Abstrak—Perkembangan teknologi informasi dan komunikasi saat ini telah berkembang secara pesat. Salah satu perkembangan teknologi informasi adalah Global Positioning System (GPS). Global Positioning System (GPS) telah berkembang sebagai alat yang tepat sebagai sistem navigasi diluar ruangan (outdoor). Ada beberapa kelemahan atau keterbatasan GPS, terutama dalam wilayah perkotaan tepatnya di dalam gedung atau ruangan indoor, diantaranya adalah sinyal yang hilang karena terhalang oleh bangunan dan adanya pelemahan sinyal. Lalu perkembangan Indoor Positioning System (IPS) semakin popular dikarenakan teknik IPS dapat memberikan penentuan posisi pada ruangan indoor dengan akurasi yang lebih akurat.
Berdasarkan latar belakang tersebut, pada artikel ini dibangun sebuah sistem deteksi aktivitas fisik user pada saat berjalan dengan menggunakan sensor accelerometer dan compass pada ruangan indoor. Sensor accelerometer akan mengambil data-data percepatan linier, sedangkan sensor compass akan mengambil data perubahan sudut dari pergerakan tubuh manusia. Setelah data-data tersebut didapatkan, sistem akan menggunakan teknik windows sampling dan metode overlapping untuk memproses data–data pada sensor accelerometer dan sensor compass. Selanjutnya data-data tersebut diproses dengan menggunakan algoritma dead reckoning.
Percobaan dilakukan dengan melakukan scan QR code yang telah ditempelkan di beberapa lokasi. Setelah mendapatkan posisi awal dari scan QR code, selanjutnya mengikatkan telepon genggam di paha pengguna. Ketika aktivitas fisik pengguna terdeteksi berjalan, maka sensor akan mendeteksi perubahan posisi pengguna yang cukup signifikan. Dari aktivitas berjalan akan di dapatkan nilai steps, stride length, dan direction. Hasil dari nilai stride length, dan direction diproses dengan menggunakan algoritma positioning untuk memperkirakan estimasi posisi pengguna saat ini dan ditampilkan pada sebuah peta yang bisa diakses secara realtime.
Dari hasil pengujian artikel ini, dapat disimpulkan bahwa aktivitas fisik user berjalan menghasilkan rata-rata selisih jarak sampai dengan 0,335 meter dan keakuratan estimasi posisi termasuk dalam kategori cukup tepat.
Kata Kunci—Accelerometer, Compass, Dead Reckoning, Direction, Steps, Stride length.
I. PENDAHULUAN
ENGETAHUAN tentang posisi saat ini dapat dianggap faktor utama untuk layanan dan personalisasi dalam komunikasi mobile. Keakuratan posisi adalah sebuah teknologi yang muncul untuk komersial, keselamatan publik
dan aplikasi militer. Manfaat dari posisi yang akurat adalah layanan untuk melacak orang-orang dengan kebutuhan khusus.
Aplikasi ini digunakan dalam ruangan maupun outdoor.
Penggunaan Global Positioning System (GPS) telah berkembang sebagai alat yang tepat sebagai sistem navigasi diluar ruangan (outdoor). Ada beberapa kelemahan atau keterbatasan GPS, terutama dalam wilayah perkotaan, diantaranya adalah sinyal yang hilang karena terhalang oleh bangunan atau pergerakan manusia, dan adanya pelemahan sinyal. GPS juga tidak tepat bila digunakan di dalam ruangan (indoor), padahal suatu sistem navigasi yang diimplementasikan pada manusia diharapkan dapat digunakan dimana saja, indoor maupun outdoor [1].
Banyak aplikasi posisi, terdapat kesalahan posisi maksimal 5 – 10 m. Teknologi bluetooth, akurasi perkiraan indoor 30-50 meter. Akurasi tinggi tentu saja diinginkan tetapi secara teknis sangat sulit untuk dicapai. Pedestrian Dead Reckoning (PDR) telah ditunjukkan untuk menghasilkan akurasi posisi yang memadai untuk banyak aplikasi. PDR diciptakan untuk berkembang, memvalidasi dan menunjukkan teknik posisi baru dan pendekatan untuk aplikasi indoor [2].
