JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)
1
Sistem Pendeteksi Posisi dalam Ruangan Menggunakan Kekuatan Sinyal Wi-Fi dengan Penerapan Algoritma Cluster Filtered KNN Rizky Ichsan Parama Putra, Waskitho Wibisono, dan Hudan Studiawan Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected] Abstrak—IPS (Indoor Positioning System) merupakan sebuah layanan informasi yang menggunakan teknologi nirkabel untuk menemukan benda atau seseorang di dalam gedung. IPS telah menjadi sangat populer belakangan ini. Permintaan untuk layanan berbasis IPS ini meningkat dengan signifikan. Banyak teknologi yang dapat digunakan untuk membangun layanan IPS ini, seperti sinar inframerah, ultrasonik, frekuensi radio, dan bluetooth. Pada artikel ini penulis menggunakan Wireless Ethernet IEEE 802.11 karena biayanya cenderung murah dan mudah untuk diakses. Meskipun Wi-Fi belum dirancang untuk penentuan posisi, tetapi sinyal radio yang dipancarkan dapat digunakan untuk estimasi posisi dengan memanfaatkan kekuatan sinyal Wi-Fi yang ditangkap oleh smartphone Android milik user. Kekuatan sinyal Wi-Fi cenderung tidak stabil meskipun direkam pada waktu yang berbeda-beda, perlu dilakukan sampling untuk menentukan kekuatan sinyal pada posisi tertentu. Dilakukan pencocokan antara data kekuatan sinyal Wi-Fi yang ditangkap smartphone Android saat itu dengan data kekuatan sinyal Wi-Fi hasil sampling atau lebih dikenal dengan “fingerprint matching”. K-Nearest Neighbors (KNN) merupakan salah satu metode yang dapat digunakan. KNN mengambil semua data sampling terdekat untuk menghitung estimasi hasilnya. Tapi KNN sendiri memiliki tingkat keakuratan yang rendah, untuk itu digunakan metode Cluster Filtered KNearest Neighbors (CFK) untuk meningkatkan keakuratannya. CFK memanfaatkan teknik pengelompokan untuk membagi data sampling ke dalam kelompok yang berbeda dan menentukan kelompok mana yang akan digunakan. Aplikasi yang telah dibuat kemudian diuji fungsionalitas dan performanya. Pengujian dilakukan melalui beberapa skenario yang telah ditentukan. Hasil pengujian menunjukkan aplikasi dapat berjalan dengan baik. Aplikasi memiliki tingkat akurasi yang tinggi dalam mendeteksi posisi seseorang di dalam gedung. Kata Kunci—Cluster Filtered KNN, Indoor Positioning System, Kekuatan Sinyal Wi-Fi.
P
I. PENDAHULUAN
ERKEMBANGAN teknologi komunikasi mengalami peningkatan yang sangat signifikan dari waktu ke waktu. Meningkatnya mobilitas dan kebutuhan manusia akan pentingnya teknologi komunikasi menyebabkan teknologi nirkabel menjadi teknologi yang banyak dikembangkan saat ini. IPS merupakan sebuah layanan informasi yang menggunakan teknologi nirkabel untuk menemukan benda atau seseorang di dalam gedung. IPS telah menjadi sangat populer belakangan ini. Sistem ini telah berhasil digunakan di beberapa aplikasi pelacakan dan manajemen persediaan [1].
