INDOOR POSITIONING SYSTEM

Apa itu Indoor Positioning System?

Indoor Positioning System (IPS) adalah jaringan perangkat yang digunakan untuk menemukan
objek di area tertutup seperti rumah, bangunan di mana Global Positioning System (GPS) tidak berfungsi
dengan tepat karena GPS bergantung pada satelit, sedangkan IPS tidak. Gelombang satelit gagal
menembus penghalang seperti atap dan dinding dan tidak dapat digunakan di dalam ruangan.

IPS biasanya terdiri dari tiga elemen berbeda: Anchor, Location Tag dan Location Engine. Anchor
adalah perangkat yang ditempatkan di dalam gedung, sedangkan Tag dibawa oleh orang atau objek yang
akan dilacak lokasinya. Location Engine adalah perangkat bertugas untuk menentukan posisi dari Tag
berdasarkan data yang diterima dari Anchor.

Untuk apa Indoor Positioning System?

IPS dapat digunakan di berbagai penerapan yang menggunakan posisi benda bergerak atau orang di
dalam ruangan. Bangunan pintar, termasuk rumah sakit, pabrik, atau gudang, dapat menggunakan
informasi ini untuk meningkatkan keamanan, efisiensi, dan mengotomatiskan operasi. Di bawah ini,
ditampilkan beberapa kasus penggunaan yang paling populer.

 Pabrik
Penggunaan sistem lokasi di pabrik telah meningkat selama beberapa tahun terakhir,
dengan tujuan untuk menghindari kecelakaan dan menghemat waktu. Akurasi sangat penting
untuk memastikan implementasi yang sukses.

 Bandara dan Stasiun

Untuk mengimplementasikan IPS, orang mengunduh aplikasi tertentu. Dengan tujuan
untuk menghemat waktu, aplikasi ini memberikan informasi yang berguna seperti melalui mana
arah menuju gerbang, atau di mana menemukan bilik informasi.
  Supermarket
IPS digunakan untuk memfasilitasi pengalaman berbelanja. Biasanya, aplikasi berbasis
lokasi memandu pembeli di sekitar toko untuk menemukan produk yang mereka inginkan,
menginformasikan tentang stok dan penawaran yang ada saat mereka lewat di dekat suatu
produk.

 Rumah Sakit
Sejalan dengan aplikasi lainnya, IPS berguna untuk memandu orang di dalam gedung
maupun melacak pengunjung. IPS juga dapat berguna untuk menginformasikan staf keamanan
jika seseorang berada di area yang berbahaya atau tidak seharusnya. Proses evakuasi dan
penyelamatan saat keadaan darurat juga jadi lebih mudah karena lokasinya mudah ditemukan.

Teknologi yang dipakai untuk Indoor Positioning System

Ada berbagai macam sistem pelacakan dalam ruangan tergantung pada jenis sinyal yang
digunakan. Semuanya memiliki batasannya sendiri dan tidak ada pilihan yang sempurna. Di bawah ini
dijelaskan beberapa teknologi yang paling umum digunakan.
 IMU (Inertial Measurement Unit)
IMU menginformasikan pergerakan relatif tag dengan integrasi beberapa sensor lain
seperti akselerometer, magnetometer, dan giroskop, yang tergabung dalam modul kecil. Salah
satu keunggulan dari teknologi ini adalah tidak diperlukannya penggunaan Anchor. Sayangnya,
keakuratan sistem jenis ini biasanya buruk, karena kesalahan-kesalahan terakumulasi dari waktu
ke waktu dan dapat mencapai hitungan meter hanya dalam beberapa detik.

 Infrared Light

Sistem ini menggunakan cahaya inframerah seperti pada remote control TV. Alat ini
membutuhkan Line of Sight (LOS) yang tidak terhalang antara Anchor dan Tag.

Jenis sistem ini dapat digunakan sebagai detektor ruangan yang sangat andal. Karena
cahaya inframerah tidak dapat menembus dinding, sehingga tidak mungkin Tag dapat mendeteksi
cahaya dari Anchor tanpa berada di ruangan yang sama. Namun untuk pelacakan yang akurat,
alat ini membutuhkan pemasangan banyak Anchor dan dapat mengalami kesulitan karena
rendahnya kualitas sinyal yang diperlukan untuk menghitung posisi dari beberapa Anchor.

