ESTIMASI POSISI PADA GEDUNG BERTINGKAT MENGGUNAKAN METODE FINGERPRINT BERDASARKAN DEEP NEURAL NETWORK

(1)

ESTIMASI POSISI PADA GEDUNG

BERTINGKAT MENGGUNAKAN METODE

FINGERPRINT BERDASARKAN DEEP

NEURAL NETWORK

OLEH:

PRINITA AYUNINGTIAS 09011381520061

JURUSAN SISTEM KOMPUTER

FAKULTAS ILMU KOMPUTER

UNIVERSITAS SRIWIJAYA

2019

(2)

(3)

(4)

(5)

KATA PENGANTAR

Puji dan syukur penulis ucapkan kepada Allah Subhanahu wa Ta’ala, karena berkat rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan Tugas Akhir yang berjudul “Estimasi Posisi Pada Gedung Bertingkat Menggunakan Metode Fingerprint Berdasarkan Deep Neural Network”

Dalam tugas akhir ini penulis menjelaskan mengenai Pemodelan untuk estimasi posisi pada gedung bertingkat dengan menggunakan metode fingerprint berdasarkan Deep Neural Network. Penulis berharap tulisan ini dapat bermanfaat bagi banyak orang dan menjadi bahan bacaan yang baik bagi yang tertarik dalam bidang Jaringan Komputer.

Selama penulis menyelesaikan tugas akhir ini, banyak pihak – pihak yang telah membantu penulis. Oleh karena itu penulis ingin mengucapkan terima kasih yang sedalam dalamnya atas bantuan dan bimbingan yang diberikan kepada penulis ditujukan kepada :

1. Kepada Allah S.W.T atas rahmatnya, masih diberi umur yang panjang dan masih bisa menyelesaikan tugas akhir ini.

2. Kepada kedua orang tua penulis, adik dan keluarga penulis yang telah memberi support serta semangat kepada penulis untuk menyelesaikan tugas akhir ini.

3. Bapak Jaidan Jauhari, S.Pd., M.T selaku Dekan Fakultas Ilmu Komputer Universitas Sriwijaya.

4. Bapak Rossi Passarella, S.T., M.Eng selaku Kepala Jurusan Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya.

5. Bapak Huda Ubaya, S.T., M.T. selaku Pembimbing Akademik, yang telah membimbing penulis dalam bidang akademik selama perkuliahan. 6. Bapak DR. Reza Firsandaya Malik, M.T. selaku Pembimbing I Tugas

Akhir Penulis, yang telah membimbing penulis dalam menyelesaikan tugas akhir ini.

7. Bapak Firdaus, S.T., M.Kom. selaku Pembimbing II Tugas Akhir Penulis, yang telah membimbing penulis dalam menyelesaikan tugas akhir ini.

(6)

8. Saudara Muhammad Syafriansyah yang telah memberi support penulis selama perkuliahan hingga selesainya tugas akhir ini.

9. Teman seperjuangan Sistem Komputer Unggulan angkatan 2015 yang tidak dapat penulis sebutkan satu persatu.

Dalam penulisannya, penulis menyadari bahwa tugas akhir yang dibuat tidak terlepas dari kesalahan dan kekurangan. Oleh karena itu, penulis akan dengan sangat menerima jika ada masukan, kritik dan saran yang bersifat membangun terhadap tugas akhir yang telah dibuat, demi memperbaiki kekurangan maupun kesalahan dalam penulisan laporan ini dan kedepannya.

