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
GSM Fingerprint Untuk Deteksi Lokasi Dalam Gedung Dengan Menggunakan Algoritma Naive Bayes (NB) Hani Rubiani1, Widyawan2, Lukito Edi Nugroho3 Pervasive and Mobile Computing Teknik Elektro dan Teknologi Informasi, Universitas Gadjah Mada Jl. Grafika No 2 Fakultas Teknik UGM, Yogyakarta 55283, Indonesia
[email protected],
[email protected],
[email protected] Abstract²Mostly, researches in indoor localization employ short wavelength signal, such as WiFi, Bluetooth, ultrasound, and infrared. I n this research, indoor localization using GSM data is discussed. The use of GSM has advantages in broader coverage area and the ability for being used in power shortage condition. I ndoor localization using Receive Signal Strength (RSS) GSM fingerprinting is conducted in the hallways of the third floor in EE and I T Department building, Gadjah Mada University. Fingerprinting is consisted of training phase and positioning phase. The training phase data is collected on each predefined reference points with two stepping distances (i.e., one and two meters) and constant heading direction. For the positioning phase, the data collection is performed continuously by walking along the corridor. Naïve bayes and Nearest Neighbor algorithms are used in location estimation in the positioning phase. Performance comparison of both algorithms is evaluated. The result shows that location estimation with one-meter resolution using Naïve bayes yields better result when compared with Nearest Neighbor algorithm. The minimum average error rates are 10.71 meters for Naïve Bayes(NB) and 19.64 meters for k-Nearest Neighbor (k-NN). Keywords-component; I ndoor Localization; Global System for Mobile Communication (GSM); Receive Signal Strength (RSS); Fingerprint; k-Nearest-Neighbour (k-NN); Naive Bayes (NB).
I. PENDAHULUAN Keakuratan dalam pendeteksian lokasi merupakan bagian yang penting untuk aplikasi-aplikasi dalam kajian ubiquitous computing [1]. Teknologi deteksi lokasi yang umumnya dikenal adalah Global Positioning System (GPS). Pada lokasilokasi tertentu penerima GPS dapat memberikan informasi posisi yang akurat. Keadaan ini bertolak belakang ketika GPS digunakan di dalam gedung dan lingkungan perkotaan yang padat. Jika digunakan di lokasi-lokasi tersebut tidak memberikan kinerja yang baik. Hal inilah yang mendasari banyaknya penelitian mengenai sistem deteksi lokasi dalam gedung dengan menggunakan jaringan radio. Terdapat banyak penelitian yang berkaitan dengan sistem deteksi lokasi dalam gedung berdasarkan pada penggunaan jangkauan sinyal pendek. Penelitian-penelitian tersebut diantaranya berdasarkan 802.11 [2], Bluetooth [3], ultra sound [4] dan infrared [5]. Akan tetapi penelitian-penelitian tersebut memiliki kendala yang terkait dengan instalasi dan pemeliharaan jaringan oleh pengguna. Selain itu, penelitian-penelitian tersebut tidak dapat bekerja pada saat kondisi listrik dalam suatu bangunan padam.
