Pengembangan Indoor Positioning System menggunakan Metode Fingerprinting dengan Sintetis Data dan KNN

Abstract

Indoor Positioning System (IPS) berbasis Wi-Fi fingerprinting merupakan solusi populer untuk navigasi di lingkungan dalam ruangan, tetapi akurasinya sangat bergantung pada ketersediaan data yang padat. Proses pengumpulan data secara manual pada fase offline seringkali padat karya dan memakan waktu sehingga menghasilkan dataset yang langka dan menurunkan kinerja algoritma penentuan posisi. Penelitian ini mengembangkan sistem IPS menggunakan metode Wi-Fi fingerprinting dan mencoba mengatasi masalah kelangkaan data dengan mengevaluasi efektivitas augmentasi dataset menggunakan data sintetis untuk meningkatkan akurasi IPS. Metodologi penelitian ini melibatkan pembuatan sistem yang akan digunakan untuk pengambilan data, pembuatan data sintetis menggunakan model generatif Multi-Layer Perceptron (MLP) yang dilatih secara terbalik untuk memprediksi nilai Received Signal Strength Indicator (RSSI) dari input koordinat, dan model prediksi lokasi menggunakan k-Nearest Neighbor (KNN). Model prediksi dibuat menggunakan algoritma KNN dalam tiga skenario: model dasar, model dengan penyaringan sinyal Kalman Filter, dan model yang dilatih dengan gabungan data asli dan data sintetis. Hasil pengujian menunjukkan bahwa model yang diperkaya dengan data sintetis mencapai kinerja terbaik pada dataset yang belum pernah ditemui selama pelatihan, dengan kesalahan selisih prediksi terendah sebesar 184,97 cm, mengungguli model yang dilatih menggunakan dataset mentah 190,34 cm (peningkatan 13,3%) dan model dengan Kalman Filter 186,67 cm (peningkatan 11,3 %). Temuan dari penelitian menunjukkan augmentasi dataset menggunakan data sintetis dapat menyamai bahkan meningkatkan akurasi dan kemampuan generalisasi dari sistem penentuan posisi dalam ruangan (IPS) berbasis Wi-Fi fingerprinting KNN.