CITEE 2012
ISSN: 2085-6350
PROCEEDINGS OF CONFERENCE ON INFORMATION TECHNOLOGY AND ELECTRICAL ENGINEERING Yogyakarta, 12 July 2012
SESI INDONESIA
DEPARTMENT OF ELECTRICAL ENGINEERING AND INFORMATION TECHNOLOGY FACULTY OF ENGINEERING GADJAH MADA UNIVERSITY
CITEE 2012
Yogyakarta, 12 July 2012
Inner Cover Organizer Foreword Schedule Table of Contents 1.
I-Jkrt #21
2.
ISSN: 2085-6350
T able of Contents
i ii iii iv v
Aplikasi Permainan Congklak dengan Adobe Flash Raymond Bahana, dan Leonardus Marvin Kosasih
1
I-Bndg #21
Knowledge Mining in Digital Library Konsep dan Metode Gonang May Perdananugraha
7
3.
I-UGM #21
Sistem Pengenalan Wajah pada Realtime Video Menggunakan Principal Component Analysis dan Histogram Equalization Edy Winarno, dan Agus Harjoko
13
4.
I-TEIa #21
Interoperabilitas berbasis Ontologi antar Sistem Informasi E-Government Amien Rusdiutomo, P. Insap Santosa, dan Lukito E. Nugroho
18
5.
I-TEIa #22
Sebuah Survei Aplikasi Mobile Tourism Guide Assaf Arief, Widyawan, dan Bimo Sunarfri Hantono
26
6.
I-TEIa #23
Indoor Localization berbasis RSS F ingerprint Menggunakan IEEE 802.11g Chairani, Widyawan, dan Sri S. Kusumawardani
32
7.
I-TEIa #24
GSM F ingerprint untuk Deteksi Lokasi Dalam Gedung dengan Menggunakan Algoritma Naive Bayes (NB) Hani Rubiani, Widyawan, dan Lukito Edi Nugroho
40
8.
I-TEIa #25
Model Ontologi Representasi Pengetahuan untuk Pengorganisasian Sumber Daya Pengetahuan Istiadi, L. E. Nugroho, dan T. B. Adji
46
9.
I-TEIa #26
Deteksi Gerak dengan Menggunakan Metode F rame Differences pada IP Camera Muhammad Ihsan Zul, Widyawan, dan Lukito Edi Nugroho
52
10.
I-TEIa #27
Estimasi Lokasi Objek dalam Gedung Berbasis IEEE 802.11 menggunakan Metode Naïve Bayes Sutarti, Widyawan, dan Sujoko Sumaryono
57
11.
I-TEIa #28
Deployment Jaringan Sensor Nirkabel berdasarkan Algoritma Particle Swarm Optimization Zawiyah Saharuna, Widyawan, dan Sujoko Sumaryono
65
12.
P-Kpng #21
Program Diagnosis Ganggguan Mula Transformator Berbasis DGA dan Rough Set Theory Very Fernando, Noor Akhmad Setiawan, dan Lukman Subekti
70
13.
P-Mlng #21
Pemodelan dan Analisis Panel Photovoltaik 0XKDPDG5LID¶LGDQ5DWQD,ND3XWUL
74
14.
P-TEIa
Inverter Direct Current to Alternating Current (DC-AC) sebagai Optimasi Pemanfaatan Pembangkit Listrik Tenaga Surya di Kawasan Rawan Bencana Ridwan W., Dhuhri R.U., Anita Purba N.S., Erik K.L., Ikhwan L.S., Rani M.A., Hendra T.M., Yusuf S.W., dan Eka F .
79
15.
P-TEIb
Pengaruh Jenis Batang Konduktor Rotor Sangkar Tupai Terhadap Unjuk Kerja Motor Induksi Tiga Fase Bambang Sugiyantoro, T Haryono, dan Dhanista
85
16.
