Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK Iklan tentunya bukanlah suatu konsep yang asing bagi masyarakat masa kini. Periklanan sekarang dapat ditemukan dimana-mana, dan sektor periklanan sendiri adalah sektor media terbesar di dunia, dengan nilai triliunan Rupiah. Seiring berkembangnya teknologi, bentuk periklanan pun juga ikut berevolusi. Mulai dari papan iklan tradisional, hingga ke iklan digital yang bertarget. Penggunaan iklan bertarget ini semakin banyak dilakukan di bentuk iklan yang bersifat online. Namun pada saat ini, bentuk iklan tradisional seperti papan iklan, belum dapat memanfaatkan teknologi tersebut agar dapat menyampaikan iklan secara lebih efektif. Penelitian ini bertujuan untuk merancang dan mengimplementasi sistem yang menggunakan WiFi Fingerprinting-Based Indoor Positioning untuk melacak pergerakan konsumen, dan menggunakan sejarah pelacakannya untuk menentukan preferensi, dan juga menggunakan pergerakan konsumen untuk memicu layar digital untuk menampilkan iklan yang relevan dengan preferensi mereka saat memasuki jangkauan tertentu. Analisis dari penelitian ini membuktikan bahwa walaupun konsepnya sendiri baik-baik saja, implementasi yang telah dilakukan, yang menggunakan perangkat lunak FIND untuk melakukan pelacakan konsumen, tidak memadai karena adanya delay dalam pelacakan yang berkisar dari 10 hingga 30 detik, yang mengakibatkan sistem tidak dapat digunakan, karena membutuhkan semua gerakan untuk dilacak secara real time.

---

ABSTRACT Advertisement is something that has become very commonplace in society. It is also one of the largest media sectors globally, with market valuation in the billions of dollars. With the growth of technology, the forms of advertising have also evolved, namely the use of targeted advertising have become extremely prevalent. But although targeted marketing has become commonplace online, adapting such a technology for use in pervasive marketing such as in traditional signs and billboards has been difficult. Thie paper explores the design and implementation of a potential system which uses WiFi Fingerprinting Based Indoor Positioning to track consumers and use their movement history to determine their preferences and trigger digital signages to display relevant ads when they are in audio visual range. Analysis of the results prove that although the concept in and of itself is sound, this specific implementation, using the tracking software FIND, is inadequate due to tracking delays ranging from 10 and up to 30 seconds, which renders the entire system obsolete, due to requiring all movements to be tracked in real time.

Abstrak :
ABSTRAK
Salah satu faktor penting dalam pengukuran kinerja jaringan sensor nirkabel adalah penentuan lokasi dari divais yang ingin dilacak. Received Signal Strength (RSS) merupakan faktor yang bisa menjadi tolok ukur dalam melakukan prediksi lokasi dari divais yang dilacak. Dalam penelitian ini, dilakukan prediksi lokasi (localizaton fingerprinting) dari divais ZigBee yang dilacak dengan menggunakan jaringan saraf tiruan. Pengolahan data oleh jaringan saraf menggunakan dua algoritma yang akan dibandingkan performanya, yaitu algoritma Levenberg Marquardt dan Resilient Backpropagation. Hasil penelitian ini memperlihatkan bahwa metode RSS fingerprinting mampu memprediksi koordinat divais ZigBee yang dilacak. Algoritma Levenberg Marquardt memiliki performa yang lebih baik dengan nilai akurasi rata-rata 96,41% dibanding algoritma Resilient Backpropagation dengan kesalahan rata-rata 94,52%.

---

ABSTRACT
One of many important factors in the performance of Wireless Sensor Network is the localization for tracked node. Received Signal Strength (RSS) is a factor that can be used to track device location. The method that will be used in this research is fingerprinting by Artificial Neural Networks. RSSI data processing by neural networks use two training algorithms, i.e. Levenberg-Marquardt algorithm and Resilient Backpropagation algorithm. The performance of these two algorithms have been evaluated. The result of this research shows that RSS fingerprinting method can predict the coordinate of tracked ZigBee device. Levenberg-Marquardt algorithm has a mean accuracy of 96.41%, which is better than the performance of Resilient Backpropagation algorithm with 94.52%.