Palembang, November 2019

(7)

DAFTAR ISI

Halaman

HALAMAN JUDUL ... i

LEMBAR PENGESAHAN ... ii

HALAMAN PERSETUJUAN ... iii

HALAMAN PERNYATAAN ... iv HALAMAN PERSEMBAHAN... v KATA PENGATAR ... vi ABSTRAK ... viii DAFTAR ISI ... x DAFTAR GAMBAR ... xv DAFTAR TABEL... xx

DAFTAR LAMPIRAN ... xxiii

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Perumusan Masalah dan Batasan Masalah 1.2.1 Perumusan Masalah ... 2

1.2.2 Batasan Masalah ... 3

1.3 Tujuan dan Manfaat 1.3.1 Tujuan ... 3

1.3.2 Manfaat ... 3

1.4 Metodologi Penelitian ... 4

1.5 Sistematika Penulisan ... 6

BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan ... 7

2.2 Localication Based Service ... 7

(8)

2.3.1 Komponen Wireless Local Area Network ... 9

2.4 Sistem Estimasi Posisi ... 10

2.4.1 Sistem Estimasi Posisi Berbasis WiFi ... 10

2.5 Teknik RSS Fingerprint ... 11

2.6 Received Signal Strength Indicator ... 12

2.7 Kecerdasan Buatan ... 13 2.7.1 Fuzzy Logic ... 13 2.7.2 Evolutionary Computing ... 13 2.7.3 Machine Learning ... 13 2.7.4 Deep Learning ... 14 2.8 Neural Network ... 14

2.9 Deep Neural Network ... 15

2.10 Regresi ... 17

2.11 Statistik ... 18

BAB III METODOLOGI PENELITIAN 3.1 Pendahuluan ... 19

3.2 Kerangka Kerja Penelitian ... 20

3.3 Flowchart Sistem Estimasi Posisi ... 21

3.4 Perangkat Lunak dan Perangkat Keras yang Digunakan ... 24

3.4.1 Perangkat Lunak yang Digunakan ... 26

3.4.2 Perangkat Keras yang Digunakan ... 27

3.5 Tahap Offline Sistem Estimasi Posisi ... 27

3.5.1 Skenario : Percobaan 1 ... 28

3.5.2 Skenario : Percobaan 2 ... 31

3.5.3 Skenario : Percobaan 3 ... 34

3.5.3.1 RFKON Database Berbasis Anchor ... 34

3.5.3.1.1 RFKON_AB_WiFi ... 34

3.5.3.1.2 RFKON_AB_BT ... 35

3.5.3.1.3 RFKON_AB_BLE ... 35

(9)

3.5.3.2.1 RFKON_MB_WiFi ... 37

3.5.3.2.2 RFKON_MB_BT ... 37

3.5.3.2.3 RFKON_MB_MagneticField ... 38

3.5.3.3 Sisten Pada RFKON Database ... 38

3.5.3.4 Perancangan Sistem RFKON Database ... 39

3.6 Tahap Online Menggunakan Deep Neural Network ... 41

3.6.1 Preprocessing Data ... 41

3.6.1.1 Pemilihan Fitur dan Label Data ... 41

3.6.1.2 Normalisasi Data ... 41

3.6.1.3 Set Data ... 42

3.6.2 Klasifikasi ... 42

3.6.3 Arsitektur Deep Neural Network ... 42

3.6.4 Fungsi Aktivasi ... 43

3.6.5 Confusion Matrix ... 44

BAB IV HASIL DAN ANALISIS 4.1 Pendahuluan ... 47

4.2 Pengujiian Tahap Online ... 48

4.2.1 Analisis Data ... 48

4.2.1.1 Rata-rata Kekuatan Sinyal Skenario : Percobaan 1 ... 49

4.2.1.2 Rata-rata Kekuatan Sinyal Skenario : Percobaan 2 ... 51

4.2.2 Preprocessing Data... 53

4.2.2.1 Pemilihan Fitur dan Label Data ... 54

4.2.2.2 Normalisasi Data ... 60

4.2.3 Arsitektur Deep Neural Network ... 62

4.2.3.1 Skenario : Percobaan 1 ... 62

4.2.4 Perhitungan Matematik Deep Neural Network Percobaan 1 ... 69

4.2.4.1 Percobaan 1 Model 1 ... 69

(10)

