Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAlat ataupun aplikasi navigasi yang ada umumnya menggunakan fitur GPS. Keterbatasan GPS adalah hanya dapat digunakan bila alat menerima sinyal GPS. Kondisi tersebut lazimnya terpenuhi hanya saat alat berada di luar ruangan. Layanan service anchor memberikan titik akses ke pengguna untuk mendapatkan layanan internet dan layananan seluler bila ada operator . Service anchor dapat mendeteksi posisi pengguna. Dengan menggabungkan web server dengan location API Service Anchor, dibuatlah aplikasi yang dapat memberikan layanan navigasi di dalam ruangan indoor . Pengguna atau klien perlu informasi lokasi terbaru sesering mungkin, sehingga data yang diperoleh adalah terbaru. Tetapi masih dalam batas wajar, yaitu tidak melampaui frekuensi sampling alat SVA. Kenyataan lain yang dihadapi adalah pada klien dan server terjadi referensi waktu yang tidak sama akibat adanya pergeseran waktu time offset . Selain itu akses jaringan memiliki latency atau waktu tunda yang berubah-ubah. Tulisan ini mecoba membahas dan memberikan pemecahan masalah tersebut dengan melakukan yang tersinkronisasi antara klien dan server.

---

ABSTRACTEquipment for navigation that exist generally uses GPS technology. The limitation of GPS is only usable when the device receives GPS signals. The condition is usually met only when the device is at outdoors location. The anchor service service provides access point to the user to get internet service and cellular service of any operator . Service anchor can detect the user 39 s position. By combining the web server with the location of the Service Anchor API, an application is created that can provide indoor navigation services. Users or clients need to acquire their location information frequently, so the data obtained is as real as possible. But within the reasonable limitation of the service anchor sampling frequency. Another fact is that the client and server time reference is not the same due to a time shift time offset . In addition, network access has a variable latency or delay time. This paper seeks to discuss and provide solutions to these problems by performing a synchronized updating schedule of user position between the client and server."

"ABSTRAKAplikasi dari teknik-teknik digital dengan struktur RF dalam jenis terbaru yaitu alat bantu navigasi Tacan dan DME yang telah ditingkatkan kemampuan kerja dan ketahanannya, dan perawatan yang lebih rendah sehingga menurunkan biaya operasinya.Sistem Tacan membuat pilot helikopter mudah mencapai pengeboran minyak lepas pantai yang diperlengkapi dengan menara Tacan dengan jarak dan sasaran dari pengeboran minyak lepas pantai, juga mempunyai kecepatan relatif dan waktu yang lebih efisien. Hal ini menjamin navigasi yang lebih akurat dan waktu penerbangan terpendek yang memungkinkan dalam cuaca yang buruk. Oleh karena itu dapat mengurangi pemborosan bahan bakar dan waktu kerja kru pesawat."

"Pemerintah Indonesia membentuk Single Air Navigation Service Provider (ANSP)bernama LPPNPI (Lembaga Penyelenggara Pelayanan Navigasi PenerbanganIndonesia) berdasar pada UU. Penerbangan No 1 Tahun 2009 pasal 271. Penelitian inibertujuan untuk melakukan analisa proses pembentukan organisasi penyelenggarapelayanan navigasi penerbangan dari segi keselamatan dengan pemodelan sistemmanajemen keselamatan (SMK) dan eskalasi prioritas 8 kriteria ANSP dengan AnaliticHierarchy Process yang belum tercakup dalam rencana peralihan, sehingga organisasiyang dibentuk memiliki tingkat keselamatan yang lebih tinggi.Penelitian menunjukkan bahwa dengan pemodelan SMK pada proses perubahanorganisasi ANSP terjadi penurunan indeks resiko keselamatan dan diketahui urutanprioritas kriteria ANSP. Hasil tersebut dijadikan sebagai dasar penyusunan roadmap danceklist kesiapan untuk memandu langkah-langkah Management of Change.

---

Government of Indonesia established a single Air Navigation Service Providers (ANSP)

named LPPNPI (Lembaga Penyelenggara Pelayanan Navigasi Penerbangan Indonesia)

based on the Aviation Law No. 1 Year 2009 Article 271. This study aims to analyze the

process of formation of the organization of air navigation service providers in terms of

safety with Safety Management System (SMS) modeling and the priority escalation of 8

ANSP criteria with AHP thats not included in the transition plan, so that the

organization will be formed have good safety level.

This study indicates the priority of ANSP criteria and show that by SMS modeling the of

ANSP organizational change safety risk index.This results serve as the basis for

arranging the Roadmap and Readiness Checklist to guide the step of Management of

Change."

"ABSTRAKPerkembangan teknologi dalam dunia radar terjadi begitu cepat. Radar sebagai alat pendeteksi bukan saja digunakan oleh pihak militer, tapi juga digunakan oleh pihak militer, tapi juga digunakan oleh pihak sipil dan pemerintah. Salah satu radar yang mengalami perkembangan adalah Radar Penetrasi Permukaan. Radar ini mempu untuk mendeteksi objek berupa ranjau, limbah yang terkontaminasi, benda-benda peninggalan yang bersejarah dan lainnya.Pesatnya perkembangan teknologi radar penetrasi permukaan ini, menjadikan radar penetrasi permukaan sebagai radar yang sangat dibutuhkan oleh penggunanya."

"Perubahan yang begitu cepat pada era globalisasi telah melanda bidang tarnsportasi, khususnya transportasi laut. Teknologi transportasi, khususnya transportasi laut telah menciptakan kapal kontainer generasi al (3.000 TEUSI) dan generasi IV (4.000 TEUS). Kapal-kapal tersebut diciptakan dengan kapasitas 46.000 DWT (generasi IV) dan 80.000 DWT2 (generasi V). yang berarti mampu meningkatkan jumlah daya angkut barang lebih besar dibandingkan kapal-kapal generasi II (2.000 TEUS) atau setara dengan 32.000 DWT. Di lain pihak perkembangan teknologi kapal tersebut telah pula memerlukan percepatan pelayanan di bidang sarana dan prasarana pendukung. Konstelasi geografis Indonesia yang berwujud kepulauan terbesar di dunia dengan dua pertiga luas wilayah berwujud perairan dan letaknya sebagai posisi silang dunia dengan jumlah penduduknya lebih dari 200 juta jiwa, telah menjadikan Indonesia sebagai negara Maritim terbesar di dunia. Dengan demikian aspek transportasi laut di Indonesia memiiki nilai strategis yang tinggi, baik pada masa damai sebagai sarana mencapai kesejahteraan (bidang ideologi, politik ekonomi, sosial-budaya), maupun pada masa perang sebagai sarana pertahanan keamanan negara. Kondisi demikian merupakan suatu tantangan sekaligus peluang bagi sistem pelayaran nasional Indonesia."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."