Implementasi Indoor Localization Menggunakan Sinyal Wi-Fi dan Decision Tree untuk Pelacakan Keberadaan Seseorang di Kampus Teknik Informatika ITS Nurul Yuni Arrifa 5110100193
Dosen Pembimbing : Dr. Ir. R. V. Hari Ginardi, M.Sc. Ary Mazharuddin Shiddiqi, S.Kom, M.Comp.Sc.
Performa di dalam ruangan? Kurang akurat
Menunjukkan Nama Gedung? Terkadang
Menunjukkan Nama Ruangan? Tidak Menunjukkan Ketinggian atau Level Lantai? Tidak 2
Solusi : 3D Indoor Localization
3
Implementasi Indoor Localization Menggunakan Sinyal Wi-Fi dan Decision Tree untuk Pelacakan Keberadaan Seseorang di Kampus Teknik Informatika ITS 4
Manfaat
5
Mendeteksi Lokasi Diri Sendiri Mendeteksi Lokasi Orang Lain
Penunjuk Arah Infrastruktur Dasar Location-Based Services 6
Tempat-Tempat yang Membutuhkan
Kampus Mall Rumah Sakit Gedung Perkantoran Gedung bertingkat lain
7
Kelebihan
8
Melakukan pendeteksian lokasi dalam ruangan Tidak membutuhkan perangkat keras khusus Cepat Dapat mendeteksi level lantai
Dapat mengetahui lokasi pengguna lain 9
Tantangan Seberapa akurat pendeteksian lokasi & level lantai ? Melakukan localization bukan positioning Membuat peta indoor untuk gedung Teknik Informatika ITS
10
Implementasi
11
Rumusan Masalah 1. Bagaimana melakukan sampling kekuatan sinyal pada setiap ruangan? 2. Bagaimana melakukan pendeteksian lokasi dan level lantai dalam rungan dengan memanfaatkan data kekuatan sinyal serta BSSID dengan menggunakan algoritma Decision Tree? 3. Bagaimana cara pengguna dapat mengetahui lokasi pengguna lain menggunakan sistem ini?
12
Batasan Masalah 1. Memanfaatkan smartphone berbasis Android 2. Implementasi algoritma Decision Tree menggunakan bahasa pemrograman Java. 3. Model Decision Tree hanya dibuat satu kali. 4. Informasi lokasi seseorang dapat diketahui orang lain ketika orang tersebut melakukan pendeteksian lokasi dan setuju bahwa lokasi keberadaannya dapat diketahui orang lain. 5. Lokasi yang akan diuji hanya dalam lingkup kampus Teknik Informatika 13
Alur Implementasi Pengumpulan Data
Pembuatan Model Decision Tree
Pembuatan Aturan – Aturan
Pendeteksian Lokasi 14
Arsitektur Umum Sistem Database Server
Web Service
Smartphone Android
15
Sampling Kekuatan Sinyal 1 Train Area = 120cm x 120cm 3 Kali Scan Setiap Train Area 16
Decision Tree
17
Ruang 1
BSSID : 58971ea38010 Kekuatan : -45
BSSID : 58971ea38010 Kekuatan : -45
Ruang 3
BSSID : 58971ea38010 Kekuatan : -45 Ruang 2
18
BSSID
Pembuatan Aturan
f fad
cd 349 8 8 a
6cf3 7fc0 4
dc2
IF105B
SS
bssid = fadfa88349cd ssmin = -100 ssmax = 0 lokasi = IF105B
≤-56
>-56
SS
SS
≤-67
>-67
RBTC IF106
IF105A IF104 IF108
bssid = 6cf37fc04dc2 ssmin = -100 ssmax = -67 lokasi = RBTC bssid = 6cf37fc04dc2 ssmin = -100 ssmax = -67 lokasi = IF106
bssid = 6cf37fc04dc2 ssmin = -68 ssmax = -56 lokasi = IF105A bssid = 6cf37fc04dc2 ssmin = -68 ssmax = -56 lokasi = IF104 bssid = 6cf37fc04dc2 ssmin = -68 ssmax = -56 lokasi = IF108 19