Smartphone sebagai terobosan canggih di dunia komunikasi memiliki banyak inovasi dan fitur canggih yang dapat membantu menyelesaikan permasalahan manusia. Salah satu fitur yang tersedia dalam beberapa smartphone adalah deteksi pergerakan atau aktivitas manusia yang dapat diketahui dari percepatan linear, kecepatan angular, percepatan angular, dan perubahan sudut pergerakan orang yang bersangkutan [3].
Berdasarkan latar belakang tersebut penulis mencoba menawarkan sebuah solusi untuk membuat rancang bangun sistem deteksi navigasi pejalan kaki berbasis sensor accelerometer dan sensor compass pada perangkat mobile berbasis Android. Sensor accelerometer akan mengambil data- data secara realtime dari smartphone berbasis Android, dimana sensor ini mengambil data percepatan linear dari smartphone berbasis Android. Sensor compass juga akan mengambil data-data secara realtime dari smartphone berbasis Android.
Dengan menggunakan kedua sensor accelerometer dan sensor compass akan dihasilkan suatu sistem pemetaan navigasi pejalan kaki secara realtime dengan mengaplikasikan penggunaan sensor accelerometer untuk mendeteksi jumlah langkah kaki manusia, serta dapat diketahui posisi dari perhitungan panjang langkah kaki rata-rata dengan perubahan
Implementasi Algoritma Dead Reckoning untuk Perbaikan Penentuan Posisi di Ruangan Indoor
untuk Pejalan Kaki
Ilham Ramadhana, Waskitho Wibisono, dan Baskoro Adi Pratomo
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail: [email protected]
P
orientasi arah setiap langkah melalui pembacaan data dari sensor compass.
II. KAJIANPUSTAKA A. Activity Recognition
Activity recognition merupakan teknik yang digunakan untuk proses pendeteksian aktivitas fisik user. Tahap-tahap activity recognition adalah data collection, feature extraction, dan data interpretation. Data collection merupakan proses pengambilan data dengan menggunakan device berupa sensor.
Data ini diharapkan dapat digunakan untuk dilakukan proses identifikasi yang bertujuan untuk menggambarkan sebuah entitas tertentu. Feature extraction merupakan proses pengolahan data sedemikian hingga agar data tersebut tidak terlalu konvergen atau terlalu divergen untuk dilakukan proses pendeteksian. Data interpretation merupakan proses pendeteksian aktivitas fisik user dengan menggunakan algoritma dead reckoning.
B. Teknik Windows Sampling dan Overlapping
Pada artikel ini digunakan teknik windows sampling dan overlapping pada pengambilan data-data sensor. Teknik windows sampling adalah suatu metode ekstraksi data yang digunakan untuk melakukan interpretasi data khusus. Metode ini akan mengekstraksi data dengan melakukan sampling, dimana setiap windows terdiri atas sekumpulan data yang merepresentasikan sebuah data. Ukuran windows dapat ditentukan sesuai kebutuhan user dan sistem. Pada artikel ini digunakan lebar windows sebesar 20.
Teknik overlapping digunakan untuk menjaga konsistensi data. Konsistensi data dilakukan dengan cara pengambilan data kedua yang berisi setengah ukuran windows pertama dan ukuran windows selanjutnya. Sedangkan isi data pertama berisi sepenuhnya data windows pertama [4].
