POLITEKNOSAINS VOL. XI NO. 2
Maret 2013
TEKNIK PERHITUNGAN NILAI RSS IEEE 802.11N UNTUK PENENTUAN LOKASI OBJEK MENGGUNAKAN METODE K-NN Taman Ginting Dosen Politeknik Pratama Mulia Surakarta
ABSTRAK Wireless LAN technology has become in public to enterprise networking and widely applied in various places, ranging from the campus, shops, offices and even public areas. Wireless LAN technology by using the RSS (Received Signal Strength) obtained from the access point (AP). RSS can be applied to estimate the location objects in room. This issues are able to estimate the location of objects with fingerprint method. This research focused on implementation of RSS from 5 Acces point inside and around the Jurusan Teknik Elektro & Teknik Informatika UGM on third floor building. RSS fingerprint collected with different measuring with grid-size 1m x 1m for high accuracy. Location predict of the object is calculated by kNearest Neighbor (k-NN). Phase off-line, visualization map fingerprint result indicates received signal strength measurements is influence by grid sizet. In on-line phase average error distance of the location estimation algorithm is better than the kNN algorith is 4,46 meters. Keywords-component; RSS, Fingerprint, kNN, Localization 1. PENDAHULUAN Sistem lokasi adalah teknologi inti untuk memungkinkan ruang komputasi pervasive yang cerdas (Ahmed, U., et al, 2007). Keberhasilan lokasi posisi di luar gedung (outdoor) dan aplikasi berbasis global positioning system (GPS) menyediakan tempat untuk penelitian dan pengembangan sistem penentuan posisi dalam ruangan. Sayangnya, sistem GPS tidak dapat digunakan secara efektif di dalam gedung dan di daerah perkotaan yang padat karena penerimaan sinyal yang lemah. Tidak seperti daerah di luar ruangan (outdoor), lingkungan di Teknik Perhitungan Nilai RSS IEEE…
dalam ruangan memiliki tantangan yang berbeda di lokasi penemuan karena multipath yang padat dan bangunan yang tinggi (Wilson, M. Y., et al, 2007) (Wilson, M. Y., et al, 2007). Keuntungan utama dari sistem GPS adalah bisa mendapatkan posisi melalui sinyal dari satelit. Tetapi GPS memiliki kelemahan yaitu penerima harus pada line of sight dengan satelit, yang merupakan masalah untuk aplikasi dalam gedung. GPS cocok untuk di luar gedung atau lingkungan outdoor dengan tingkat kesalahan 5 sampai dengan 10 meter. Teknologi
19
POLITEKNOSAINS VOL. XI NO. 2
Maret 2013
lainnya adalah Cellphone. Cellphone cocok untuk lingkungan outdoor dengan prinsip telephone trunk yang memiliki akurasi 50 m dengan biaya yang moderate. Namun, akurasi dari sistem posisi berbasis GSM dalam ruangan sangat dibatasi oleh ukuran sel. Selain itu, efektivitas sistem untuk lingkungan dalam ruangan juga dibatasi oleh multipath dan pelemahan sinyal (Junyang. Z., et al, 2008). Ada banyak sistem posisi dalam ruangan dengan menggunakan teknologi yang berbeda misalnya IEEE 802.11b/g, Bluetooth, RFID, Zigbee, dan UWB (Wilson, M. Y., et al, 2007). 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 (Wilson, M. Y., et al, 2007). Teknologi IEEE 802.11b/g memiliki beberapa keunggulan untuk sistem lokalisasi dalam gedung karena beberapa keutamaan yang dimiliki antara lain kekuatan sinyal yang dapat menembus dinding, sehingga sistem dapat digunakan di lebih dari satu ruangan. Selain itu IEEE 802.11b/g sangat mudah dan cepat untuk diinstal, biayanyapun lebih rendah daripada teknologi lainnya. IEEE 802.11b/g atau WiFi juga dapat digunakan di
