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 Ruangan? Tidak Menunjukkan Nama Gedung? Terkadang Menunjukkan Ketinggian atau Level Lantai? Tidak 2
Solusi : 3D Indoor Localization 3
Implementasi Indoor Localization Menggunakan 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
Melakukan pendeteksian lokasi dalam ruangan Tidak membutuhkan perangkat keras khusus Cepat Dapat mendeteksi level lantai Dapat mengetahui lokasi pengguna lain 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 setiap ruangan? 2. Bagaimana melakukan pendeteksian lokasi dan level lantai dalam rungan dengan memanfaatkan data kekuatan sinyal serta BSSID dengan menggunakan algoritma Decision Tree? 3. Bagaimana cara pengguna dapat mengetahui lokasi pengguna lain menggunakan sistem ini? 12
Batasan Masalah 1. Memanfaatkan smartphone berbasis Android 2. Implementasi algoritma Decision Tree menggunakan bahasa pemrograman Java. 3. Model Decision Tree hanya dibuat satu kali. 4. Informasi lokasi seseorang dapat diketahui orang lain ketika orang tersebut melakukan pendeteksian lokasi dan setuju bahwa lokasi keberadaannya dapat diketahui orang lain. 5. Lokasi yang akan diuji hanya dalam lingkup kampus Teknik Informatika 13
Alur Implementasi Pengumpulan Data Pembuatan Model Decision Tree Pembuatan Aturan Aturan Pendeteksian Lokasi 14
Arsitektur Umum Sistem Database Server Web Service Smartphone Android 15
Sampling Kekuatan Sinyal 1 Train Area = 120cm x 120cm 3 Kali Scan Setiap Train Area 16
Decision Tree 17
Ruang 1 BSSID : 58971ea38010 Kekuatan : -45 BSSID : 58971ea38010 Kekuatan : -45 BSSID : 58971ea38010 Kekuatan : -45 Ruang 3 Ruang 2 18
BSSID Pembuatan Aturan IF105B fadfa88349cd bssid = fadfa88349cd ssmin = -100 ssmax = 0 lokasi = IF105B 6cf37fc04dc2-56 SS -67 >-67 SS >-56 SS RBTC IF106 bssid = 6cf37fc04dc2 ssmin = -100 ssmax = -67 lokasi = RBTC bssid = 6cf37fc04dc2 ssmin = -100 ssmax = -67 lokasi = IF106 IF105A IF104 IF108 bssid = 6cf37fc04dc2 ssmin = -68 ssmax = -56 lokasi = IF105A bssid = 6cf37fc04dc2 ssmin = -68 ssmax = -56 lokasi = IF104 bssid = 6cf37fc04dc2 ssmin = -68 ssmax = -56 lokasi = IF108 19
Pendeteksian Lokasi 3 data sinyal dari 3 access point berbeda bssida, -30 IF112 bssidb, -70 IF112, Musholla, IF106, IF105B bssidc, -60 IF112, Plasa Baru, IF103 20
Pendeteksian Lokasi Lokasi Frekuensi IF112 3 Musholla 1 IF112 IF106 1 Lantai 1 IF105B 1 Plasa Baru 1 IF103 1 21
Pendeteksian Lokasi Lokasi Frekuensi IF112 3 IF112 atau IF105B Musholla 1 IF106 1 Lantai 1 IF105B 3 Plasa Baru 1 IF103 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 Percobaan Setiap Test Area 26
Lokasi Uji Coba (Area Tengah) 27
Hasil Uji Coba Pendeteksian Lokasi Akurasi Area Tengah (%) Akurasi (%) IF111 Lab Komputasi Grid IF103 Musholla Lab RPL IF105A IF104 IF106 IF105B Lab NCC Lab VIP IF102 Lab Sistem Cerdas RBTC IF112 AJK Lab Pemrograman II IF108 Plasa Lama Plasa Baru Lab Pemrograman Rata Rata = 72,05 % Rata Rata = 74,90 % 0 20 40 60 80 100 120 28
Hasil Pendeteksian Level Lantai Rata Rata = 98,88 % IF111 Lab Komputasi Grid IF103 Musholla Lab RPL IF105A IF104 IF106 IF105B Lab NCC Lab VIP IF102 Lab Sistem Cerdas RBTC IF112 AJK Lab Pemrograman II IF108 Plasa Lama Plasa Baru Lab Pemrograman 86 88 90 92 94 96 98 100 102 29
Lokasi Uji Coba Lokasi Lain yang Terdeteksi Lokasi Lain yang Lokasi Lain yang (1) Terdeteksi (2) 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 9 Radius antara 2,4 meter 21,6 meter (kelipatan 2,4 meter) Seluruh Test Area di 21 Lokasi Uji Coba 31
Uji Coba Perbesaran Radius Ketelitian (Hasil) Sebelum Perbesaran Sesudah Ruang IF103 4,8 meter Musholla 9,6 meter 32
Uji Coba Perbesaran Radius Ketelitian (Hasil) Sebelum Perbesaran Sesudah Ruang IF111 7,2 meter Lab Komputasi Grid 7,2 meter 33
Kecepatan Decision Tree < 1 detik diubah menjadi Rules Melakukan query 5 detik 1 Kali Dibuat Selama Sistem Digunakan Database Server < 1 detik Web Service Request Tergantung provider internet 34
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 untuk meningkatkan akurasi pendeteksian lokasi 38
Sekian Terimakasih 39