Sistem Deteksi Perpindahan Kendaraan Bermotor Berdasarkan Data GPS dan Sensor IMU Menggunakan Naïve Bayes

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya

226

Sistem Deteksi Perpindahan Kendaraan Bermotor Berdasarkan Data GPS

dan Sensor IMU Menggunakan Naïve Bayes

Wirafadil Nugraha1_{, Dahnial Syauqy}2_{, Agung Setia Budi}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{[email protected],}2_{[email protected],}3_{[email protected]}

Abstrak

Sistem keamanan pada kendaraan bermotor menjadi hal yang harus diperhatikan mengingat maraknya pencurian kendaraan yang mengakibatkan kerugian pada pemilik kendaraan. Kemudahan pengontrolan dan sistem keamanan yang dapat dimonitoring hanya menggunakan satu perangkat komunikasi seperti perangkat telepon genggam yang dapat mendukung koneksi nirkabel menjadi kesempatan untuk melakukan pengembangan pada sistem keamanan kendaraan bermotor. Dengan merancang sistem deteksi perpindahan kendaraan bermotor berdasarkan data GPS dan sensor IMU maka akan menjadi suatu alat yang lebih akurat dalam menentukan kondisi kendaraan bermotor. Agar sistem dapat mengklasifikasikan keadaan yang sedang terjadi lebih akurat maka diterapkan algoritma Naïve Bayes. Penggunaan data GPS dimana pada penelitian ini menggunakan modul NEO-6M karena suatu kendaraan pasti sangat berkaitan atau selalu memiliki lokasi selama berada dalam jangkauan satelit. Data ini digunakan sebagai input beserta data dari sensor IMU yang digunakan dimana pada penelitian ini menggunakan sensor accelerometer GY-61. Dari pengujian modul NE0-6M didapat nilai akurasi sebesar 99,99%, sensor GY-61memiliki akurasi 87,68%, dan modul SIM800 secara fungsional dapat berjalan dengan baik. Pada proses klasifikasi dengan menggunakan Naïve Bayes didapat akurasi sebesar 95%.

Kata kunci: naïve bayes, GPS, NEO-6M, accelerometer, GY-61, SIM800 Abstract

The security system in vehicles is something that must be considered because vehicles are often stolen which results in losses to the vehicle owner. Ease of control and a security system that can be monitored using only one communication device such as a mobile phone that can support a wireless connection is an opportunity to develop a vehicle security system. By designing a vehicle displacement detection system based on GPS data and the IMU sensor, it will become a more accurate tool to determine the condition of vehicles. In order for the system to classify the current situation more accurately, the Naïve Bayes algorithm is applied. The use of GPS data in this study uses the NEO-6M module because a vehicle must be closely related or always have a coordinate location as long as it is within satellite coverage.This data is used as input along with data from the IMU sensor used in this study using the GY-61 accelerometer sensor. From this research test, the NE0-6M module has an accuracy value of 99.99%, the GY-61 sensor has an accuracy of 87,68%, and the SIM800 module can functionally run well. In the classification process that using Naïve Bayes, an accuracy of 95% is obtained.

(2)

1. PENDAHULUAN

Sistem keamanan pada kendaraan bermotor menjadi hal yang harus diperhatikan mengingat

maraknya pencurian kendaraan yang

mengakibatkan kerugian pada pemilik

kendaraan. Berdasarkan statistik kriminal yang dipublikasikan Badan Pusat Statistik (BPS) Indonesia tahun 2014 mencatat kenaikan angka kriminalitas khususnya pencurian kendaraan bermotor dari 2011 hingga 2013 tercatat pada tahun 2011 sebanyak 39.217 kejadian pencurian kendaraan bermotor dan meningkat menjadi 42.508 pada tahun 2013 (BPS, 2014). Sehingga diperlukan suatu sistem keamanan kendaraan yang lebih aman dan teknologi keamanan tersebut bukanlah yang konvensional.