4.2.4.3 Percobaan 1 Model 3 ... 73

4.2.5 Pemodelan Input Layer ke Hidden layer 1 Percobaan 1 Model 1 .... 75

4.2.5.1 Pemodelan Hidden layer 1 ke Hidden layer 2

Percobaan 1 Model 1 ... 77 4.2.5.2 Pemodelan Hidden layer 2 ke Hidden layer 3

Percobaan 1 Model 1 ... 78

4.2.5.3 Pemodelan Hidden layer 3 ke Output Layer

Percobaan 1 Model 3 ... 92 4.2.8 Perhitungan Matematik Deep Neural Network Percobaan 3 ... 94

4.2.8.1 Pemodelan Input Layer ke Hidden Layer 1

Percobaan 3 ... 96 4.2.8.2 Pemodelan Hidden Layer 1 ke Hidden Layer 2

Percobaan 3 ... 98 4.2.8.3 Pemodelan Hidden Layer 2 ke Hidden Layer 3

Percobaan 3 ... 99

4.2.8.4 Pemodelan Hidden Layer 3 ke Output Layer

(11)

4.2.9 Hasil Percobaan Skenario : Percobaan 1 ... 103

4.2.9.1 Hasil Percobaan 1 Model 1 ... 103

4.2.9.1.1 Hasil Output Deep Neural Network Percobaan 1 Model 1 ... 104

4.2.11.1 Hasil Output Deep Neural Network Percobaan 3... 116

4.3 Analisa Hasil Percobaan ... 117

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 119

5.2 Saran ... 120

(12)

DAFTAR TABEL

Halaman

Tabel 3.1 Informasi Access Points yang Digunakan Pada Lantai 1 ... 29

Tabel 3.7 Informasi Mobile yang Digunakan ... 36

Tabel 4.1 Presentase Nilai Kekuatan Sinyal ... 49

Tabel 4.2 Rata-rata Kekuatan Sinyal Pada Lantai 1 ... 50

Tabel 4.8 Fitur Data Fasilkom Pada Lantai 1 ... 54

Tabel 4.11 Label Data Fasilkom Lantai 1 ... 55

Tabel 4.12 Label Data Fasilkom Lantai 2 ... 56

(13)

Tabel 4.14 Fitur Data RFKON ... 57

Tabel 4.15 Label Data RFKON ... 58

Tabel 4.16 Jabaran Arsitektur Percobaan 1 Model 1 ... 62

Tabel 4.22 Jabaran Arsitektur Percobaan 3 ... 68

Tabel 4.23 Contoh Nilai Input Layer Percobaan 1 Model 1 ... 70

Tabel 4.24 Hasil Normalisasi Data Percobaan 1 Model 1 ... 70

Tabel 4.25 Nilai Bobot dan Bias Percobaan 1 Model 1 ... 70

Tabel 4.26 Hasil Dari Perhitungan Bobot dan Bias Percobaan 1 Model 1 ... 71

Tabel 4.35 Contoh Nilai Input Layer Percobaan 3 ... 94

(14)

Tabel 4.37 Nilai Bobot dan Bias Percobaan 3 ... 95

Tabel 4.38 Hasil Dari Perhitungan Bobot dan Bias Percobaan 3 ... 96

Tabel 4.39 Pengaturan Pada Pemodelan Percobaan 1 Model 1 ... 103

Tabel 4.40 Performa Percobaan 1 Model 1 ... 104

Tabel 4.51 Pengaturan Pada Pemodelan Percobaan 3 ... 115

(15)

DAFTAR GAMBAR

Halaman

Gambar 1.1 Skema Metodologi Penelitian ... 5

Gambar 2.1 Kerja GPS Pada Luar Ruangan dan Dalam Ruangan ... 8

Gambar 2.2 Komponen Wireless Local Area Network ... 10

Gambar 2.3 Framework sistem estimasi posisi dalam ruangan berbasis fingerprint ... 11