Aplikasi yang sudah ada saat ini yang menggunakan layanan IPS diantaranya Sistem Navigasi untuk Orang-orang di Rumah Sakit, Monitoring Pegawai di Rumah Sakit, Membimbing Orang Buta, Pelacakan Anak Kecil atau Orang Lanjut Usia dan lain-lain [2]. Banyak teknologi yang dapat digunakan untuk membangun layanan IPS ini, yaitu sinar inframerah, ultrasonik, frekuensi radio, dan bluetooth. Teknologi sinar inframerah sudah digunakan pada sistem lokasi pengenal aktif [3]. Sinar inframerah memerlukan garis lurus untuk menghubungkan user dengan sensornya, otomatis ruangan yang digunakan sangat terbatas. Pada artikel ini penulis menggunakan Wireless Ethernet IEEE 802.11 karena biayanya cenderung murah dan mudah untuk diakses [2], [4]. Wi-Fi dapat digunakan untuk estimasi posisi dengan memanfaatkan kekuatan sinyal Wi-Fi yang diterima oleh user. Kekuatan sinyal Wi-Fi cenderung tidak stabil meskipun direkam pada waktu yang berbeda-beda [5], perlu dilakukan sampling untuk menentukan kekuatan sinyal pada posisi tertentu. Ada banyak algoritma yang dapat digunakan untuk mencari data sampling terdekat dari dataset yang dihasilkan. KNN merupakan salah satu pendekatan yang dapat digunakan. KNN melakukan fingerprint matching untuk mencari data sampling terdekat. Menggunakan rumus euclidean distance untuk mencari jarak dengan dataset. Artikel ini menangani masalah yang ada pada algoritma KNN dan meningkatkan presisi hasilnya dengan menggunakan skema Cluster Filtered KNN. Cluster Filtered KNN menggunakan sistem pengelompokkan untuk menyaring beberapa dari data sampling yang berada di sekitarnya [6]. Jadi berbeda dengan KNN pada umumnya, sistem voting tidak digunakan untuk menentukan hasil akhir tetapi hasil akhir ditentukan dari perhitungan data sampling yang telah di-filtering dan dikelompokkan menggunakan hierarchical clustering. II. KAJIAN PUSTAKA A. Indoor Positioning System Indoor Positioning System merupakan salah satu sistem yang menerapkan konsep Context-Aware. Sistem ini dapat menemukan posisi obyek di dalam ruangan, baik berupa orang, benda, dan lain-lain. GPS (Global Positioning System) merupakan sistem penentuan posisi yang paling populer, yang paling sering digunakan beberapa aplikasi saat ini. Namun untuk di dalam ruangan, GPS tidak cocok untuk digunakan,
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) hasil yang diperoleh tidak akurat karena keterbatasan yang dimiliki. Oleh karena itu, pada artikel ini aplikasi dibangun menggunakan Wi-Fi dengan memanfaatkan kekuatan sinyalnya. B. Point of Fingerprint Point of fingerprints (POF) merupakan suatu titik yang berisi sekumpulan penanda atau sidik jari (fingerprint) hasil dari sampling yang telah dilakukan sebelumnya pada tiap ruangan [6]. POF ini berupa tipe data tuple pada (1).
(
)
(1)
Variabel q merupakan koordinat POF yang dilakukan sampling , x merupakan posisi sumbu x dan y merupakan posisi sumbu y. Sedangkan n adalah POF dan m adalah jumlah fingerprint pada setiap POF. Variabel rij pada (2) merupakan fingerprint atau sidik jari yang berupa data kekuatan sinyal Wi-Fi yang telah ditentukan sebelumnya dalam satuan -dbm. Konstanta k adalah jumlah Wi-Fi yang digunakan. (2) C. K-Nearest Neighbors Algorithm Algoritma K-Nearest Neighbor merupakan salah satu metode yang digunakan untuk melakukan klasifikasi terhadap obyek berdasarkan data training yang memiliki jarak terdekat dari obyek itu. Data training diproyeksikan ke ruang berdimensi banyak. Setiap ruang dibagi menjadi bagianbagian berdasarkan klasifikasi data training. Sebuah titik pada ruang ini termasuk dalam suatu kelas x, bila kelas x tersebut klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut (voting). Untuk menghitung jaraknya digunakan rumus euclidean distance. Nilai k yang terbaik untuk algoritma ini tergantung pada data. Pada umumnya nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Pemilihan nilai k yang sesuai akan mempengaruhi ketepatan klasifikasi data. Pada artikel ini, algoritma K-Nearest Neighbors digunakan untuk menentukan posisi user dengan menghitung kekuatan sinyal Wi-Fi yang melibatkan semua tetangga terdekat di sekitarnya [7]. Untuk kasus ini tetangga terdekat berupa point of fingerprints. Hal ini dilakukan untuk mencari jarak antara data kekuatan sinyal Wi-Fi yang ditangkap oleh user saat itu dengan data kekuatan sinyal Wi-Fi seluruh point of fingerprints. D. Cluster Filtered KNN Algoritma Cluster Filtered K-Nearest Neighbors memperoleh tetangga k sama halnya dengan algoritma KNN pada umumnya [6]. Dijelaskan pada Tabel 1, tidak seperti KNN yang mengambil semua tetangga terdekatnya dan menggunakan sistem voting, Cluster Filtered K-Nearest Neighbors melakukan filtering untuk menyeleksi tetangga mana saja yang berhak untuk dipilih. Awalnya dengan mencari nilai center of point (average) dari setiap tetangga,
1. 2. 3. 4. 5.
