PROCEEDINGS OF CONFERENCE ON INFORMATION TECHNOLOGY AND ELECTRICAL ENGINEERING SESI INDONESIA

(1)

CITEE 2012

ISSN: 2085-6350

PROCEEDINGS OF

CONFERENCE ON

INFORMATION TECHNOLOGY

AND ELECTRICAL ENGINEERING

Yogyakarta, 12 July 2012

SESI INDONESIA

DEPARTMENT OF ELECTRICAL ENGINEERING

AND INFORMATION TECHNOLOGY

FACULTY OF ENGINEERING

GADJAH MADA UNIVERSITY

(2)

CITEE 2012 Yogyakarta, 12 July 2012 ISSN: 2085-6350

DEEIT, UGM ± IEEE Comp. Soc. Ind. Chapter v

Indoor Localization berbasis RSS Fingerprint

Menggunakan IEEE 802.11n

Chairani, Widyawan, Sri S. Kusumawardani

Pervasive and Mobile Computing Group

Jurusan Teknik Elektro dan Teknologi Informasi

Universitas Gadjah Mada Yogjakarta, Indonesia

[email protected]

Abstract³ This paper discuss about indoor localization

using IEEE 802.11n wireless network using RRS- based fingerprint technique. To perform indoor localization, Nearest Neighbor (NN) algorithm is employed. This research is conducted in hallways at 3rd_{floor of EE and IT Department building, Gadjah}

Mada University with total dimension of 1969.68 m2_.

Fingerprint map is built with two different resolutions (i.e 1m2 and 2m2). Evaluation of the localization technique is performed under four configurations. The result show that the smaller grid dimension is, the closest the estimated distance is (error is reduced to 2.386 meter). The number of wireless access points that used in fingerprinting also affects the localization performance, adding more access points reduce the localization error to 4.1311 meter.

Keywords-component;; RSS Fingerprint, NN, Localization

I. INTRODUCTION

Sistem lokasi adalah teknologi inti untuk memungkinkan ruang komputasi pervasive yang cerdas [1]. 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 dalam ruangan memiliki tantangan yang berbeda di lokasi penemuan karena multipath yang padat dan bangunan yang tinggi [2] [3].

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 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 [8]. Selain itu, efektivitas sistem untuk lingkungan dalam ruangan juga dibatasi oleh multipath dan pelemahan sinyal [6].

Ada banyak sistem posisi dalam ruangan dengan menggunakan teknologi yang berbeda misalnya IEEE 802.11b/g, Bluetooth, RFID, Zigbee, dan UWB [3]. 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 [3].

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 [4].

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 sehari-hari.

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 sehari-hari

(4)

(terutama di kantor). Hal tersebut dapat menjadi salah satu jembatan untuk membuat sistem lokalisasi dalam gedung yang berguna untuk mengetahui lokasi objek.

II. METODOLOGI PENELITIAN

Metode penelitian dilakukan dengan mengikuti tahapan-tahapan yang ada pada teknik localization. Untuk menyimpulkan lokasi yang telah diidentifikasi menggunakan metode RSS, serta pengolahan data menggunakan Fingerprinting.

a. Teknik Localization.

Teknik lokalisasi (gambar 1) 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 peta radio dengan menggunakan algoritma posisi.

b. Metode Penyimpulan Lokasi Yang Telah Diindentifikasi

Secara umum ada empat fenomena yang biasanya diukur untuk menyimpulkan lokasi yang telah diidentifikasi, yaitu : Time Of Arrival (TOA) dan Time Difference Of Arrival (TDOA), Angle Of Arrival (AOA), Received Signal Strength (RSS), dan Inertial [8].

RSS adalah kekuatan sinyal yang diterima pada penerima jarak jauh dari pemancar. Secara umum, RSS menurun secara proporsional dengan jarak. Jika hubungan jarak kekekuatan 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. 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 [8].

Gambar 1. Arsitektur sistem localization

c. Pengolahan Data Terukur

Metode pengolahan data yang paling umum untuk menyimpulkan lokasi adalah Geometris, Fingerprinting, Proximity, Dead Reckoning [8].

