Prediksi Posisi Dalam Ruangan Menggunakan Bluetooth Low Energy dan Metode Machine Learning
Peneliti: Ivan Alexander dan I Gede Putra Kusuma Negara
Banyak orang menghabiskan sebagian besar waktunya di dalam ruangan, menyediakan layanan lokalisasi dalam ruangan akan memiliki banyak aplikasi potensial, seperti navigasi, meminta bantuan dan pelacakan aset. Ada beberapa teknik positioning lama yang digunakan untuk indoor positioning system yaitu multilaterasi, trilaterasi dan least square estimation. Akan tetapi kelemahan teknik positioning lama ini adalah hasil kesalahan prediksi yang sangat besar.
Dengan berkembangnya teknik machine learning, banyak peneliti mulai menggunakan teknik machine learning untuk indoor positioning system. Akan tetapi penelitian yang ada masih menggunakan klasifikasi lokasi, padahal teknik machine learning dapat digunakan sebagai regresi untuk memprediksi posisi. Dalam penelitian ini diusulkan algoritma penentuan posisi untuk indoor positioning system menggunakan Bluetooth Low Energy (BLE), metode fingerprinting dan empat model regresi machine learning: Artificial Neural Network Regression (ANN), Multiple Linear Regression (MLR), Random Forest Regression (RF) dan Support Vector Regression (SVR).
Kami membandingkan kinerja dalam hal Mean of Error, Min of Error, Max of Error, Median of Error dan 90th Percentile of Error antara empat model regresi machine learning dan metode weighted sum sebagai analis pembanding. Hasil yang diperoleh adalah semua model regresi machine learning memiliki hasil Mean of Error yang lebih rendah dibandingkan dengan metode weighted sum. Model SVR memiliki kinerja yang paling baik di antara model machine learning regresi yang lain dengan hasil 134,92 cm untuk Mean of Error, 18,39 cm untuk Min of Error, 336,29 cm untuk Max of Error, 125,54 cm untuk Median of Error dan 216,65 cm untuk 90th Percentile of Error.