2
Tabel 1 Algoritma Cluster Filtered KNN
Mencari point of fingerprints terdekat sejumlah k dengan menggunakan algoritma K-Nearest Neighbors. Mencari nilai center of cluster dari setiap point of fingerprints yang dihasilkan. Menggunakan clustering alghoritm dengan membagi menjadi beberapa cluster. Pilih satu cluster sesuai dengan CFK Rule. Ambil nilai rata-rata dari koordinat semua anggota pada cluster yang terpilih untuk menemukan lokasi user pada (3). ∑
∑ | |
| |
(3)
C merupakan cluster yang terpilih, dan S merupakan jumlah anggota pada cluster tersebut. CFK Rule: 1. Pilihlah cluster yang memiliki anggota terbanyak. 2. Pilihlah cluster yang memiliki average RSSV distance terkecil apabila dua cluster memiliki anggota yang sama. kemudian menggunakan pengelompokkan menggunakan hierarchical clustering untuk mempartisi ke dalam beberapa kelompok dan hanya satu cluster yang akan terpilih [10]. III. DESAIN DAN PERANCANGAN SISTEM A. Deskripsi Umum Pada artikel ini dibangun suatu aplikasi Indoor Positioning System yang berjalan pada smartphone Android yang memiliki kemampuan untuk mendeteksi posisi user di dalam ruangan dengan menggunakan kekuatan sinyal Wi-Fi. Aplikasi ini bekerja dengan menerima input berupa kekuatan sinyal Wi-Fi yang tertangkap pada posisi user saat itu juga dan mengeluarkan output berupa koordinat posisi user. Sebelumnya dilakukan sampling berupa kekuatan sinyal setiap Wi-Fi yang telah ditentukan pada titik-titik di dalam ruangan dan disimpan di database. Titik ini disebut sebagai POF. Untuk mengetahui posisi dari user berada, aplikasi ini akan merekam secara otomatis kekuatan sinyal yang didapatkan dari posisi user saat itu. Kemudian, dataset akan dikirim ke server untuk dilakukan proses pencocokan dengan POF. Dalam proses pencocokan fingerprint, menggunakan algoritma Cluster Filtered K-Nearest Neighbors. B. Arsitektur Sistem Aplikasi ini dirancang menggunakan server dan client. Smartphone user bertindak sebagai client dan sebuah komputer bertindak sebagai server. Client bertugas mengirimkan data berupa kekuatan sinyal yang tertangkap oleh user saat itu. Kemudian, data tersebut dibungkus lalu dikirim ke server. Sedangkan server bertugas untuk mengolah data kekuatan sinyal yang diterima menggunakan metode CFK dan menyimpan hasilnya di database. Hasil akhir berupa informasi map yang menampilkan posisi user.
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) WEB
SMARTPHONE USER Searching Position Sampling POF
Get Average Coordinate x and y
Update Position
Cluster Filtered KNN
K-Nearest Neighbors
1. Hierarchical Clustering
1. Get k neighbors
2. Central of Cluster
2. Central of Cluster
3
Input: Data Cluster 1 Tentukan jarak antara cluster satu dengan cluster lainnya 2 Gabungkan dua cluster menjadi satu cluster yang memiliki jarak terpendek 3 Menghitung kembali jarak dengan cluster yang baru 4 Jika jarak minimum yang dihasilkan lebih besar dari threshold maka stop, jika tidak lanjutkan kembali tahap 2 Output: Cluster dengan jarak minimum Gambar 2 Pseudocode Algoritma Hierarchical Clustering
terdekat dengan metode K-Nearest Neighbors, proses menentukan nilai central of cluster, proses clustering menggunakan algoritma hierarchical clustering, proses pencocokan dengan CFK Rule, proses mengubah data posisi user, dan proses menampilkan posisi user pada sebuah map.