P-TEIb
Perencanaan Operasi Jangka Pendek pada Sistem Jawa Bali Berdasarkan Kriteria Probabilistik Sarjiya, Avrin Nur Widiastuti, dan Muhammad Alfi
90
#21
#21
#22
DEEIT, UGM ± IEEE Comp. Soc. Ind. Chapter
v
Indoor Localization berbasis RSS Fingerprint Menggunakan IEEE 802.11n Chairani, Widyawan, Sri S. Kusumawardani Pervasive and Mobile Computing Group Jurusan Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Yogjakarta, Indonesia
[email protected] [email protected] [email protected] 50 m dengan biaya yang moderate. Namun, akurasi dari sistem posisi berbasis GSM dalam ruangan sangat dibatasi oleh ukuran sel [8]. Selain itu, efektivitas sistem untuk lingkungan dalam ruangan juga dibatasi oleh multipath dan pelemahan sinyal [6]. Ada banyak sistem posisi dalam ruangan dengan menggunakan teknologi yang berbeda misalnya IEEE 802.11b/g, Bluetooth, RFID, Zigbee, dan UWB [3]. Saat ini, telah terjadi peningkatan penyebaran IEEE 802.11b/g atau Wireless Local Area Network (WLAN) oleh banyak individu dan organisasi misalnya di dalam rumah, kantor, bangunan, dan kampus. Popularitas WLAN telah membuka kesempatan baru untuk layanan berbasis lokasi. Infrastruktur WLAN juga dapat diterapkan untuk memberikan layanan lokasi dalam ruangan tanpa menggunakan peralatan tambahan [3]. Teknologi IEEE 802.11b/g memiliki beberapa keunggulan untuk sistem lokalisasi dalam gedung karena Keywords-component;; RSS Fingerprint, NN, Localization beberapa keutamaan yang dimiliki antara lain kekuatan I. INTRODUCTION sinyal yang dapat menembus dinding, sehingga sistem dapat digunakan di lebih dari satu ruangan. Selain itu Sistem lokasi adalah teknologi inti untuk IEEE 802.11b/g sangat mudah dan cepat untuk diinstal, memungkinkan ruang komputasi pervasive yang cerdas biayanyapun lebih rendah daripada teknologi lainnya. [1]. Keberhasilan lokasi posisi di luar gedung (outdoor) IEEE 802.11b/g atau WiFi juga dapat digunakan di dan aplikasi berbasis global positioning system (GPS) tempat-tempat yang bersifat indoor maupun outdoor, dan menyediakan tempat untuk penelitian dan pengembangan mendukung perubahan topologi fisik jaringan, WiFi juga sistem penentuan posisi dalam ruangan. Sayangnya, memiliki sistem yang memungkinkan jumlah pengguna sistem GPS tidak dapat digunakan secara efektif di dalam yang tinggi, sehingga dapat lebih terukur [4]. gedung dan di daerah perkotaan yang padat karena Teknologi WLAN juga telah memasuki berbagai penerimaan sinyal yang lemah. Tidak seperti daerah di area aplikasi yang dibutuhkan oleh pengguna secara luas, luar ruangan (outdoor), lingkungan di dalam ruangan misalnya area aplikasi konsumen, medis, industri, memiliki tantangan yang berbeda di lokasi penemuan karena multipath yang padat dan bangunan yang tinggi [2] keselamatan umum, logistik, dan sistem transportasi bersama dengan aplikasi lainnya. Karena perkembangan [3]. ini, dapat dipastikan bahwa teknologi wireless telah Keuntungan utama dari sistem GPS adalah bisa menjadi salah satu teknologi yang sangat penting dalam mendapatkan posisi melalui sinyal dari satelit. Tetapi kehidupan sehari-hari. GPS memiliki kelemahan yaitu penerima harus pada line Kebutuhan akan adanya suatu lokalisasi dalam of sight dengan satelit, yang merupakan masalah untuk gedung telah didukung dengan adanya sarana teknologi aplikasi dalam gedung. GPS cocok untuk di luar gedung wireless tersebut. Wireless memiliki daya jangkau sinyal atau lingkungan outdoor dengan tingkat kesalahan 5 yang cukup besar untuk area lokal terhadap orang yang sampai dengan 10 meter. Teknologi lainnya adalah menggunakan teknologi wireless (misalnya laptop, Cellphone. Cellphone cocok untuk lingkungan outdoor dengan prinsip telephone trunk yang memiliki akurasi komputer, ataupun HP) dalam kehidupan sehari-hari Abstract³ This paper discuss about indoor localization
using IEEE 802.11n wireless network using RRS- based fingerprint technique. To perform indoor localization, Nearest Neighbor (NN) algorithm is employed. This research is conducted in hallways at 3rd floor of EE and IT Department building, Gadjah Mada University with total dimension of 1969.68 m2. Fingerprint map is built with two different resolutions (i.e 1m2 and 2m2). Evaluation of the localization technique is performed under four configurations. The result show that the smaller grid dimension is, the closest the estimated distance is (error is reduced to 2.386 meter). The number of wireless access points that used in fingerprinting also affects the localization performance, adding more access points reduce the localization error to 4.1311 meter.