Abstrak :
Masalah pokok penggunaan fingerprinting Receive Signal Strength (RSS) pada indoor localization adalah pengaruh lingkungan terhadap hasil pengukuran RSS, menyikapi variabilitas nilai RSS dan akurasi penentuan posisi. Penelitian ini mengkombinasikan penggunaan keunggulan teknologi LoRa dengan metode deep learning yang menggunakan semua variasi hasil pengukuran nilai RSS di setiap posisi sebagai fitur alami dari kondisi dalam ruangan sebagai fingerprinting untuk melatih model pada deep learning. Teknik ini diberi nama DeepFi-LoRaIn, yang menggambarkan teknik untuk menggunakan data fingerprinting dari RSS perangkat LoRa pada indoor localization menggunakan metode deep learning. Penelitian ini dilakukan tidak hanya sebatas pengujian dan pembuktian metode menggunakan pendekatan testbed dan simulasi, namun berlanjut hingga tahapan implementasi menggunakan RSS fingerprinting dari hasil pengukuran sebenarnya. Skenario pengujian yang digunakan untuk mengevaluasi model adalah skenario tanpa gangguan dan skenario dengan memberikan gangguan. Skenario gangguan dilakukan dengan cara memberikan gangguan pada nilai RSS yang diterima di beberapa anchor node. Pada pengujian menggunakan dataset simulasi diperoleh hasil prediksi posisi dengan nilai akurasi 100% untuk skenario tanpa gangguan. Sedangkan pada skenario dengan gangguan diperoleh hasil akurasi prediksi posisi sebesar 86,66%. Hasil pengujian prediksi posisi menggunakan data pengukuran langsung diperoleh nilai akurasi sebesar 96,22%, untuk skenario tanpa gangguan dan 92,45%. untuk skenario pengujian dengan gangguan. Berdasarkan hasil penelitian menggunakan data simulasi dan data pengukuran sebenarnya pada implementasi, diperoleh kesimpulan bahwa, penggunaan Teknik DeepFi-LoRaIn mampu mengatasi permasalahan pada variabilitas nilai RSS didalam ruangan dan mampu menjaga akurasi prediksi posisi jika terjadi gangguan yang disebabkan oleh perubahan kondisi lingkungan. ......The main problem using fingerprinting Receive Signal Strength (RSS) in indoor localization is the influence of the environment on the results of RSS measurements, addressing the variability of RSS values and positioning accuracy. This study combines the use of the advantages of LoRa technology with a deep learning method that uses all variations of the RSS value measurement results in each position as a natural feature of indoor conditions as fingerprinting to train models in deep learning. This technique is named DeepFi-LoRaIn, which describes a technique for using RSS fingerprinting data from LoRa devices in indoor localization using deep learning methods. This research is not only limited to testing and proving the method using a testbed and simulation approach, but continues to the implementation stage using RSS fingerprinting from the actual measurement results. The test scenarios used to evaluate the model are the without interference scenario and the with interference scenario. The inteference scenario is done by giving disturbance to the RSS value received at several anchor nodes. In testing using a simulation dataset, position prediction results are obtained with an accuracy value of 100% for without interference scenarios. Meanwhile, in the scenario with interference, the accuracy of position prediction is 86.66%. The results of the position prediction test using direct measurement data obtained an accuracy value of 96.22%, for the scenario without interference and 92.45%. Based on the results of the study using simulation data and actual measurement data in the implementation, it was concluded that the use of the DeepFi-LoRaIn technique was able to overcome the problem of the variability of the RSS value in the room and was able to maintain the accuracy of position prediction in case of disturbances caused by changes in environmental conditions.