SERVER
IV. IMPLEMENTASI Show Position
Web Service DATABASE
Gambar 1 Arsitektur Sistem
Berdasarkan perancangan arsitektur sistem pada Gambar 1, informasi posisi user dapat diketahui dengan mendeteksi kekuatan sinyal Wi-Fi yang ditangkap oleh smartphone pada saat itu. Data kekuatan sinyal Wi-Fi dikirim menuju server dan disimpan dalam database. Kemudian, server melakukan proses perhitungan dengan pendekatan algoritma K-Nearest Neighbors. Tahap pertama yakni melakukan fingerprints matching untuk memperoleh POF yang terdekat dengan pendekatan KNN. POF yang terdekat diperoleh dengan mencari jarak terpendek menggunakan euclidean distance of signal strength. Setelah memperoleh POF terdekat, server mengumpulkan tetangga yang sama menjadi satu cluster dan mencari nilai tengahnya (central of cluster). Kemudian, mencari jarak antar cluster seperti pada proses sebelumnya. Tahap kedua yakni melakukan filtering dengan menjalankan CFK untuk memperoleh cluster yang paling mendekati. Proses filtering ini meliputi pengelompokkan cluster dengan algoritma hierarchical clustering dan mencari nilai center of cluster dari setiap cluster yang sama. Output dari proses ini adalah sebuah cluster yang paling mendekati dari posisi user. Langkah terakhir yaitu menghitung koordinat x dan koordinat y untuk menetapkannya sebagai koordinat posisi user. Setelah memperoleh data berupa koordinat user, server melakukan update posisi user di database. Sebuah map yang berisi informasi posisi user ditampilkan dengan mengakses web service. C. Perancangan Alur Sistem Pada sistem terdapat beberapa tahap pemrosesan. Proses utama sistem dilakukan di sisi server. Di sisi client, terdapat proses scanning kekuatan sinyal Wi-Fi, memperoleh MAC Address setiap Wi-Fi dan mengirimkan data kekuatan sinyal ke server. Sedangkan di sisi server, proses pencarian POF
A. Implementasi KNN Memperoleh k Tetangga Terdekat Salah satu fungsi utama yang diperlukan untuk memenuhi kebutuhan fungsional sistem adalah untuk memperoleh POF terdekat sejumlah k. Sebelumnya, untuk memudahkan proses perhitungan, data kekuatan sinyal dilakukan normalisasi. Tahap yang pertama dilakukan yaitu menghitung jarak antara dataset dengan POF menggunakan rumus Euclidean distance. Data jarak yang dihasilkan kemudian di-sorting untuk memperoleh POF yang terdekat. B. Implementasi KNN Menentukan Central of Cluster Setelah memperoleh POF sejumlah k, selanjutnya mendapatkan nilai central of cluster dari gabungan POF yang sama. POF dijadikan menjadi sebuah cluster kemudian data POF yang sama dijadikan satu cluster dan dicari rata-rata kekuatan sinyalnya. Langkah terakhir yakni mencari jarak antar cluster dengan euclidean distance sama seperti proses sebelumnya. C. Implementasi CFK Algoritma Hierarchical Clustering Tahap berikutnya yaitu melakukan filtering dengan mengelompokkan cluster-cluster menggunakan algoritma hierarchical clustering. Input berupa cluster-cluster yang telah dicari nilai center of cluster dan nilai jarak antar cluster. Untuk proses bagaimana algoritma ini berjalan dapat dilihat penjelasan pseudocode pada Gambar 2. Awalnya, menentukan jarak antar satu cluster dengan cluster lainnya. Kemudian, dilakukan proses sorting untuk mencari jarak terpendek. Gabungkan dua cluster menjadi satu cluster yang memiliki jarak terpendek dan hitung kembali jarak cluster yang baru dengan cluster lainnya. Proses dihentikan jika jarak terpendek lebih besar dari threshold yang telah ditentukan. V. UJI COBA DAN EVALUASI A. Uji Coba Fungsionalitas Uji coba fungsionalitas merupakan sebuah pengujian yang dilakukan terhadap jalannya fungsi-fungsi utama pada aplikasi yang telah dibuat. Pengujian dilakukan ke seluruh fungsi baik
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 7 meter