C. Algoritma Dead Reckoning
Algoritma dead reckoning adalah salah satu metode yang dapat memberikan estimasi posisi ketika sinyal GPS tidak ada atau tidak tersedia, seperti halnya saat memasuki ruangan, memasuki sebuah gedung, saat berada di lautan, ataupun saat sedang mengudara. Metode ini menggabungkan data dari sensor accelerometer dan sensor compass, kemudian menghitung perkiraan posisi baru berdasarkan posisi awal yang telah diketahui [5]. Ada banyak implementasi dead reckoning diantaranya untuk navigasi pesawat terbang saat mengudara, navigasi kapal laut saat menjelajahi lautan, dan navigasi bagi pejalan kaki.
Dalam artikel ini memanfaatkan algoritma dead reckoning bagi pejalan kaki atau bisa disebut pedestrian dead reckoning.
Pedestrian dead reckoning merupakan algoritma yang memanfaatkan kinematika gerakan manusia, dimana dapat memberikan solusi posisi bagi pejalan kaki, serta dapat juga didefinisikan sebagai proses memperkirakan posisi saat ini dengan cara menambahkan jarak tempuh terhadap posisi awal yang telah diketahui [6]. Algoritma pedestrian dead reckoning menggunakan dua sensor, yaitu sensor accelerometer dan compass. Sensor accelerometer digunakan untuk mendeteksi langkah kaki dan memperkirakan
perpindahan. Sensor compass digunakan untuk memperkirakan arah tujuan. Terdapat beberapa proses algoritma pedestrian dead reckoning, yaitu penghitungan nilai step detection atau jumlah langkah kaki, penghitungan nilai stride length atau panjang langkah kaki, penghitungan nilai heading atau arah tujuan, dan penghitungan estimasi posisi [7].
Penghitungan Step Detection
Penghitungan step detection menggunakan algoritma batch- mode yang di implementasikan untuk mendeteksi langkah kaki user [10] dijelaskan pada Tabel 1.
Penghitungan Stride Length
Secara umum, ada dua metode untuk memperkirakan panjang langkah yaitu metode statis dan dinamis. Metode statis mengasumsikan bahwa setiap langkah yang valid memiliki panjang yang sama, Sebaliknya, metode dinamis mengasumsikan setiap langkah yang valid memiliki panjang yang berbeda pada tiap langkahnya [8]. Untuk penghitungan stride length yang digunakan adalah menggunakan algoritma Weinberg SL [8]. Setelah mendapatkan hasil penghitungan besaran percepatan maka langkah selanjutnya menghitung nilai maxA , maxA adalah percepatan maksimum dan minA, minA adalah percepatan minimum, serta nilai k, k adalah nilai konstanta yang telah ditentukan k = 0,45. Penghitungan nilai stride length dapat dilihat pada Persamaan 6.
𝑠𝑡𝑒𝑝𝑠𝑖𝑧𝑒= 𝑘. √𝑎4 max − 𝑎𝑚𝑖𝑛 (6)
Tabel 1. Penghitungan Step Detection
1. Menghitung besarnya percepatan pada Persamaan 1. 𝒂𝒊 adalah nilai percepatan tiap sample.
𝒂𝒊= √𝒂𝒙𝒊𝟐 + 𝒂𝒚𝒊𝟐 + 𝒂𝒛𝒊𝟐 (1) 2. Menghitung rata-rata percepatan pada Persamaan 2. 𝑎𝑗̅ adalah nilai rata-rata percepatan. 𝑤 adalah windows sampling, 𝑤 = 20. q adalah rata-rata windows sampling.
𝑎𝑗̅ = 1
2𝑤+1∑𝑖+𝑤𝑞=𝑖−𝑤𝑎𝑞 (2) 3. Menghitung local acceleration variance untuk proses filtering pada Persamaan 3. 𝜎𝑎2𝑖 adalah nilai percepatan yang sudah dilakukan proses filtering. 𝑤 adalah windows sampling, 𝑤 = 20. j adalah rata-rata windows sampling.