(terutama di kantor). Hal tersebut dapat menjadi salah satu jembatan untuk membuat sistem lokalisasi dalam gedung yang berguna untuk mengetahui lokasi objek. II.
METODOLOGI PENELITIAN
Informasi Nilai RSS
«««. Nilai RSS dari AP-M
Metode penelitian dilakukan dengan mengikuti tahapan-tahapan yang ada pada teknik localization. Untuk menyimpulkan lokasi yang telah diidentifikasi menggunakan metode RSS, serta pengolahan data menggunakan Fingerprinting. a. Teknik Localization. Teknik lokalisasi (gambar 1) terdiri dari dua buah fase, yaitu fase offline dan fase online. Pada fase offline merupakan proses dilakukannya pengukuran Received Signal Strength (RSS) dari multiple access point (AP) yang berfungsi untuk membangun database yang disebut sebagai peta radio untuk lingkungan target (database fingerprint). Fase online dilakukan untuk menghitung lokasi dengan cara membandingkan RSS diukur dengan RSS yang disimpan dalam database. Pada tahap online dikenal dengan teknik posisi karena pada tahap ini dilakukan pengukuran RSS secara real time oleh penerima kemudian menghitung koordinat lokasi yang diperkirakan berdasarkan dabatase peta radio dengan menggunakan algoritma posisi. b. Metode Penyimpulan Lokasi Yang Telah Diindentifikasi Secara umum ada empat fenomena yang biasanya diukur untuk menyimpulkan lokasi yang telah diidentifikasi, yaitu : Time Of Arrival (TOA) dan Time Difference Of Arrival (TDOA), Angle Of Arrival (AOA), Received Signal Strength (RSS), dan Inertial [8]. RSS adalah kekuatan sinyal yang diterima pada penerima jarak jauh dari pemancar. Secara umum, RSS menurun secara proporsional dengan jarak. Jika hubungan jarak kekekuatan sinyal diketahui, baik analitis atau empiris, jarak antara dua perangkat dapat dihitung. Ada beberapa keuntungan menggunakan RSS untuk lokalisasi dalam gedung. Pertama, dapat diimplementasikan dalam sistem komunikasi nirkabel dengan perubahan perangkat keras sedikit atau tidak ada. Kedua, tidak memerlukan sinkronisasi antara pemancar dan penerima. Keuntungan ini merupakan faktor utama yang berkontribusi terhadap keterjangkauan yang lebih besar dan penggunaan RSS untuk lokalisasi dalam gedung. Kekurangan utama adalah bahwa pembacaan RSS dapat menunjukkan variasi besar karena interferensi dan multipath pada saluran radio [8].