Kemudahan pengontrolan dan sistem keamanan yang dapat dimonitoring hanya menggunakan satu perangkat komunikasi seperti smartphone yang dapat mendukung koneksi nirkabel menjadi kesempatan untuk melakukan

pengembangan pada sistem keamanan

kendaraan bermotor. Perkembangan smartphone

sebagai sebuah perangkat komunikasi

masyarakat umum semakin meningkat. Hal ini dikarenakan kebutuhan masyarakat akan teknologi dan komunikasi sangat besar. Perusahaan Ericsson pada risetnya yang berjudul “Ericsson Mobility Report” mengatakan bahwa hingga akhir tahun 2015, setidaknya ada sekitar 7.2 miliar pengguna mobile di seluruh dunia (Selular.id, 2016). Kebanyakan dari jumlah pengguna smartphone yang banyak tersebut hanya memanfaatkan fitur-fitur smartphone android untuk hal-hal yang bersifat menghibur dan sederhana seperti game, browsing dan lainnya.

Penggunaan smartphone sebagai media kontrol terhadap kendaraan bermotor tentunya akan sangat berguna. Sebuah kendaraan bermotor dapat dikontrol bahkan dapat

dimonitoring oleh pengguna dengan

menggunakan perangkat smartphone, sehingga mampu menekan tingkat pencurian pada kendaraan bermotor. Selain sebagai keamanan kendaraan bermotor, teknologi ini dapat digunakan sebagai kendali kendaraan bermotor.

Pada umumnya sistem keamanan

kendaraan bermotor yang digunakan pengguna merukan sistem alarm konvensional berupa suara buzzer dan sistem kelistrikan pada kendaraan diputus saat kendaraan dianggap

dicuri saat dipicu oleh sensor getaran. Hal ini tentu kurang efektif karena bisa saja kendaraan bergetar bukan karena dicuri tetapi karena hal lain. Oleh karena itu dibutuhkan suatu algoritma

pada sistem yang bisa memilah dan

mengklasifikasikan kondisi kendaraan apakah dalam kondisi aman atau tidak.

Pada penelitian sebelumnya sistem yang dikembangkan sudah mampu menyalakan dan mematikan mesin maupun pemantauan lokasi mobil. Tetapi masih terdapat beberapa kekurangan seperti penggunaan komponen SIM900 sebagai modul komunikasi antara user dengan sistem yang harganya mahal, sedangkan fungsi yang digunaan hanyalah fitur pesan singkat atau SMS.

Karena itu pada penelitian ini sistem yang akan dibuat menggunakan SIM800 untuk dapat mengirimkan sms dan mematikan mesin kendaraan serta dapat mengetahui lokasi dan status kendaraan tersebut dengan menerapkan algoritma Naïve Bayes sehingga secara otomatis dapat memantau keadaan kendaraan dalam keadaan aman atau tidak. Algoritma Naïve Bayes dipilih karena dapat mengklasifikasikan keadaan lebih akurat dengan input yang terbatas atau tidak terlalu bervariasi, karena pada sistem yang dibangun hanya mempunyai variabel input sebanyak 3 buah sebagai parameter.

Karena itu pada penelitian ini sistem yang akan dibuat menggunakan SIM800 untuk dapat mengirimkan sms dan mematikan mesin kendaraan serta dapat mengetahui lokasi dan status kendaraan tersebut dengan menerapkan algoritma Naïve Bayes sehingga secara otomatis dapat memantau keadaan kendaraan dalam keadaan aman atau tidak. Dengan memanfaatkan SIM800 sebagai penghubung komunikasi antara user dengan Arduino sebagai mikrokontroler yang akan mengolah perintah yang diberikan

oleh pengguna dari sebuah perangkat

komunikasi seperti handphone atau smartphone. Sistem tersebut dapat memberikan perintah mematikan, menyalakan, dan mengetahui lokasi kendaraan.

Algoritma Naïve Bayes dipilih karena dapat mengklasifikasikan keadaan lebih akurat dengan input yang terbatas atau tidak terlalu bervariasi, karena pada sistem yang dibangun hanya mempunyai variabel input sebanyak 3 buah sebagai parameter.

(3)

2. METODE PENELITIAN

2.1 Perancangan Sistem

Pada penelitian ini mempunyai rancangan blok diagram seperti pada gambar berikut ini,

Gambar 1. Blok diagram sistem

Pada gambar 1 terlihat terdapat dua blok yang terbagi yaitu satu blok besar yang merupakan bagian yang berada pada sistem kendaraan bermotor, dan satu blok kecil merupakan bagian yang berada pada sistem pengguna. Aliran data ataupun perintah dapat dilihat dari arah panah yang mengalir. Arduino mendapat data dari modul NEO-6M dan GY-61 sebagai data input. Kemudian data tersebut diproses oleh arduino dengan menerapkan algoritma Naïve Bayes. Setelah diproses, hasil dari klasifikasi akan diteruskan berupa data

output untuk memberi perintah modul SIM800

sebagai pengirim SMS dan driver relay untuk memutus aliran listrik.

