<![CDATA[Indoor Positioning System (IPS) berbasis Wi-Fi fingerprinting merupakan solusi populer untuk navigasi di lingkungan indoor, namun akurasinya sangat bergantung pada ketersediaan data yang padat. Proses pengumpulan data secara manual pada fase offline seringkali padat karya dan memakan waktu, sehingga menghasilkan dataset yang langka dan menurunkan kinerja algoritma penentuan posisi. Penelitian ini bertujuan untuk mengatasi masalah kelangkaan data dengan mengevaluasi efektivitas augmentasi dataset menggunakan data sintetis untuk meningkatkan akurasi IPS. Metodologi penelitian ini melibatkan pembuatan data sintetis menggunakan model generatif Multi-Layer Perceptron (MLP) yang dilatih secara terbalik untuk memprediksi nilai Received Signal Strength Indicator (RSSI) dari input koordinat. Kemudian dataset dievaluasi menggunakan algoritma k-Nearest Neighbor (KNN) dalam tiga skenario: model dasar, model dengan penyaringan sinyal Kalman Filter, dan model yang dilatih dengan gabungan data asli dan data sintetis. Hasil pengujian menunjukkan bahwa model yang diperkaya dengan data sintetis mencapai kinerja terbaik pada dataset uji, dengan Mean Euclidean Error terendah sebesar 130.63 cm, mengungguli model dasar (178.20 cm) dan model dengan Kalman Filter (153.06 cm).]]>
Copyrights © 2025