Fingerprinting adalah metode untuk pemetaan pengukuran data (misalnya RSS) ke titik-grid yang dikenal di seluruh wilayah cakupan di lingkungan lokasi. 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 [11].

Model sistem posisi dalam ruangan dan fingerprints lokasi dapat dinyatakan sebagai sebuah vektor

n

F

U

₁

,

U

₂

,

U

₃

,...,

U

elemen rata-rata RSS. Jika l lokasi di area LBS, maka fingerprint lokasi adalah

^

F

₁

,

F

₂

,

F

₃

,...,

F

_n

`

. Pengukuran RSS fingerprint selama fase on-line dinotasikan sebagai S yang dapat dijadikan sebagai mean atau rata-rata sampel RSS yang diperoleh dari pengukuran RSS berdasarkan durasi waktu yang tidak terlalu lama [9].

Sistem posisi dalam ruangan hanya menganggap nilai rata-rata RSS dari N APs sebagai fingerprint lokasi,

i

N i i i i

F

U

₁

,

U

₂

,

U

₃

,...,

U

sampel dari vektor RSS adalah

S

s

₁

,

s

₂

,

s

₃

,...,

s

_ndan setiap fingerprint lokasi i didalam database dapat dinotasikan sebagai

Setiap fingerprint merupakan pemetaan one-to-one ke sebuah set posisi

^

L

₁

,

L

₂

,

L

₃

,...,

L

_n

`

. Informasi lokasi

Informasi Nilai RSS

Posisi yang diketahui (x,y) Nilai RSS dari

AP-1 Posisi 1 Posisi 2 «««... Posisi N «««. «««.... Nilai RSS dari AP-M Posisi 1 Posisi 2 ««««. Posisi N Pengurangan Efek Multipath Database Peta Fingerprint Algoritma Teknik Posisi Penerima Estimasi posisi (x,y) Visualisasi Peta Fingerprint Import database Software RapidMiner Nilai rata-rata RSS Fase Off-line Fase On-line

(5)

L sebagai sistem koordinat dua atau tiga dimensi dan dapat digunakan orientasi pada PRELOH VWDWLRQ¶V misal dapat menghadap utara, selatan, barat, atau timur [9]. Dalam penelitian ini, penulis menggunakan dua dimensi dalam sistem koordinat dan hanya menggunakan satu orientasi dalam melakukan koleksi fingerprint, yaitu dengan menghadap utara.

III. TAHAPAN EKSPERIMEN

Eksperimen dilakukan pada koridor lantai 3 gedung JTETI UGM dengan luas 1909,44 m2_{dengan melakukan}

eksperimen pada dimensi grid 2m2_{dan 1m}2_terhadap

seluruh AP yang berada di gedung JTETI UGM. Ekperimen yang dilakukan antara lain dengan pengukuran grid 2m2_{terhadap seluruh akses poin yang}

berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, grid 1m2 terhadap seluruh akses poin yang berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, grid 1m2_{terhadap AP yang khusus berada}

pada lantai 3 gedung JTETI UGM yang berjumlah 2 buah, dan penambahan 3 buah AP dilantai 3 gedung JTETI UGM. Gambar denah lantai 3 gedung JTETI UGM dapat dilihat pada gambar 2.

A. Fase Offline

Pada fase Offline dilakukan spesifikasi parameter sistem pengukuran nilai RSS dari multiple access point yang ada di gedung 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 2 meter x 2 meter pada koridor di lantai 3. Pengukuran juga dilakukan terhadap grid yang berukuran 1 meter x 1 meter untuk dijadikan perbandingan. Tahap pengukuran RSS dilakukan dengan menggunakan software NetSurveyor (gambar 3). Pengukuran dilakukan pada titik tengah masing-masing grid. Preposesing data dilakukan dengan menghilangkan Nilai RSS WLAN dan atribute access point yang berada di luar area Gedung JTETI UGM meskipun sinyal tersebut tertangkap.

Gambar 2. Denah lantai 3 gedung JTETI UGM

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 [5]. Sehingga untuk mengurangi noise dari sebaran sinyal WLAN digunakan perhitungan rata- rata dari nilai RSS yang telah diukur selama r 1 menit 56 detik.