𝜎𝑎2𝑖= 1
2𝑤+1∑𝑖+𝑤𝑗=𝑖−𝑤(𝑎𝑗− 𝑎̅ )𝑗2 (3)
4. Penentuan kondisi langkah kaki pejalan kaki berdasarkan nilai threshold, nilai Threshold, 𝐵1𝑖 merupakan threshold pertama yang mendeteksi fase swing dengan besaran percepatan yang tinggi pada Persamaan 4 (T1=2 m/s).
𝐵1𝑖= {𝑇1 𝜎𝑎𝑖> 𝑇1
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 (4) 𝐵2𝑖= 𝑇2, 𝑖𝑓 𝜎𝑎𝑖< 𝑇2 (5) 𝐵2𝑖 merupakan threshold kedua yang mendeteksi kondisi kaki sedang menapakkan kaki ke tanah dengan percepatan yang rendah pada persamaan 5 (T2=1 m/s).
5. Langkah kaki user dari sample i terdeteksi bila memenuhi dua syarat. Syarat pertama adalah mendeteksi adanya kondisi melangkah dalam 2 fase, yaitu swing dan fase stance. Fase swing diberi label nilai 1 dan fase stance diberi label nilai 0, yang dimana terdapat adanya perubahan transisi percepatan dari tinggi ke rendah. Syarat kedua adalah setidaknya dalam ukurun windows sampling yang digunakan sejumlah 20 data terdapat paling tidak terdapat minimal satu percepatan yang rendah. Jika sudah memenuhi syarat tersebut maka langkah kaki dinyatakan valid.
Sensor Accelerometer
QR Code SensorCompass
Penghitungan Heading Estimation
Heading Estimation didapatkan dari pembacaan sensor compass, data yang didapatkan adalah besaran azimut (0-360) yang mengarahkan pejalan pada arah utara, timur, selatan, dan barat tiap langkahnya.
Penghitungan Position Estimation
Proses penghitungan position estimation adalah menentukan posisi saat ini dengan cara mengetahui panjang langkah kaki (stride length) dan arah (direction) sebelumnya [7]. Sehingga dapat memperkirakan posisi user saat ini.
Penghitungan nilai heading estimation dapat dilihat pada Persamaan 7.
{𝑃𝑘(𝑛𝑜𝑟𝑡ℎ) = 𝑃𝑘−1(𝑛𝑜𝑟𝑡ℎ) + 𝑆𝐿𝑘 . cos(𝐷𝑖𝑟) 𝑃𝑘(𝑒𝑎𝑠𝑡) = 𝑃𝑘−1(𝑒𝑎𝑠𝑡) + 𝑆𝐿𝑘 . sin(𝐷𝑖𝑟) (7)
𝑃𝑘 (𝑛𝑜𝑟𝑡ℎ) adalah koordinat x dan 𝑃𝑘 (𝑒𝑎𝑠𝑡) adalah koordinat y. 𝑆𝐿𝑘 merupakan hasil dari penghitungan panjang langkah kaki (stride length) dan Dir adalah arah user ketika berjalan (direction).
III. DESAINDANPERANCANGANSISTEM A. Deskripsi Umum
Pada artikel ini dibangun sebuah perangkat lunak dengan sistem dead reckoning. Sistem dead reckoning ini berfungsi untuk perbaikan penentuan posisi user dengan memperkirakan posisi berdasarkan posisi awal yang sebelumnya telah diketahui. Perangkat lunak ini berjalan pada perangkat mobile smartphone Android versi 4.0 dan sesudahnya.
Dari smartphone tersebut akan didapatkan sumbu x, y, dan z dari sensor accelerometer dan sumbu azimut dari sensor compass. Lalu dengan menggunakan algoritma dead reckoning, data realtime sensor accelerometer dan compass dilakukan penghitungan untuk mengetahui apakah user terdeteksi berjalan atau tidak, jika diketahui berjalan maka didapatkan nilai steps, stride length, dan direction. Keluaran nilai dari stride length, dan direction dilakukan penghitungan posisi yang sekarang. Untuk memperoleh hasil yang baik, maka smartphone diletakkan pada paha.
