Hasil Pencarian  ::  Simpan CSV :: Kembali

"Research in communication network has the limit due to its problem of the supply frequency and equipment. To overcome this problem, open source can be the solution to build a helpful test bed for the research or academic purpose. Open source network can be developed using Software Defined Network (SDN) which has been continuosly developed due enormous number of installed base equipment and protocols that are inflexible, predefined, and fixed since SDN offers a flexible, dynamic, and programmable functionality of network systems. By using OpenFlow as its protocol, we can program the network flow in a flow table on different switches and routers. This research approches an OpenFlow-based Wi-Fi environment using OpenFlow-based Access Point (OFAP) and OpenFlow controller. Each OFAP is deployed at two different rooms and performed several experiments to evaluate handoff delay. The result of this experiment show that OpenFlow-based network show more stable process than traditional network because of installed flows given to each packets however the discovered value needs to be examined further due to better mechanism towards installed flows. The handoff delay between OFAPs is 24% faster than handoff delay between traditional AP with average of 79.9 miliseconds. By use of this system, we believe it could deliver high performance network and increase reliability for the real-time traffic over WLAN, by reducing handoff delay compared to classical Wi-Fi environment."

"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."

"Penelitian tentang adopsi dan penerimaan teknologi wireless fidelity (Wi-Fi) publik hotspot masih sedikit kurang jelas. Hal ini menjadi suatu hal yang imperatif untuk dimengerti. Sudah banyak penelitian tentang penerimaan sistem informasi dan Teknologi informasi, sebagai misal penelitian tentang penerimaan user tentang Sistem ERP pada sebuah perusahaan, hal ini pula yang melatarbelakangi peneliti untuk meneliti model penerimaan teknologi hotspot di Universitas XYZ. Penelitian penerimaan pengguna sistem hotspot di Universitas XYZ dilakukan penulis untuk mengetahui sejauh mana tingkat penerimaan user terhadap sistem tersebut. Peneliti menggunakan Model Persamaan Struktural (Structural Equation Modeling). Penelitian ini melibatkan 115 user dari civitas akademika Universitas XYZ yang menggunakan sistem hotspot untuk koneksi ke internet. Penelitian ini menggunakan 7 variabel latent, yang terdiri dari 5 variabel eksogen Relative Advantage, Ease of Use, Wireless Trust, Facilitating Condition, Personal Innovativeness on Domain Information Technology. dan 2 variabel endogen, Current Usage, Future Usage. Pengambilan data dilakukan dengan menyebarkan kuesioner dengan penilaian skala likert ke responden. Alat bantu analisis menggunakan software LISREL. Hasil dari penelitian ini adalah diterimanya variabel Current Usage. Penelitian ini masih memerlukan penelitian lanjutan untuk menemukan variabel konstruk lainnya yang mewakili penerimaan pengguna terhadap sistem hotspot.

---

Research on wireless fidelity (Wi-Fi) public hotspot acceptance and adoption is rarely founded. It has become imperative to understand the critical factors that affect their acceptance. There are many research on the user acceptence of information systems and information technology. For instance, research on user acceptance of the ERP system on many companies,This drove the idea of this research on model of wifi technology at XYZ University.

Aims of this study is to examine the extent to which level of user acceptance on the hotspot/WiFi system. The author used the Structural Equation Modeling (SEM) as an analysis method. Respondent of this study involved 115 People from civitas academica of the XYZ University which using the system for the internet connection. There are seven latent variables, which consist of Relative Advantage, Facilitating Condition, Wireless Trust, Personal Innovativenes In Domain of Information technology, Ease of use. Also known as exogen variables and Current Usage, And Future Usage known as endogen variable. Data Collection done by distributing the questionnaire to respondent in which the questionnaire used a Likert scale. LISREL was used as an analysis tool in this study.

Results of this study shows that the Curent Use variable, is accepted by the users while other variables have no significant influence on this model. This study suggest further research to find others construct variables that represent the user acceptance of the hotspot."

"Wi-Fi (Wireless Fidelity) merupakan komunikasi tanpa kabel (wireless communication) yang paling banyak digunakan di seluruh dunia untuk saat ini. Teknologi ini memberikan kebebasan dari keterbatasan fisik kabel dan memungkinkan konektivitas yang lebih fleksibel. Wi-Fi 6 merupakan standar Wi-Fi yang diluncurkan pada tahun 2019 dengan nama IEEE 802.11ax. Wi-Fi 6 menawarkan kecepatan tinggi, latensi rendah, serta kapasitas jaringan yang besar yang membuatnya sangat cocok untuk daerah populasi padat penduduk. Perangkat pendukung yang paling sering digunakan dalam wireless communication adalah antena mikrostrip. Pada Tugas Akhir ini dirancang bangun sebuah antena mikrostrip yang bekerja pada frekuensi 2,4 GHz dan 5,8 GHz sesuai dengan frekuensi Wi-Fi 6. Hasil pengukuran didapatkan bandwidth sebesar 38 MHz dari frekuensi 2392 – 2431 MHz untuk pita frekuensi 2,4 GHz dan sebesar 158 MHz dari dengan rentang frekuensi 5783 – 5941 MHz untuk pita frekuensi 5,8 GHz. Nilai gain yang didapat adalah 0,16 dBi untuk frekuensi 2,4 GHz dan 4,13 dBi untuk frekuensi 5,8 GHz. Hasil pola radiasi antena fabrikasi juga cukup sesuai dengan hasil simulasi, yaitu omnidireksional untuk frekuensi 2,4 GHz dan membentuk ke dua arah untuk frekuensi 5,8 GHz.

