<![CDATA[Sistem lokalisasi indoor pada area parkir basement menghadapi tantangan signifikan akibat keterbatasan sinyal satelit dan kompleksitas propagasi sinyal dalam lingkungan tertutup. Permasalahan ini dapat diatasi melalui pendekatan RSSI fingerprinting berbasis Bluetooth Low Energy dengan klasifikasi menggunakan machine learning. Penelitian ini mengimplementasikan sistem lokalisasi berbasis Light Gradient Boosting Machine yang dioptimasi melalui framework Optuna untuk mengklasifikasikan dua puluh lima lokasi diskrit dalam grid 5 x 5 pada area parkir berukuran 10 meter x 10 meter. Implementasi menggunakan satu beacon mobile ESP32-S3, empat anchor nodes dengan antena eksternal 5 dBi pada sudut area, dan Raspberry Pi 4 sebagai platform komputasi. Data RSSI dikumpulkan secara sistematis dengan 50 sampel per cell, menghasilkan dataset 1.250 sampel yang diekstraksi menjadi 36 fitur statistik mencakup mean, median, standard deviation, dan quartiles. Optimasi hyperparameter dilakukan melalui 100 trials Optuna dengan objective function memaksimalkan F1-score makro melalui five-fold stratified cross-validation. Evaluasi pada test set independen menunjukkan akurasi 99,6% dengan hanya satu kesalahan klasifikasi dari dua 250 sampel. Temuan ini menunjukkan bahwa kombinasi LightGBM dengan optimasi Optuna dan ekstraksi fitur statistik efektif untuk lokalisasi parkir skala menengah, namun memerlukan validasi lebih lanjut pada kondisi lingkungan yang bervariasi.]]>
Copyrights © 2026