2.2. Perancangan Perangkat Keras

Pada perancangan perangkat keras akan membahas tentang semua perangkat keras yang digunakan pada sistem yang dibangun pada penelitian ini.

Gambar 2. Skema perancangan perangkat keras

Pada gambar 2 diatas adalah skematik

perancangan perangkat keras sistem deteksi

perpindahan kendaraan bermotor

yang terdiri dari driver relay, saklar, arduino nano, modul

GPS NEO-6M, SIM800, dan sensor GY-61.

Arduino nano berpersan sebagai pemroses data sehingga semua perangkat akan dihubungkan dengan arduino nano.

Pin 3,3V pada arduino nano dihubungkan dengan pin VCC pada modul NEO-6M dan GY-61. Pin 5V pada arduino nano dihubungkan dengan pin VCC pada driver relay, SIM800, dan saklar. Untuk semua pin GND pada NEO-6M, GY-61, SIM800, relay, dan saklar dihubungkan dengan pin GND pada arduino nano. Pada modul NEO-6M, pin RX dihubungkan dengan pin D3 dan pin TX dihubungkan dengan pin D4 pada arduino nano. Pada sensor GY-61 masing-masing pin X, Y, Z dihubungkan dengan pin A0, A1, A2 pada arduino nano. Pada modul SIM800, pin RX dihubungkan dengan pin D5, dan pin TX dihubungkan dengan pin D6 pada arduino nano. Pada driver relay, pin IN dihubungkan dengan pin D8 pada arduino nano.

2.3. Perancangan Perangkat Lunak

Pada perancangan perangkat lunak akan membahas tentang semua perangkat lunak yang digunakan sistem yang dibangun pada penelitian ini.

Mulai

Inisialisasi

Baca Data Accelero dan GPS

Klasifikasi Naïve Bayes

Berpindah Lokasi?

SIM800 kirim sms Relay putus arus

Ya Tidak

Selesai

(4)

Pada gambar 3 diatas merupakan diagram alir perancangan perangkat lunak dari sistem deteksi perpindahan kendaraan bermotor berdasarkan data GPS dan sensor IMU menggunakan Naïve Bayes. Sistem dimulai dengan melakukan inisialisasi pin dan semua data yang dibutuhkan pada sistem ini. Kemudian Arduino akan membaca data dari GY-61 dan

NEO-6M untuk kemudian diolah dan

diklasifikasikan berdasarkan data latih untuk algoritma Naïve Bayes. Setelah berhasil diklasifikasikan jika hasil tidak berpindah lokasi maka sistem akan kembali untuk membaca data dari GY-61 dan NEO-6M. Jika hasil berpindah lokasi maka SIM800 akan mengirim sms ke pengguna lalu relay akan memutus aliran listrik dan sistem sudah selesai dijalankan.

Pada sistem ini juga diimplementasikan klasifikasi berdasarkan algoritma Naïve Bayes yang memiliki diagram alir sebagai berikut.

Mulai

Data pembacaan sensor dan modul

Pembacaan data latih

Hasil Klasifikasi perpindahan kendaraan Selesai ProbPrior() Gaussian() ProbPosterior

Gambar 4. Diagram alir naïve bayes

Pada proses klasifikasi dengan

menggunakan metode Naïve Bayes ada beberapa

tahap yang dilakukan sesuai pada gambar 4 dimana terdapat masukan awal atau input dari hasil pembacaan sensor dan modul. Berdasarkan data input tersebut yang nantinya akan mempengaruhi hasil dari klasifikasi deteksi perpindahan kendaraan tersebut. Selain data

input tersebut, data latih juga berperan untuk

menentukan hasil klasifikasi. Program dimulai dengan menentukan hasil dari ProbPrior(), kemudian dilanjut Gaussian(), setelah itu ProbPosterrior(). Setelah mendapat nilai dari ketiga fungsi tersebut akan didapat hasil klasifikasi perpindahan kendaraan bermotor.

2.4. Implementasi Perangkat Keras

Pada subbab ini akan membahas tentang semua implementasi atau pengaplikasian dari perangkat keras yang sudah dirancang. Berikut ini merupakan purwarupa dari sistem yang sudah dibangun.