---

Wi-Fi (Wireless Fidelity) is currently the most widely used form of wireless communication worldwide. This technology provides freedom from the physical limitations of cables and enables more flexible connectivity. Wi-Fi 6 is a Wi-Fi standard that was introduced in 2019 under the name IEEE 802.11ax. Wi-Fi 6 offers high speed, low latency, and large network capacity, making it ideal for densely populated areas. The most commonly used devices in wireless communication are antennas. In this research, a microstrip antenna will be designed and built to operate at frequencies of 2.4 GHz and 5.8 GHz, in accordance with Wi-Fi 6 standards. The results show a bandwidth of 38 MHz from 2392 – 2431 MHz for the 2.4 GHz frequency band and 158 MHz from 5783 – 5941 MHz for the 5.8 GHz frequency band. The gain results for 2.4 GHz is 0,16 dBi and for 5.8 GHz is 4,13 dBi. The radiation patterns also show the similarities with the simulation, the radiation pattern for 2.4 GHz frequency is omnidirectrional and for 5.8 GHz frequency it radiates to two directions."

"Skripsi ini memberikan hasil-hasil percobaan dan analisa dari teknologi IPTV. IPTV adalah sistem yang digunakan untuk mengirimkan data multimedia melalui jaringan berbasis Internet Protocol (IP). Teknologi ini mengubah cara manusia berkomunikasi dengan televisi menjadi lebih interaktif. IPTV merupakan teknologi yang sedang dikembangkan di berbagai negara, termasuk Indonesia, yang dikatakan akan segera mengimplementasikannya. Layanan IPTV ini berada pada Local Community Network (LCN) dimana akan digabungkan dengan beberapa aplikasi lainnya yaitu VoIP, Web Conference, dan Radio Streaming. Digunakan standar 802.11n dengan bandwidth maksimum 300 Mbps untuk membangun jaringan LCN tersebut. Analisa yang diberikan dilihat dari kualitas trafik yang terjadi dalam menjalankan aplikasi IPTV. Kualitas yang dimaksud dilihat dari bandwidth yang dikonsumsi (throughput), delay, jitter, serta packet loss. Hasil yang didapatkan akan dibandingkan dengan bila menggunakan standar 802.11g untuk menunjukkan kelebihan dari 802.11n. Dari hasil pengukuran didapatkan bahwa standar 802.11n yang memang merupakan teknologi baru, lebih superior dibandingkan standar 802.11g. Banyaknya packet loss yang terjadi merupakan faktor akan perlunya menggunakan standar 802.11n dalam aplikasi IPTV ini.

---

This thesis provides experimental results and analysis of IPTV technology. IPTV is a system that is used to transmit multimedia data through a network based on Internet Protocol (IP). This technology is changing the way humans communicate with the television becomes more interactive. IPTV is a technology that is being developed in various countries, including Indonesia, which it says will soon be implemented. IPTV services are located in the Local Community Network (LCN), which will be combined with several other applications of VoIP, Web Conference, and Radio Streams. 802.11n standard with a maximum bandwidth of 300 Mbps used to build the network, LCN.

The analysis provided views of the quality of traffic that occurs when running IPTV applications. Quality is seen from the bandwidth consumed (throughput), delay, jitter, and packet loss. The results obtained will be compared to 802.11g standard to show the advantages of 802.11n.

From the measurement, results showed that the 802.11n standard that is indeed a new technology, more superior than the 802.11g standard. Number of packet loss that occurs is a factor would need to use the 802.11n standard in IPTV applications."

"

Alat ini dibuat untuk memudahkan para pengemudi mobil untuk mencari tempat parkir gedung dan rubanah yang kosong. Alat ini menggunakan System-On-Chip NodeMCU ESP32 Wi-Fi yang diintegrasikan dengan sensor ultrasonic HC-SR04 dan aplikasi android yang dirancang dengan bahasa pemrograman Flutter. Alat utama pada proyek ini adalah sensor ultrasonic HC-SR04 yang bekerja untuk menentukan jarak ke objek mobil dalam ambang batas yang telah ditetapkan dan menjelaskan keberadaan mobil pada parkir mobil yang tersedia. Informasi yang dibaca oleh sensor ditransfer ke NodeMCU ESP32 Wi-Fi, lalu informasi tersebut kemudian ditransfer ke aplikasi android. Aplikasi android diprogram dengan bahasa pemrograman Flutter. Aplikasi akan menampilkan informasi kepada pengguna apakah tempat parkir tersedia atau tidak. Dalam hasil pengujian, perangkat lunak dan perangkat keras pada proyek ini dapat bekerja dengan baik dan dapat membaca keberadaan berbagai jenis mobil dan bukan jenis mobil.

---

This tool is made to make it easier for car drivers to find an empty parking space and basement. This tool uses the System-On-Chip NodeMCU ESP32 Wi-Fi which is integrated with the HC-SR04 ultrasonic sensor and an android application designed with the Flutter programming language. The main tool in this project is the HC-SR04 ultrasonic sensor to determine the distance to a car within a predetermined threshold and explain the presence of the car in the car park. Information read by the sensor is transferred to NodeMCU ESP32 Wi-Fi, and then it transferred to the android application. The android application is programmed with the Flutter programming language. The application will display information to users whether a parking space is available or not. In the testing result, This project successfully work either in software and hardware, and can read the existence of various types of cars and not cars.

"