Tingkat Pengenalan Terbaik dan Terburuk - Hasil Pengujian dan Analisis Data

BAB IV HASIL DAN PEMBAHASAN

4.3. Hasil Pengujian dan Analisis Data

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%

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%

TINGKAT PENGENALAN GERAKAN JALAN DAN GERAKAN LARI

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%

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%

TINGKAT PENGENALAN GERAKAN GANDA PER 15 DETIK

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%

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%

TINGKAT PENGENALAN GERAKAN GANDA PER 30 DETIK

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.

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

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

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.

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

Gambar 4.24. Hasil II Data Uji Gerak Ganda

Pada Gambar 4.24 menunjukkan hasil nama gerakan setelah proses pengujian selesai dan didapat bahwa detik 24 – detik 33 pada data uji keseluruhan gerakan dikenali dengan benar yaitu gerakan lari sesuai dengan analisa grafik pada Gambar 4.16.

Pada sistem program pengujian gerakan apabila data yang diuji pada gerakan ganda lebih dominan data gerakan lari dibandingkan data gerakan jalan nama gerakan akan terbaca gerakan sebagai gerakan lari. Namun, gerakan uji apabila data yang diuji pada gerakan ganda lebih dominan data gerakan jalan dibandingkan data gerakan lari nama gerakan akan tetap terbaca gerakan sebagai gerakan lari hal ini dikarenakan pola transisi gerakan atau berubahan gerakan yang dapat dilihat pada Gambar 4.16 pada gerakan jalan ke gerakan lari maupun sebaliknya memiliki grafik yang naik-turun yang bervariasi hal ini termasuk ciri gerakan lari dibandingkan ciri gerakan jalan oleh karena itu sistem pengenalan gerakan akan tetap membaca gerakan sebagai gerakan lari.

Kelemahan lain pada program pengujian gerakan ini jumlah waktu yang dapat dianalisa sangat terbatas hal ini dikarenakan pada perancangan program pengenalan hanya menambahkan jumlah variasi waktu 12 saja. Variasi waktu yang ada dapat dilihat pada Gambar 4.25, hal ini membuat pegujian data uji akan sangat terbatas berdasarkan jumlah waktu yang tersedia saja.

Gambar 4.25. Jumlah Waktu Pengujian

4.3.6. Pengujian Tambahan Pengenalan Gerakan Diluar Basis Data

Pengujian ini bertujuan untuk mengetahui apakah pengenalan gerakan dapat mengenali gerakan diluar dari gerakan jalan ataupun gerakan lari. Pengujian ini dilakukan dengan mengambil 4 gerakan yang terdiri dari jalan ditempat, berdiri-duduk, squat jump dan jumping jack. Pengambil data uji dilakukan selama 1menit/gerakan. Grafik pengaruh pengenalan pergerakan diluar basis data dapat dilihat pada Gambar 4.26, Gambar 4.27, Gambar 4.28 dan Gambar 4.29. Secara detail, data pengenalan gerakan dapat dilihat pada lampiran 3. Secara persentase, data pengenalan gerakan pada lampiran 4 tersebut dapat dilihat pada lampiran 3. Secara grafis, hasil persentase pengenalan gerakan pada lampiran 4 dapat dilihat pada Gambar 4.30 dan hasil nama gerakan dapat dilihat pada Tabel 4.1.

Gambar 4.26. Pengaruh Pengenalan Gerakan Jalan Ditempat

Gambar 4.27. Pengaruh Pengenalan Gerakan Berdiri – Duduk

10s 15s 20s 30s 40s 45s 50s 60s

Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100%

PENGARUH PENGENALAN GERAKAN JALAN DITEMPAT

10s 15s 20s 30s 40s 45s 50s 60s

Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100%

PENGARUH PENGENALAN GERAKAN BERDIRI

-DUDUK

Gambar 4.28. Pengaruh Pengenalan Gerakan Squat Jump

Gambar 4.29. Pengaruh Pengenalan Gerakan Jumping Jack

10s 15s 20s 30s 40s 45s 50s 60s

Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100%

PENGARUH PENGENALAN GERAKAN SQUAT JUMP

10s 15s 20s 30s 40s 45s 50s 60s

Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100%

PENGARUH PENGENALAN GERAKAN JUMPING

JACK

Gambar 4.30. Grafik Pengaruh Pengenalan Gerakan Diluar Basis Data Tabel 4.1. Hasil Pengenalan Gerakan Diluar Basis Data

Gerakan Jalan Ditempat

Gerakan Berdiri - Duduk

Gerakan Squat Jump

Gerakan Jumping Jack

Hasil Nama Gerakan Jalan Jalan Lari Lari

Setelah dilakukan pengenalan 4 gerakan diluar basis data, penulis menemukan hasil bahwa gerakan yang diuji dapat dikenali dengan hasil nama gerakan seperti pada Tabel 4.1.

