BAB II DASAR TEORI
2.8. Jarak Euclidean
Jarak digunakan untuk membandingkan dua buah vektor. Perbandingan suatu nilai dikatakan sama atau tidak berdasarkan dari tingkat kemiripan yang tinggi dan nilai dua vektornya. Dengan menggunakan metode jarak Euclidean dapat digunakan untuk mengukur tingkat kemiripan dua buah vektor tersebut. Jarak Euclidean adalah perhitungan jarak antara satu data terhadap sekelompok data (basis data). Pada jarak Euclidean metode yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Jarak Euclidean menghitung akar dari kuadrat perbedaan 2 vektor [14].
(2.5)
(2.6)
(2.7)
20
Rumus dari Euclidean distance :
𝑗(𝑉1 , 𝑉2) = √∑(𝑉1(𝑘) − 𝑉2(𝑘))2
𝑛
𝑘=1
Keterangan : 𝑉1(𝑘) = citra basis data.
𝑉2(𝑘) = citra masukan.
Contoh terdapat 2 vektor ciri berikut : V1 = [ 1 6 7 6 5]
V2 = [ 1 6 1 5 3]
Jarak Euclidean dari vektor A dan B adalah:
j(𝑉1, 𝑉2) = √(1 − 1)2+ (6 − 6)2+ (7 − 1)2+ (6 − 5)2 + (5 − 3)2
= √0 + 0 + 36 + 1 + 4 = 6.4031
(2.10)
21
BAB III
PERANCANGAN
3.1. Proses Perancangan Pengambilan Data Gerakan Manusia
Proses perancangan software pengambilan data gerakan manusia terdiri dari beberapa proses, yaitu pengambilan data gerak, fungsi jarak, dan penentuan keluaran. Proses perancangan sistem perangkat elektronika dapat dilihat pada Gambar 3.1.
Gambar 3.1. Diagram Proses Pengambilan Data Gerak Manusia Pengambilan data
gerakan manusia
Proses pada Matlab
Keluaran berupa teks dan grafik pada monitor
Kontroler Sensor Gyro
SD Card RTC Step Down
22
Sketsa perancangan alat dan wiring perancangan alat dapat dilihat pada Gambar 3.2 dan Gambar 3.3.
Gambar 3.2. Sketsa Perancangan Alat
Gambar 3.3. Wiring Perancangan Alat
23
Proses pengambilan data menggunakan rangkaian arduino. Dalam tahap ini alat akan dikenakan pada manusia untuk melakukan pengambilan data gerakan. Selanjutnya, hasil data gerak berupa data angka nantinya akan disimpan pada SD Card. Kemudian menjadi masukan untuk tahap selanjutnya yaitu tahap pengenalan.
Pada tahap pengenalan terdiri dari 3 tahap yaitu akses data pada SD Card, perhitungan fungsi jarak, dan data acuan gerak. Terakhir dari proses sistem ini yaitu tahap penentuan keluaran. Hasil penentuan keluaran sistem ini berdasarkan jarak minimum yang diperoleh dari hasil perbandingan antara data referensi dengan hasil uji. Untuk diagram alir keseluruhan sistem dapat digambarkan pada Gambar 3.4.
Gambar 3.4. Diagram Alir Keseluruhan Sistem Pengambilan Data Gerak Manusia
24
Proses Pengambilan Data Gerak Manusia
Proses pengambilan data gerak manusia adalah proses pengambilan data gerak dengan menggunakan arduino, sensor gyro, dan rtc yang nanti akan disimpan di SD Card. Sensor gyro dan rtc akan dihubungkan ke arduino nano beserta modul SD Card. Data gerak yang telah diambil dan yang sudah disimpan di SD Card akan diolah kembali ke laptop. Sehingga data hasil gerak selanjutnya akan diproses di Matlab. Berdasarkan Gambar 3.4 dapat dilihat diagram alir subrutin pengambilan data gerak manusia pada Gambar 3.5.
Gambar 3.5. Diagram Alir Subrutin Pengambilan Data Gerak Manusia
25
3.2.1. Proses Fungsi Jarak
Proses fungsi jarak merupakan proses selanjutnya setelah pengambilan data gerak.