>

y

n

@

A

RSS

TA

_{_}

m m

¦

1 0

1

n n m

_n

y

N

(1)

Persamaan (1) digunakan untuk menghitung rata-rata nilai RSS terhadap waktu pengukuran dimana y merupakan nilai RSS diukur dari m di lokasi yang tetap, m adalah indeks dari AP, m=0, 1, « P-1. n merupakan indeks waktu diskrit, dan A merupakan proses rata-rata terhadap waktu yang indeksnya-n, dan N menunjukkan panjang dari urutan waktu.

Hasil seluruh rata-rata dari masing-masing 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.

Gambar 3. Pengukuran RSS dengan menggunakan software NetSurveyor

Peta fingerprint bisa dilihat pada gambar 4 sampai dengan gambar 10. Dimensi lantai adalah 1969,68 m2.

(6)

Gambar 4. AP RSS UGM-Hotspot Lantai 3 Selatan dengan grid 1x1 meter

Gambar 5. AP RSS Hotspot pada koridor Lantai 3 Utara dengan grid 1x1 meter

Gambar 6. RSS UGM-Hotspot Lantai 2 Selatan grid 1x1m

Gambar 7. AP RSS UGM-Hotspot lantai 2 Utara grid 1x1m

Gambar 8. AP RSS UGM-Hotspot lantai 1 Utara grid 1x1m

Gambar 9. AP RSS UGM-Hotspot lantai 1 Selatan grid 1x1m

(7)

Gambar 10. AP RSS UGM-Hotspot Lantai 3 Utara dengan grid 2x2 meter

3 buah AP ditambahkan pada lantai 3 untuk mengetahui perbandingan kesalahan jarak estimasi terhadap jarak lokasi target dengan eksperimen sebelumnya. Visualisasi fingerprint dengan penambahan 3 buah AP dapat dilihat pada gambar 11 sampai dengan gambar 13.

Gambar 11. Fingerprint AP 1 dengan grid 1x1m

Gambar 12. Fingerprint AP 2 dengan grid 1x1m

Gambar 13. Fingerprint AP 3 dengan grid 1x1m

B. 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 teknik posisi Nearest Neighborhood (NN). Gambar 14 menunjukkan proses pengukuran secara real time untuk memperoleh nilai estimasi lokasi yang dilakukan dengan cara berjalan.

(8)

Gambar 14. Pengukuran data RSS dengan cara berjalan

IV. ALGORITMA TEKNIK POSISI

Persamaan (2) dan (3) merupakan proses pengenalan posisi yang dilakukan terhadap database fingerprint menggunakan algoritma Nearest Neighbor (NN). Akses point sebagai

P

_i

p

₁

,

p

₂

,

p

₃

,...,

p

_n

dimana n adalah nomor dari APs. Q merupakan nama variabel RSSI fingerprint dengan menggunakan i sebagai nomor

indeks sehingga menjadi

q

₁

,

q

₂

,

q

₃

,...,

q

,

q

Q

.

q

_i _n _i

d* sebagai nearest signature distance dapat dhitung dengan menggunakan Eucledian distance, yaitu sebagai berikut [10] :

q

p

E

d

_i Q q

,

min

arg

*

(2) dimana,

2 1

,

¦

n

j j ij i

p

q

E

(3)

Setelah diperoleh hasil pembelajaran maka dilakukan evaluasi dengan menghitung error jarak dari perkiraan posisi (x,y) pada proses pembelajaran dengan menggunakan persamaan (4) dan standar

deviasi persamaan (5) [12] :

2

2 y y x x

a

p

a

p

ErrorJarak

(4)

Dimana p adalah prediksi lokasi dan a adalah lokasi aktual (lokasi target sebenarnya)

°¿

°

¾

½

°¯

°

®

»

¼

º

«

¬

ª

¦

2 1 1 2

1

N i n i i i x

x

N

x

N

V

(5)

Dimana

x

_i merupakan error jarak estimasi (kesalahan jarak) yang terdiri dari

x

₁

,

x

₂

,

x

₃

,...,

x

_N serta N adalah banyaknya jumlah data kesalahan jarak estimasi.