Gambar 5. Implementasi perangkat keras

Pada gambar 5 merupakan implementasi dari hasil perancangan perangkat keras sistem yang sudah dibangun. Sistem dibangun pada

project board karena semua penelitian ini masih

bersifat purwarupa sehingga jika diperlukan penyempurnaan akan lebih mudah untuk melakukan koreksi kedepannya.

2.5. Implementasi Perangkat Lunak

Pada tahap ini setelah melakukan perancangan perangkat lunak maka hal yang dilakukan selanjutnya adalah melaksanakan implementasi perangkat lunak dari yang sudah dirancang sebelumnya. Hal pertama yang dilakukan dalam implementasi perangkat lunak adalah dengan membuat program menggunakan bahasa C pada aplikasi arduino IDE. Dalam

(5)

program tersebut terdiri dari beberapa fungsi yaitu fungsi bayes(), fungsi gaussian(), fungsi posterior, fungsi kesimpulan(), fungsi

setup(), fungsi loop(). Fungsi-fungsi tersebut

memerlukan beberapa library diantaranya adalah library “TinyGPS++.h” untuk

mendapatkan data koordinat GPS, library “SoftwareSerial.h” untuk merubah pin digital menjadi pin serial agar arduino dapat mendapat komunikasi serial lebih dari 1 perangkat, library “ADXL335.h” untuk mendapatkan nilai

accelerometer, dan library “math.h” untuk

menyelesaikan perhitungan matematika yang memiliki beberapa fungsi sedikit kompleks.

3. PENGUJIAN

Pada pengujian kali ini akan dibahas mengenai cara dan skenario yang diterapkan untuk menguji alat atau sistem yang dibangun. Pengujian dilakukan untuk mengetahui tingkat akurasi dan fungsionalitas dari masing – masing komponen yang dibangun pada penelitian ini.

3.1. Pengujian Modul NEO-6M

Tujuan dari pengujian modul NEO-6M ini adalah untuk mengetahui tingkat akurasi dari modul tersebut.Tingkat akurasi modul NEO-6M perlu diuji karena modul ini menjadi salah satu nilai input yang lumayan penting dan menentukan hasil dari output sistem yang dibangun.

Tabel 1. Pengujian modul NEO-6M

No Modul GPS NEO-6M Smartphone

Latitude Longitude Latitude Longitude

1 -7.90601 112.57698 -7.90597 112.57698

2 -7.91570 112.58686 -7.91560 112.58685

3 -7.93720 112.60618 -7.93720 112.60619

4 -7.95415 112.62518 -7.95413 112.62518

5 -7.96109 112.62718 -7.96115 112.62720

Pada tabel 1 adaadalah hasil dari pengujian modul GPS NEO-6M yang dibandingkan dengan nilai pembacaan GPS dari smartphone. Data yang diambil dan diuji adalah data titik koordinat latitude dan longitude. Data yang dihasilkan modul GPS NEO-6M yang berupa data titik koordinat latitude dan longitude dibandingkan dengan data yang dihasilkan pada

smartphone. Pengambilan data dilakukan beberapa kali dan diambil 5 data untuk diuji. Berikuit ini merupakan rumus yng digunakan untuk mencari nilai error pada modul NEO-6M.

𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑒𝑟𝑟𝑜𝑟 = 𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑛𝑖𝑙𝑎𝑖 𝑚𝑜𝑑𝑢𝑙 𝑑𝑒𝑛𝑔𝑎𝑛 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑛𝑑𝑖𝑛𝑔 𝑁𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑛𝑑𝑖𝑛𝑔 × 100 %

Dari rumus tersebut didapat hasil bahwa tingkat akurasi dari modul NEO-6M adalah 99,99% dengan rata-rata nilai error hanya sebesar 0.00028%.

3.2. Pengujian Sensor GY-61

Tujuan dari pengujian modul sensor GY-61 adalah untuk mengetahui tingkat akurasi dari sensor tersebut. Tingkat akurasi sensor GY-61 perlu diuji karena sensor ini menjadi salah satu nilai input yang lumayan penting dan menentukan hasil dari output sistem yang dibangun.