garasi
taman teras
garasi
taman
Jumlah Dataset 1 5 10
teras
14 meter
4
Tabel 2 Hasil Uji Coba Keakuratan Pendeteksian Posisi
Lokasi Titik POF Jarak Fisik (m) 1.594 1.329 0.784
Lokasi Titik Non POF Jarak Fisik (m) 1.806 1.532 1.447
Tabel 3 Persentase Hasil Uji Coba Keakuratan Pendeteksian Posisi
Gambar 3 Map Uji Coba
taman
taman
Jumlah Dataset 1 5 10
Gambar 4 Output Posisi User
itu di sisi client maupun di sisi server. Uji coba dilakukan di sebuah rumah dengan map seperti yang digambarkan pada Gambar 3. Uji coba dilakukan menggunakan 3 buah Wi-Fi yang diletakkan pada ruang tamu, ruang tengah, dan gudang. Dari hasil uji coba, aplikasi mampu melakukan scanning WiFi, mengirimkan data kekuatan sinyal dari client ke server, dan mampu mengolah data kekuatan sinyal menjadi sebuah koordinat posisi user yang ditampilkan seperti pada Gambar 4. B. Uji Coba Performa Uji coba performa dilakukan untuk mengetahui perilaku dari sistem ketika diujicobakan pada keadaan yang sebenarnya. Uji coba ini dilakukan untuk mengetahui waktu pengiriman data ke server, keakuratan aplikasi dalam menentukan posisi, pengaruh aplikasi terhadap energi baterai, dan kecepatan untuk mengolah data di server. Waktu pengiriman data dihitung dengan satuan milliseconds (ms). Interval waktu dimulai ketika client akan mengirimkan data sampai data baru diterima oleh server dan di-insert ke dalam database. Dari hasil uji coba, diperoleh hasil rata-rata waktu pengiriman data yakni sebesar 105 ms. Uji coba untuk mengetahui akurasi pendeteksian posisi dibagi menjadi dua tahap yakni uji coba mendeteksi posisi pada lokasi titik POF dan uji coba mendeteksi posisi pada lokasi titik non POF. Uji coba dilakukan dengan membedakan jumlah data kekuatan sinyal yang digunakan. Jumlah data kekuatan sinyal yang digunakan adalah sebanyak 1, 5, dan 10 data yang dikirimkan ke server. Hasil uji coba ditunjukkan pada Tabel 2 dan Tabel 3. Untuk mengetahui pengaruh aplikasi terhadap energi baterai dilakukan uji coba dengan menjalankan aplikasi selama waktu yang telah ditentukan, kemudian mengamati penurunan energi baterai. Semua aplikasi lain, jaringan internet dan bluetooth dimatikan. Pada uji coba ini dilakukan selama 120 menit. Pengamatan dilakukan setiap 10 menit. Hasil uji coba digambarkan pada Gambar 5. Untuk menghitung kecepatan pengolahan data di server, uji coba dilakukan dengan menggunakan jumlah data yang akan diolah dan waktu pengolahan data dalam satuan milliseconds (ms). Waktu akan dimulai ketika server menemukan data baru. Data baru merupakan data dengan flag bernilai 0. Waktu akan berhenti ketika server tidak menemukan data baru. Uji coba
Lokasi Titik POF
Keakuratan Posisi (%) 84.06 86.71 92.16
Lokasi Titik Non POF Keakuratan Posisi (%) 81.94 84.68 85.53
Pengaruh Aplikasi Terhadap Penggunaan Energi Baterai 150 100 50 0 0 10 20 30 40 50 60 70 80 90 100 110 120
gudang teras
toilet gudang teras
Level (%)
toilet
Waktu (menit) Gambar 5 Grafik Pengaruh Aplikasi Terhadap Energi Baterai
dilakukan dengan jumlah data sebanyak 1, 5, 10, 20 dan 50. Dari hasil uji coba, semakin banyak data yang diolah, maka kecepatan yang dihasilkan semakin tinggi. VI. KESIMPULAN DAN SARAN A. Kesimpulan Dari hasil pengamatan selama perancangan, implementasi, dan proses uji coba perangkat lunak yang dilakukan, penulis mengambil kesimpulan sebagai berikut: 1. Sistem dapat mendeteksi posisi user di dalam ruangan menggunakan kekuatan sinyal Wi-Fi yang ada di sekitarnya dengan fingerprint matching yang terdiri dari proses mencari point of fingerprint terdekat dengan algoritma K-Nearest Neighbors dan filtering dengan algoritma Cluster Filtered KNN. 2. Waktu pengiriman data kekuatan sinyal Wi-Fi dari client ke server relatif sama. Dari hasil uji coba yang telah dilakukan, diperoleh rata-rata pengiriman sebesar 105 milliseconds per data. 3. Jumlah dataset yang digunakan berpengaruh terhadap keakuratan pendeteksian posisi. Jumlah dataset yang lebih besar menghasilkan akurasi yang lebih besar pula. Dari hasil uji coba yang telah dilakukan diperoleh keakuratan sebesar 92,16% untuk 10 data, sebesar