tempat-tempat yang bersifat indoor maupun outdoor, dan mendukung perubahan topologi fisik jaringan, WiFi juga memiliki sistem yang memungkinkan jumlah pengguna yang tinggi, sehingga dapat lebih terukur (Garcia, M., et al, 2007). Sistem deteksi lokasi objek di dalam gedung atau ruangan telah menjadi sangat populer dalam beberapa tahun terakhir. Kemajuan utama dalam sistem pendeteksian lokasi di dalam gedung atau ruangan telah dibuat selama sepuluh tahun terakhir (Hui, L., et al, 2007). Teknologi WLAN juga telah memasuki berbagai area aplikasi yang dibutuhkan oleh pengguna secara luas, misalnya area aplikasi konsumen, medis, industri, keselamatan umum, logistik, dan sistem transportasi bersama dengan aplikasi lainnya. Karena perkembangan ini, dapat dipastikan bahwa teknologi wireless telah menjadi salah satu teknologi yang sangat penting dalam kehidupan seharihari. Sehingga kebutuhan akan adanya suatu lokalisasi dalam gedung telah didukung dengan adanya sarana teknologi wireless tersebut. Wireless memiliki daya jangkau sinyal yang cukup besar untuk area lokal terhadap orang yang menggunakan teknologi wireless (misalnya laptop, komputer, ataupun HP) dalam kehidupan seharihari (terutama di kantor). Hal tersebut dapat menjadi salah satu jembatan untuk tercapainya suatu kondisi dimana sistem lokasi dalam gedung tersebut dapat direalisasikan
Teknik Perhitungan Nilai RSS IEEE…
20
POLITEKNOSAINS VOL. XI NO. 2
2. DASAR TEORI Pembandingan prisip pengukuran dan penggunaan algoritma posisi berdasarkan Triangulasi terdiri dari TOA, TDOA, Metode RSS-Based, RTOF, dan Metode POA, serta Metode Angulation yang terdiri dari AOA Estimasi. Berdasarkan Analisis Scene, dengan berbasis RF (Radio Frequency) menggunakan FingerPrint dan penggunaan metode Probabilistik, KNN, Jaringan Syaraf, SUM, dan SMP (Hui.L. dkk, 2007). Tran.D.A. dkk (2009), menjelaskan bahwa dua bidang yang populer didalam metode Machine learning adalah masalah klasifikasi dan masalah regresi. Secara khusus, teknik lokalisasi disajikan dengan menggunakan ide dari metode Kernel. Pendekatan berbasis Machine learning lebih disukai karena kesederhanaan dan persyaratan yang simple. Lokalisasi dari sebuah node adalah independen dari yang lain. Selain itu, informasi terakhir berguna dalam prosedur learning dan sehingganya pendekatan ini sangat cocok untuk aplikasi target pelacakan di mana informasi tentang target pada setiap waktu yang instant sangat jarang, sehingga untuk dapat bekerja secara efektif tidak cukup untuk teknik berbasis geometri. a. Metode
Penyimpulan Lokasi Yang Telah Diindentifikasi Secara umum ada empat fenomena yang biasanya diukur untuk menyimpulkan lokasi yang telah diidentifikasi, yaitu : Time Of Arrival
Teknik Perhitungan Nilai RSS IEEE…
Maret 2013
(TOA) dan Time Difference Of Arrival (TDOA), Angle Of Arrival (AOA), Received Signal Strength (RSS), dan Inertial. (Widyawan, 2009) Menurut Kupper.A (2005) RSS adalah kekuatan sinyal diterima pada penerima jarak jauh dari pemancar. Secara umum, RSS menurun secara proporsional dengan jarak. Jika hubungan jarak ke kekuatan 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. Semua yang diperlukan adalah kemampuan untuk mendapatkan dan membaca RSS, yang disediakan oleh hampir semua perangkat komunikasi nirkabel untuk lokalisasi tersebut. Oleh karena itu sistem dapat diimplementasikan dalam perangkat off-the-shelf. 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 (Widyawan, 2009) b. Pengolahan Data Terukur
Metode pengolahan data yang paling umum untuk menyimpulkan 21
POLITEKNOSAINS VOL. XI NO. 2
lokasi adalah Geometris, Fingerprinting, Proximity, Dead Reckoning. (Widyawan, 2009) Fingerprinting adalah metode untuk pemetaan pengukuran data (misalnya RSS) ke titik-grid yang dikenal di seluruh wilayah cakupan di lingkungan. 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 (Bensky.A, 2008). 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 (Fang, S. H., et al, 2008). Sehingga untuk mengurangi noise dari sebaran sinyal WLAN digunakan perhitungan ratarata dari nilai RSS yang telah diukur selama ± 1 menit 56 detik.