Pendeteksian Lokasi 3 data sinyal dari 3 access point berbeda • bssidA, -30 IF112 • bssidB, -70 IF112, Musholla, IF106, IF105B • bssidC, -60 IF112, Plasa Baru, IF103
20
Pendeteksian Lokasi Lokasi
Frekuensi
IF112
3
Musholla
1
IF106 IF105B
IF112 Lantai 1
1 1
Plasa Baru
1
IF103
1 21
Pendeteksian Lokasi Lokasi
Frekuensi
IF112
3
IF112 Musholla
atau IF105B Lantai 1
1
IF106
1
IF105B
3
Plasa Baru
1
IF103
1 22
Mengetahui Lokasi Pengguna Lain
23
Mengetahui Lokasi Pengguna Lain
24
Performa
25
Lokasi Uji Coba 1 Test Area = 240cm x 240cm 5 Kali Percobaan Setiap Test Area
26
Lokasi Uji Coba (Area Tengah)
27
Hasil Uji Coba Pendeteksian Lokasi Akurasi Area Tengah (%)
Akurasi (%)
IF111 Lab Komputasi Grid IF103 Musholla Lab RPL IF105A IF104 IF106 IF105B Lab NCC Lab VIP IF102 Lab Sistem Cerdas RBTC IF112 AJK Lab Pemrograman II IF108 Plasa Lama Plasa Baru Lab Pemrograman
Rata – Rata = 72,05 % Rata – Rata = 74,90 %
0
20
40
60
80
100
120
28
Hasil Pendeteksian Level Lantai
Rata – Rata = 98,88 %
IF111 Lab Komputasi Grid IF103 Musholla Lab RPL IF105A IF104 IF106 IF105B Lab NCC Lab VIP IF102 Lab Sistem Cerdas RBTC IF112 AJK Lab Pemrograman II IF108 Plasa Lama Plasa Baru Lab Pemrograman 86
88
90
92
94
96
98
100
29
102
Lokasi Uji Coba Musholla IF102 IF103 IF104 IF105A IF105B IF106 RBTC IF108 IF111 IF112 Plasa Lama Plasa Baru Lab RPL Lab NCC Lab Sistem Cerdas Lab Pemrograman Lab AJK Lab VIP Lab Pemrograman II Lab Komputasi Grid
Lokasi Lain yang Terdeteksi (1) IF102 Musholla IF104 IF105B IF105B IF104 IF112 IF103 Plasa Baru IF112 IF111 Lab NCC Lab Sistem Cerdas Lab NCC Lab VIP Lab AJK Lab Komputasi Grid Lab Pemrograman II
Lokasi Lain yang Terdeteksi (2) IF103 IF103 IF102 IF103 RBTC IF105A RBTC Plasa Baru RBTC IF103 Lab Sistem Cerdas Lab RPL -
Lokasi Lain yang Terdeteksi (3) IF105B IF104 IF105B IF104 Musholla IF105A Tidak Diketahui Tidak Diketahui Lab Pemrograman Lab Pemrograman -
30
Uji Coba Perbesaran Radius Ketelitian
9 Radius antara 2,4 meter – 21,6 meter (kelipatan 2,4 meter) Seluruh Test Area di 21 Lokasi Uji Coba
31
Uji Coba Perbesaran Radius Ketelitian (Hasil) Sebelum Ruang IF103
Musholla
Perbesaran
Sesudah
4,8 meter
9,6 meter
32
Uji Coba Perbesaran Radius Ketelitian (Hasil) Sebelum
Perbesaran
Ruang IF111
7,2 meter
Lab Komputasi Grid
7,2 meter
Sesudah
33
Kecepatan < 1 detik
Decision Tree 5 detik 1 Kali Dibuat Selama Sistem Digunakan
diubah menjadi
Rules
Melakukan query
Database Server
< 1 detik
Web Service
Request
Tergantung provider internet
34
Kesimpulan
35
Berhasil menerapkan konsep 3D Indoor Localization Dapat mendeteksi lokasi di level lantai yang berbeda dengan baik Pendeteksian lokasi dapat dilakukan tanpa menggunakan bantuan GPS Perlu dilakukan perluasan radius ketelitian untuk beberapa test area pada ruangan yang memiliki tingkat akurasi rendah Kekuatan sinyal yang kurang baik kurangnya data untuk melakukan pendeteksian lokasi hasil kurang baik 36
Saran
37
• Memperbanyak jangkauan lokasi • Memanfaatkan informasi last known position untuk meningkatkan akurasi pendeteksian lokasi
38
Sekian Terimakasih
39