Hal tersebut dipengaruhi oleh data pada basis data yang hanya memiliki 2 data gerakan yaitu gerakan jalan dan gerakan lari. sistem akan mengenali gerakan uji dibandingan dengan gerakan pada basis data (gerakan jalan dan gerakan lari) hasil pengenalan nama gerakan akan dikategorikan gerakan jalan atau gerakan lari hal ini dipengaruhi oleh 3 metode yaitu jarak euclidian, correlasi gyro dan correlasi accel. Kelemahan dari pengenalan gerakan ini program hanya menguji gerakan masukan dengan membandingan 2 gerakan basis data saja dan akan memutuskan keluaran nama gerakan berdasarkan data pada basis data (gerakan

Jarak Euclidian 100% 100% 100% 100%

PENGARUH PENGENALAN GERAKAN DILUAR BASIS DATA

4.4. Beberapa Catatan

Pengujian pengenalan gerakan memiliki beberapa batasan penelitian yang mempengaruhi tingkat pengenalan gerakan. Berikut adalah batasan penelitian ini.

1. Penyimpanan gerakan sebagai basis data hanya terdiri dari gerakan jalan dan gerakan lari saja sangat berpengaruh terhadap tingkat pengenalan gerakan uji, Oleh karena itu penulis mengusahakan gerakan yang digunakan untuk basis data sama dengan gerakan untuk pengujian pengenalan gerakan melakukan 2 gerakan tersebut.

2. Variasi waktu dalam hal ini dengan data uji gerakan ganda (gerakan jalan - gerakan lari) dibagi menjadi 4 macam variasi 10s jalan – 10s lari, 15s jalan – 15s lari, 20s jalan – 20s lari dan 30s jalan – 30s lari yang dilakukan oleh 5 subject berbeda.

Hasil perhitungan gerakan didapat beberapa gerakan dapat dikenali dengan benar, faktor yang mempengaruhi gerakan tidak dapat dikenali dengan benar ialah transisi gerakan jalan - gerakan lari maupun sebaliknya. Hal tersebut mempengaruhi tingkat pengenalan tiap gerakannya.

3. Dari hasil pengujian beberapa variasi yang telah dilakukan pengambilan lokasi data gerakan uji tidak berpengaruh terhadap ketepatan pengenalan gerakan namun yang sangat berpengaruh terhadap ketepatan pengenalan gerakan adalah dari variasi subject itu sendiri, baik itu langkah kaki, gunjangan gerakan, dan transisi gerakan yang dilakukan oleh subject itu sendiri. Hal ini tentu akan mempengaruhi hasil ekstrasi ciri gerakan guna untuk pengenalan gerakan yang akan diuji.

4. Pada saat pengujian alat seringkali mengalami error saat pengambilan data gerakan yang disebakan gunjangan gerakan yang berlebihan. Solusi yang dilakukan adalah merancang dan memastikan pemasangan alat sudah kokoh dan tepat pada posisinya pada subject agar saat pengambilan data uji gerakan data dapat tersimpan dengan baik tanpa terjadi error.

5. Kelemahan sistem saat pengujian gerakan diluar basis data dapat dikenali oleh sistem hal ini terjadi karena sistem hanya membandingan data uji gerakan dengan 2gerakan (jalan atau lari) pada basis data, gerakan yang memiliki hasil ekstrasi ciri yang mendekati gerakan pada basis data akan tetap terbaca oleh sistem.

6. Kelemahan pada program pengujian gerakan ini jumlah waktu yang dapat dianalisa sangat terbatas hal ini dikarenakan pada perancangan program pengenalan hanya menambahkan jumlah variasi waktu 12 saja.

7. Kelemahan sistem perekaman gerakan 1 gerakan uji hanya bisa disimpan dalam 1 SD Card .

4.5. Hasil Perbandingan Penelitian

Hasil penelitian ini dibandingankan dengan 2 hasil penelitian serupa yang dilakukan oleh Kavitha [18] dan Casale [19], Hasil perbandingan dapat dilihat pada Tabel 4.2. Pada Tabel 4.2, penelitian Kavitha melakukan penelitian mengenali 12 gerakan pada penelitian Casale yang dilakukan mengenali 5 gerakan sedangkan penelitian ini yang dilakukan mengenali 2 gerakan saja jalan, lari dan gerakan ganda (jalan-lari) dengan 4 variasi waktu.