Fungsi jarak yang digunakan yaitu jarak Euclidean. Jarak Euclidean berfungsi sebagai pembanding antara hasil data gerak uji dengan data gerak pada basis data. Hasil proses fungsi jarak ini mencari nilai selisih minimum antara hasil data gerak uji dengan data gerak pada basis data. Proses fungsi jarak dapat dilihat pada diagram alir Gambar 3.6.
Gambar 3.6. Diagram Alir Subrutin Fungsi Jarak Euclidean
3.2.2. Penentuan Keluaran
Hasil pengenalan perangkat elektronika ini ditentukan berdasarkan jarak minimal dari hasil perbandingan antara keluaran dari data ujingerakan dengan data acuan, dengan menggunakan fungsi jarak Euclidean. Hasil dari proses ini yaitu berupa teks dan grafik yang akan ditampilkan pada layar monitor. Proses penentuan keluaran digambarkan pada diagram alir Gambar 3.7.
26
Gambar 3.7. Diagram Alir Penentuan Keluaran
Penentuan Data Ajuan
Sistem perancangan data gerak manusia ini memerlukan data ajuan untuk digunakan sebagai referensi atau acuan. Penentuan data ajuan bertujuan untuk mendapatkan data ekstraksi ciri tekstur yang akan dikenali. Hasil ekstraksi ciri pada data acuan akan menjadi referensi bagi hasil ekstraksi ciri citra masukan yang diambil data geraknya saat pengujian.
Hasil ekstraksi ciri tersebut akan disimpan dalam bentuk matriks. Data ajuan ini berisi hasil ekstraksi ciri 2 gerakan manusia. Diagram alir penentuan data ajuan dapat dilihat pada Gambar 3.8.
27
Gambar 3.8. Diagram Alir Penentuan Data Acuan
Rancangan Pengambilan Data
Perancangan metode pengambilan data untuk sistem pembacaan aktivitas manusia dengan sensor gyro adalah alat ini nantinya akan dipasang pada bagian tubuh manusia dan objek manusia akan melalukan gerakan yang akan direkam oleh sensor gyro. Data hasil rekaman akan disimpan di SD Card dalam bentuk numerik. Langkah selanjutnya SD Card akan dipasang ke PC untuk melakukan pengolahan data menggunakan Matlab. Berikut contoh grafik gerakan dari pemasangan sensor gyro pada bagian pergelangan kaki berdasarkan penelitian Kusuma et al.,[15] dapat dilihat pada Gambar 3.9 dan Gambar 3.10.
28
Gambar 3.9. Grafik Yang Dihasilkan Saat Aktivitas Lari
Gambar 3.10. Grafik Yang Dihasilkan Saat Aktivitas Jalan Santai
Perancangan Tampilan GUI Matlab
Perancangan tampilan sistem pengenalan tekstur menggunakan Graphical User Interface (GUI) pada Matlab untuk membantu pengguna dalam proses pengenalan gerakan.
Sistem pengenalan tekstur pada GUI mengacu pada diagram alir sistem pengenalan tekstur GUI seperti pada Gambar 3.11. Sketsa perancangan GUI dapat dilihat pada Gambar 3.12.
29
Gambar 3.11. Diagram Alir GUI Sistem Pengenalan Geakan Mulai
Keluaran:
File data gerakan diterima dan ditampilkan
Preprocessing Tombol “PROSES”
memberi perintah untuk mengolah file
data gerakan uji Pengiriman File Gerakan Tombol “SELECT FILE” memberi perintah untuk mengambil file data gerakan
uji
Keluaran:
Ciri data gerakan uji
Keluaran:
Ciri data gerakan data acuan
Ekstraksi Ciri
Menghitung hasil ekstraksi ciri dengan metode euclidian Keluaran: memilih keluaran hasil grafik
Selesai Reset:
Tombol “CLEAR ALL” berfungsi mengulang proses pengenalan gerakan
dengan menghapus data masukan
30
Gambar 3.12. Sketsa Perancangan GUI Pengenalan Gerakan
Mengacu pada Gambar 3.5 proses menjalankan sistem pada Gambar 3.12 dimulai dengan menekan tombol “Select File” file yang dipilih akan ditampilkan pada Text 1 untuk menjadi file yang akan diolah di Matlab. Selanjutnya setelah file terpilih data uji akan otomatis tertampil pada Uitable 1, user memasukan range awal dan memilih jumlah detik data yang ingin dikenali, kemudian menekan tombol “Proses”. Untuk melihat hasil data gerak, akan ditampilkan pada TextHasil. Langkah selanjutnya pengguna dapat memilih output grafik gelombang apa yang ingin dilihat pada Output yang akan tertampil pada Axes.