Gambar 2.4 Nilai RSS Pada network discovery ... 13

Gambar 2.5 Arsitektur Neural Network ... 15

Gambar 2.6 Garis Non-Linear Deep Neural Network ... 16

Gambar 2.7 Arsitektur Deep Neural Network ... 17

Gambar 2.8 Garis Regresi ... 18

Gambar 3.1 Rancangan Sistem Estimasi Posisi ... 19

Gambar 3.2 Kerangka Kerja Penelitian ... 21

Gambar 3.3 Flowchart tahap offline ... 22

Gambar 3.4 Flowchart tahap online ... 23

Gambar 3.5 Flowchart Sistem Estimasi Posisi ... 24

Gambar 3.6 Sketsa Lokasi Lantai 1 Pengambilan Data ... 25

Gambar 3.9 Capture Hasil Scan Logging ... 26

(16)

Universitas Sriwijaya, Inderalaya ... 27

Gambar 3.11 Ilustrasi Titik Referensi Pada Lantai 1 ... 28

Gambar 3.17 Informasi pada Database RFKON_AB_WiFi ... 34

Gambar 3.18 Informasi pada Database RFKON_AB_BT ... 35

Gambar 3.19 Informasi pada Database RFKON_AB_BLE ... 36

Gambar 3.20 Informasi pada Database RFKON_MB_WiFi ... 37

Gambar 3.21 Informasi pada Database RFKON_MB_BT ... 38

Gambar 3.22 Informasi pada Database RFKON_MB_MagneticField ... 38

Gambar 3.23 Arsitektur RFKON... 39

Gambar 3.24 Sketsa Area Pada Lantai 1 Data RFKON ... 40

Gambar 3.25 Sketsa Area Pada Lantai 2 Data RFKON ... 40

Gambar 4.1 Struktur Data FASILKOM ... 47

Gambar 4.2 (a) Capture Data FASILKOM Sebelum Normalisasi ... 60

(b) Capture Data FASILKOM Setelah Normalisasi ... 61

Gambar 4.3 (a) Capture Data RFKON Sebelum Normalisasi ... 61

(b) Capture Data RFKON Setelah Normalisasi... 62

Gambar 4.4 Ilustasi Arsitektur DNN Percobaan 1 Model 1 ... 63

(17)

Gambar 4.6 Ilustrasi Arsitektur DNN Percobaan 1 Model 3 ... 65

Gambar 4.10 Ilustrasi Arsitektur DNN Percobaan 3 ... 69

Gambar 4.11 Ilustrasi Pemodelan Input Layer ke Hidden layer 1 Percobaan 1 Model 1 ... 76

Gambar 4.12 Ilustrasi PemodelanHidden layer 1 ke Hidden layer 2 Percobaan 1 Model 1 ... 78

Gambar 4.13 Ilustrasi Pemodelan Hidden layer 2 ke Hidden layer 3 Percobaan 1 Model 1 ... 79

Gambar 4.14 Ilustrasi Pemodelan Hidden layer 3 ke Output Layer Percobaan 1 Model 1 ... 81

Gambar 4.18 Ilustrasi Pemodelan Hidden layer 3 ke Output Layer Percobaan 1 Model 2 ... 8

(18)

Gambar 4.20 Ilustrasi Pemodelan Hidden layer 1 ke Hidden layer 2

Gambar 4.22 Ilustrasi Pemodelan Hidden layer 3 ke Output Layer

Gambar 4.23 Ilustrasi Pemodelan Input Layer ke Hidden layer 1

Percobaan 3 ... 97

Percobaan 3 ... 99

Percobaan 3 ... 100

Gambar 4.26 Ilustrasi Pemodelan Hidden layer 3 ke Output Layer

Percobaan 3 ... 102

Gambar 4.27 Hasil Output Deep Neural Network

(19)

(20)

DAFTAR LAMPIRAN

Lampiran 1 Code Percobaan 1 Lampiran 2 Code Percobaan 2 Lampiran 3 Code Percobaan 3

(21)

(22)

(23)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Berkembangnya komunikasi nirkabel dan telpon seluler yang menampilkan