Pada penelitian ini, pendeteksian lokasi dalam gedung dilakukan dengan menggunakan teknologi Global System for Mobile Communications (GSM). GSM dipilih karena mempunyai beberapa keuntungan diantaranya (i) cakupan GSM lebih luas dibandingkan dengan cakupan jaringan 802.11 (ii) penggunaan telepon seluler yang sudah banyak. Suatu sistem deteksi lokasi berdasarkan sinyal seluler seperti GSM dapat memanfaatkan perangkat keras yang ada pada telepon seluler (iii) karena Base Station (BS) tersebar di seluruh daerah, sistem deteksi lokasi berdasarkan seluler akan tetap bekerja dalam situasi infrastruktur listrik sebuah bangunan padam (iv) GSM beroperasi pada sebuah band frekuensi yang sudah mempunyai lisensi [6]. Pada prinsipnya telepon selular sudah menyediakan beberapa pelayanan misalnya berdasarkan informasi jaringan seperti lokasi BS yang melayani atau pada informasi fisik seperti arah kedatangan sinyal [7]. Metode pengukuran berdasarkan kekuatan sinyal untuk keperluan navigasi dapat direalisasikan berdasarkan pada :Time of Arrival (TOA), Time Difference of Arrival (TDOA), Angle of Arrival (AOA), dan Received Signal Strength (RSS). Tiga metode pertama memiliki kekurangan yang terkait dengan informasi waktu, oleh karena itu beberapa penelitian sebelumnya mengusulkan pengamatan unit pada posisi tetap yang menerima semua sinyal dari pemancar di daerah tersebut. Selain itu untuk mengekstrak informasi waktu dan arah, diperlukan perangkat keras tertentu dengan antena multidirectional [8]. Teknik posisi yang terakhir berdasarkan deteksi lokasi RSS dan pemodelan sinyal propagasi. Terdapat beberapa keuntungan menggunakan RSS bagi deteksi lokasi dalam gedung. Pertama, dapat diimplementasikan dalam sistem komunikasi nirkabel dengan sedikit bahkan tanpa penambahan atau perubahan perangkat keras, yang diperlukan hanyalah kemampuan untuk memperoleh dan membaca RSS. Keuntungan kedua adalah tidak perlu adanya sinkronisasi antara pemancar dan penerima [9]. Ada dua pendekatan umum untuk deteksi lokasi nirkabel menggunakan teknik RSS: Sinyal pemodelan propagasi dan lokasi fingerprinting. Untuk yang pertama tidak termasuk dalam penelitian ini. Fingerprinting memiliki dua tahap : training dan positioning. Basis data lokasi tergantung pada parameter yang dikumpulkan di titik referensi yang dihasilkan dalam tahap training, dan dalam tahap positioning, algoritma yang berbeda dapat digunakan untuk memperkirakan posisi pengguna [10].
Dalam peneltian ini, memilih teknik fingerprinting untuk deteksi lokasi dalam gedung berdasar sinyal GSM karena pertama merupakan metode yang ekonomis, tidak memerlukan perangkat keras tambahan [8]. Kedua fingerprinting tidak tergantung pada masalah waktu dari sinyal GSM sehingga dapat mengurangi efek multipath dibandingkan dengan metode lain berdasarkan pengukuran jarak [11]. Sistem deteksi lokasi dalam gedung berdasarkan GSM fingerprinting dapat mencapai akurasi yang tinggi dan pada kenyataannya sebanding dengan implementasi berdasar 802.11 [6]. Namun perlu dicatat bahwa membangun basis data untuk fingerprinting selalu memakan waktu dan tenaga kerja yang intensif. Algoritma yang kompleks berdasarkan metode probabilistik dapat dilakukan untuk mengarah pada perbaikan dalam keakurasian [12] salah satunya algoritma Naïve Bayes (NB) yaitu salah satu algoritma pembelajaran induktif yang paling efektif dan efisien untuk machine learning dan data mining [13]. Algoritma NB yang sederhana dan kecepatannya yang tinggi dalam proses pelatihan dan klasifikasi membuat algoritma ini menarik untuk digunakan sebagai salah satu metode klasifikasi [14]. Kelebihan NB adalah sederhana namun memiliki nilai akurasi yang cukup tinggi. II.
p
( rssq i 1
d
RSSq )
2
(1)
Untuk ilustrasi algoritma k-NN ditunjukkan pada Gbr.2 berikut :
TEKNIK FINGERPRINTING
Training Stage Cell-Id 1
terbaik menunjukkan perkiraan posisi. Proses tahap positioning ditunjukkan pada Gbr.1. Pada tahap fingerprinting, ada dua cara utama untuk memperkirakan lokasi: pendekatan deterministik dan probabilistik [10]. Dalam penelitian ini, dua algoritma yang berbeda diterapkan untuk tujuan mendeteksi posisi. 1) Algoritma k-Nearest Neighbour (k-NN) Yang pertama adalah algoritma k-Nearest Neighbour (k-NN), lokasi yang diperkirakan adalah rata-rata dari koordinat titik k terdekat yang didasarkan pada jarak manhattan dan jarak euclidean antara fingerprint yang diamati dan yang dicatat dalam basis data [15]. Dalam penelitian ini menggunakan jarak euclidean yang didefinisikan sebagai berikut:
Positioning Stage
RP1
(X,Y)1
[RSS1,««,RSSp]q
RP2
(X,Y)2
[RSS1,««,RSSp]q
Total Cell-Id Total Cell-Id GSM GSM
Cell-Id 2
. . . . . . .
