ESTIMASI LOKASI PERANGKAT MOBILE PADA LINGKUNGAN INDOOR MENGGUNAKAN DATA WIFI FINGERPRINTING DAN NEURAL NETWORK BERBASIS MULTI-LAYER PERCEPTRON

Taufik Ismail Shobirin; Arjuni Budi Pantjawati

Other

ESTIMASI LOKASI PERANGKAT MOBILE PADA LINGKUNGAN INDOOR MENGGUNAKAN DATA WIFI FINGERPRINTING DAN NEURAL NETWORK BERBASIS MULTI-LAYER PERCEPTRON

Taufik Ismail Shobirin, Arjuni Budi Pantjawati¹

¹ Universitas Pendidikan Indonesia

Repository at Universitas Pendidikan Indonesia (Universitas Pendidikan Indonesia), 2026

ABSTRAK Keterbatasan Global Positioning System (GPS) di lingkungan Indoor mendorong kebutuhan akan sistem penentuan posisi alternatif yang akurat. Penelitian ini bertujuan mengembangkan sistem estimasi lokasi perangkat mobile secara tiga dimensi pada lingkungan indoor bertingkat menggunakan metode Wifi fingerprinting dan algoritma Neural Network tipe Multi-Layer Perceptron (MLP). Penelitian dilakukan di Gedung D Fakultas Pendidikan Teknik dan Industri (FPTI) Universitas Pendidikan Indonesia (UPI) Bandung yang terdiri dari tujuh lantai. Data dikumpulkan pada 112 titik referensi (16 titik per lantai) di area koridor menggunakan smartphone Android dengan aplikasi G-NetWiFi Pro. Setiap titik diukur sebanyak 25 kali pemindaian pada dua kondisi waktu berbeda, yaitu pagi dan siang, untuk meningkatkan keberagaman data. Nilai RSSI yang diperoleh dinormalisasi menggunakan metode Min-Max Scaling pada rentang [−100, −30] dBm. Dataset kemudian dibagi menjadi data latih dan data uji dengan rasio 70:30 menggunakan stratifikasi berdasarkan lantai. Model MLP dirancang dengan tiga hidden layer (128–64–32 neuron) dan dilatih menggunakan optimizer Adam serta fungsi kerugian Mean Squared Error (MSE) untuk menghasilkan estimasi koordinat (x, y, z). Hasil evaluasi menunjukkan bahwa model menghasilkan Mean Euclidean Error (MEE) sebesar 0,77 meter dan MSE sebesar 1,0106. Nilai Mean Absolute Error (MAE) masing-masing sebesar 0,39 meter (X), 0,43 meter (Y), dan 0,26 meter (Z), serta akurasi klasifikasi lantai mencapai 99,46%. Hasil ini menunjukkan bahwa metode Wifi fingerprinting berbasis MLP efektif dan robust pada kondisi waktu dalam mengestimasi posisi perangkat secara tiga dimensi pada lingkungan indoor bertingkat tanpa memerlukan infrastruktur tambahan. Kata Kunci: Indoor Positioning System, Wifi Fingerprinting, RSSI, Neural Network, Multi-Layer Perceptron, Estimasi Lokasi 3D ABSTRACT The limitations of the Global Positioning System (GPS) in indoor environments drive the need for accurate alternative positioning systems. This research aims to develop a three-dimensional mobile device location estimation system in multi-story indoor environments using the Wifi fingerprinting method and the Multi-Layer Perceptron (MLP) Neural Network algorithm. The research was conducted at Building D of the Faculty of Technology and Vocational Education (FPTI) Universitas Pendidikan Indonesia (UPI) Bandung, which consists of seven floors. Data were collected at 112 reference points (16 points per floor) in the corridor area using an Android smartphone with the G-NetWiFi Pro application. Each point was measured with 25 scans at two different time conditions, morning and afternoon, to increase data diversity. The obtained RSSI values were normalized using the Min-Max Scaling method in the range of [−100, −30] dBm. The dataset was then divided into training data and testing data with a ratio of 70:30 using stratification based on floors. The MLP model was designed with three hidden layers (128–64–32 neurons) and trained using the Adam optimizer and Mean Squared Error (MSE) loss function to produce coordinate estimates (x, y, z). The evaluation results show that the model produced a Mean Euclidean Error (MEE) of 0.77 meters and an MSE of 1.0106. The Mean Absolute Error (MAE) values were 0.39 meters (X), 0.43 meters (Y), and 0.26 meters (Z), respectively, and the floor classification accuracy reached 99.46%. These results indicate that the MLP-based Wifi fingerprinting method is effective and robust to time conditions in estimating the position of devices in three dimensions in multi-story indoor environments without requiring additional infrastructure. Keywords: Indoor Positioning System, Wifi Fingerprinting, RSSI, Neural Network, Multi-Layer Perceptron, 3D Localization

Link