, di mana CNN lebih tangguh pada kondisi shadowing, PCA-CNN lebih stabil terhadap multipath statis, dan MLP sensitif terhadap pergeseran domain.  

Wi-Fi-based indoor localization provides an effective alternative to GPS, which performs poorly in indoor environments. A promising approach is device-free localization, enabling position tracking without requiring users to carry additional devices. This study develops a Wi-Fi sensing system using radio fingerprinting, with key features derived from Angle of Arrival (AoA) and Time of Flight (ToF) extracted from Channel State Information (CSI) via the SpotFi algorithm. 

CSI data were collected using an Intel AX210 NIC with a 2x2 antenna configuration, 80 MHz bandwidth, and 1001 subcarriers. SpotFi implementation included Sampling Time Offset (STO) sanitization, joint AoA-ToF steering vector construction, spatial smoothing, and AoA estimation with MUSIC. The AoA-ToF pseudospectrum was projected into 2D heatmaps, forming the fingerprint database. Pattern matching was performed using three models: CNN, PCA-CNN, and MLP.

Validation results showed very high accuracy (?99.50%), with MLP performing best (99.75?curacy, MDE 0.007 m). CNN and PCA-CNN produced competitive results, with PCA-CNN achieving faster training due to dimensionality reduction. In the variation test with static and dynamic interference, performance decreased relatively: CNN was more robust to shadowing, PCA-CNN was stable against static multipath, and MLP was more sensitive to domain shifts. 

Kata Kunci : Wi-Fi sensing, Lokalisasi dalam ruang, Device-free, Radio-fingerprint, CSI, SpotFi