Global Positioning System (GPS) dan Location Based Services (LBS) menjadi

salah satu layanan dengan pertumbuhan tercepat. Pada Location Based Services (LBS) pengguna ponsel dapat mengirim permintaan sebuah lokasi ke Location

Service Provider (LSP) atau layanan penyedia lokasi [1]. Pada penggunaannya Global Positioning System (GPS) tidak disarankan untuk digunakan didalam

ruangan, karena sinyal GPS akan terganggu oleh dinding atau penghalang lainnya sehingga akurasi posisi akan berkurang. Seiring dengan kemajuan teknologi nirkabel dan teknologi jaringan lokal informasi sebuah lokasi bisa diterapkan di dalam ruangan [2]. Selain menggunakan GPS, beberapa teknologi nirkabel yang biasa digunakan untuk estimasi posisi antara lain Bluetooth, Zigbee, Ultra- wideband, WiFi. Sebagian besar penelitian tentang estimasi posisi didalam ruangan berbasis Wireless Local Area Network (WLAN) yang mencakup nilai dari kekuatan sinyal yang diterima oleh sebuah perangkat atau Received Signal Strengh (RSS) [3]. Metode fingerprint berbasis RSS merupakan salah satu metode yang bisa

digunakan. RSS fingerprint menggunakan teknologi nirkabel dengan

memanfaatkan teknologi WiFi di sebuah lokasi. RSS yang diamati akan menentukan lokasi yang spesifik sesuai dengan peta fingerprint [4].

Penggunaan metode fingerprint yang digunakan untuk estimasi posisi didalam ruangan telah dilakukan pada beberapa penelitian sebelumnya. Diantaranya G.Yang & S.Fu yang berjudul Research on Indoor Location Algorithm

Based on WiFi menunjukkan hasil bahwa algoritma Weighted K-Nearst Neighbor

(WK-NN) yang digunakan memiliki peningkatan yang lebih besar dalam akurasi posisi. Pada tulisan ini pelenitian dilakukan disebuah ruangan berukuran 16m x 12m [2]. Menurut penelitian Duan , Yaoxin dkk yang berjudul Data Rate Fingerprinting

(24)

menggambarkan data rate fingerprint dapat mencapai akurasi lokalisasi yang sebanding dengan RSS/CSI dan dapat mencapai lokalisasi pasif. Pada tulisan ini penelitian dilakukan di lantai 2 gedung MMW, Universitas City Hongkong dengan area 25m x 25m [5]. Penelitian selanjutnya [6] melakukan penelitian dengan menggunakan metode Deep Neural Network (DNN) dan berhasil meningkatkan metode fingerprint untuk estimasi posisi didalalam ruangan yang dilakukan pada lantai 1 sebuah gedung dengan 4 ruangan.

Pada penelitian [7] melakukan penelitian estimasi posisi didalam ruangan dengan menggunakan kombinasi metode klasifikasi algoritma Fuzzy dan K-Nearest

Neighbor (K-NN) untuk meningkatkan akurasi estimasi posisi dengan presentase

akurasi yang didapat 76%. Selanjutnya pada penelitian [8] melakukan penelitian estimasi posisi menggunakan alogirtma Naïve Bayes dengan menggunakan perhitungan probabilitas yaitu melaukan estimasi posisi dengan indikator tertinggi. Salah satu kekurangan pada penelitian sebelumnya peneliti hanya melakukan penelitian pada lantai 1 sebuah gedung saja. Hal inilah yang menjadi latar belakang penelitian estimasi posisi agar dapat dikembangkan pada gedung bertingkat.

1.2 Perumusan Masalah dan Batasan Masalah

1.2.1 Perumusan Masalah

Adapun perumusan masalah yang dibahas pada tugas akhir ini adalah: 1. Bagaimana tingkat akurasi sistem estimasi posisi menggunakan

metode Deep Neural Network (DNN) pada objek gedung bertingkat dengan metode perlantai.