Dimana y merupakan nilai RSS diukur dari m di lokasi yang tetap, m adalah indeks dari AP, m=0, 1, 2, 3, …., m-1. n merupakan indeks waktu Teknik Perhitungan Nilai RSS IEEE…
Maret 2013
diskrit, dan A merupakan proses ratarata terhadap waktu yang indeksnya-n, dan N menunjukkan panjang dari urutan waktu. c. Fingerprint
Fingerprint mengacu pada teknik yang mengeksploitasi hubungan antara setiap stimulus fisik terukur dan lokasi tertentu. Jenis positioning system tidak memerlukan hardware khusus selain antarmuka jaringan yang umum seperti nirkabel dengan kemampuan pengukuran RSS, oleh karena itu relatif mudah diimplementasikan dibandingkan dengan teknik lain. Lokasi fingerprint juga bisa diimplementasikan sebagai positioning system berbasis software yang dapat mengurangi kompleksitas dan biaya. Setiap infrastruktur WLAN yang ada dapat digunakan kembali untuk positioning system. Sistem penentuan posisi tersebut dipandang sebagai solusi yang paling efektif dan layak untuk lingkungan indoor. (Kaemarungsi.K, 2005) Umumnya, penyebaran sistem penentuan posisi berbasis fingerprint dapat dibagi menjadi dua tahap yaitu : Fase of-line atau fase kalibrasi dan fase online. Fase offline merupakan pembuatan peta fingerprint yang dikumpulkan dengan melakukan sebuah pengumpulan kekuatan sinyal (6) yang diterima (RSS) dari beberapa jalur akses (AP). Jarak antara dua posisi fisik terdekat disebut jarak grid dan biasanya disebutkan dalam meter atau kaki. RSS diukur dengan statistik yang cukup untuk membuat database 22
POLITEKNOSAINS VOL. XI NO. 2
atau tabel pola RSS pada poin-poin yang telah ditetapkan dari grid. Database pola RSS disebut peta radio. Vektor nilai RSS pada sebuah titik pada grid disebut lokasi titik fingerprint itu. Dalam Fase online merupakan fase penghitungan nilai estimasi lokasi menggunakan algoritma posisi berdasarkan nilai RSS secara real time terhadap database fingerprint. (Kaemarungsi.K, 2005) Machine learning terdiri dari beberapa algoritma, salah satunya adalah kNN. d. Algoritma
k-Nearest
Neighborhood (kNN) Proses pengenalan posisi yang dilakukan terhadap database fingerprint menggunakan algoritma kNearest Neighborhood (kNN). Algoritma k-NN dilakukan dengan cara menghitung jarak total semua variabel pada data test dengan semua data pada set data training, dengan menggunakan rumus euclidean (Ethem.A, 2010). Kemudian memilih lokasi yang nilai distancenya paling kecil, hal ini menunjukkan bahwa lokasi yang memiliki distance paling kecil merupakan estimasi yang paling mendekati dengan lokasi target. Setelah diperoleh hasil pembelajaran maka dilakukan evaluasi dengan menghitung error jarak dari perkiraan posisi (x,y) pada proses pembelajaran dengan menggunakan rumus euclidean distance dan standar deviasi. Teknik Perhitungan Nilai RSS IEEE…
Maret 2013
(4) SD =
∑x
i
n
−x (5)
e. Teknik Localization
Teknik lokalisasi (gambar 2) 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 (1) peta radio dengan menggunakan algoritma posisi.
23
POLITEKNOSAINS VOL. XI NO. 2
Maret 2013
Gambar 1. Arsitektur sistem localization f. Teknik Perhitungan Metode K-Nearest Neighbour (NN) Dengan menggunakan rumus persamaan (1) yaitu : p Jarak Euclidian = ∑ (rssq − RSSq )2 q =1
Langkah pertama yaitu menghitung selisih data testing dengan data training sesuai dengan atributnya masing-masing, untuk data testing yang pertama yaitu AP1= -63, AP2 = -72, AP3 = -82, AP4 = 100- dan AP5 = -100 dihitung selisihnya terhadap semua data training. Misalkan untuk data training yang pertama yaitu AP1= -53, AP2 = -75, AP3 = -91, AP4 = 100- dan AP5 = -100 :
