Peningkatan Akurasi Lokalisasi Dalam-Ruang Tanpa-Piranti Menggunakan RSSI dan Iluminasi dengan Dynamic Channel Attention dan Filter Kalman 2D

Yasir Abdulaziz, Dr. Eng. Ir. Dwi Joko Suroso, S.T., M.Eng., IPP.

2026 | Skripsi | FISIKA TEKNIK

Sistem lokalisasi dalam ruangan tanpa membawa perangkat atau device-free indoor localization (DFL) nirkabel sangat krusial untuk otomatisasi gedung pintar. Namun, fluktuasi dinamis kekuatan sinyal nirkabel atau Received Signal Strength Indicator (RSSI) Wi-Fi akibat signal drift menurunkan akurasi sistem. Fusi sensor dengan sensor cahaya (lux) ditawarkan sebagai kompensasi fisis, namun metode statis rentan mengabaikan kontribusi sensor cahaya pada tepian ruangan karena dominasi fitur Wi-Fi. Penelitian ini mengusulkan arsitektur fusi sensor dinamis untuk meningkatkan akurasi DFL. Filter Kalman 1D diterapkan sebagai pra-pemrosesan fitur RSSI dan lux. Selanjutnya, modul Dynamic Channel Attention berbasis Squeeze-and-Excitation. diintegrasikan dengan model sekuensial Long Short-Term Memory dan Deep Neural Network (LSTM-DNN) untuk menyesuaikan bobot kontribusi sensor secara adaptif pada setiap temporal window. Di tahap pasca-pemrosesan, filter Kalman 2D teroptimasi Optuna digunakan untuk meredam jitter koordinat prediksi. Hasil evaluasi menunjukkan model usulan berhasil menekan rata-rata kesalahan Mean Absolute Error (MAE) komponen secara konsisten di bawah 2,0 meter. Pada uji lintas waktu (15 Januari), MAE komponen terpangkas dari 1,7826 meter menjadi 1,5449 meter, sedangkan pada uji lintas sesi (14 April) menjadi 1,5986 meter. 

Device-free indoor localization (DFL) systems are crucial for smart building automation. However, dynamic Wi-Fi Received Signal Strength Indicator (RSSI) fluctuations due to signal drift degrade system accuracy. While sensor fusion with light sensors (lux) offers physical compensation, static fusion methods often neglect light sensor contributions at room edges due to the dimensional dominance of Wi-Fi features. This study proposes a dynamic sensor fusion architecture to improve DFL accuracy. A 1D Kalman filter is applied for RSSI and lux feature preprocessing. Sub-sequently, a Squeeze-and-Excitation-based Dynamic Channel Attention mechanism is integrated with Long Short-Term Memory and Deep Neural Network (LSTM-DNN) layers to adaptively adjust sensor contribution weights per temporal window. In the post-processing stage, an Optuna-optimized 2D Kalman filter is utilized to mitigate prediction jitter. Evaluation results demonstrate that the proposed model consistently suppresses the average component Mean Absolute Error (MAE) below 2.0 meters. In the cross-day test (January 15), the component MAE is reduced from 1.7826 meters to 1.5449 meters, and in the cross-session test (14 April) to 1.5986 meters.

Kata Kunci : device-free indoor localization, fusi sensor, channel attention, filter Kalman 1D, RSSI, iluminasi