V. HASIL

Percobaan dilakukan dengan 4 konfigurasi eksperimen. Konfigurasi A merupakan pengukuran dengan eksperimen grid 2m2_{terhadap seluruh akses poin yang}

berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, konfigurasi B merupakan pengukuran dengan eksperimen grid 1m2_{terhadap seluruh akses poin}

yang berada pada gedung JTETI UGM yang berjumlah 6 buah AP permanen, konfigurasi C merupakan pengukuran dengan eksperimen grid 1m2_{terhadap AP}

yang khusus berada pada lantai 3 gedung JTETI UGM yang berjumlah 2 buah, dan konfigurasi D merupakan pengukuran dengan eksperimen penambahan 3 buah AP dilantai 3 gedung JTETI UGM.

Hasil dari fase off-line pada masing-masing eksperimen dengan penggunaan data training sebesar 80% dan data testing sebesar 20% dari database fingerprint adalah sebagai berikut :

TABEL 1. HASIL PENGUJIAN PADA TAHAP OFF-LINE

Eksperimen _Training 6Data (80%) 6 Data Testing (20%) Rata-rata Kesalahan Jarak (m) Standar Deviasi error jarak (m) A 3029 757 15.51 8.34 B 11588 2896 15.58 7.26 C 11588 2896 16.06 7.62 D 11588 2896 14.24 6.87

Hasil dari fase on-line pada masing-masing konfigurasi eksperimen terhadap 276 data RSS secara real-time adalah sebagai berikut :

TABEL 2. HASIL PENGUJIAN PADA TAHAP ON-LINE

Jenis Ekperimen Pengukuran

RSS

Rata-rata kesalahan

jarak (m) Standar Deviasi (m)

A 10.17084433 9.743787478

B 7.784443591 6.927435018

C 10.08404125 12.6230875

D 4.131164502 5.911357463

Grafik perbandingan terhadap 4 konfigurasi eksperimen dapat dilihat pada grafik 1.

(9)

Grafik 1. Perbandingan rata-rata kesalahan jarak estimasi dan standar deviasi pada masing-masing konfigurasi eksperimen

Kesalahan jarak estimasi pada fase online terhadap masing-masing eksperimen dapat dilihat pada grafik 2 sampai dengan grafik 5.

Grafik 2. Kesalahan jarak estimasi pada konfigurasi eksperimen A

Grafik 3. Kesalahan jarak estimasi pada konfigurasi eksperimen B

Grafik 4. Kesalahan jarak estimasi pada konfigurasi eksperimen C

Grafik 5. Kesalahan jarak estimasi pada konfigurasi eksperimen D

Gambar trajectory antara lokasi target terhadap estimasi lokasi pada masing-masing eksperimen dapat dilihat pada gambar 16 dan gambar 19.

Gambar 16. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperimen A

Gambar 17. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperiment B

(10)

Gambar 18. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperimen C

Gambar 19. Trajectory Lokasi Target dan Estimasi Lokasi Dengan Konfigurasi Eksperimen D

VI. KESIMPULAN

Dari hasil penelitian yang telah dilakukan dapat ditarik kesimpulan bahwa :

1. Semakin kecil jarak grid yang dibuat untuk proses pengukuran data RSS akan semakin pendek jarak perkiraan lokasi dengan jarak yang sebenarnya (jarak lokasi target), hal ini dapat dilihat dengan adanya pengurangan error sebesar 2,386 meter (pada konfigurasi eksperimen A dan B)

2. Untuk mengurangi besarnya kesalahan jarak/error distance juga dapat dilakukan dengan menambahkan AP di lingkungan target lokasi. Hal ini dapat dilihat dari pengurangan kesalahan jarak sebesar 5,9528 meter (konfigurasi eksperimen C dan D).

Dimasa datang akan dilakukan localization pada seluruh lantai 3 gedung JTETI UGM dengan grid 1m2

terhadap eksperimen D untuk mengetahui akurasi dan rata-rata kesalahan jarak/error distance.

