Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKIklan 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."

"Dengan meningkatnya permintaan layanan pemetaan dalam ruangan, metode fingerprinting telah menjadi fokus utama penelitian dan pengembangan untuk menyediakan pemetaan posisi yang akurat dan detail. Fingerprinting memungkinkan identifikasi lokasi perangkat dengan presisi tinggi, yang bermanfaat dalam navigasi gedung, pengelolaan sumber daya dalam ruangan, dan keamanan jaringan. Dengan fokus pada WiFi Fingerprinting untuk pemetaan posisi access point (AP) ilegal, yang mengidentifikasi dan memetakan lokasi perangkat berdasarkan karakteristik sinyal WiFi, model ini dapat mempelajari noise dari sinyal WiFi, merekonstruksi nilai sinyal yang bersih. Berdasarkan hasil eksperimen yang dilakukan pada penelitian ini, didapatkan hasil perhitungan eror sebesar 453.27 cm (MAE) dan 517.16 cm (RMSE) untuk hasil prediksi posisi relatif AP ilegal.

---

With the increasing demand for indoor mapping services, fingerprinting methods have become a primary focus of research and development to provide accurate and detailed position mapping. Fingerprinting enables the identification of device locations with high precision, which is beneficial for building navigation, indoor resource management, and network security. Focusing on WiFi Fingerprinting for mapping the positions of illegal access points (APs), which identifies and maps device locations based on WiFi signal characteristics, this model can learn the noise from WiFi signals and reconstruct clean signal values. Based on the experimental results conducted in this study, the error calculations yielded a Mean Absolute Error (MAE) of 453.27 cm and a Root Mean Square Error (RMSE) of 517.16 cm for the predicted positions of illegal APs."

"Teknologi lokalisasi dalam ruangan berkembang pesat karena keterbatasan GPS di lingkungan tertutup. WiFi fingerprinting menjadi solusi menjanjikan karena ketersediaannya yang luas dan biaya rendah. Penelitian ini bertujuan menentukan posisi access point ilegal di dalam ruangan menggunakan infrastruktur WiFi Aruba dan klasifikasi berbasis machine learning. Pendekatan ini melibatkan dua fase utama. Pertama, fase konstruksi fingerprint database di mana data kekuatan sinyal WiFi dikumpulkan dari berbagai lokasi di dalam ruangan dan disimpan dalam database. Kedua, fase klasifikasi berbasis machine learning yang menggunakan algoritma seperti K-Nearest Neighbor (KNN), Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Artificial Neural Network (ANN) untuk mengklasifikasikan lokasi access point ilegal berdasarkan fingerprint received strength signal (RSS). Model dievaluasi menggunakan metric accuracy dan f1-score. Hasil eksperimen menunjukkan bahwa untuk dataset NTUST, model yang paling sesuai adalah model dengan algoritma XGBoost dengan label jenis satu, tanpa augmentasi, dan dengan hyperparameter tuning yang memiliki skor accuracy sebesar 0.793 dan skor weighted average f1-score sebesar 0.792. Untuk dataset UI, model yang paling sesuai adalah model dengan algoritma XGBoost dengan label jenis satu, dengan augmentasi, dan tanpa hyperparameter tuning yang memiliki skor accuracy sebesar 0.591 dan skor weighted average f1-score sebesar 0.582.

---

Indoor localization technology is rapidly developing due to the limitations of GPS in enclosed environments. WiFi fingerprinting has become a promising solution due to its wide availability and low cost. This study aims to determine the position of illegal access points indoors using Aruba WiFi infrastructure and machine learning-based classification. This approach involves two main phases. First, the fingerprint database construction phase, where WiFi signal strength data is collected from various locations indoors and stored in a database. Second, the machine learning-based classification phase, which uses algorithms such as K-Nearest Neighbor (KNN), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Artificial Neural Network (ANN) to classify the location of illegal access points based on received strength signal (RSS) fingerprints. The model is evaluated using accuracy and f1-score metrics. Experimental results show that for the NTUST dataset, the most suitable model is the one using the XGBoost algorithm with label type one, without augmentation, and with hyperparameter tuning, achieving an accuracy score of 0.793 and a weighted average f1-score of 0.792. For the UI dataset, the most suitable model is the one using the XGBoost algorithm with label type one, with augmentation, and without hyperparameter tuning, achieving an accuracy score of 0.591 and a weighted average f1-score of 0.582."