Naïve Bayes K-NN . . .
. . .
RPR
(X,Y)R
Cell-Id p
Unknown point
?
Unknown Location (X,Y)
. . .
[RSS1,««,RSSp]q
[rss1,««,rssp]q
Gambar 1. Dua tahap deteksi lokasi berdasar GSM fingerprinting
A. Tahap Training Tahap pertama melakukan pengambilan data untuk membuat basis data dengan Reference Point (RP) yang sudah ditentukan, yang digunakan sebagai sampel training pada tahap training. Di dalam basis data termasuk pengukuran Q fingerprinting dari semua P kanal sinyal GSM yang tertangkap pada masing-masing titik dalam periode waktu tertentu yang dapat dituliskan sebagai vektor {RSSrq = [RSSr1 RSSSr2 ... RSSrP], r = 1, 2, ..., R, q «Q}. Rata-rata dari semua pengukuran dari masing-masing kanal GSM dihitung, dan dicatat sebagai data referensi dari lokasi dalam basis data. Gbr. 1 mengilustrasikan prosedur seluruh tahap training fingerprint berdasar GSM. B. Tahap Positioning Dalam tahap ini, lokasi yang tidak diketahui akan diestimasi dengan membandingkan rata-rata pengukuran Q {rssq = [rss1 rss2 ... rssp], q « Q} ke titik yang tidak diketahui dengan database pada tahap training. Perbandingan
Gambar 2. Ilustrasi algoritma k-NN (k=2)
2) Algoritma Naïve Bayes (NB) Algoritma NB adalah suatu probabilistik simpel yang berdasarkan pada teorema Bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (naive). Dalam prosesnya, NB mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang sama [14]. Umumnya kelompok atribut E direpresentasikan dengan sekumpulan nilai atribut (Cell-ID1,Cell-,'«&HOOIDp) dimana RSSp adalah nilai atribut Cell-IDp. L adalah variable klasifikasi dalam kasus ini yaitu koordinat dan l adalah nilai dari L. Dari sudut pandang peluang [16], berdasarkan aturan bayes ke dalam kelas l adalah: P( E | l ) P(l ) P( E)
P(l | E)
(2)
Untuk menentukan pilihan kelas, digunakan peluang maksimal dari seluruh l dalam L, dengan fungsi : arg max l L
P( E | l ) P(l ) P( E)
(3)
Karena nilai konstan untuk semua kelas, maka dapat diabaikan sehingga menghasilkan fungsi : (4) f ( E) arg max P( E | l ) P(l ) l
l
L
Untuk mengatasi berbagai permasalahan, berbagai varian dari pengklasifikasian yang menggunakan teorema Bayes diajukan, salah satunya adalah NB :
f ( E) l
arg max P( E | l ) P(l ) nj l L
1 P( E j | l )
(5)
Li
Eij
Eij
Eij
Eij
Gambar 5. Tampilan Test Mobile System (TEMS) 8.0.3 di telepon seluler
Gambar 3. Ilustrasi Naive Bayes (NB)
Pendekatan yang disebut NB, melibatkan pemodelan kekuatan sinyal sebagai distribusi Gaussian dan menggunakan kekuatan sinyal yang dikumpulkan untuk mempelajari parameter distribusi Gaussian, yang merupakan mean dan standar deviasi dari data training. Seperti halnya menghitung jarak euclidian sinyal pengamatan vektor S di lokasi l. Ketika kekuatan sinyal vektor S diperoleh dari pengukuran waktu saat ini dari kekuatan sinyal di lapangan maka probabilitas P S| l dihitung untuk semua lokasi di lapangan. | P|
1
P S |l i
1
2
l D i
2
exp
S i 2
M l D i
2
l i
(6)
2
III. METODOLOGI A. Bahan dan Alat Penelitian Bahan penelitian yang digunakan dalam deteksi lokasi dalam gedung berdasar GSM adalah hasil pengukuran kekuatan sinyal yang diterima oleh telepon seluler yang dilakukan di lorong lantai 3 gedung JTETI UGM. Dalam melakukan penelitian mengenai deteksi lokasi dalam gedung diperlukan beberapa perangkat keras dan perangkat lunak sebagai berikut: 1) Perangkat Keras a) Telepon seluler Sony Ericsson k800i b) Laptop c) Kabel data 2) Perangkat Lunak a) RapidMiner 5.1.012 b) Test Mobile System (TEMS) 8.0.3