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 koordinat x dan y. Data koordinat x dan y hasil dari pengolahan metode dead reckoning yang menghasilkan data stride length dan direction. Kemudian data tersebut diolah dengan algoritma positioning yang menghasilkan nilai koordinat x dan y yang selanjutnya data tersbut dikirimkan ke server. Sedangkan server bertugas untuk mengolah data koordinat x dan y dan menyimpan hasilnya ke dalam database. Hasil akhir berupa informasi map yang menampilkan tracking perjalanan posisi user.
Gambar 1. Arsitektur Sistem
Berdasarkan perancangan arsitektur sistem pada Gambar 1, Tahap pertama yakni menjalankan aplikasi PDreck, selanjutnya smartphone mengambil data dari QR code yang sudah ditempelkan di beberapa lokasi yang ditentukan, aplikasi men-decode isi pada QR code yang berupa koordinat posisi awal x dan y.
Tahap kedua yakni mengikatkan smartphone pada paha user, selanjutnya user melakukan aktivitas berjalan dan aplikasi melakukan pendeteksian langkah kaki menggunakan algoritma dead reckoning, hasilnya berupa data stride length dan direction. Kemudian data stride length dan direction dilakukan pemrosesan algoritma positioning, hasilnya berupa koordinat x dan koordinat y.
Tahap ketiga yakni melakukan pengiriman koordinat x dan koordinat y ke server. Setelah server memperoleh data berupa koordinat user, server melakukan update posisi user di database serta sebuah map yang berisi informasi tracking posisi user ditampilkan di web.
IV. IMPLEMENTASI
A. Implementasi Dead Reckoning Menghitung Step Detection Salah satu fungsi utama yang diperlukan untuk memenuhi kebutuhan fungsional sistem adalah untuk menghitung step detection. Tahap yang pertama dilakukan yaitu menghitung besarnya percepatan dari pembacaan sensor yang didapatkan dari sensor accelerometer. Selanjutnya menghitung rata-rata dari besarnya percepatan, lalu menghitung local acceration variance untuk proses filtering. Tahap selanjutnya adalah menentukan kondisi langkah kaki pejalan kaki berdasarkan nilai threshold. Langkah terakhir yakni menghitung jumlah langkah kaki.
B. Implementasi Dead Reckoning Menghitung Stride Length Setelah memperoleh besaran percepatan. Data percepatan akan diproses untuk mendapatkan nilai minA dan maxA.
Langkah terakhir yakni menghitung stride length dari data minA dan maxA.
7
1
2 3
5 4
6 8
4
7
Ditampilkan diWeb 5
6
9 Server
C. Implementasi Dead Reckoning Menghitung Direction Tahap berikutnya yaitu menghitung direction dari pembacaan sensor compass. Data direction ini digunakan untuk menentukan arah pejalan kaki.
D. Implementasi Dead Reckoning Menghitung Estimasi Posisi
Setelah mendapatkan Setelah nilai stride length dan direction didapatkan, nilai-nilai tersebut diproses menggunakan algoritma positioning. Pada proses tersebut, output yang dihasilkan berupa hasil posisi user terbaru dari aktivitas fisik berjalan secara realtime. Hasil posisi user ini berupa koordinat x dan koordinat y.
V. UJICOBADANEVALUASI 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 itu di sisi client maupun di sisi server. Uji coba dilakukan di gedung Teknik Informatika lantai 1 dengan map seperti yang digambarkan pada Gambar 2. Uji coba dilakukan menggunakan sebuah smartphone dan sebuah laptop. Dari hasil uji coba, aplikasi mampu melakukan scanning QR code, memulai pendeteksian, menampilkan data PDReck, mengirimkan data koordinat x dan y dari client ke server, dan mampu mengolah data posisi pejalan kaki menjadi sebuah koordinat tracking posisi user yang ditampilkan seperti pada Gambar 3.