 Ultrasound System
Sistem ultrasound menggunakan suara, bukan cahaya sehingga system ini tidak terganggu
oleh gelombang elektromagnetik dan tidak membutuhkan pandangan yang tidak terhalang.
Sistem membutuhkan satu set Anchor dan Tag. Alat ini juga menggunakan Time of Flight, yaitu
waktu yang dibutuhkan oleh suara untuk melakukan perjalanan dari sebuah Anchor ke Tag atau
sebaliknya, untuk memperkirakan jarak di antara mereka. Namun setidaknya membutuhkan tiga
jarak untuk dapat menghitung posisi Tag menggunakan trilaterasi.

Sistem ultrasound bukan yang paling umum dalam aplikasi. Sistem ini membutuhkan
penempatan beberapa Anchor dan sinkronisasi waktu antara Anchor dan Tag. Sistem ini juga
unggul dalam akurasi. Namun, sinyal ultrasound dipengaruhi oleh interferensi dari benda-benda
padat dan akibatnya keakuratannya bisa buruk jika tidak dipertimbangkan.
 Radio Frequency Technologies
Teknologi IPS yang paling umum adalah dengan menggunakan sinyal frekuensi radio. Ada
dua alasan untuk ini. Pertama, beberapa sistem lain telah mengadopsi teknologi ini, termasuk
jaringan WIFI, Bluetooth, dan telepon seluler. Dengan begitu dapat mengurangi biaya penerapan
dan membuat teknologi mudah diakses oleh lebih banyak orang (misalnya dengan memasang
aplikasi).
Yang kedua adalah, karena sinyal ini dapat melewati rintangan, mereka dapat bekerja
dengan baik dalam dunia nyata di mana rintangan tidak dapat dihindari, termasuk area komersial.
Di bawah ini, dijelaskan sistem IPS yang paling banyak digunakan menggunakan frekuensi radio.

a. RFID (Radio Frequency Identification)

RFID menggunakan medan elektromagnetik untuk mengidentifikasi dan melacak
Tag yang disematkan ke orang atau objek. Jenis sistem ini menggunakan Tag dan RFID
Reader. Reader mengirimkan sinyal yang kemudian dideteksi oleh Tag. Tag menanggapi
permintaan Reader tersebut dengan mengirimkan kembali informasi dalam paket data
yang kecil, seperti ID.
RFID bisa pasif, aktif, atau semi-pasif. Tag pasif sangat murah, hanya dapat
menyimpan beberapa kb memori, dan Reader harus berada dalam jarak sekitar 1 m dari
tag untuk mendapatkan informasinya.

RFID semi-pasif memiliki baterai untuk memberi daya pada tag, tetapi antena dan
fungsionalitas keseluruhannya mirip dengan RFID pasif. RFID aktif memiliki antena yang
berbeda sehingga dapat memberikan jangkauan yang lebih luas, sekitar 100m. Tag ini juga
dapat menyimpan lebih banyak informasi. Namun, harganya lebih mahal dan seringkali
lebih besar.
 Seperti disebutkan di atas, sistem RFID adalah pilihan yang baik untuk
mengidentifikasi dan mendeteksi keberadaan orang dan objek. Dengan system ini tidak
dibutuhkan pandangan yang tidak terhalang seperti pada sistem inframerah. Namun,
RFID tidak menunjang untuk pelacakan, dan seringkali digabungkan dengan teknologi lain
agar dapat melacak posisi objek

b. WIFI & Bluetooth

Beberapa sistem IPS menggunakan teknologi Bluetooth & WIFI. Keuntungan
utama dari sistem ini adalah bahwa mereka dapat menggunakan infrastruktur jaringan
yang sudah ada sebelumnya dan baik WI FI maupun Bluetooth tersedia di telepon seluler
dan perangkat wearables. Ini membuatnya mudah dan lebih murah untuk diterapkan.

Prinsip utama dari system ini adalah dari penggunaan Received Signal Strength
Indicator (RSSI). Kekuatan sinyal tergantung pada jarak antara pengirim dan penerima.
Dengan hanya mengukur RSSI dari tag (misalnya ponsel) ke beberapa titik akses WI FI atau
Bluetooth (yang bertindak sebagai Anchor), dimungkinkan untuk memperkirakan posisi
ponsel menggunakan trilaterasi.