Dalam perangkat lunak TEMS salah satunya menampilkan BCCH, Location Area Code (LAC), Cell Identity (CI), dan RxLev untuk sel yang melayani dan tetangga masing-masing. Juga menyajikan data sistem informasi untuk sel akses, seleksi, dan lokasi. Terdapat sebanyak 25 Cell-ID yang terbaca di lingkungan JTETI, tetapi hanya 7 Cell-ID yang terkuat. Akan tetapi sehubungan adanya keterbatasan software pada saat logfile data dari perangkat lunak TEMS 8.0.3 ke perangkat lunak excel, maka dalam penelitian ini hanya menggunakan 3 CellID yang dijadikan atribut pada data fingerprint dalam tahap training. c) Ms Excel 2007 d) AutoCad e) MapInfo Professional 10
Gambar 6. Set up eksperimental
B. Langkah-langkah Penelitian Ada beberapa tahapan atau langkah dalam penelitian ini, secara garis besar diagram alir penelitian ini dibagi dalam 4 tahapan utama dengan urutan seperti ditunjukkan pada Gbr 7. Persiapan Lokasi Penelitian
Lokasi Fingerprinting Tahap Training
Tahap Positioning
Menghitung jarak kesalahan ratarata minimum
Analisa Hasil
Gambar 4. Tampilan Test Mobile System (TEMS) 8.0.3 di laptop Gambar 7. Diagram alir penelitian
Pada tahap penentuan titik referensi lorong diukur kemudian dibagi ke dalam grid-grid dengan lebar masingmasing grid 2x2 meter dan 1x1 meter. Hal ini dilakukan untuk membandingkan tingkat akurasi yang dihasilkan. Terdapat sebanyak 76 titik referensi untuk grid 2x2 meter hal ini berarti terdapat 76 klasifikasi dalam data fingerprint untuk grid 2x2 meter dan sebanyak 295 titik referensi untuk grid 1x1 meter yang berarti terdapat 295 klasifikasi. Titik-titik referensi untuk grid 2x2 meter dan grid 1x1 meter ditunjukkan pada Gbr.8 dan Gbr.9.
Gambar 10. Pengambilan data testing untuk grid 2x2 meter
Gambar 8. Titik-titik referensi untuk grid 2x2 meter
Gambar 11. Pengambilan data testing untuk grid 2x2 meter
Gambar 9. Titik-titik referensi untuk grid 1x1 meter
Pada tahap positioning terdapat beberapa langkah yang harus dilakukan diantaranya pengambilan data testing, pemodelan algoritma yang digunakan dan estimasi lokasi. Pengukuran RSS dalam rangka pengambilan data testing dilakukan dengan berjalan di sepanjang lorong lantai 3 gedung JTETI UGM dengan arah disesuaikan dengan arah berjalan dan tidak semua titik referensi terlewati. Arah berjalan dan titik-titik referensi yang terlewati ditunjukkan pada Gbr.10 untuk grid 2x2 meter dan Gbr. 11 untuk grid 1x1 meter. Untuk pengolahan data dilakukan dengan menggunakan perangkat lunak excel.
Estimasi lokasi dalam penelitian ini adalah posisi telepon seluler. Jarak kesalahan rata-rata minimum diperoleh dari perbandingan antara pengukuran RSS secara nyata yaitu data testing dengan pengukuran sebelumnya yang telah tersimpan dalam fingerprint. Prediksi lokasi didapat dari tahapan positioning dengan menggunakan algoritma yang telah dimodelkan yaitu NN dan NB. Kesalahan estimasi lokasi diperoleh dengan cara menghitung jarak antara lokasi sebenarnya dengan lokasi estimasi menggunakan rumus sebagai berikut: n erorr rata
rata min
i
1
' x i
2 x i
' y i
2 y i
(6)
n
IV. HASIL DAN ANALISA Sebelum dilakukan analisa estimasi lokasi, dalam penelitian ini melakukan visualisasi hasil pengukuran data training Untuk membuat visualisasi hasil pengukuran dilakukan dengan menggunakan perangkat lunak RapidMiner. Visualisasi bertujuan untuk melihat peta radio kekuatan sinyal pada setiap grid yang diambil dari nilai rata-rata keseluruhan
kekuatan sinyal di setiap grid. Visualisasi Cell-ID1 untuk grid 2x2 meter ditunjukkan pada Gbr.12 dan untuk grid 1x1 meter ditunjukkan pada Gbr.13.