Nilai RSS dari AP-1
Posisi yang diketahui (x,y) Posisi 1 Posisi 2 «««... Posisi N «««.... Posisi 1 Posisi 2 ««««. Posisi N
Visualisasi Peta Fingerprint
Import database
Software RapidMiner
Penerima
Nilai rata-rata RSS
Pengurangan Efek Multipath
Database Peta Fingerprint Fase Off-line Fase On-line Algoritma Teknik Posisi
Estimasi posisi (x,y) Gambar 1. Arsitektur sistem localization
c. Pengolahan Data Terukur Metode pengolahan data yang paling umum untuk menyimpulkan lokasi adalah Geometris, Fingerprinting, Proximity, Dead Reckoning [8]. Fingerprinting adalah metode untuk pemetaan pengukuran data (misalnya RSS) ke titik-grid yang dikenal di seluruh wilayah cakupan di lingkungan lokasi. Lokasi diperkirakan dari perbandingan antara pengukuran RSS real-time dan RSS yang sebelumnya disimpan dalam fingerprint. Fingerprinting sering digunakan untuk lokalisasi berbasis dalam gedung atau dalam ruangan, terutama ketika hubungan analitis antara pengukuran RSS dan jarak tidak mudah dibentuk karena multipath dan interferensi [11]. Model sistem posisi dalam ruangan dan fingerprints lokasi dapat dinyatakan sebagai sebuah vektor F U1 , U 2 , U 3 ,..., U n elemen rata-rata RSS. Jika l lokasi di area LBS, maka fingerprint lokasi adalah ^F1 , F2 , F3 ,..., Fn ` . Pengukuran RSS fingerprint selama fase on-line dinotasikan sebagai S yang dapat dijadikan sebagai mean atau rata-rata sampel RSS yang diperoleh dari pengukuran RSS berdasarkan durasi waktu yang tidak terlalu lama [9]. Sistem posisi dalam ruangan hanya menganggap nilai rata-rata RSS dari N APs sebagai fingerprint lokasi,
Fi
U , U i 1
adalah S
i 2
, U 3i ,..., U Ni
sampel
dari vektor RSS
s1 , s 2 , s3 ,..., s n dan setiap fingerprint lokasi
i didalam database dapat dinotasikan sebagai Setiap fingerprint merupakan pemetaan one-to-one ke sebuah set posisi ^L1 , L2 , L3 ,..., Ln ` . Informasi lokasi
L sebagai sistem koordinat dua atau tiga dimensi dan dapat digunakan orientasi pada PRELOH VWDWLRQ¶V misal dapat menghadap utara, selatan, barat, atau timur [9]. Dalam penelitian ini, penulis menggunakan dua dimensi dalam sistem koordinat dan hanya menggunakan satu orientasi dalam melakukan koleksi fingerprint, yaitu dengan menghadap utara. III. TAHAPAN EKSPERIMEN Eksperimen dilakukan pada koridor lantai 3 gedung JTETI UGM dengan luas 1909,44 m2 dengan melakukan eksperimen pada dimensi grid 2m2 dan 1m2 terhadap seluruh AP yang berada di gedung JTETI UGM. Ekperimen yang dilakukan antara lain dengan pengukuran grid 2m2 terhadap seluruh akses poin yang berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, grid 1m2 terhadap seluruh akses poin yang berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, grid 1m2 terhadap AP yang khusus berada pada lantai 3 gedung JTETI UGM yang berjumlah 2 buah, dan penambahan 3 buah AP dilantai 3 gedung JTETI UGM. Gambar denah lantai 3 gedung JTETI UGM dapat dilihat pada gambar 2. A. Fase Offline Pada fase Offline dilakukan spesifikasi parameter sistem pengukuran nilai RSS dari multiple access point yang ada di gedung JTETI UGM. Proses pengukuran dilakukan dengan mengabaikan adanya efek multipath dan propagasi, dengan menetapkan lokasi fingerprint yang akan diukur dalam gedung berupa penetapan grid atau titik-titik pengukuran (predefined) dalam bentuk koordinat (x,y) yang berukuran 2 meter x 2 meter pada koridor di lantai 3. Pengukuran juga dilakukan terhadap grid yang berukuran 1 meter x 1 meter untuk dijadikan perbandingan. Tahap pengukuran RSS dilakukan dengan menggunakan software NetSurveyor (gambar 3). Pengukuran dilakukan pada titik tengah masing-masing grid. Preposesing data dilakukan dengan menghilangkan Nilai RSS WLAN dan atribute access point yang berada di luar area Gedung JTETI UGM meskipun sinyal tersebut tertangkap. Gambar 2. Denah lantai 3 gedung JTETI UGM
Propagasi sinyal dalam ruangan sangatlah kompleks. Isu yang paling menantang dari WLAN Fingerprint adalah nilai RSS WLAN yang tidak stabil tiap kali dilakukan pengukuran. Hal ini dikarenakan adanya efek multipath (yang disebabkan oleh refleksi, difraksi, dan difusi di ruangan-ruangan serta adanya obstacle/hambatan). Efek multipath dapat ditangani dengan rata-rata [5]. Sehingga untuk mengurangi noise dari sebaran sinyal WLAN digunakan perhitungan rata- rata dari nilai RSS yang telah diukur selama r 1 menit 56 detik.
