Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem navigasi merupakan komponen yang paling penting pada kendaraan di udara, air dan luar angkasa, termasuk juga pada roket dan misil yang dapat dikendalikan. Salah satu yang paling umum digunakan adalah sistem navigasi inersia. Skripsi ini membahas mengenai perancangan dan pembuatan system navigasi inersia untuk mendapatkan data posisi dan kemiringan, yaitu dengan sensor rate-gyroscope, accelerometer, dan mikrokontroler AVR ATMega16. Demikian juga pembahasan tentang sistem kalibrasi dan digital filter data dari sensor. Selain itu, karena accelerometer dipengaruhi percepatan gravitasi, maka dibutuhkan suatu koreksi gravitasi dimana membutuhkan data kemiringan yang sangat akurat. Dalam skripsi ini kalman filter digunakan untuk mendapatkan data kemiringan yang lebih akurat, dengan memanfaatkan dua masukan, dari rategyroscope dan accelerometer.

---

Navigation system is the most important component in air-, space-, and watercraft, including guided missiles. One of the common navigation systems is inertial navigation system. This bachelor thesis discusses about designing and building inertial navigation system, to get information about position and tilt, using rate-gyroscope, accelerometer, and AVR ATmega16 microcontroller. Furthermore, this thesis also discusses about calibration system and digital filter of sensor's data. In addition, because accelerometer also measures gravity acceleration, to get the real position needs a gravity correction which needs very accurate information about tilt angle. In this study, kalman filter used to get more accurate tilt angle, using two inputs, from rate-gyroscope and accelerometer."

"Rancang bangun sistem navigasi GPS/INS dan kompas digital dengan Kalman Filter pada mikrokontroler akan mencoba memberikan keunggulan GPS yang mampu memberikan data posisi dan waktu di seluruh permukaan bumi dengan keunggulan INS yang memiliki keakurasian tinggi. Kalman Filter akan menggabungkan data GPS dan data accelerometer untuk mendapatkan data posisi, sedangkan untuk mendapatkan data sudut digunakan masukan dari accelerometer dan kecepatan putar rate-gyroscope. Kompas digital akan menyediakan data yaw/ heading. Kalman Filter akan memberikan estimasi data posisi dan sudut yang akurat dengan mengeliminasi derau. Rancangan sistem navigasi yang diajukan mampu memberikan akurasi kurang dari 10 untuk penghitungan sudut dan 2 meter untuk penghitungan posisi.

---

GPS/INS and Digital Compass Navigation System Design with Kalman Filter by using AVR Microcontroller would try to combine the advantage of GPS that could give time and position data anywhere on the earth with INS that have high accuracy in measurement. Kalman Filter will combine GPS data with accelerometer data to obtain position. Accelerometer data and angular speed from rate-gyroscope will be used to calculate tilt angle. Digital compass will provide yaw / heading data. Kalman Filter will provide estimation of position and tilt angle while eliminating noise. The navigation system could gave tilt angle accuracy less than 10 and less than 2 meters for position calculation."

"Inertial navigation is widely used for the guidance of aircraft, missiles ships and land vehicles, as well as in a number of novel applications such as surveying underground pipelines in drilling operations. This book sets out to provide a clear and concise description of the physical principles of inertial navigation, the associated growth of errors and their compensation. There is also detailed treatment of recent developments in inertial sensor technology and a description of techniques for implementing and evaluating such systems. This new edition includes a number of refinements covering sensor technology, geodesy and error modelling, the major additions to the original text are new chapters on MEMS technology and inertial system applications."

"Pada skripsi ini akan dibahas mengenai aplikasi dari filter Kalman pada Global Positioning System. Latar belakang teori dari filter Kalman dan Global Positioning System juga akan dibahas pada skripsi ini.Akan dilakukan simulasi dan analisa terhadap Global Postioning System (GPS) yang mempunyai model stand-alone. Walaupun model ini agak jarang digunakan karena keterbatasannya, namun model ini tetap berguna sebagai rata-rata taksiran pengaruh memvariasikan parameter filter. Akan dilihat bagaimana penambahan matriks kovarian gangguan terhadap keadaan normalnya. Kemudian dicoba untuk melakukan pengamatan terhadap nilai Geometric Dilution Of Precision (GDOP). GDOP ini juga menentukan dalam hal keakurasian pemecahan posisi."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."