Kesulitan utama untuk sistem ini adalah sinyal WIFI dan Bluetooth sangat
bervariasi jika ada rintangan dan orang yang bergerak. Material yang berbeda juga
mempengaruhi sinyal secara berbeda yang berakibat mempengaruhi akurasi. Untuk
mengatasinya, beberapa IPS membuat peta RSSI untuk suatu wilayah berdasarkan
kalibrasi ad-hoc. Akurasi yang didapat dengan sistem jenis ini bisa mencapai 1-2m.
 Meskipun keduanya berbagi prinsip yang sama, ada beberapa perbedaan antara
Bluetooth dan WIFI. Di satu sisi, WIFI menawarkan jangkauan yang bagus, meskipun
penggunaan daya cukup besar. Di sisi lain, Bluetooth membutuhkan daya yang lebih
sedikit, terutama teknologi Bluetooth Low Energy (BLE). Namun demikian, mengurangi
daya berarti juga mengurangi cakupan. Bluetooth 4.0 memiliki jangkauan maksimum
ideal 100m dengan kecepatan data tinggi (hingga 2,1 Mbps) sedangkan BLE hanya
memiliki sekitar 60 m dengan Line of Sight (LOS) dan dengan penurunan kecepatan data
yang substansial (125kbps). ZigBee adalah protokol komunikasi nirkabel lain yang kurang
dikenal yang beroperasi pada pita 2.4GHz dan juga digunakan dalam sistem IPS

c. Ultra-WideBand (UWB)
UWB adalah teknologi radio untuk komunikasi jarak pendek, bandwidth tinggi, memiliki
kemampuan menembus bahan bangunan yang dapat menguntungkan untuk estimasi jarak dalam
ruangan, dan pelacakan.
Keunggulan utama dari teknologi ini adalah kemampuannya untuk menembus material
seperti beton, kaca, dan kayu, yang membuatnya sesuai di lingkungan dalam ruangan yang khas
di mana pandangan tak terhalang seringkali tidak memungkinkan.
Ada beberapa kekurangan untuk UBW. Pertama, teknologi ini tidak tersedia di gedung
atau ponsel pengguna dan membutuhkan penerapan ad-hoc. Karena teknologi ini menempati
frekuensi bandwidth yang besar, tentunya ada batasan hukum yang mencegah interferensi antar
sinyal frekuensi radio.

Catatan : Ada baiknya untuk memahami berbagai jenis teknologi pelacakan dalam
ruangan, tetapi teknologi itu sendiri tidak boleh menjadi perhatian utama. Nilai
sebenarnya terletak pada perangkat lunak yang terhubung ke teknologi itu.

Mengetahui cara kerja Tag dan Anchor seperti mengetahui apa yang terjadi di
balik layar IPS. Yang menentukan adalah bagaimana informasi mengenai lokasi
tersebut memberikan perbedaan nilai dalam bisnis. Perangkat lunak yang
mengelola data lokasi akan memainkan peran yang besar dalam menciptakan nilai
tersebut.
Real Time Location System berbasis BLE
Real Time Location System (RTLS) atau Indoor Positioning System (IPS) telah menjadi landasan
bagi aplikasi untuk meningkatkan efisiensi, produktivitas, dan keselamatan di berbagai bidang industri.
Kemampuannya untuk secara akurat menemukan dan melacak aset dan orang memungkinkan proses-
proses untuk dapat dioptimalkan dan membantu karyawan untuk fokus pada aktivitas kerja yang
membawa nilai lebih bagi perusahaan.

Bluetooth 5.1 (Angle of Arrival)

Angle of Arrival (AoA) adalah teknologi baru dan bagian menarik dari pembaruan BLE 5.1.
Dukungan terhadapnya diharapkan dapat menciptakan kemungkinan-kemungkinan baru
berdasarkan kemampuannya untuk meningkatkan ketepatan lokasi secara signifikan
a. Implementasi Menggunakan Platfrom SAM

b. Parameter-parameter Penting
Indoor Positioning System (IPS) melacak perkiraan lokasi dari Tag berdasarkan nilai dari
sinyal yang diterima oleh Anchor. Beberapa parameter-parameter berikut penting untuk
dijelaskan lebih lanjut agar mempermudah dalam penerapan IPS kedepannya.

