Penelitian ini membahas tentang estimasi posisi (localization) objek dalam gedung menggunakan jaringan wireless atau IEEE 802.11g dengan pendekatan Machine Learning. Metode pada pengukuran RSS menggunakan RSS-based fingerprint. Algoritma Machine Learning yang digunakan dalam memperkirakan lokasi dari pengukuran RSS-based menggunakan Naive Bayes. Localization dilakukan pada lantai 3 gedung Jurusan Teknik Elektro dan Teknologi Informasi (JTETI) dengan luas 1969,68 m2 dan memiliki 5 buah titik penempatan access point (AP). Untuk membentuk peta fingerprint digunakan dimensi 1 m x 1 m sehingga terbentuk grid sebanyak 1893 buah. Dengan menggunakan software Net Surveyor terkumpul data kekuatan sinyal yang diterima (RSS) dari jaringan wireless ke perangkat penerima (laptop) sebanyak 86.980 record. Hasil nilai rata-rata error jarak estimasi untuk localization seluruh ruangan di lantai 3 dengan menggunakan algoritma Naive Bayes pada fase offline tahap learning adalah 6,29 meter. Untuk fase online dan tahap post learning diperoleh rata-rata error jarak estimasi sebesar 7,82 meter
展开▼
机译：这项研究讨论了使用无线网络或IEEE 802.11g和机器学习方法对建筑物中对象的位置估计（定位）。用于测量RSS的方法使用基于RSS的指纹。使用朴素贝叶斯估计基于RSS的测量的位置时使用的机器学习算法。本地化是在电气工程和信息技术（JTETI）部门大楼的三楼进行的，面积为1969.68 m2，具有5个接入点（AP）放置点。为了形成指纹图，使用1 m x 1 m的尺寸来形成1893个网格。通过使用Net Surveyor软件，从无线网络到接收设备（笔记本电脑）收集了86,980条接收信号强度（RSS）数据记录。在离线学习阶段，使用Naive Bayes算法估计的3层所有房间的本地化定位距离的平均误差值的结果为6.29米。对于在线阶段和后期学习阶段，估计距离的平均误差为7.82米
展开▼