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 posisi ke server, keakuratan aplikasi dalam menentukan estimasi posisi, pengaruh aplikasi terhadap energi baterai, dan lama proses deteksi.
Waktu pengiriman data posisi dihitung dengan satuan milliseconds (ms). Interval waktu dimulai ketika client akan mengirimkan data posisi koordinat x dan y 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 44,8 ms.
Uji coba untuk mengetahui akurasi estimasi posisi dibagi menjadi empat skenario yakni uji coba estimasi posisi user berjalan lurus lanjut belok kiri, estimasi posisi user berjalan lurus lalu lanjut belok kanan, estimasi posisi user berjalan serong kanan lalu belok kanan, estimasi posisi user berjalan serong kanan lalu belok kiri, dan estimasi posisi user berjalan serong kanan lalu mengelilingi majalah dinding (mading). Uji coba dilakukan dengan melakukan aktivitas berjalan sesuai skenario masing-masing. Sistem akan menentukan estimasi posisi tracking perjalanan user berdasarkan skenario. 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 60 menit.
Pengamatan dilakukan setiap 10 menit. Hasil uji coba digambarkan pada Gambar 4.
Untuk menghitung lama proses deteksi aktivitas fisik user berjalan tiap langkah, Kesepuluh percobaan dilakukan dengan simulasi yang sama, yaitu ketika user menekan tombol start lalu user langsung berjalan. Untuk mengetahui rata-rata lama proses deteksi aktivitas fisik user pada saat berjalan, maka dilakukan 10 kali percobaan.
Gambar 2. Map Uji Coba
Gambar 3. Output Posisi User
Tabel 2. Hasil Uji Coba Keakuratan Estimasi Posisi Percobaaan Ke - Jumlah
Langkah
Selisih Jarak (m)
Berjalan Lurus Lalu Belok Kiri
1 33 0,391
2 33 0,327
3 33 0,317
Berjalan Lurus Lalu Belok Kanan
1 33 0,227
2 33 0,511
3 33 0,344
Berjalan Serong Kanan Lalu Belok
Kanan
1 28 0,376
2 28 0,294
3 28 0,378
Berjalan Serong Kanan Lalu Belok
Kiri
1 26 0,239
2 26 0,234
3 26 0,392
Berjalan Serong Kanan Lalu Mengelilingi Mading
1 16 0,335
2 16 0,555
3 16 0,578
Tabel 3. Hasil Uji Coba Keakuratan Estimasi Posisi Berdasarkan Kategori
Percobaaan Ke - Kategori
ST T CT KT TT
Berjalan Lurus Lalu Belok Kiri
1 0 0 0.053 0.614 0
2 0 0 0.487 0.18 0
3 0 0 0.552 0.115 0
Berjalan Lurus Lalu Belok Kanan
1 0 0.48 0.77 0 0
2 0 0 0 0 0.89
3 0 0 0.373 0.294 0
Berjalan Serong Kanan Lalu Belok
Kanan
1 0 0 0.161 0.51 0
2 0 0.04 0.96 0 0
3 0 0 0.147 0.52 0
Berjalan Serong Kanan Lalu Belok
Kiri
1 0 0.41 0,59 0 0
2 0 0.44 0.56 0 0
3 0 0 0.051 0.615 0
Berjalan Serong Kanan Lalu Mengelilingi Mading
1 0 0 0.589 0.215 0
2 0 0 0 0 1
3 0 0 0 0 1
Gambar 2. Map Uji Coba Gambar 3. Output Posisi User
0 50 100 150
0 10 20 30 40 50 60
Level (%)
Waktu (menit)
Pengaruh Aplikasi Terhadap Energi Baterai
Gambar 4. Grafik Pengaruh Aplikasi Terhadap Energi Baterai
VI. KESIMPULANDANSARAN 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 langkah kaki dengan algoritma dead reckoning dan penentuan estimasi posisi dengan algoritma positioning.
