PENENTUAN LOKASI OBJEK DI DALAM GEDUNG BERBASIS WLAN FINGERPRIN

TAMAN GINTING, Widyawan, ST, M.Sc, Ph.D

2013 | Tesis | S2 Teknik Elektro

WLAN berbasis IEEE 802.11 merupakan teknologi yang sudah banyak diaplikasikan di berbagai tempat, mulai dari kampus hingga gedung-gedung perkantoran. Keberadaan teknologi ini dapat diaplikasikan lokalisasi objek dalam gedung, dengan memanfaatkan RSS (Received Signal Strength) yang diperoleh dari AP yang telah tersedia. Penelitian ini difokuskan pada pemanfaatan RSS yang berasal dari AP yang terpasang di dalam JTETI UGM mengunakan 5 buah AP. Pengambilan data fingerprint dilakukan dengan ukuran grid masing-masing 1m x 1m dan 4m x 4m. Pengukuran RSS dilakukan di lantai 3. Penentuan estimasi lokasi objek ditentukan menggunakan algoritma k-Nearest Neighbor (k-NN), Naïve Bayes dan DecisionTree. Dari hasil penelitian diketahui bahwa hasil estimasi lokasi dipengaruhi oleh beberapa hal antara lain ukuran grid fingerprint, algoritma dan jumlah data dari luas lokasi pengukuran data fingerprint. Hasil terbaik pada pengijian ketiga fase on-Line dengan jumlah data yang digunakan adalah 5760 data dan data uji real- time sebesar 40 data. Rata-Rata Kesalahan Jarak Estimasi di fase on-line menggunakan algoritma k-NN dengan k= 1 adalah 0.11 Meter, Naïve Bayes 4.01 Meter, Desicion Tree 1.38 Meter dan standar deviasi algoritma k-NN dengan k= 1 adalah 0.43 Meter, Naïve Bayes 1.95 Meter dan Decision Tree 2.82 Meter. Maka pada penelitian ini k-NN merupakan Algoritma yang mampu memberikan hasil akurasi yang lebih tinggi dibanding algoritma lainya.

WLAN has become very popular in public and enterprise networking during the last few years. IEEE 802.11 is currently the dominant local wireless networking standard. It is appealling to use an existing WLAN infrastructure for indoor location based WLAN positioning system using RSS from APs that have been available. This research focused on implementation of RSS from APs inside and around the JTETI UGM building without placing additional APs. RSS fingerprint are collected with four different measuring, with grid-size 1m x 1m and 4m x 4m. RSS fingerprint from third floor are collected. Location estimation of the object is calculated by k-Nearest Neighbor (k-NN), Naïve Bayes and Decision Tree algorithm as comparator. From the survey results revealed that location estimation results are influenced by several factors including the size of the grid fingerprint, algorithms and data from the wide amount of data measuring location the fingerprint. The best results on three phases testing on-line with amount data used is 5760 and data test data by 40 real-time data. Average Distance Estimation Error in phase online using k-NN algorithm with k = 1 is 0:11 Meter, Naive Bayes Meter 4:01, 1:38 Desicion Tree Meter and standard deviation k-NN algorithm with k = 1 is 0:43 Meter, Naive Bayes 1.95 Meters 2.82 Meters and Decision Tree. k-NN algorithms results a better accuracy than the algorithm.

Kata Kunci : WLAN, RSS, k-NN, Naïve Bayes,Decision Tree