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 86,71% untuk 5 data dan sebesar 84,06% untuk 1 data. Dataset yang dicari nilai rata-ratanya juga berpengaruh terhadap keakuratan pendeteksian posisi. Dataset yang dicari nilai rata-ratanya menghasilkan keakuratan yang lebih kecil. Dari uji coba yang dilakukan dengan 10 dataset, diperoleh keakuratan sebesar 80,12%. 4. Aplikasi tidak boros baterai, energi baterai yang digunakan aplikasi mengalami penurunan yang tidak terlalu signifikan. Dari hasil uji coba selama 120 menit, terjadi penurunan energi baterai sebesar 21%. 5. Jumlah data berpengaruh terhadap kecepatan pengolahan data di server. Semakin banyak data yang diolah, maka kecepatan pengolahan tiap data semakin tinggi. Dari hasil uji coba, kecepatan untuk mengolah 1 data sebesar 0,004854 data/ms, 10 data sebesar 0,006527 data/ms dan 50 data sebesar 0,007883 data/ms. B. Saran Adapun saran-saran yang dapat diberikan untuk pengembangan sistem ini berikutnya adalah: 1. Meningkatkan keakuratan pendeteksian posisi dengan metode lain yang menggabungkan beberapa teknologi seperti infra merah, bluetooth atau RFID agar menghasilkan posisi yang lebih detail. 2. Mengembangkan sistem dengan menggabungkan teknologi GPS. Sistem dapat mendeteksi posisi ketika user berada di outdoor menggunakan GPS, dan otomatis menggunakan Wi-Fi ketika user berada di indoor. 3. Noise pada scanning sinyal Wi-Fi merupakan salah satu permasalahan yang dapat terjadi pada sistem pendeteksian berbasis kekuatan sinyal Wi-Fi. Sehingga metode untuk mengurangi noise tersebut perlu dilakukan. Pengurangan noise berhubungan dengan meningkatnya keakuratan posisi yang dihasilkan. UCAPAN TERIMA KASIH Penulis R.I.P.P mengucapkan terima kasih kepada Allah SWT atas segala nikmat dan rahmat yang telah diberikan. Ucapan terima kasih kepada kedua orang tua dan keluarga yang telah mencurahkan kasih sayang, perhatian, dan doa kepada penulis. Tidak lupa ucapan terima kasih kepada kedua dosen pembimbing, seluruh kerabat dekat, dan berbagai pihak yang telah membantu penulis dalam menyelesaikan artikel ini. DAFTAR PUSTAKA [1] [2]
[3] [4]
Hui Liu, "Survey of Wireless Indoor Positioning Techniques and Systems," Systems, Man, and Cybernetics, vol. 37, no. 6, pp. 1067-1080, November 2007. Gints Jēkabsons, Vadim Kairish, and Vadims Žuravlovs, "An Analysis of Wi-Fi Based Indoor Positioning Accuracy," Publication in a Scientific Journal of the Series of Scientific Journal of RTU, vol. 44, no. 1, pp. 131–137, August 2011. Roy Want, Andy Hopper, Veronica Falcão, and Jonathan Gibbons, "The Active Badge Location System," ACM Transactions on Information Systems (TOIS), vol. 10, no. 1, pp. 91-102, January 1992. Zhe Xiang, "A wireless LAN-based Indoor Positioning Technology," IBM Journal of Research and Development, vol. 48, no. 5.6, pp. 617626, September 2004.
[5] [6] [7]
5
Simon Takens, "Indoor location tracking using Signal Strength Pinpoints," Faculty of Mathematics and Natural Science , pp. 1-64, July 2010. Jun MA, Xuansong Li, Xianping TAO, and Jian LU, "Cluster Filtered KNN: A WLAN-based Indoor Positioning Scheme," World of Wireless, Mobile and Multimedia Networks, vol. 1, pp. 1-8, June 2008. Hsiuping Lin, Ying Zhang, Martin Griss, and Ilya Landa, "WASP: An Enhanced Indoor Locationing Algorithm for a Congested Wi-Fi Environment," Mobile Entity Localization and Tracking in GPS-less Environnments, vol. 5801, pp. 183-196, 2009.