Tombol “Clear All” berfungsi untuk membersihkan semuanya proses yang sedang berlangsung. Keterangan GUI dapat dilihat pada Tabel 3.1.
Tabel 3.1. Keterangan GUI Pengenalan Gerakan
No. Nama Bagian Keterangan
1. Tombol “Select File” Untuk membuka file yang akan diolah pada Matlab 2. Tombol “Proses” Untuk memulai proses pembaca aktivitas gerak manusia 3. Tombol “Clear All” Untuk mengclearkan semua proses yang sedang berlangsung 4. Check Box Untuk memilih ingin melampilkan grafik pada Axes
5. Text 1 Untuk menapilkan file yang akan diproses di Matlab 6. Text Hasil Untuk menampilkan nama gerakan yang akan dikenali 7. Axes Untuk menampilkan hasil grafik gerakan
8. Uitable 1 Data mentah gerakan uji
31
BAB IV
HASIL DAN PEMBAHASAN
Untuk mengetahui alur kerja pengenalan gerakan dengan metode euclidian dapat dilihat pada lampiran 1. Pengujian sistem pengenalan gerakan menghasilkan data pengenalan yang berguna untuk pembahasan pada bab ini. Pengujian sistem pengenalan gerakan bertujuan untuk mengetahui sistem yang telah dirancang dapat bekerja dengan baik sesuai dengan perancangan.
4.1. Implementasi Perangkat Lunak
Implementasi perangkat lunak sistem pengenalan gerakan mengacu pada Gambar 3.11, yaitu Diagram Alir Sistem Pengenalan Tekstur GUI. Tampilan GUI Pengenalan Tekstur pada Gambar 4.1 dibuat berdasarkan sketsa perancangan GUI pada Gambar 3.12 dengan penyesuaian. Penambahan tombol dan tabel disesuaikan dengan permasalahan yang ditemukan penulis mengenai program pengenalan tekstur.
Gambar 4.1. Tampilan GUI Pengenalan Gerakan
Tombol SELECT FILE digunakan untuk memilih file data gerakan yang akan dikenali, data uji otomatis akan tertampil di kolom data uji. Tombol PROSES digunakan untuk memproses pengenalan geraka dari data uji dibandingkan dengan basis data gerakan
32
yang ada, sebelum menekan tombol PROSES, user harus memilih range awal data gerakan uji yang ingin dikenali dan jumlah waktunya, pada proses tombol yang sama, data tersebut akan diolah untuk dicari hasil ekstrasi ciri gerakan dengan menggunakan metode statistik dan ditampilkan pada GUI dalam bentuk tabel dan data hasil ekstrasi ciri basis data akan ditampilkan. Hasil keluaran nama gerakan berupa teks ditentukan dari nili perhitungan dengan metode fungsi jarak euclidian dan metode statistik. Tombol CHECK BOX digunakan untuk memilih grafik yang ingin ditampilkan pada axes. Tombol CLEAR ALL digunakan untuk menghapus semua data dan menulang proses pengenalan gerakan dari awal.
4.2. Implementasi Perangkat Keras
Implementasi perangkat keras ditunjukkan pada Gamar 4.2. Kondisi ini dibuat berdasarkan perancangan hardware pada Gambar 3.1 dan Gambar 3.2.
Gambar 4.2. Kondisi Pengambilan dan Pengenalan Data Gerakan
RTC
LED Indiktor
MPU-6050
Arduino Nano SD Card
Modul
Step Down
Baterai (Catu daya 11,1V)
…
…
Laptop
33
4.3. Hasil Pengujian dan Analisis Data
Pengujian pengaruh gerakan dilakukan untuk mengetahui pengaruh variasi gerakan, variasi subject dan variasi waktu gerakan terhadap tingkat pengenalan gerakan dengan metode fungsi jarak Euclidean. Dalam pengujian fungsi jarak Euclidian, data masukan diperoleh dari gerakan asli yang telah direkam dengan rentang waktu ±5menit. Data gerakan kemudian disimpan secara otomatis pada SD Card. Gerakan yang diambil ialah gerakan jalan dan gerakan lari yang telah ditentukan pada batasan masalah. Untuk setiap pengujian variasi gerakan, perekaman gerakan akan diatur berdasarkan rentang waktu tertentu. Dari pengujian ini dapat diperoleh nilai pengaruh variasi gerakan dari setiap data gerakan dengan mencari persentase pengenalan (recognition rate) terhadap tiap variasi. Berikut akan disampaikan grafik tingkat pengenalan gerakan dengan pengaruh variasi.