Dari Gbr.13 memperlihatkan adanya pengaruh penentuan grid dalam pengambilan data training. Untuk algoritma NN dengan grid 2x2 m diperoleh hasil jarak kesalahan rata-rata minimum yang lebih kecil dibandingkan dengan grid 1x1 meter. Pada masing-masing grid untuk k=1 dan k=2 dari hasil diperoleh tidak memperlihatkan adanya pengaruh yang signifikan bahkan pada grid 1x1 meter hasil yang diperoleh sama antara menggunakan k=1 dan k=2. Untuk algoritma NB dengan grid 1x1 meter diperoleh hasil jarak kesalahan ratarata minimum yang lebih kecil dibandingkan dengan grid 2x2 meter. Pada analisa mengenai pengaruh set data ini hanya dilakukan dengan menggunakan data training dengan grid 2x2 meter. TABEL II. PENGARUH JUMLAH SET DATA TERHADAP JARAK KESALAHAN RATARATA MIN (METER)
Gambar 12. Visualisasi RSS Cell-ID1 pada grid 2x2 meter
Nearest Neighbour (NN) 1-NN
k-NN(k=2)
Naïve Bayes ( NB)
200
13.7
13.7
13.64
300
13.48
13.86
14.26
400
13.36
13.45
13.42
Set Data
Gambar 13. Visualisasi RSS Cell-ID1 pada grid 1x1 meter TABEL I.
PENGARUH PERBEDAAN GRI D TERHADAP JARAK KESALAHAN RATARATA MIN (METER)
Grid
Nearest Neighbour (NN) 1-NN k-NN(k=2)
Naïve Bayes (NB)
2x2 Meter
13.48
13.86
14.26
1x1 Meter
19.64
19.64
10.71
Gambar 14. Grafik pengaruh perbedaan grid
Gambar 15. Grafik pengaruh jumlah set data
Pada Gbr.15 yang menunjukkan hasil jarak kesalahan ratarata minimum terhadap algoritma NN dan NB dengan adanya perbedaan jumlah set data yang digunakan dalam data training menunjukkan adanya pengaruh terhadap hasil jarak kesalahan rata-rata minimum, akan tetapi pengaruh tersebut tidak menunjukkan perbedaan yang berarti. Hal tersebut dikarenakan dalam data training dengan pengambilan data selama 3 menit banyak data yang sama dan rentang yang tidak terlalu jauh hal ini disebabkan karena kekuatan sinyal GSM relatif stabil. V. KESIMPULAN DAN SARAN Dari hasil penelitian memperlihatkan adanya pengaruh penentuan titik referensi antara 1 meter dan 2 meter. Untuk algoritma NN grid 2 meter lebih akurat dibandingkan dengan grid 1 meter dan untuk algoritma NB grid 1 meter lebih akurat dibandingkan dengan grid 2 meter. Perbandingan kedua
algoritma yaitu NN dan NB dengan adanya perbedaan titik referensi untuk grid 2 meter algoritma NN lebih akurat dibandingkan dengan algoritma NB. Tetapi sebaliknya untuk grid 1 meter algoritma NB lebih akurat dibandingkan algoritma NN. Hasil penelitian perbedaan jumlah set data memperlihatkan adanya sedikit perbedaan hasil jarak kesalahan rata-rata minimum. Semakin banyak jumlah set data jarak kesalahan rata-rata minimum yang dihasilkan semakin kecil. Dalam penelitian berikutnya dapat dilakukan Dalam pengambilan data training tidak hanya menggunakan 3 CellID. Semakin banyak Cell-ID yang digunakan dapat mempengaruhi tingkat akurasi yang dihasilkan. Algoritma probabilistik yang kompleks misalnya partikel filter dapat digunakan untuk mengarah ke perbaikan akurasi. Fusion (penggabungan) dengan sinyal Wifi juga disarankan supaya memperoleh hasil akurasi yang lebih baik. VI. REFERENSI [1] T. Kindberg and A. Fox. System software for ubiquitous computing. IEEE PervasiveComputing, 1(1):26±35, Jan. 2002. [2] Q. Yang, S. J. Pan, V. Wenchen Zheng³Estimating Location Using WiFi´IEEE Intelligent Systems, vol. 23, no. 1, pp. 8±13, Jan/Feb, 2008. [3] L. Aalto, N. Gothlin, J. Korhonen, T. Ojala ³Bluetooth and WAP push based location-aware mobile advertising system´ LQ Proc. 2nd International Conference on Mobile Systems, Applications, and Services, Boston, pp. 49±58, 2004. [4] N. B. Priyantha, A. Chakraborty, and H. Balakrishnan ³The cricket ORFDWLRQ VXSSRUW V\VWHP´. In Mobile Computing and Networking, pages 32±43, 2000. [5] A. Ward, A. Jones, and A. Hopper. A new location technique for the active office. In IEEE Personnel Communications, 4(5), pages 42±47, Oct. 1997. [6] V. Otsason, A. Varshavsky, A. LaMarca, and E. de Lara³Accurate GSM indoor localization´ LQ 3URFHHGLQJV RI WKH ,QWHUQDWLRQDO &RQIHUHQFH RQ 8ELTXLWRXV&RPSXWLQJ 8EL&RPS¶ 0%HLJOHWDO(GSS±158, Springer, Berlin, Germany, 2005. [7] % 'HQE\ < 2XVVDU , $KUL] ³Geolocalisation in Cellular Telephone Networks´LQ Proc. NATO Advanced Study Institute on Mining Massive Data Sets for Security, Gazzad, F. Fogelman-Soulié, D. Perrotta, J. Piskorski & R. Steinberger, Eds., IOS Press, pp. 357±365,Amsterdam, Netherlands, 2007. [8] S.-H. Fang, J.-C. Chen, H.-R. Huang, and T.-1/LQ³,V)0D5)-Based Positioning Solution in a Metropolitan-Scale Environment? A 3UREDELOLVWLF $SSURDFK :LWK 5DGLR 0HDVXUHPHQWV $QDO\VLV´ IEEE Transactions on Broadcasting, vol. 55, no. 3, pp. 577-588, 2009.
[9]J. Caffery, Wireless Location in CDMA Cellular Radio Systems. Kluwer Academic Publishers, 2000. [10]B. Li ³Terrestrial mobile user positioning using TDOA and fingerprinting techniques´ 3K' WKHVLV 6FKRRO RI 6XUYH\LQJ 6SDWLDO Information Systems, University of New South Wales, Sydney, Australia, 2006. [11] 7.LQJ7+DHQVHOPDQQDQG : (IIHOVEHUJ³'HSOR\PHQW FDOLEUDWLRQ and measurement factors for position errors in 802.11-based indoor SRVLWLRQLQJ V\VWHPV´ Location- and Context-Awareness, vol. 4718, Lecture Notes in Computer Science, pp. 17±34, 2007. [12]+ /LX + 'DUDEL3 %DQHUMHH - /LX ³Survey of Wireless Indoor Positioning Techniques and Systems´ LQ ,((( 7UDQVDFWLRQV RQ System, Man and Cybernetics Vol, 37, No, 6, 2007. [13] 0$PPDU6KDGLT³.HRSWLPDODQ1DwYH%D\HV´3URJUDP,OPX.RPSXWHU FMIPA,Universitas Pendidikan Indonesia, [14] Yudi Wibisono, 2008 [15]T. Cormen, C. Leiserson, and R. Rivest, Introduction to Algorithms, MIT Press, New York, 1999. [16] Prof. DR. Sudjana., M.A., M.Sc. Metoda Statistika, Edisi ke-6. Bandung, Tarsito, 1996. [17]Guimarães, Indoor Localization Using FM Radio Signals: A Fingerprinting Approach, International Conference on Indoor Positioning and Indoor Navigation (IPIN), 21-23 September 2011 , Portugal, 2011. [18] J. Eberspacher, H.-J. Vogel, and C. Bettstetter. GSM switching, services andprotocols, 2001. [19] P. Bahl and V. N. Padmanabhan. RADAR: An in-building RF-based user locationand tracking system. In INFOCOM, pages 775±784, 2000.
.