TA _ RSS m
>
@
A y m n
1 N
n 1
¦ y n m
(1)
n 0
Persamaan (1) digunakan untuk menghitung rata-rata nilai RSS terhadap waktu pengukuran dimana y merupakan nilai RSS diukur dari m di lokasi yang tetap, m adalah indeks dari AP, m=0, 1, « P-1. n merupakan indeks waktu diskrit, dan A merupakan proses rata-rata terhadap waktu yang indeksnya-n, dan N menunjukkan panjang dari urutan waktu. Hasil seluruh rata-rata dari masing-masing grid yang telah ditetapkan nilai koordinatnya kemudian disimpan dalam database fingerprint. Database fingerprint di- import kedalam program RapidMiner dengan menetapkan atribute class yang berisi titik koordinat x dan y. Database fingerprint ini kemudian diolah untuk menghasilkan visualisasi peta fingerprint.
Gambar 3. Pengukuran RSS dengan menggunakan software NetSurveyor
Peta fingerprint bisa dilihat pada gambar 4 sampai dengan gambar 10. Dimensi lantai adalah 1969,68 m2.
Gambar 4. AP RSS UGM-Hotspot Lantai 3 Selatan dengan grid 1x1 meter
Gambar 7. AP RSS UGM-Hotspot lantai 2 Utara grid 1x1m
Gambar 5. AP RSS Hotspot pada koridor Lantai 3 Utara dengan grid 1x1 meter
Gambar 8. AP RSS UGM-Hotspot lantai 1 Utara grid 1x1m
Gambar 6. RSS UGM-Hotspot Lantai 2 Selatan grid 1x1m
Gambar 9. AP RSS UGM-Hotspot lantai 1 Selatan grid 1x1m
Gambar 10. AP RSS UGM-Hotspot Lantai 3 Utara dengan grid 2x2 meter
3 buah AP ditambahkan pada lantai 3 untuk mengetahui perbandingan kesalahan jarak estimasi terhadap jarak lokasi target dengan eksperimen sebelumnya. Visualisasi fingerprint dengan penambahan 3 buah AP dapat dilihat pada gambar 11 sampai dengan gambar 13.
Gambar 12. Fingerprint AP 2 dengan grid 1x1m
Gambar 11. Fingerprint AP 1 dengan grid 1x1m
Gambar 13. Fingerprint AP 3 dengan grid 1x1m
B. Fase Online Pada fase online, dilakukan pengujian terhadap nilai RSS yang diukur secara real time dengan cara berjalan pada koridor di lantai 3 gedung JTETI UGM. Nilai RSS real time tersebut disimpan dalam database yang kemudian akan dilakukan proses perhitungan estimasi posisi dengan menggunakan algoritma teknik posisi Nearest Neighborhood (NN). Gambar 14 menunjukkan proses pengukuran secara real time untuk memperoleh nilai estimasi lokasi yang dilakukan dengan cara berjalan.
V.