4.3.1. Pengujian Pengaruh Variasi Gerakan Terhadap Pengenalan Gerakan
Pengujian pengaruh variasi gerakan terhadap pengenalan gerakan, data diambil dengan 2 varian data gerakan. Variasi data gerakan ini terdiri dari gerakan jalan, gerakan lari tingkat pengenalan gerakan masing-masing variasi didapat dengan mengambil perbandingan jarak euiclidian dari tiap variasi gerakan pada basis data dibandingankan dengan data uji.
Secara detail, data pengenalan gerakan dapat dilihat pada lampiran 3. Secara persentase, data pengenalan gerakan pada lampiran 3 tersebut dapat dilihat pada lampiran 4. Secara grafis, hasil persentase pengenalan gerakan pada lampiran 4 dapat dilihat pada Gambar 4.3. Hasil tingkat pengenalan gerakan akan dibandingkan dengan penelitian yang serupa namun menggunakan metode yang berberda untuk melihat pengembangan penilitian yang telah dilakukan.
34
Gambar 4.3. Grafik Tingkat Pengenalan Gerakan Dengan Pengaruh Variasi Gerakan Pengembangan penelitian ini berupaya untuk melihat pengaruh variasi gerakan dengan harapan mencapai tingkat pengenalan 100%. Pada grafik tingkat pengenalan gerakan dengan pengaruh variasi gerakan menunjukkan bahwa variasi gerakan tetap dapat dikenali.
Sedangkan tingkat pengenalan menggunakan metode KNN (penelitian serupa) dengan pengaruh variasi gerakan menghasilkan gerakan dapat dikenali dengan baik dengan indeks gerakan jalan 97,63% dan gerakan lari 85,31% pada penelitian ini [18] penggunaan alat pengujian di gunakan pada 2 posisi yaitu pada lengan kanan bawah dan pergelangan kaki sebelah kiri. Penelitian serupa juga dilakukan oleh Casale [19] dijelaskan bahwa pada penelitian ini menggunaan alat yang serupa seperti penelitian yang telah dilakuan yaitu alat digunakan pada bagian dada namun pada penelitian ini metode yang digunakan hanya metode accelometer dan hasilnya menunjukan pengaruh variasi gerakan tetap dapat dikenali dengan indeks gerakan jalan 94% dan gerakan lari 95%.
Berdasarkan grafik tingkat pengenalan gerakan dengan pengaruh variasi gerakan, tingkat pengenalan aktifitas menggunakan jarak euclidian dicari nilai yang paling minimal.
Kelemahan sistem, sistem harus memilih dua jenis aktifitas saja berdasarkan jarak euclidian, untuk aktifitas jalan dan aktifitas lari saja. Sistem tetap akan memutuskan aktifitas masukan sebagai aktifitas jalan atau aktifitas lari berdasarkan ciri yang mendekati dengan data basis data yang ada.
Gerakan Jalan Gerakan Lari
Tingkat Pengenalan Euclidian 100% 100%
KNN [18] 97,63% 85,31%
Accelometer [19] 94% 95%
75%
TINGKAT PENGENALAN GERAKAN DENGAN PENGARUH
VARIASI GERAKAN
35
4.3.2. Pengujian Pengaruh Variasi Subject Terhadap Pengenalan Gerakan
Pengujian pengaruh variasi subject diambil dengan pengambilan data gerakan jalan dan gerakan lari dilakukan 5 subject berbeda dengan pengambilan data dengan perekaman data ±5menit. Pada pengujian ini terdapat 5 variasi subject, yaitu subject I, subject II, subject III, subject IV dan subject V. Pengujian dilakukan sebanyak 12kali berdasarkan rentang waktu yang telah ditentukan, data yang diperoleh dapat diolah menjadi persentase tingkat pengenalan gerakan dengan menghitung nilai pengenalan dari 2 gerakan tunggal. Satu gerakan memiliki 1data/detik pengenalan gerakan sebanyak ±300 data. Untuk mendapat persentase tiap gerakan untuk variasi subject, jumlah pengujian berhasil akan dibagi dengan total data pengenalan variasi subject dan dikali dengan 100%. Grafik pengaruh variasi subject terhadap pengenalan gerakan ditunjukkan pada Gambar 4.4 dan Gambar 4.5. Secara detail, data pengenalan pengaruh variasi subject gerakan dapat dilihat pada lampiran 3.