Tabel 2. Pengujian sensor GY-61

No Sensor GY-61 Smartphone

X (g) Y (g) Z (g) X (g) Y (g) Z (g) 1 0.65 -0.15 0.74 0.62 -0.16 0.72 2 0.32 0.58 0.74 0.38 0.56 0.72 3 0.09 0.66 0.75 0.11 0.52 0.75 4 -0.63 -0.01 0.76 -0.65 -0.03 0.73 5 0.82 0.16 0.52 0.81 0.13 0.55 No |(y- ŷ)/y| X (g) Y(g) Z(g) 1 0,0484 0,0625 0,0278 2 0,1579 0,0357 0,0278 3 0,1818 0,2692 0,0000 4 0,0308 0,6667 0,0411 5 0,0123 0,2308 0,0545 MAPE tiap sumbu 8,62% 25,30% 3,02% MAPE keseluruhan 12,32% Nilai Akurasi 87,68%

Pada tabel 2 adalah hasil dari pengujian sensor GY-61 yang dibandingkan dengan nilai pembacaan data percepatan dari smartphone.

No Nilai error Latitude Longitude 1 0.00051% 0.00000% 2 0.00126% 0.00001% 3 0.00000% 0.00001% 4 0.00025% 0.00000% 5 0.00075% 0.00002%

Rata-rata error tiap

koordinat 0.00055% 0.00001%

Rata-rata error

keseluruhan 0.00028%

(6)

Data yang diambil dan diuji adalah data percepatan terhadap sumbu x, sumbu y, dan sumbu z. Data yang dihasilkan sensor GY-61 yang berupa data percepatan terhadap sumbu x, sumbu y, dan sumbu z dibandingkan dengan data yang dihasilkan pada smartphone. Pengambilan data dilakukan beberapa kali dan diambil 5 data untuk diuji. Berikuit ini merupakan rumus yng digunakan untuk mencari nilai error pada modul NEO-6M yang menggunakan rumus MAPE.

𝑀𝐴𝑃𝐸 = 1 𝑛∑ | 𝑛 𝑖=1 𝑦𝑖− ŷ𝑖 𝑦𝑖 | × 100%

Dari rumus MAPE tersebut didapat hasil bahwa tingkat akurasi dari sensor GY-61 adalah 87,68% dengan rata-rata nilai error hanya sebesar 12,32%

3.3. Pengujian Modul SIM800

Tujuan dari pengujian modul SIM800L adalah untuk mengetahui tingkat akurasi dan

fungsionalitas dari modul tersebut.

Fungsionalitas modul SIM800L perlu diuji karena modul ini menjadi salah satu nilai output yang lumayan penting dan menentukan hasil dari

output sistem yang dibangun apakah tersampaikan kepada pengguna atau tidak.

Tabel 3. Pengujian modul SIM800

No. Pengujian Keberhasilan

1 Pengiriman SMS ke-1 100% 2 Pengiriman SMS ke-2 100% 3 Pengiriman SMS ke-3 100% 4 Pengiriman SMS ke-4 100% 5 Pengiriman SMS ke-5 100% Total Keberhasilan 100%

Pada tabel 3 adalah hasil dari pengujian modul SIM800L yang dibandingkan dengan

SMS yang diterima pada smartphone. Data yang

diambil dan diuji adalah kesesuaian antara isi

SMS dengan perintah program yang dijalankan.

Pengambilan data dilakukan beberapa kali dan diambil 5 data untuk diuji.

3.4. Pengujian Sistem Keseluruhan

Tujuan dari pengujian sistem secara keseluruhan adalah untuk mengetahui apakah algoritma Naïve bayes yang telah diterapkan dapat mengklasifikasikan sesuai dengan keadaan sebenarnya. Fungsionalitas algoritma Naïve

Bayes perlu diuji karena proses klasifikasi ini

kunci dari sistem yang dibangun dan memiliki peran lumayan penting dan menentukan hasil dari output sistem yang dibangun apakah sesuai dengan keadaan yang telah berlangsung atau tidak.

Tabel 4. Pengujian sistem keseluruhan

No. Nama Pengujian Hasil Sistem Keadaan Sebenarnya Kesesuaian 1 Pengujian

ke-1 Pindah Pindah Sesuai

2 Pengujian

3 Pengujian

4 Pengujian _ke-4 Diam Diam Sesuai 5 Pengujian

6 Pengujian

ke-6 Diam Pindah

Tidak Sesuai 7 Pengujian

ke-7 Diam Diam Sesuai

8 Pengujian

9 Pengujian

10 Pengujian

11 Pengujian

ke-11 Pindah Pindah Sesuai 12 Pengujian

13 Pengujian

ke-18 Diam Pindah

Tidak Sesuai 19 Pengujian

Akurasi 90,48%

Pada tabel 4 merupakan data uji dan hasil pengujian sistem secara keseluruhan. Hasil dari pengujian yang didapatkan seperti yang tertulis pada tabel 4 dapat ditarik kesimpulan bahwa