1) RSSI
RSSI merupakan singkatan dari Received Signal Strength Indicator yang berarti
kekuatan sinyal dari perangkat Bluetooth pemancar yang diterima oleh perangkat
penerima. RSSI digunakan untuk memperkirakan jarak antar perangkat Bluetooth yaitu
antara Tag dan Anchor. Namun karena faktor eksternal yang mempengaruhi gelombang
radio seperti penyerapan, interferensi dan difraksi, nilai RSSI cenderung berfluktuasi. Saat
Tag bergerak menjauhi Anchor, RSSI menjadi semakin tidak stabil. Secara teori, rentang
nilai RSSI berkisar antara -26 dBm (beberapa inchi) sampai -100 dBm (40-50m)

2) Measured Power (txPower)

Measured Power adalah konstanta yang dikalibrasi pabrik dan bersifat read-only.
Konstanta ini menunjukkan nilai RSSI yang diharapkan pada jarak 1 meter. Measured
Power yang dikombinasikan dengan RSSI dapat digunakan untuk memperkirakan jarak
antar perangkat Bluetooth. Jika sinyal semakin besar berarti jaraknya semakin dekat
 begitu pula sebaliknya. Dengan menggunakan formula, perkiraan jarak dapat diperoleh
dalam satuan meter.

Agar perkiraan jarak lebih akurat, diperlukan nilai Measured Power yang terukur
dengan benar. Seringkali nilai ini telah dikonfigurasi sebelumnya oleh pabrikan, tetapi
biasanya dapat juga disesuaikan. Measured Power perlu disesuaikan lagi jika perangkat
Bluetooth ditempatkan dalam lemari yang memungkinkan melemahkan sinyal.
Sedangkan jika BLE ditempatkan di lingkungan yang mempunyai banyak logam, sinyal
mungkin akan meningkat karena adanya pantulan. Karena alasan inilah disarankan untuk
mengkalibrasi Tag dan Anchor dengan mengukur dan mengatur Measured Power setelah
proses instalasi.

Kalibrasi dapat dilakukan dengan menggunakan smartphone untuk pengukuran

RSSI. Untuk mengkalibrasi, smartphone dapat diletakkan 1 meter dari perangkat
Bluetooth dan dilakukan rata-rata RSSI selama 30 detik.

3) Advertising Interval
BLE tidak melakukan broadcast keberadaannya secara terus menerus, tetapi
melakukan ‘kedipan’. Advertising interval menggambarkan waktu antara setiap kedipan
tersebut. Rentang nilainya antara 100 ms dan 2000 ms. Semakin pendek jarak interval,
maka akan semakin stabil sinyal yang didapat. Namun perlu dilakukan penyesuaian lebih
lanjut terhadap nilai interval tersebut karena sangatlah mempengaruhi umur baterai dari
perangkat BLE.

c. Formula Menghitung Jarak

Formula berikut digunakan untuk menghitung jarak antara perangkat Bluetooth pemancar dan
penerima.

N : Konstan yang dipengaruhi oleh faktor lingkungan (beberapa penelitian menyebutkan untuk
lingkungan indoor biasanya n = 2, ada juga yang menyebutkan n = 2.7 - 4.3)

(Rappaport, 1996)

Jarak yang dihitung merupakan jarak perkiraan dan bukan jarak yang tepat karena banyak sekali
pengaruh lingkungan terhadap nilai RSSI.
d. Algoritma
Sensor dan mikrokontroler memungkinkan kita mengubah fenomena kehidupan nyata
menjadi sinyal numerik sederhana yang dapat kita pelajari. Namun, keluaran mentah dari sensor
mungkin tidak cukup untuk mengekstrak informasi yang diinginkan. Perangkat keras rentan
terhadap noise dan gangguan lain dari lingkungan. Untuk mengatasi itu diperlukan penerapan
algoritma filtering yang bertugas meminimalkan noise dari output yang dihasilkan. Berikut
beberapa algoritma yang biasanya dipakai pada Indoor Positioning System (IPS).

1) Kalman Filter

Saat berkendara dan memasuki sebuah terowongan yang panjang, GPS tidak
dapat bekerja. Hal ini dikarenakan GPS tidak menerima informasi satelit yang mengorbit
di bumi. Telepon seluler pun tidak dapat bekerja karena lemahnya penetrasi sinyal ke
dalam terowongan. Masalah mulai muncul beberapa saat setelah memasuki terowongan,
bagaimana melakukan navigasi di dalam terowongan? Bagaimana caranya agar dapat
menentukan posisi kendaraan secara akurat? Hingga berapa lama lagi harus berkendara
hingga keluar dari terowongan?