2. Bagaimana perbedaan antara tingkat akurasi antara posisi objek

sesungguhnya dan posisi objek yang diprediksi dengan menggunakan metode Deep Neural Network (DNN) pada metode gedung bertingkat.

(25)

Adapun batasan masalah yang dibahas pada tugas akhir ini adalah : 1. Data yang digunakan untuk penelitian diambil pada Gedung D

Jurusan Sistem Komputer, Fakultas Ilmu komputer, Universitas Sriwijaya, Inderalaya.

2. Menggunakan objek gedung bertingkat dengan metode penelitian perlantai.

3. Menggunakan data pembanding dari RFKON_MB_WiFi.

4. Teknik RSS fingerprint yang digunakan dibagi menjadi 2 tahap yaitu, tahap offline dan tahap online.

5. Tahap offline merupakan tahap perancangan, sedangkan tahap online merupakan implementasi sistem menggunakan Deep Neural

Network (DNN).

1.3 Tujuan dan Manfaat

1.3.1 Tujuan

Adapun tujuan yang hendak dicapai pada tugas akhir ini adalah :

1. Membangun sistem estimasi posisi pada gedung bertingkat dengan

menggunakan metode Deep Neural Network (DNN).

2. Menerapkan algoritma Deep Neural Network (DNN) untuk estimasi posisi sebuah objek pada gedung bertingkat.

3. Menganalisis pengaruh titik referensi yang digunakan untuk

akurasi estimasi posisi pada gedung bertingkat dengan menggunakan Deep Neural Network (DNN).

1.3.2 Manfaat

Adapun manfaat yang dapat diambil pada tugas akhir ini adalah : 1. Mempermudah dalam kehidupan sehari-hari untuk menentukan

informasi posisi sebuah objek.

2. Mengetahui tingkat akurasi dalam sistem estimasi posisi dengan menggunakan Deep Neural Network (DNN) pada gedung bertingkat.

(26)

1.4 Metodologi Penelitian

Metode penelitian ini akan dibagi dalam beberapa tahap yaitu : 1. Tahap pertama (Kajian Pustaka/Literatur)

Tahap pertama akan dilakukan studi pustaka tentang sistem estimasi posisi objek dengan menggunakan Deep Neural Network (DNN)

2. Tahap Kedua (Perancangan)

Tahap kedua ini adalah tahap perancangan pengambilan data RSSI menggunakan Access Points (APs) gedung bertingkat Fakultas Ilmu Komputer, Universitas Sriwijaya.

3. Tahap Ketiga (Pengumpulan Data)

Tahap ketiga ini adalah pengambilan nilai RSS pada Access Points (APs) di titik referensi yang akan digunakan sebagai database.

4. Tahap Keempat (Proses Data)

Tahap keempat ini adalah tahap pembagian pemrosesan data yang akan digunakan untuk tujuan yang berbeda-beda.

5. Tahap Kelima (Implementasi Data)

Tahap kelima adalah tahap untuk mengimplementasikan data yang telah diproses untuk estimasi posisi pada gedung bertingkat.

6. Tahap Keenam (Proses Analisa Hasil)

Tahap keenam adalah tahap untuk menganalisa akurasi hasil dari pengujian estimasi posisi objek setelah mendapatkan hasil yang telah dilakukan.

7. Tahap Ketujuh (Proses Penarikan Kesimpulan dan Saran)

Tahap ketujuh adalah tahap yang dibutuhkan untuk penarikan kesimpulan dari keseluruhan. Serta pemberian saran untuk meningkatkan penelitian yang akan dilakukan selanjutnya.

(27)

(28)

1.5 Sistematika Penulisan

Untuk mempermudah dalam menyusun tugas akhir ini maka dibuatlah sistematika penulisan sebagai berikut :

BAB 1 PENDAHULUAN

Bab ini berisi tentang latar belakang, rumusan masalah, batasan masalah, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini berisi tentang seluruh penjelasan mengenai tinjauan pustaka yang berhubungan dengan permasalahan yang dibahas pada penulisan tugas akhir ini.