2. Waktu pengiriman data posisi dari client ke server relatif sama. Dari hasil uji coba yang telah dilakukan, diperoleh rata-rata pengiriman sebesar 44,8 milliseconds per data.
3. Aktivitas user berjalan lurus lalu belok kanan menghasilkan rata-rata selisih jarak 0,345 meter, aktivitas user berjalan lurus lalu belok kiri menghasilkan rata-rata selisih jarak 0,36 meter, aktivitas user berjalan serong kanan lalu belok kanan menghasilkan rata-rata selisih jarak 0,349 meter, aktivitas user berjalan serong kanan belok kiri menghasilkan rata-rata selisih jarak 0,288 meter, dan aktivitas user berjalan serong kanan mengelilingi mading menghasilkan rata-rata selisih jarak 0,519 meter.
4. Aplikasi tidak boros baterai, energi baterai yang digunakan aplikasi mengalami penurunan yang tidak terlalu signifikan. Dari hasil uji coba selama 60 menit, terjadi penurunan energi baterai sebesar 19%.
B. Saran
Adapun saran-saran yang dapat diberikan untuk pengembangan sistem ini berikutnya adalah:
1. Implementasi aplikasi ini memiliki akurasi yang tidak terlalu tinggi untuk mengenali aktivitas user yang sedang melakukan aktivitas berjalan. Untuk itu diperlukan adanya tambahan kebutuhan sistem seperti penambahan jumlah sensor yang diletakkan pada bagian tubuh user yang lain.
2. Sensor compass terlalu sensitif. Untuk itu diperlukan adanya modul compass sendiri.
3. Dapat menambahkan kostum yang lebih mendukung untuk melakukan uji coba sistem pada artikel ini.
UCAPANTERIMAKASIH
Penulis I.R. 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.
DAFTARPUSTAKA
[1] S. Wisnurahutama, I. Setiawan dan B. Setiyono, “Analisis Metode Pendeteksian Langkah Kaki pada Pedestrian Dead Reckoning,”
Semarang, 2010.
[2] D. Gusenbauer, C. Isert dan J. Krosche, “Self-Contained Indoor Positioning on Off-The-Shelf Mobile Devices,” dalam International Conference on Indoor Positioning and Indoor Navigation, Zurich, 2010.
[3] Y. Jin, H.-o. Toh, Wee-Seeng, Soh dan W.-C. Wong, “A Robust Dead- Reckoning Pedestrian Tracking System with Low Cost Sensors,” dalam International Conference on Pervasive Computing and Communications, Seattle, 2011. Zhe Xiang, "A wireless LAN-based Indoor Positioning Technology," IBM Journal of Research and Development, vol. 48, no.
5.6, pp. 617-626, September 2004.
[4] “Training and Testing Data Set,” Microsoft, 2012. [Online]. Available:
http://msdn.microsoft.com/en-us/library/bb895173.aspx. [Diakses Desember 2012].
[5] T. Gogar's, “Tomas Gogar's notes,” 2012. [Online]. Available:
http://tgogar.com/2012/02/pedestrian-dead-reckoning.html. [Diakses Maret 2013].
[6] O. Mezentsev dan G. Lachapelle, “Pedestrian Dead Reckoning A Solution to Navigation in GPS Signal Degraded Areas?,” dalam Geomatica, Tampera, Geomatica, 2005, p. 59.
[7] A. R. Jimenez, F. Seco, C. Prieto dan J. Guevara, “Comparison of Pedestrian Dead-Reckoning Algorithms using a Low-Cost MEMS IMU,” dalam IEEE International Symposium on Intelligent Signal Processing, Budapest, 2009.
[8] A. R. Pratama, Widyawan dan R. Hidayat, “Smartphone-based Pedestrian Dead Reckoning as an Indoor Positioning System,” dalam International Conference System Engineering and Technology, Bandung, Indonesia, 2012.