Salah satu pendekatan untuk menyelesaikan masalah tersebut dapat adalah

dengan menggunakan Kalman Filter, dimana ada sebuah masalah dengan informasi yang
tidak pasti dalam keadaaan dinamis, sehingga harus membuat tebakan mengenai
keadaan sekitar. Walaupun tebakannya seringkali tidak akurat dan berantakan, ditambah
dengan keadaan yang dinamis dan sering kali berubah. Untuk membantu agar tebakan
lebih akurat dan mulus maka dapat digunakan algoritma Kalman Filter. Kalman
Filter mempunyai kemampuan untuk memprediksi apa yang akan terjadi, dan melakukan
analisa korelasi antara berbagai macam data yang mungkin tidak berhubungan.

Kalman filter ideal digunakan di dalam sistem yang berubah terus menerus dalam
kondisi dinamis. Keunggulan dari Kalman Filter adalah penggunaan memori yang ringan,
dikarenakan algoritma ini tidak memerlukan penyimpanan untuk data yang lampau.
Sehingga penggunaan Kalman Filter ideal apabila digunakan untuk memecahkan masalah
secara live di dalam embedded system.

Secara singkat Kalman Filter ini tak lain adalah hanya sebuah estimator.
Istimewanya adalah Kalman Filter mengestimasi state dari output/sensor yang kotor oleh
noise.
 2) Moving Average Filter
Moving Average Filter adalah filter yang paling sederhana karena mudah dipahami
dan digunakan. Filter ini umum diunakan untuk mengurangi random noise dan membuat
outputnya lebih mudah dipelajari. Moving Average Filter bekerja dengan cara meratakan
sejumlah titik tertentu dari input untuk menghasilkan tiap titik dari output. Memang
masih banyak jenis filter lain yang bisa digunakan dengan tujuan yang sama, tapi bila
ditinjau dari kesederhanaannya maka pilihan jatuh pada Moving Average. Jenis filter lain
mengusung kompleksitas sehingga jumlah komputasi bersifat linier yang artinya semakin
banyak.

e. Hasil Uji Coba Algoritma Filtering

Dengan berbagai penjelasan di atas, dilakukan percobaan untuk menguji keakuratan
algoritma-algoritma dan formula tersebut untuk melakukan penghitungan jarak. Jarak
sesungguhnya dari Bluetooth pemancar dan penerima adalah 1 meter.

Perangkat uji coba :

NIBP (Tensimeter) dari Contec

RSSI
-60

-65

-70

-75

-80

-85

-90

RAW KALMAN FILTER MOVING AVERAGE FILTER

 Terlihat sesuai gambar di atas bahwa dengan penerapan dua algoritma filtering
menghasilkan grafik RSSI yang lebih mulus. Lalu dengan menggunakan formula penghitungan
jarak antar perangkat Bluetooth didapatkan untuk jarak 1 meter, estimasinya berkisar antara 0.8
– 1.2 meter.

DISTANCE
1.400

1.200

1.000

0.800

0.600

0.400

0.200

0.000

f. Tahapan Uji Coba Algoritma Filtering

1) Mendapatkan Measured Power dari perangkat Bluetooth, penting dilakukan untuk
menghitung jarak menggunakan formula yang telah dijelaskan sebelumnya.
Untuk kasus NIBP di atas, Measured Power didapat dengan merata-rata nilai
RSSI yang sudah difilter dan menghasilkan nilai Measured Power = -69 dBm. Lalu
konstanta N = 2.7.

Measured Power untuk setiap perangkat Bluetooth akan berbeda beda

tergantung pabrikan, umumnya berkisar antara -50 dBm sampai -70 dBm. Terbukti
dengan pengaturan yang sama, pada alat SpO2 Contec menghasilkan jarak yang
berbeda jauh. Kemungkinan Measured Power pada perangkat SpO2 bernilai lebih
rendah dari NIBP.
2) Menentukan konstanta faktor lingkungan, dapat dilakukan dengan melakukan kalibrasi
secara manual.
Setelah mengetahui nilai RSSI rata-rate pada 1 meter, dicari pula nilai RSSI
pada jarak yang beragam. Dari nilai-nilai konstanta N tersebut dirata-rata lagi menjadi
nilai N akhir yaitu 2.7

RSSI at 1 meter -69

Distance RSSI Average N
0.25 -50.4 3.089393
0.5 -55.3 4.551041
1.5 -72.2 1.81724
2 -74.5 1.82706
2.5 -78.9 2.487812
3 -81.2 2.557002
3.5 -84.2 2.793768
2.731902

3) Terapkan algoritma Kalman Filter pada setiap nilai RSSI yang didapat.
4) Terapkan algoritma Moving Average Filter dengan lebih dahulu menentukan interval
pengambilan data.
Semakin kecil interval berarti semakin dekat dengan original datasetnya dan
kemungkinan masih mengandung banyak noise. Namun jika intervalnya terlalu besar,
informasi-informasi penting justru akan terlewatkan.