BAB III METODOLOGI PENELITIAN

Bab ini berisi penjelasan tentang proses perancangan sistem estimasi posisi seperti penggunaan perangkat lunak dan perangkat keras, serta pembahasan tentang pengembangan sistem.

BAB IV ANALISA DAN PEMBAHASAN

Bab ini akan menyajikan analisa dari hasil yang telah didapatkan dari sistem estimasi posisi untuk mendapatkan tingkat akurasi dari sistem yang telah dibangun.

BAB V KESIMPULAN DAN SARAN

(29)

DAFTAR PUSTAKA

[1] G. Yang and S. Fu, “Research on Indoor Location Algorithm Based on

WIFI,” pp. 157–160, 2019.

[2] W. Sun, M. Xue, H. Yu, H. Tang, and A. Lin, “Augmentation of Fingerprints

for Indoor WiFi Localization Based on Gaussian Process Regression,” IEEE

Trans. Veh. Technol., vol. 67, no. 11, pp. 10896–10905, 2018.

[3] Y. Zhang, D. Li, and Y. Wang, “An indoor passive positioning method using

CSI fingerprint based on Adaboost,” IEEE Sens. J., vol. PP, no. c, pp. 1–1, 2019.

[4] H. Huang, G. Gartner, J. M. Krisp, M. Raubal, and N. Van de Weghe,

“Location based services: ongoing evolution and research agenda,” J. Locat.

Based Serv., vol. 12, no. 2, pp. 63–93, 2018.

[5] Y. Duan et al., “Data Rate Fingerprinting: a WLAN-based Indoor

Positioning Technique for Passive Localization,” IEEE Sens. J., vol. PP, no. 1, pp. 1–1, 2019.

[6] R. F. Malik et al., “The Indoor Positioning System Using Fingerprint Method

Based Deep Neural Network,” IOP Conf. Ser. Earth Environ. Sci., vol. 248, no. 1, 2019.

[7] R. F. Malik et al., “WLAN Based Position Estimation System Using

Classification Fuzzy K-Nearest Neighbor (FK-NN),” IOP Conf. Ser. Earth

Environ. Sci., vol. 248, no. 1, 2019.

[8] R. F. Malik, E. Pratama, H. Ubaya, R. Zulfahmi, D. Stiawan, and K. Exaudi,

“Object Position Estimation Using Naive Bayes Classifier Algorithm,” Proc.

2018 Int. Conf. Electr. Eng. Comput. Sci. ICECOS 2018, vol. 17, pp. 39–44,

2019.

[9] M. Usman, M. R. Asghar, I. S. Ansari, F. Granelli, and K. A. Qaraqe,

“Technologies and Solutions for Location-Based Services in Smart Cities: Past, Present, and Future,” IEEE Access, vol. 6, pp. 22240–22248, 2018.

(30)

[10] B. Jang and H. Kim, “Indoor Positioning Technologies Without Offline Fingerprinting Map : A Survey,” IEEE Commun. Surv. Tutorials, vol. 21, no. 1, pp. 508–525, 2019.

[11] B. Li, Q. Qu, Z. Yan, and M. Yang, “Survey on OFDMA based MAC

Protocols for the Next Generation WLAN,” pp. 131–135, 2015.

[12] X. Tian, W. Li, Y. Yang, Z. Zhang, and X. Wang, “Optimization of

Fingerprints Reporting Strategy for WLAN Indoor Localization,” IEEE

Trans. Mob. Comput., vol. 17, no. 2, pp. 390–403, 2018.

[13] C. Basri and A. El Khadimi, “Survey on indoor localization system and

recent advances of WIFI fingerprinting technique,” Int. Conf. Multimed.

Comput. Syst. -Proceedings, pp. 253–259, 2017.

[14] A. Haider, Y. Wei, S. Liu, and S.-H. Hwang, “Pre- and Post-Processing

Algorithms with Deep Learning Classifier for Wi-Fi Fingerprint-Based Indoor Positioning,” Electronics, vol. 8, no. 2, p. 195, 2019.