(7)

kinerja dan akurasi sistem secara keseluruhan sangat baik. Dari 21 data uji yang digunakan pada pengujian sistem keseluruhan terdapat 2 hasil yang tidak sesuai dengan keadaan sebenarnya. Adapun akurasi yang didapat pada sistem deteksi perpindahan kendaraan bermotor berdasarkan data GPS dan sensor IMU menggunakan Naïve Bayes adalah sebesar 90,48%. Secara keseluruhan sistem berjalan dengan baik dan berfungsi sesuai dengan yang diharapkan.

4. PENUTUP

Sesuai dengan rumusan masalah yang dituliskan diawal penelitian dan berdasarkan hasil dari perancangan, implementasi, pengujian dan analisis diperoleh suatu kesimpulan bahwa akurasi modul dan sensor yang digunakan pada penelitian ini memiliki tingkat akurasi yang baik dan secara fungsionalitas berjalan dengan baik. Untuk tingkat akurasi modul GPS NEO-6M bahkan mencapai 99.99% yang artinya itu sangat baik. Untuk sensor accelerometer GY-61 memiliki tingkat akurasi sebesar 84.61% yang berarti cukup baik. Untuk fungsionalitas dari modul SMS SIM800 juga berjalan dengan baik dapat mengirimkan pesan singkat tanpa kendala.

Algoritma Naïve Bayes yang digunakan pada penelitian ini berjalan dengan hasil yang memiliki tingkat akurasi cukup baik. Dengan menghitung gaussian dan posterior berdasarkan hasil input berupa 3 variabel dari 2 alat yaitu modul GPS dan sensor accelerometer kemudian membandingkan hasil dari posterior untuk diambil nilai tertingginya.

Adapun beberapa saran yang bisa dijadikan acuan untuk mengembangkan penelitian ini ataupun penelitian dengan topik yang serupa untuk kedepannya dapat menambah beberapa fitur lagi sehingga hasil klasifikasi lebih akurat. Penambahan fitur dan juga kelas akan berpengaruh juga pada jumlah sensor atau modul yang digunakan sebagai input. Kemudian disarankan menggunakan sensor gyro dengan

axis atau sumbu yang lebih banyak akan

membuat hasil lebih akurat karena hampir semua

pergerakan kendaraan akan terbaca atau terprediksi lebih akurat. Untuk tampilan antarmuka bisa dibuat dan digunakan melalui

mobile apps baik android maupun iOs sehingga

lebih mudah dan informatif bagi pengguna.

5. DAFTAR PUSTAKA

Amani, R. Z., 2017. SISTEM PENDETEKSI

DEHIDRASI BERDASARKAN

WARNA DAN KADAR AMONIA PADA URIN BERBASIS SENSOR TCS3200 DAN MQ135 DENGAN METODE NAIVE BAYES.

Baber, D., 2010. Bayesian Reasoning and

Machine Learning. London: Cambridge

University Press.

BPS, 2014. Sub Direktorat Statistik Politik dan

Keamanan. [Online] Tersedia di: <http://bps.go.id/website/pdf_publikasi/ watermark%20_Statistik_Kriminal_201 4.pdf> [Diakses 18 April 2016].

Selular.id, 2016. 70 persen penduduk indonesia

akan gunakan smartphone tahun 2018.

[Online] Tersedia di:

<http://selular.id/news/2015/12/survei-

ericsson-70-persen-penduduk- indonesia-akan-gunakan-smartphone-tahun-2018/> [Diakses 16 Februari 2016].

Jannery, D., 2012. Sistem Keamanan Mobil

Melalui Smartphone Android

Menggunakan Jaringan Wifi Sebagai Media Kontrol. Politeknik Caltex Riau. Pradata, R., 2012. Pengaturan Sistem Keamanan

Dan Pemantauan Lokasi Mobil Dengan Fasilitas SMS

Wibisono, W., 2012. Sistem Monitoring dan Tracking Aktivitas Fisik User Bergerak Berbasis Sensor Accelerometer dan GPS pada Perangkat Mobile Berbasis

Android Menggunakan Metode

Klasifikasi Decision Tree dan Naive Bayesian.