Dalam kasus NIBP di atas digunakan interval yang kecil yaitu 10. Interval
pendek (5-20) adalah yang paling cocok untuk data dengan tren yang singkat.

5) Aplikasikan nilai RSSI yang sudah disaring menggunakan formula jarak yang terdiri dari
Measured Power dan konstanta faktor lingkungan N.
g. Pengujian Penentuan Lokasi Tag
Lokasi uji menggunakan ruangan keluarga dengan denah seperti berikut.

Sejumlah 3 buah BLE Anchor ditempatkan pada beberapa titik. Karena keterbatasan alat
untuk pengetesan, anchor-anchor tersebut menggunakan perangkat smartphone yang telah
memiliki konektivitas Bluetooth. Namun smartphone yang dipakai memiliki tipe yang
berbeda-beda.

Anchor Posisi Merk

A (2.5, 0) Lenovo Android 5
B (0, 2.5) Flash Plus 2 Android 6
C (3, 5) Coolpad Android 6

Tag menggunakan perangkat Bluetooth pengukur tekanan darah NIBP (Tensimeter)

Diketahui sebelumnya bahwa Measured Power dari perangkat NIBP adalah -69 dBm dengan
nilai koefisien lingkungannya ditentukan 3.5 (random, tanpa melakukan kalibrasi).

Berikut tahapan pengujian dilakukan.

1. Menempel smartphone pada beberapa titik yang sudah ditentukan dengan menggunakan
double tape. Dengan tinggi dari lantai sekitar 2 meter. Tinggi ini seharusnya dijadikan
pertimbangan untuk pengukuran jarak antara Anchor dan Tag. Namun pada pengujian
kali ini untuk sementara dihiraukan terlebih dahulu.
2. Membuka aplikasi yang fungsinya untuk mencatat nilai RSSI yang didapat dari Tag.
Sebelumnya telah dibuat aplikasi dengan kemampuan untuk melakukan pencarian
perangkat Bluetooth secara terus menerus dan mencatat nilai RSSI nya pada sebuah file
pada internal storage smartphone.
3. Mulai melakukan pencarian dengan menghidupkan Bluetooth pada ketiga Anchor
tersebut.
4. Hidupkan Tag NIBP dengan rute perjalanan seperti pada gambar berikut. Tag mendiami
setiap titik selama 5 detik.
5. Matikan aplikasi pencarian pada Anchor dan ambil data RSSI yang telah tersimpan.
6. Lakukan pengolahan data RSSI lebih lanjut melalui komputer. Pada kasus nyata tidak akan
terjadi seperti pengujian kali ini. Pengolahan RSSI akan langsung dilakukan oleh perangkat
Location Engine yang dari awal bertugas mengumpulkan data dari beberapa Anchor dan
mentranslasi menjadi data lokasi.
7. Urutkan data RSSI berdasarkan waktu data tersebut diterima oleh Anchor.

TIMESTAMP RAW RSSI ANCHOR

07:36.7 -84 C
07:36.9 -93 B
07:37.0 -92 B
07:37.2 -83 B
07:37.6 -89 B
07:37.7 -89 B
07:37.9 -75 A

8. Data mentah RSSI yang sudah urut kemudian dilakukan penyaringan dengan algoritma
Filtering seperti yang telah dijelaskan sebelumnya. Algoritma yang dipakai yaitu Kalman
Filter dan Moving Average Filter.