[15] L. F. Shi, Y. Wang, G. X. Liu, S. Chen, Y. Le Zhao, and Y. F. Shi, “A Fusion

Algorithm of Indoor Positioning Based on PDR and RSS Fingerprint,” IEEE

Sens. J., vol. 18, no. 23, pp. 9691–9698, 2018.

[16] K. A. I. Wang, X. Yu, Q. Xiong, Q. Zhu, and W. Lu, “Learning to Improve

WLAN Indoor Positioning Accuracy Based on DBSCAN-KRF Algorithm From RSS Fingerprint Data,” IEEE Access, vol. 7, pp. 72308–72315, 2019.

[17] Z. Li, T. Braun, X. Zhao, Z. Zhao, F. Hu, and H. Liang, “A Narrow-Band

Indoor Positioning System by Fusing Time and Received Signal Strength via Ensemble Learning,” IEEE Access, vol. 6, no. c, pp. 9936–9950, 2018.

[18] A. Ahmad, “Mengenal Artificial Intelligence, Machine Learning, Neural

Network, dan Deep Learning,” J. Teknol. Indones., no. October, p. 3, 2017.

[19] H. Lu, “NeuroRule : A Connectionist Approach to Data Mining.”

[20] F. Jia, Y. Lei, J. Lin, X. Zhou, and N. Lu, “Deep neural networks : A

promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data,” 2015.

[21] S. Belmannoubi and H. Touati, Mobile, Secure, and Programmable

(31)

[22] Y. Sun, X. Huang, D. Kroening, J. Sharp, M. Hill, and R. Ashmore, “Testing Deep Neural Networks,” pp. 1–28, 2018.

[23] M. Rhu, M. O’Connor, N. Chatterjee, J. Pool, Y. Kwon, and S. W. Keckler,

“Compressing DMA Engine: Leveraging Activation Sparsity for Training Deep Neural Networks,” Proc. - Int. Symp. High-Performance Comput.

Archit., vol. 2018-Febru, pp. 78–91, 2018.

[24] H. Mohsen, E.-S. A. El-Dahshan, E.-S. M. El-Horbaty, and A.-B. M. Salem,

“Classification using deep learning neural networks for brain tumors,” Futur.

Comput. Informatics J., vol. 3, no. 1, pp. 68–71, 2017.

[25] A. F. Hayes, A. K. Montoya, A. F. Hayes, and A. K. Montoya, “A Tutorial

on Testing , Visualizing , and Probing an Interaction Involving a Multicategorical Variable in Linear Regression Analysis A Tutorial on Testing , Visualizing , and Probing an Interaction Involving a Multicategorical Variable in Linear Regression Analysis,” Commun.

Methods Meas., vol. 11, no. 1, pp. 1–30, 2017.

[26] N. Fumo and M. A. R. Biswas, “Regression analysis for prediction of

residential energy consumption,” Renew. Sustain. Energy Rev., vol. 47, pp. 332–343, 2015.

[27] B. Wieneke, “PIV uncertainty quantification from correlation statistics,”

2015.

[28] S. B. Keser and U. Yayan, “A case study of optimal decision tree

construction for RFKON database,” Proc. 2016 Int. Symp. Innov. Intell. Syst.

Appl. INISTA 2016, 2016.

[29] Z. Turgut, S. Üstebay, G. Zeynep Gürkaş Aydın, and A. Sertbaş, “Deep

Learning in Indoor Localization Using WiFi BT - International Telecommunications Conference,” pp. 101–110, 2019.

[30] S. Bozkurt, A. Yazici, S. Gunal, U. Yayan, and F. Inan, “A novel multi-

sensor and multi-Topological database for indoor positioning on fingerprint techniques,” INISTA 2015 - 2015 Int. Symp. Innov. Intell. Syst. Appl. Proc., pp. 1–7, 2015.