Jarakeuclidian=
(− 63−(− 53))2 + (− 72−(− 75))2 + (−82−(− 91))2 +(−100−(−100))2 +(−100−(−100))2
Jarakeuclidian = 81 Jarak euclidian = 9
Tabel 1. Hasil jarak euclidian semua data training Jarak Euclidian
Koordinat
AP1
AP2
AP3
AP4
AP5
X=0, Y=12
841
49
81
0
0
31,1608729
X=0, Y=12
841
49
81
0
0
31,1608729
X=1, Y=12
361
4
81
0
0
21,11871208
X=1, Y=12
361
4
81
0
0
21,11871208
X=2, Y=12
100
0
81
0
0
13,45362405
X=2, Y=12
100
0
81
0
0
13,45362405
X=4, Y=12
100
9
81
0
0
13,78404875
X=4, Y=12
100
9
81
0
0
13,78404875 9
X=5, Y=12
64
1
16
0
0
X=5, Y=12
64
1
16
0
0
9
Dari hasil diatas terlihat bahwa nilai euclidian terkecil untuk k=1 diperoleh sebesar 9. Dengan perhitungan diperoleh bahwa : AP1= 53, AP2 = -75, AP3 = -91, AP4 = 100dan AP5 = -100 dengan menggunakan algoritma k-NN diprediksikan berada pada koordinat x=12 dan y=12 yang sebenarnya pada saat pengamatan berada pada koordinat x= 5 dan y=12 berarti terjadi kesalahan estimasi. Untuk data testing lainnya dengan excel diperoleh prediksi sebagai berikut :
Dengan menggunakan perangkat lunak excel diperoleh jarak euclidian untuk semua data training yaitu sebagai berikut :
Teknik Perhitungan Nilai RSS IEEE…
24
POLITEKNOSAINS VOL. XI NO. 2
Tabel 2. Hasil prediksi dengan kNN data training AP1 AP2
AP3
AP4
AP5
Lokasi sebenarnya
Prediksi
-73
-81
-98
-100
-100
X=2, Y=4
X=1, Y=12
-66
-83
-96
-100
-100
X=4, Y=4
X=1, Y=12
-68
-78
-100
-100
-100
X=4, Y=6
X=1, Y=12
-60
-89
-81
-100
-100
X=4, Y=8
X=2, Y=12
-64
-76
-88
-100
-100
X=6, Y=8
X=5, Y=12
-59
-78
-98
-100
-100
X=8, Y=8
X=5, Y=12
-61
-76
-89
-100
-100
X=8, Y=10
X=5, Y=12
-57
-76
-93
-100
-100
X=5, Y=12
-57
-70
-92
-100
-100
-53
-75
-91
-100
-100
X=8, Y=12 X=10, Y=12 X=12, Y=12
Maret 2013
menghilangkan Nilai RSS WLAN dan atribute access point yang berada di luar area lantai 3 Gedung JTETI UGM meskipun sinyal tersebut tertangkap. Lantai 3 Gedung JTETI UGM memiliki 2 (dua) buah akses point. Hasil seluruh rata-rata dari masingmasing 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. Peta fingerprint bisa dilihat pada gambar 3 sampai dengan gambar 6.2 Dimensi lantai adalah 1969,68 m .
X=5, Y=12 X=5, Y=12
g. Tahapan Eksperimen
1. Fase Offline Spesifikasi parameter sistem pengukuran nilai RSS dari multiple access point yang ada di gedung Teknik Elektro dan Teknologi Informasi (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 1 meter x 1 meter. Tahap pengukuran RSS dilakukan dengan menggunakan software NetSurveyor (gambar 3). Pengukuran dilakukan pada titik tengah masing-masing grid. Preposesing data dilakukan dengan Teknik Perhitungan Nilai RSS IEEE…
Gambar 2. Pengukuran RSS dengan menggunakan software NetSurveyor Visualisasi peta fingerprint di lantai 3 Teknik Elektro UGM :
25
POLITEKNOSAINS VOL. XI NO. 2
Maret 2013
Gambar 5. AP RSS Tambahan di Lantai 3 Selatan Gambar 3. AP RSS UGM-Hotspot Lantai 3 Selatan
Gambar 4. AP RSS Tambahan di Lantai 3 Utara
Gambar 6. AP RSS Hotspot pada koridor Lantai 3 Utara
Eksperimen juga dilakukan dengan menambahkan 3 (tiga) buah akses point yang diletakkan secara random diseluruh koridor lantai 3 untuk melihat pengaruh terhadap besarnya jarak. Visualisasi peta fingerprint di lantai 3 Teknik Elektro UGM dengan penambahan 3 buah akses point :
Gambar 7. AP RSS Tambahan di Lantai 3 Tengah
Teknik Perhitungan Nilai RSS IEEE…
26
POLITEKNOSAINS VOL. XI NO. 2
2. 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 kNN. Gambar 8 menunjukkan proses pengukuran secara real time untuk memperoleh nilai estimasi lokasi yang dilakukan dengan cara berjalan.
