implementasi indoor localization menggunakan sinyal wi-fi...
TRANSCRIPT
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 LocalizationMenggunakan 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
Tidak membutuhkan perangkat keras khusus
Cepat
Dapat mendeteksi level lantai
Dapat mengetahui lokasi pengguna lain
Melakukan pendeteksian lokasi dalam ruangan
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 setiapruangan?
2. Bagaimana melakukan pendeteksian lokasi dan level lantai dalamrungan dengan memanfaatkan data kekuatan sinyal serta BSSIDdengan menggunakan algoritma Decision Tree?
3. Bagaimana cara pengguna dapat mengetahui lokasi pengguna lainmenggunakan sistem ini?
12
Batasan Masalah
1. Memanfaatkan smartphone berbasis Android
2. Implementasi algoritma Decision Tree menggunakan bahasapemrograman Java.
3. Model Decision Tree hanya dibuat satu kali.
4. Informasi lokasi seseorang dapat diketahui orang lain ketika orangtersebut melakukan pendeteksian lokasi dan setuju bahwa lokasikeberadaannya dapat diketahui orang lain.
5. Lokasi yang akan diuji hanya dalam lingkup kampus TeknikInformatika
13
Alur Implementasi
PengumpulanData
PembuatanModel
Decision Tree
PembuatanAturan – Aturan
PendeteksianLokasi
14
Arsitektur Umum Sistem
Web Service
Database Server
Smartphone Android
15
SamplingKekuatan Sinyal
1 Train Area =
120cm x 120cm
3 Kali ScanSetiap Train Area
16
Decision Tree
17
Ruang 1
Ruang 2Ruang 3
BSSID : 58971ea38010Kekuatan : -45
BSSID : 58971ea38010Kekuatan : -45 BSSID : 58971ea38010
Kekuatan : -45
18
PembuatanAturan
BSSID
SS
SS SS
RBTCIF106
IF105AIF104IF108
IF105B
bssid = ssmin = -100ssmax = 0lokasi = IF105B
fadfa88349cd
bssid = ssmin = -100ssmax = -67lokasi = RBTC
bssid = 6cf37fc04dc2ssmin = -100ssmax = -67lokasi = IF106
6cf37fc04dc2bssid = ssmin = -68ssmax = -56lokasi = IF105A
bssid = 6cf37fc04dc2ssmin = -68ssmax = -56lokasi = IF104
bssid = 6cf37fc04dc2ssmin = -68ssmax = -56lokasi = IF108
6cf37fc04dc2
fadfa88349cd 6cf37fc04dc2
≤-56
≤-67 >-67
>-56
19
Pendeteksian Lokasi
20
3 data sinyal dari 3 access point berbeda
• bssidA, -30
• bssidB, -70
• bssidC, -60
IF112
IF112, Musholla, IF106, IF105B
IF112, Plasa Baru, IF103
Pendeteksian Lokasi
Lokasi Frekuensi
IF112 3
Musholla 1
IF106 1
IF105B 1
Plasa Baru 1
IF103 1
IF112Lantai 1
21
Pendeteksian Lokasi
Lokasi Frekuensi
IF112 3
Musholla 1
IF106 1
IF105B 3
Plasa Baru 1
IF103 1
IF112 atau IF105BLantai 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 PercobaanSetiap Test Area
26
Lokasi Uji Coba (Area Tengah)
27
Rata – Rata = 72,05 %
28
0 20 40 60 80 100 120
Lab Pemrograman
Plasa Baru
Plasa Lama
IF108
Lab Pemrograman II
AJK
IF112
RBTC
Lab Sistem Cerdas
IF102
Lab VIP
Lab NCC
IF105B
IF106
IF104
IF105A
Lab RPL
Musholla
IF103
Lab Komputasi Grid
IF111
Hasil Uji Coba Pendeteksian Lokasi
Akurasi Area Tengah (%) Akurasi (%)
Rata – Rata = 74,90 %
Hasil Pendeteksian Level Lantai
Rata – Rata = 98,88 %
29
86 88 90 92 94 96 98 100 102
Lab Pemrograman
Plasa Baru
Plasa Lama
IF108
Lab Pemrograman II
AJK
IF112
RBTC
Lab Sistem Cerdas
IF102
Lab VIP
Lab NCC
IF105B
IF106
IF104
IF105A
Lab RPL
Musholla
IF103
Lab Komputasi Grid
IF111
Lokasi Uji CobaLokasi Lain yang Terdeteksi
(1)
Lokasi Lain yang
Terdeteksi (2)
Lokasi Lain yang
Terdeteksi (3)
Musholla IF102 IF103 IF105B
IF102 Musholla IF103 IF104
IF103 IF104 IF102 IF105B
IF104 IF105B IF103 -
IF105A IF105B RBTC IF104
IF105B IF104 IF105A Musholla
IF106 IF112 RBTC IF105A
RBTC IF103 Plasa Baru Tidak Diketahui
IF108 Plasa Baru RBTC -
IF111 IF112 IF103 Tidak Diketahui
IF112 IF111 - -
Plasa Lama - - -
Plasa Baru - - -
Lab RPL Lab NCC Lab Sistem Cerdas Lab Pemrograman
Lab NCC Lab Sistem Cerdas Lab RPL Lab Pemrograman
Lab Sistem Cerdas Lab NCC - -
Lab Pemrograman - - -
Lab AJK Lab VIP - -
Lab VIP Lab AJK - -
Lab Pemrograman II Lab Komputasi Grid - -
Lab Komputasi Grid Lab Pemrograman II - -
30
Uji Coba Perbesaran Radius Ketelitian
31
9 Radius antara
2,4 meter – 21,6 meter (kelipatan 2,4 meter)
Seluruh Test Area di 21 Lokasi Uji Coba
Uji Coba Perbesaran Radius Ketelitian (Hasil)
Ruang IF103
Musholla
32
4,8 meter
9,6 meter
Perbesaran SesudahSebelum
Uji Coba Perbesaran Radius Ketelitian (Hasil)
Ruang IF111
Lab Komputasi Grid
33
7,2 meter
7,2 meter
Perbesaran SesudahSebelum
Kecepatan
Decision Tree diubah menjadi
5 detik1 Kali Dibuat
Selama Sistem Digunakan
Rules Melakukan query
< 1 detikDatabase Server Web Service
Request
Tergantung provider internet
34
< 1 detik
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 untukmeningkatkan akurasi pendeteksian lokasi
38
SekianTerimakasih
39