Secara persentase, data pengenalan gerakan pada lampiran 3 tersebut dapat dilihat pada lampiran 4. Secara grafis, hasil persentase pengenalan gerakan pada lampiran 4 dapat dilihat pada Gambar 4.4 dan Gambar 4.5.
Gambar 4.4. Grafik Pengaruh Variasi Subject Terhadap Pengenalan Gerakan Jalan
I II III IV V
Jarak Euclidian 100,00% 100,00% 100,00% 100,00% 100,00%
0%
PENGARUH VARIASI SUBJECT TERHADAP
PENGENALAN GERAKAN JALAN
36
Gambar 4.5. Grafik Pengaruh Variasi Subject Terhadap Pengenalan Gerakan Lari
Pada grafik pengaruh variasi subject terhadap pengenalan gerakan jalan dan lari pada Gambar 4.4 dan Gambar 4.5. terlihat bahwa banyaknya variasi subject tidak begitu berpengaruh terhadap pengenalan, pengenalan gerakan tetap dapat dikenali dengan benar.
Hal ini dibuktikan dengan besarnya jarak euclidian persentase pengenalan tetap 100% untuk gerakan jalan maupun gerakan lari. Hal tersebut dikarenakan nilai pada citra gerakan object saat pengambilan data uji dengan citra gerakan basis data yang ada dibandingkan menghasilkan nilai ekstraksi ciri gerakan yang didapat mendekati dengan nilai ekstraksi ciri gerakan dari basis data. Nilai ekstraksi ciri gerakan masukan dibandingkan dengan nilai ekstraksi ciri gerakan basis data menggunakan metode fungsi euclidian. Dari data tersebut dapat disimpulkan bahwa variasi subject tidak berpengaruh terhadap tingkat pengenalan, gerakan masukan tetap dapat dikenali dengan baik dengan fungsi jarak euclidian.
4.3.3. Pengujian Pengaruh Variasi Waktu Terhadap Pengenalan Gerakan
Pengujian pengaruh variasi waktu diambil dengan mengatur waktu pengenalan gerakan dengan rentang waktu 10s/per gerakan, 15s/per gerakan, 20s/per gerakan, dan 30s/per gerakan. Pada pengujian ini terdapat 5 subject dengan data ganda (gerakan jalan – gerakan lari) variasi waktu akan dibaca sampai gerakan ke-10. Data yang diperoleh dapat
I II III IV V
Jarak Euclidian 100,00% 100,00% 100,00% 100,00% 100,00%
0%
PENGARUH VARIASI SUBJECT TERHADAP
PENGENALAN GERAKAN LARI
37
diolah menjadi persentase tingkat pengenalan gerakan dengan menghitung nilai pengenalan dari gerakan ganda (gerakan jalan – gerakan lari). Satu perekaman memiliki 1data/detik pengenalan gerakan sebanyak ±300 data. Untuk mendapat persentase tiap gerakan untuk variasi waktu, jumlah pengujian berhasil akan dibagi dengan total data pengenalan variasi waktu dan dikali dengan 100%. Secara persentase, data pengenalan gerakan pada lampiran 3 tersebut dapat dilihat pada lampiran 4. Secara grafis, hasil persentase pengenalan gerakan pada lampiran 4 dapat dilihat pada Gambar 4.6, Gambar 4.7, Gambar 4.8 dan Gambar 4.9.