TIMESTAMP RSSI ANCHOR KALMAN FILTER MOVING AVERAGE FILTER

07:36.7 -84 C -86.941 -88.000
07:36.9 -93 B -88.430 -87.984
07:37.0 -92 B -89.307 -87.955
07:37.2 -83 B -87.757 -87.753
07:37.6 -89 B -88.063 -87.617
07:37.7 -89 B -88.293 -87.515
07:37.9 -75 A -85.027 -87.470

9. Data RSSI yang sudah tersaring kemudian dikalkulasi untuk mendapatkan jarak.
 TIMESTAMP RSSI ANCHOR KALMAN FILTER MOVING AVERAGE DISTANCE
07:36.7 -84 C -86.941 -88.000 3.490
07:36.9 -93 B -88.430 -87.984 3.487
07:37.0 -92 B -89.307 -87.955 3.480
07:37.2 -83 B -87.757 -87.753 3.434
07:37.6 -89 B -88.063 -87.617 3.403
07:37.7 -89 B -88.293 -87.515 3.381
07:37.9 -75 A -85.027 -87.470 3.371

10. Dari data jarak tersebut dibuat perkiraan jarak sesungguhnya dengan menggunakan
Pytaghoras. Dengan asumsi Tag dengan Anchor mempunyai sudut kemiringan 30 derajat.

TIMESTAMP RSSI ANCHOR KALMAN MOVING DISTANCE PYT_DIST

07:36.7 -84 C -86.941 -88.000 3.490 2.443222
07:36.9 -93 B -88.430 -87.984 3.487 2.44063
07:37.0 -92 B -89.307 -87.955 3.480 2.435997
07:37.2 -83 B -87.757 -87.753 3.434 2.403819
07:37.6 -89 B -88.063 -87.617 3.403 2.382403
07:37.7 -89 B -88.293 -87.515 3.381 2.366378
07:37.9 -75 A -85.027 -87.470 3.371 2.35946

11. Secara berurutan dari waktu penerimaan data RSSI, diambil 3 penghitungan jarak dari
masing-masing Anchor yaitu A, B dan C.

TIMESTAMP RSSI ANCHOR KALMAN MOVING DISTANCE PYT_DIST

07:36.7 -84 C -86.941 -88.000 3.490 2.443222
07:36.9 -93 B -88.430 -87.984 3.487 2.44063
07:37.0 -92 B -89.307 -87.955 3.480 2.435997
07:37.2 -83 B -87.757 -87.753 3.434 2.403819
07:37.6 -89 B -88.063 -87.617 3.403 2.382403
07:37.7 -89 B -88.293 -87.515 3.381 2.366378
07:37.9 -75 A -85.027 -87.470 3.371 2.35946

12. Ketika ketiga data tersebut sudah terpenuhi barulah dimasukkan ke dalam algoritma
pencarian lokasi menggunakan Trilateration. Karena implementasinya sulit sehingga
penulis menggunakan algoritma yang telah dibentuk menjadi sebuah executable jar.
13. Dari penentuan lokasi tersebut didapatkan titik yang menjadi titik estimasi dari Tag
berdasarkan data RSSI yang telah diolah sebelumnya. Berikut gambaran hasil yang
didapat.

14. Seperti yang terlihat pada gambar, akurasi dari penerapan RSSI untuk penentuan lokasi
sangat rendah dan banyak dipengaruhi oleh faktor lingkungan. Meskipun telah
menggunakan beberapa algoritma untuk filtering data, hasil yang didapat masih belum
akurat.
15. Pengujian ke-2 dilanjutkan pada area lain dengan denah sebagai berikut.

Measured Power -69 dBm

Koefisien lingkungan N = 2.7

Anchor menempel setinggi 2 meter dari lantai dan Tag dipegang kurang lebih sama
dengan tinggi Anchor sehingga sudut antara Anchor dan Tag bisa diabaikan. Berikut
posisi device diletakkan menempel pada dinding ruangan.

Anchor Posisi Merk

A (4.0, 2.0) Flash Plus 2 Android 6
B (2.0, 0.0) Poco F3 Android 11
C (0.0, 4.0) Coolpad Android 6
Tag bergerak dari setiap titik ke titik dan mendiami titik tersebut selama 5 detik. Hasil
yang didapatkan dalam pengujian sebagai berikut. Terlihat sebaran data yang dihasilkan
masih berbeda jauh dengan pergerakan Tag. Juga terdapat beberapa data yang
menghasilkan posisi berada di luar ruangan.

Dari total 768 data RSSI yang didapat dari ketiga Anchor yaitu Anchor A, B dan C, dapat
diperoleh sejumlah 134 data posisi Tag. Dari data tersebut, hanya 11 data posisi yang
berada diluar ruangan pengujian yaitu sekitar 0.08%.