Maret 2013
fingerprint dengan dilakukan testing terhadap 60 data yang terdapat dalam database fingerprint (20% data testing). Hasil menunjukkan bahwa jarak/euclidean sebesar 6,03 meter dengan standar deviasi sebesar 4,76 meter. Pengujian dengan menggunakan 5 AP memiliki jarak/euclidean sebesar 4,46 meter dengan standar deviasi sebesar 6 meter. Untuk pengujian pada tahap online dapat dilihat pada tabel 1. TABEL 1. HASIL PERBANDINGAN PADA TAHAP ON-LINE Jumlah AP 5 AP
Algoritma kNN Distance Standar Deviasi 4,46 meter 6,00 meter
Gambar trajectory antara lokasi target terhadap estimasi lokasi pada dimensi lantai 1 meter x 1 meter 5 AP dapat dilihat pada gambar 9.
Gambar 8. Pengukuran data RSS dengan cara berjalan 3. HASIL Untuk fingerprint dengan ukuran grid 1 meter x 1 meter dengan 5 buah AP menggunakan algoritma kNN pada fase off-line menggunakan set data training sebesar 80% dari database Teknik Perhitungan Nilai RSS IEEE…
27
POLITEKNOSAINS VOL. XI NO. 2
Gambar 9. Trajectory Estimasi Lokasi Terhadap Lokasi Target dengan menggunakan 5 AP 4. KESIMPULAN Dari hasil penelitian yang telah dilakukan dapat disimpulkan bahwa mengestimasi lokasi objek dalam gedung dapat dilakukan dengan memanfaatkan teknologi Wireless LAN berbasis IEEE 802.11. mengunakan metode fingerprint. Visualisasi fingerprint RSS tiap grid mengalami penyebaran nilai kekuatan sinyal yang berbeda hal ini disebakan oleh waktu dan kondisi lingkungan pengukuran yang berbeda. 1. Tingkat keakurasian dari penelitian menunjukan rata-rata kesalahan jarak estimasi lokasi dan standar deviasi mengunakan algoritma k-NN sebesar 4,46 meter. 2. Tingkat akurasi yang dihasilkan dari sistem estimasi lokasi objek berbasis RSS fingerprint sangat dipengaruhi oleh beberapa hal antara lain orientasi pengukuran RSS, algoritma, serta ukuran grid pengukuran RSS, Hasil penelitian perbedaan jumlah data set memperlihatkan adanya perbedaan hasil jarak kesalahan rata-rata minimum. 5. DAFTAR PUSTAKA Ahmed, U., et al, 2007, A Rapid Development Approach For Teknik Perhitungan Nilai RSS IEEE…
Maret 2013
Signal Strength Based Location System, International Conference On Intellegent Pervasive Computing, 0-7695-30060/07 IEEE Bensky, A., 2008, Wireless Positioning: Technologies and Application, ser. GNSS technology and application series, Artech House Publishers Fang, S. H., et al, 2008, A novel algorithm for multipath Fingerprinting in indoor WLAN environment, IEEE Transactions On Wireless Communications, Vol. 7, No. 9, pp. 3579-3588 Garcia, M., et al, 2007, Wireless Sensors self-location in an Indoor WLAN environment, International Conference on Sensor Technologies and Applications, 0-7695-29887/07 IEEE Hui, L., et al, 2007, Survey of Wireless Indoor Positioning Techniques and Systems, IEEE Transactions On Systems, Man, And Cybernetics—Part C: Applications And Reviews, Vol. 37, No. 6 Thomas, G. D., no year, Machine Learning, Oregon State University, Corvallis Junyang. Z., et al, 2008, Enhancing Indoor Positioning Accuracy By Utilizing Signals From Both The Mobile Phone 28
POLITEKNOSAINS VOL. XI NO. 2
Network And The Wireless Local Area Network, 22nd International Conference on Advanced Information Networking and Applications, IEEE Kaemarungsi, K., 2005, Design Of Indoor Positioning Systems, Based On Location Fingerprinting Technique, Disertasi Widyawan, 2009, Learning Data Fusion for Indoor Localisation, Master Thesis, Department of Electronic Engineering Cork Institute of Technology Wilson, M. Y., et al, 2007, Wireless Lan Positioning Based On
Teknik Perhitungan Nilai RSS IEEE…
Maret 2013
Received Signal Strength From Mobile Device And Access Points, 13th IEEE International Conference on Embedded and Real-Time Computing Systems and Applications (RTCSA 2007), 0-7695-2975-5/07 Wilson, M. Y., et al, 2007, Enhanced Fingerprint-Based Location Estimation System in Wireless LAN Environment, M. Denko et al. (Eds.): EUC Workshops 2007, LNCS 4809, 2007, pp. 273–284.
29