Gambar 4.6. Pengaruh Variasi Waktu 10 Detik
10s Ke-1
Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
0%
38
Gambar 4.7. Pengaruh Variasi Waktu 15 Detik
Gambar 4.8. Pengaruh Variasi Waktu 20 Detik
15s Ke-1
Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
0%
Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
0%
39
Gambar 4.9. Pengaruh Variasi Waktu 30 Detik
Pada grafik pengaruh variasi waktu terhadap pengenalan terlihat bahwa banyaknya variasi waktu berpengaruh terhadap pengenalan, pengenalan gerakan tetap dapat dikenali dengan benar dengan fungsi jarak euclidian. Hal ini dibuktikan dengan besarnya jarak euclidian, persentase pengenalan tetap 100% untuk gerakan jalan maupun gerakan lari. Hal tersebut dikarenakan adanya perubahan transisi perubahan gerakan dari gerakan jalan ke gerakan lari maupun sebaliknya nilai pada citra gerakan sehingga mengakibatkan nilai ekstraksi ciri gerakan yang didapat mendekati dengan nilai ekstraksi ciri gerakan dari basis data sehingga hasil gerakan tetap dapat dikenali dengan benar. Dari data tersebut dapat disimpulkan bahwa variasi waktu pada gerakan ganda tidak berpengaruh terhadap tingkat pengenalan gerakan.
4.3.4. Tingkat Pengenalan Terbaik dan Terburuk
Hasil pengujian tiap gerakan jalan, gerakan lari dalam bentuk grafik tingkat pengenalan tiap subject dapat dilihat pada Gambar 4.10. dan data gerakan ganda dalam bentuk grafik dapat dilihat pada Gambar 4.11, Gambar 4.12, Gambar 4.13, serta Gambar 4.14. Pengujian yang dilakukan 5 subject berbeda yang melakukan 6 kali pengambil data
30s Ke-1
Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
0%
40
gerakan yang terdiri dari gerakan jalan, gerakan lari, gerakan ganda (gerakan jalan – gerakan lari) variasi waktu akan dibaca sampai gerakan ke-10 yang dilakukan sebanyak 4kali dalam rentang waktu 10s/per gerakan, 15s/per gerakan, 20s/per gerakan, dan 30s/per gerakan.
Berdasarkan grafik tersebut, gerakan jalan pada subject I - subject V ialah gerakan paling baik dengan pengenalan gerakan 100%, gerakan lari pada subject I - subject V ialah gerakan paling baik dengan pengenalan gerakan 100%, gerakan ganda 10s, 15s, 20s, dan 30s pada subject I - subject V ialah gerakan paling baik dengan pengenalan gerakan 100%. Hal tersebut dapat dilihat dari tingkat persentase pengenalan gerakan yang sudah diolah menjadi grafik.
Gambar 4.10. Grafik Tingkat Pengenalan Gerakan Jalan dan Gerakan Lari
Gerakan
Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
0%
TINGKAT PENGENALAN GERAKAN JALAN DAN GERAKAN LARI
41
Gambar 4.11. Grafik Tingkat Pengenalan Gerakan Ganda Per 10 Detik
Gambar 4.12. Grafik Tingkat Pengenalan Gerakan Ganda Per 15 Detik
10s Subject I 10s Subject II 10s Subject III 10s Subject IV 10s Subject V
Jarak Euclidian 100% 100% 100% 100% 100%
0%
TINGKAT PENGENALAN GERAKAN GANDA PER 10 DETIK
15s Subject I 15s Subject II 15s Subject III 15s Subject IV 15s Subject V
Jarak Euclidian 100% 100% 100% 100% 100%
0%
TINGKAT PENGENALAN GERAKAN GANDA PER 15 DETIK
42
Gambar 4.13. Grafik Tingkat Pengenalan Gerakan Ganda Per 20 Detik
Gambar 4.14. Grafik Tingkat Pengenalan Gerakan Ganda Per 30 Detik
20s Subject I 20s Subject II 20s Subject III 20s Subject IV 20s Subject V
Jarak Euclidian 100% 100% 100% 100% 100%
0%
TINGKAT PENGENALAN GERAKAN GANDA PER 20 DETIK
30s Subject I 30s Subject II 30s Subject III 30s Subject IV 30s Subject V
Jarak Euclidian 100% 100% 100% 100% 100%
0%
TINGKAT PENGENALAN GERAKAN GANDA PER 30 DETIK
43
4.3.5. Pengujian Gerakan Ganda (Jalan -Lari) Acak
Pengujian gerakan ganda (jalan – lari) terhadap pengenalan gerakan, data diambil dengan 2 varian data gerakan. Variasi data gerakan ini terdiri dari gerakan jalan, gerakan lari tingkat pengenalan gerakan masing-masing variasi didapat dengan mengambil hasil perbandingan jarak euiclidian dari tiap variasi gerakan pada basis data dibandingankan dengan data uji dapat dilihat pada Gambar 4.15. Pada pengujian ini data uji diambil secara acak untuk gerakan jalan maupun gerakan lari secara bergantian, hasil tingkat pengenalan gerakan akan dilihat berdasarkan grafik data uji gerakan ganda (jalan – lari) acak dengan menggunakan metode jarak euclidian untuk melihat nama gerakan yang telah dilakukan.
