Claim Missing Document
Check
Articles

Found 1 Documents
Search

Mekanisme Quality Control LightGBM Berbasis Fitur Geospasial untuk Meningkatkan Akurasi Lokalisasi Hybrid TDOA-AOA Sumber Frekuensi Radio Siaran FM Nurul Muttaqien; Ema Utami
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 4 (2026): Agustus 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v13i4.10076

Abstract

Lokalisasi sumber frekuensi radio Hybrid Time Difference of Arrival (TDOA) dan Angle of Arrival (AOA) pada lingkungan Non Line of Sight (NLOS) mengalami penurunan akurasi akibat propagasi multipath dan hambatan topografi. Penelitian ini mengusulkan quality control berbasis Light Gradient Boosting Machine (LightGBM) dengan mengintegrasikan fitur geospasial Digital Elevation Model Nasional (DEMNAS) beresolusi 8 m untuk meningkatkan akurasi estimasi posisi. Evaluasi dilakukan menggunakan 15.519 sampel pengukuran radio siaran FM di wilayah Yogyakarta dengan validasi silang spatial block 10 lipatan. Hasil penelitian menunjukkan bahwa model yang mengintegrasikan fitur sinyal dan geospasial dapat menurunkan RMSE dari 521,58 m menjadi 118,81 m atau sebesar 77,22%. Model juga mencapai F1-Score sebesar 0,9991 dengan kontribusi fitur geospasial sebesar 49,8% terhadap proses klasifikasi. Pada kondisi NLOS ekstrem, RMSE berkurang dari 1449 m menjadi 205,81 m atau sebesar 85,8%, serta mempertahankan kemampuan generalisasi pada pengujian Leave One Block Out (LOBO) dengan RMSE di bawah 170 m. Hasil penelitian menunjukkan bahwa integrasi LightGBM dan fitur geospasial efektif meningkatkan akurasi hasil lokalisasi Hybrid TDOA-AOA sebagai mekanisme quality control pasca lokalisasi. Secara praktis, hasil penelitian dapat mendukung lokalisasi yang lebih efektif dalam pengawasan spektrum frekuensi radio. Keterbatasan penelitian terletak pada kemampuan model dalam mengidentifikasi kondisi multipath masih memiliki recall sebesar 72,54% sehingga pengembangan fitur geospasial yang lebih representatif berpotensi meningkatkan kinerja model pada penelitian selanjutnya.