ITBITB

Journal of Engineering and Technological SciencesJournal of Engineering and Technological Sciences

Indikator kekuatan sinyal yang diterima (RSSI) merupakan metrik daya yang diukur oleh sensor pada penerima. Banyak teknologi penentuan posisi dalam ruangan menggunakan RSSI untuk melokasikan objek di lingkungan indoor. Akurasi penentuan posisinya sangat dipengaruhi oleh refleksi dan absorpsi dari dinding, serta oleh objek tidak stasioner seperti pintu dan orang. Oleh karena itu, diperlukan peningkatan jumlah transceiver di lingkungan tersebut untuk mengurangi kesalahan posisi. Makalah ini mengusulkan teknologi penentuan posisi dalam ruangan yang memanfaatkan algoritma pembelajaran mesin dari informasi keadaan kanal (CSI) yang dikombinasikan dengan fingerprinting. Hasil percobaan menunjukkan bahwa metode yang diusulkan mengungguli sistem lokalisasi berbasis RSSI tradisional dalam hal akurasi posisi rata-rata hingga 6,13 % dan 54,79 % untuk random forest (RF) dan jaringan saraf tiruan back propagation (BPNN), masing‑masing.

Penelitian ini mengusulkan model pembelajaran mesin yang dikombinasikan dengan fingerprinting untuk lokalisasi dalam ruangan menggunakan informasi channel state information (CSI), serta menguji kinerja akurasi posisi model RF dan BPNN dengan data RSSI dan CSI pada tiga lingkungan yang berbeda.Hasil percobaan menunjukkan bahwa penggunaan CSI meningkatkan akurasi posisi rata‑rata sebesar 6,13 % untuk RF dan 54,79 % untuk BPNN dibandingkan dengan RSSI, sehingga CSI secara efektif memperbaiki akurasi penentuan posisi pada algoritma tersebut.Namun, jumlah subcarrier terbukti memengaruhi kinerja BPNN, sehingga hubungan antara jumlah subcarrier dan akurasi posisi BPNN perlu diteliti lebih lanjut, dan potensi peningkatan model ML lain dengan input CSI juga layak dipertimbangkan.

Penelitian selanjutnya dapat menyelidiki jumlah subcarrier optimal yang diperlukan oleh model BPNN untuk mencapai akurasi tinggi pada berbagai kondisi lingkungan indoor, dengan melakukan percobaan pada variasi ukuran ruangan dan tingkat interferensi. Selain itu, penting untuk mengevaluasi efektivitas input CSI pada algoritma pembelajaran mesin lain, seperti support vector machine, deep neural network, dan metode ensemble, guna menentukan apakah peningkatan akurasi serupa dapat dicapai pada model-model tersebut. Selanjutnya, pengembangan kerangka kerja fingerprinting adaptif yang secara dinamis menyesuaikan penempatan transceiver berdasarkan kebutuhan akurasi dan beban komputasi dapat membantu mengoptimalkan keseimbangan antara sumber daya yang tersedia dan performa sistem lokalisasi indoor.

  1. Machine Learning-based Indoor Positioning Systems Using Multi-Channel Information | Journal of Engineering... doi.org/10.5614/j.eng.technol.sci.2023.55.4.2Machine Learning based Indoor Positioning Systems Using Multi Channel Information Journal of Engineering doi 10 5614 j eng technol sci 2023 55 4 2
Read online
File size640.36 KB
Pages11
DMCAReport

Related /

ads-block-test