Gambar 4.15. Data Gerak Ganda Keseluruhan
Pada Gambar 4.15 data uji gerakan yang diambil ± 1menit perekaman, kemudian data uji akan kita baca dengan melihat hasil grafik keseluruhan untuk membuktikan dari range waktu berapa saja data menunjukkan gerakan jalan maupun gerakan lari. Pengujian dapat dilihat pada grafik keseluruhan yang sudah direkam data uji pada Gambar 4.16.
44
Gambar 4.16. Grafik Data Gerak Ganda Keseluruhan
Pada grafik Gambar 4.16 dapat dilihat bahwa data gerakan uji gerakan ganda saat perekaman diambil secara acak baik itu gerakan jalan maupun gerakan lari tanpa ditentukan range waktu pengambilan data gerakannya. Selanjutnya hasil nama gerakan akan dibaca berdasarkan range waktu pengambilan data gerakan uji yang akan dilihat pada grafik keseluruhan data uji, hasil pengujian detik 1 – detik 10 dapat dilihat pada gambar 4.17.
Gambar 4.17. Pengujian I Data Gerak Ganda Waktu (s)
(s0
Data
Jalan Jalan
Lari Jalan Lari
Lari
45
Pada Gambar 4.17 pengujian data gerakan ganda acak dilakukan dengan membaca detik 1 – detik 10 dari grafik keseluruhan, nama gerakan yang dikenali dari grafik adalah gerakan jalan hal ini sesuai dengan pengamatan yang dilakukan. Pengujian gerakan dapat dilihat lebih jelas pada Gambar 4.18, Gambar 4.19 dan Gambar 4.20.
Gambar 4.18. Perbandingan I Data Uji dan Basis Data
Pada Gambar 4.18 menunjukan ciri gerakan data uji dan basis data yang akan dibandingkan dengan fungsi euclidian untuk menentukan nama gerakan dari data uji. Pada Gambar 4.19 menunjukkan hasil grafik dari data uji yang sedang dianalisa nama gerakannya.
Gambar 4.19. Grafik Pengujian I Data Gerak Ganda
46
Gambar 4.20. Hasil I Data Uji Gerak Ganda
Sedangkan pada Gambar 4.20 menunjukan data uji yang user pilih dengan memasukkan range awal dan jumlah waktu yang tersedia, setelah tombol “PROSES”
ditekan nama gerakan akan diketahui dan dapat memilih output grafik yang ingin dilihat seperti pada Gambar 4.19.
Pengujian gerakan ganda (jalan – lari) juga dilakukan pada detik 24 – detik 33 data grafik pengujian dapat dilihat pada grafik keseluruhan yang sudah direkam data uji pada Gambar 4.16. Proses pengujian dapat dilihat pada Gambar 4.21. Pada Gambar 4.22 menunjukan ciri gerakan data uji dan basis data yang akan dibandingkan dengan fungsi euclidian untuk menentukan nama gerakan dari data uji. Pada Gambar 4.23 menunjukkan hasil grafik dari data uji yang sedang dianalisa nama gerakannya serta nama hasil pengujian Gerakan dapat dilihat pada Gambar 4.24.
47
Gambar 4.21. Pengujian II Data Gerak Ganda
Gambar 4.22. Perbandingan II Data Uji dan Basis Data
Gambar 4.23. Grafik Pengujian II Data Gerak Ganda
48
Gambar 4.24. Hasil II Data Uji Gerak Ganda
Gambar 4.24. Hasil II Data Uji Gerak Ganda