HASIL
Percobaan dilakukan dengan 4 konfigurasi eksperimen. Konfigurasi A merupakan pengukuran dengan eksperimen grid 2m2 terhadap seluruh akses poin yang berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, konfigurasi B merupakan pengukuran dengan eksperimen grid 1m2 terhadap seluruh akses poin yang berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, konfigurasi C merupakan pengukuran dengan eksperimen grid 1m2 terhadap AP yang khusus berada pada lantai 3 gedung JTETI UGM yang berjumlah 2 buah, dan konfigurasi D merupakan pengukuran dengan eksperimen penambahan 3 buah AP dilantai 3 gedung JTETI UGM. Hasil dari fase off-line pada masing-masing eksperimen dengan penggunaan data training sebesar 80% dan data testing sebesar 20% dari database fingerprint adalah sebagai berikut :
Gambar 14. Pengukuran data RSS dengan cara berjalan
TABEL 1. HASIL PENGUJIAN PADA TAHAP OFF-LINE
IV. ALGORITMA TEKNIK POSISI Persamaan (2) dan (3) merupakan proses pengenalan posisi yang dilakukan terhadap database fingerprint menggunakan algoritma Nearest Neighbor (NN). Akses point sebagai Pi p1 , p 2 , p3 ,..., p n dimana n adalah nomor dari APs. Q merupakan nama variabel RSSI fingerprint dengan menggunakan i sebagai nomor indeks sehingga menjadi qi q1 , q 2 , q3 ,..., q n , qi Q. d* sebagai nearest signature distance dapat dhitung dengan menggunakan Eucledian distance, yaitu sebagai berikut [10] : (2) d * arg min E qi , p qQ
dimana,
E qi , p
¦ p
j
qij
Setelah diperoleh hasil pembelajaran maka dilakukan evaluasi dengan menghitung error jarak dari perkiraan posisi (x,y) pada proses pembelajaran dengan menggunakan persamaan (4) dan standar deviasi persamaan (5) [12] : (4)
Dimana p adalah prediksi lokasi dan a adalah lokasi aktual (lokasi target sebenarnya) 2 °N 2 1 ªn º ½ ° Vx (5) ®¦ xi «¦ xi » ¾ N i 1 i 1 ° ° ¬ ¼ ¯ ¿ Dimana x i merupakan error jarak estimasi (kesalahan jarak) yang terdiri dari x1 , x 2 , x3 ,..., x N serta N
1 N
adalah banyaknya jumlah data kesalahan jarak estimasi.
Standar Deviasi error jarak (m)
A
3029
757
15.51
8.34
B
11588
2896
15.58
7.26
C
11588
2896
16.06
7.62
D
11588
2896
14.24
6.87
TABEL 2. HASIL PENGUJIAN PADA TAHAP ON-LINE
(3)
p x a x 2 p y a y 2
Rata-rata Kesalahan Jarak (m)
Hasil dari fase on-line pada masing-masing konfigurasi eksperimen terhadap 276 data RSS secara real-time adalah sebagai berikut :
j 1
ErrorJarak
6 Data Testing (20%)
Eksperimen
2
n
6Data Training (80%)
Jenis Ekperimen Pengukuran RSS
Rata-rata kesalahan jarak (m)
Standar Deviasi (m)
A
10.17084433
9.743787478
B
7.784443591
6.927435018
C
10.08404125
12.6230875
D
4.131164502
5.911357463
Grafik perbandingan terhadap 4 konfigurasi eksperimen dapat dilihat pada grafik 1.
Grafik 1. Perbandingan rata-rata kesalahan jarak estimasi dan standar deviasi pada masing-masing konfigurasi eksperimen
Kesalahan jarak estimasi pada fase online terhadap masing-masing eksperimen dapat dilihat pada grafik 2 sampai dengan grafik 5.
Gambar trajectory antara lokasi target terhadap estimasi lokasi pada masing-masing eksperimen dapat dilihat pada gambar 16 dan gambar 19.