REFERENCES

[1] A. Uzair, G. Andrey, L. Sungyoung, and L. Young- koo´ $ 5DSLG 'HYHORSPHQW $SSURDFK )RU 6LJQDO 6WUHQJWK %DVHG /RFDWLRQ 6\VWHP´ ,QWHUQDWLRQDO Conference On Intellegent Pervasive Computing, 0- 7695-3006-0/07 IEEE, 2007

[2] M. Y. Wilson and K. Ng. Josept, ³Wireless Lan Positioning Based On Received Signal Strength FURP0RELOH'HYLFH$QG$FFHVV3RLQWV´WK,((( International Conference on Embedded and Real- Time Computing Systems and Applications (RTCSA 2007), 0-7695-2975-5/07, 2007

[3] M. Y. Wilson, Y. Z. Jun, and K. Ng. Joseph, ³(QKDQFHG Fingerprint-Based Location Estimation System in Wireless /$1 (QYLURQPHQW´ M. Denko et al. (Eds.): EUC Workshops 2007, LNCS 4809, 2007, pp. 273±284, 2007.

[4] G. Miguel, M. Carlos, T. Jesus, and L. Jaime, ³Wireless Sensors self-location in an Indoor WLAN HQYLURQPHQW´ International Conference on Sensor Technologies and Applications, 0-7695-2988-7/07 IEEE, 2007

[5] F. Shih-Hau, L. Tsung-Nan, and L. Kun-Chou, ³$ novel algorithm for multipath Fingerprinting in LQGRRU:/$1HQYLURQPHQW´,(((7UDQVDFWLRQV2Q Wireless Communications, Vol. 7, No. 9, 2008, pp. 3579-3588

[6] Z. Junyang, M. Y. Wilson, and K. N. Joseph, ³(QKDQFLQJ ,QGRRU 3RVLWLRQLQJ $FFXUDFy By Utilizing Signals From Both The Mobile Phone 1HWZRUN $QG 7KH :LUHOHVV /RFDO $UHD 1HWZRUN´, 22nd International Conference on Advanced Information Networking and Applications, IEEE, 2008

[7] L. Hui, D. Houshang, B. Pat, and L. Jiu³6XUYH\RI Wireless Indoor Positioning Techniques and 6\VWHPV´ IEEE Transactions On Systems, Man, And Cybernetics²Part C: Applications And Reviews, Vol. 37, No. 6, November, 2007

[8] Widyawan, ³ Learning Data Fusion for Indoor Localisation´, Master Thesis, Department of Electronic Engineering Cork Institute of Technology, 2009

[9] K. Kamol, ³Efficient Design of Indoor Positioning Systems Based on Location Fingerprint, IEEE, 2005 [10] N. Anvar, P. Yongwan, and H. Jung, ³Accurate

Signal Strength Prediction based Positioning for Indoor WLAN System´, IEEE, 2008

[11] A., Bensky, ³Wireless Positioning: Technologies and Application´, ser. GNSS technology and application series, Artech House Publishers, 2008

PROCEEDINGS OF CONFERENCE ON INFORMATION TECHNOLOGY AND ELECTRICAL ENGINEERING SESI INDONESIA

CITEE 2012

ISSN: 2085-6350

PROCEEDINGS OF

CONFERENCE ON

INFORMATION TECHNOLOGY

AND ELECTRICAL ENGINEERING

Yogyakarta, 12 July 2012

SESI INDONESIA

DEPARTMENT OF ELECTRICAL ENGINEERING

AND INFORMATION TECHNOLOGY

FACULTY OF ENGINEERING

GADJAH MADA UNIVERSITY

Table of Contents

Indoor Localization berbasis RSS Fingerprint

Menggunakan IEEE 802.11n

Chairani, Widyawan, Sri S. Kusumawardani

Pervasive and Mobile Computing Group

[email protected]

[email protected]

[email protected]

F

U

,

U

,

U

,...,

U

^

F

,

F

,

F

,...,

F

`

F

U

,

U

,

U

,...,

U

S

s

,

s

,

s

,...,

s

^

L

,

L

,

L

,...,

L

`

>

y

n

@

A

RSS

TA

_

¦

1

n

y

N

P

p

,

p

_{_}

_n