Grafik 5. Kesalahan jarak estimasi pada konfigurasi eksperimen D
Gambar 16. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperimen A Gambar 17. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperiment B
Grafik 2. Kesalahan jarak estimasi pada konfigurasi eksperimen A
Grafik 3. Kesalahan jarak estimasi pada konfigurasi eksperimen B
Grafik 4. Kesalahan jarak estimasi pada konfigurasi eksperimen C
Gambar 18. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperimen C Gambar 19. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperimen D
VI. KESIMPULAN Dari hasil penelitian yang telah dilakukan dapat ditarik kesimpulan bahwa : 1. Semakin kecil jarak grid yang dibuat untuk proses pengukuran data RSS akan semakin pendek jarak perkiraan lokasi dengan jarak yang sebenarnya (jarak lokasi target), hal ini dapat dilihat dengan adanya pengurangan error sebesar 2,386 meter (pada konfigurasi eksperimen A dan B) 2. Untuk mengurangi besarnya kesalahan jarak/error distance juga dapat dilakukan dengan menambahkan AP di lingkungan target lokasi. Hal ini dapat dilihat dari pengurangan kesalahan jarak sebesar 5,9528 meter (konfigurasi eksperimen C dan D). Dimasa datang akan dilakukan localization pada seluruh lantai 3 gedung JTETI UGM dengan grid 1m2
terhadap eksperimen D untuk mengetahui akurasi dan rata-rata kesalahan jarak/error distance. REFERENCES [1] A. Uzair, G. Andrey, L. Sungyoung, and L. Young- koo´ $ 5DSLG 'HYHORSPHQW $SSURDFK )RU 6LJQDO 6WUHQJWK %DVHG /RFDWLRQ 6\VWHP´ ,QWHUQDWLRQDO Conference On Intellegent Pervasive Computing, 0- 7695-3006-0/07 IEEE, 2007 [2] M. Y. Wilson and K. Ng. Josept, ³Wireless Lan Positioning Based On Received Signal Strength FURP0RELOH'HYLFH$QG$FFHVV3RLQWV´WK,((( International Conference on Embedded and Real- Time Computing Systems and Applications (RTCSA 2007), 0-7695-2975-5/07, 2007 [3] M. Y. Wilson, Y. Z. Jun, and K. Ng. Joseph, ³(QKDQFHG Fingerprint-Based Location Estimation System in Wireless /$1 (QYLURQPHQW´ M. Denko et al. (Eds.): EUC Workshops 2007, LNCS 4809, 2007, pp. 273±284, 2007. [4] G. Miguel, M. Carlos, T. Jesus, and L. Jaime, ³Wireless Sensors self-location in an Indoor WLAN HQYLURQPHQW´ International Conference on Sensor Technologies and Applications, 0-7695-2988-7/07 IEEE, 2007 [5] F. Shih-Hau, L. Tsung-Nan, and L. Kun-Chou, ³$ novel algorithm for multipath Fingerprinting in LQGRRU:/$1HQYLURQPHQW´,(((7UDQVDFWLRQV2Q Wireless Communications, Vol. 7, No. 9, 2008, pp. 3579-3588 [6] Z. Junyang, M. Y. Wilson, and K. N. Joseph, ³(QKDQFLQJ ,QGRRU 3RVLWLRQLQJ $FFXUDFy By Utilizing Signals From Both The Mobile Phone 1HWZRUN $QG 7KH :LUHOHVV /RFDO $UHD 1HWZRUN´, 22nd International Conference on Advanced Information Networking and Applications, IEEE, 2008 [7] L. Hui, D. Houshang, B. Pat, and L. Jiu³6XUYH\RI Wireless Indoor Positioning Techniques and 6\VWHPV´ IEEE Transactions On Systems, Man, And Cybernetics²Part C: Applications And Reviews, Vol. 37, No. 6, November, 2007 [8] Widyawan, ³ Learning Data Fusion for Indoor Localisation´, Master Thesis, Department of Electronic Engineering Cork Institute of Technology, 2009 [9] K. Kamol, ³Efficient Design of Indoor Positioning Systems Based on Location Fingerprint, IEEE, 2005 [10] N. Anvar, P. Yongwan, and H. Jung, ³Accurate Signal Strength Prediction based Positioning for Indoor WLAN System´, IEEE, 2008 [11] A., Bensky, ³Wireless Positioning: Technologies and Application´, ser. GNSS technology and application series, Artech House Publishers, 2008