Penelitian ini menggunakan metode fungsi euclidian dan correlasi sebagai penentu keluaran nama gerakan. Pada penelitian Kavitha metode yang digunakan Algoritme k-nearest neighbor (k-NN atau KNN) sedangkan penelitian Casale menggunakan metode accelerometer.

Table 4.2. Hasil Perbandingan Penelitian

Penelitian Kavitha [18] Penelitian Casale [19] Penelitian ini Pengujian mengenali 12

gerakan tunggal Pengujian mengenali 5 gerakan tunggal

Pengujian mengenali 2 gerakan tunggal dan 1 gerakan ganda

Menggunakan modul

accelerometer dan gyrometer dari handphone

Menggunakan modul accelerometer dari TI OMAP

Menggunakan modul MPU6050

Menggunakan metode Algoritme k-nearest

neighbor (KNN), NB, Scalar Vector Machine, Conditional interference tree, J48, RF.

Menggunakan metode accelerometer

Menggunakan metode statistik dan fungsi jarak euclidian Penggunaan alat pada lengan

kanan bawah dan

pergelangan kaki sebelah kiri

Penggunaan alat pada dada

Tingkat pengenalan gerakan

jalan : 97,63% Tingkat pengenalan gerakan jalan : 94%

Tingkat pengenalan gerakan jalan : 100%

Tingkat pengenalan gerakan

lari : 85,31% Tingkat pengenalan

gerakan lari : 95%

Tingkat pengenalan gerakan lari : 100%

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil percobaan dan pengujian sistem pengenalan gerakan menggunakan metode fungsi jarak euclidian dapat disimpulkan bahwa:

1. Berhasil menghasilkan suatu alat pengenalan gerakan yang mampu membedakan gerakan jalan dan gerakan lari menggunakan metode fungsi jarak euclidian dengan tingkat pengenalan gerakan fungsi euclidian 100% untuk gerakan jalan sedangkan untuk gerakan lari fungsi euclidian 100%. Basis data yang digunakan adalah gerakan jalan dan gerakan lari.

2. Penelitian pengujian gerakan bertujuan untuk melihat tingkat pengenalan gerakan dengan variasi gerakan, variasi subject dan variasi waktu yang berbeda-beda. Tingkat pengenalan variasi gerakan terbaik mencapai 100%, tingkat pengenalan variasi suject mencapai 100% untuk gerakan jalan dan untuk gerakan lari, serta variasi waktu terbaik mencapai 100% untuk gerakan ganda 10s, 15s, 20s, serta 30s.

3. Penelitian pengujian gerakan ganda acak bertujuan untuk melihat pengenalan gerakan dapat bekerja dengan baik dengan data uji gerakan ganda yang diambil tanpa diketahui variasi waktunya. Tingkat pengenalan pengujian gerakan ganda acak terbaik mencapai 100% untuk gerakan jalan dan untuk gerakan lari.

4. Pengujian gerakan ganda acak apabila data yang diuji dominan gerakan jalan dibandingkan gerakan lari, sistem pengenalan gerakan akan membaca gerakan sebagai gerakan lari hal ini dikarenakan transisi gerakan dari jalan ke lari maupun sebaliknya memiliki ciri gerakan yang lebih dominan sebagai ciri gerakan lari.

5. Kelemahan pada program pengujian gerakan ini jumlah waktu yang dapat dianalisa sangat terbatas hal ini dikarenakan pada perancangan program pengenalan hanya menambahkan jumlah variasi waktu 12 saja.

6. Kelemahan sistem perekaman gerakan 1 gerakan uji hanya bisa disimpan dalam 1 SD Card .

7. Perancangan alat ini dapat diterapkan sebagai alat monitoring aktivitas manusia dengan sistem pengolahaan secara offline.

5.2. Saran

Saran yang diberikan untuk pengembangan sistem pengenalan gerakan adalah :

1. Pengembangan dapat dilakukan dengan menambahkan basis data untuk beberapa gerakan lainnya sehingga hasil ekstraksi ciri yang disimpan akan lebih banyak dan mampu meningkatkan tingkat pengenalan (recognition rate).

2. Pengembangan sistem pengenalan gerakan dengan memperbanyak variasi gerakan yang diuji akan membuat hasil pengenalan akan semakin optimal.

3. Perancangan sistem perekaman gerakan dapat dirancang dengan perekaman gerakan dapat disimpan dalam 1 SD Card.

4. Perancangan sistem pengenlaman gerakan dapat menambahkan variasi waktu uji yang lebih banyak untuk meningkatkan tingkat pengenalan gerakan uji.

DAFTAR PUSTAKA

[1] Liu, J., Jeehoon S., Sukwon K., 2017, Classification of Daily Activities for the Elderly Using Wearable Sensors, Hindawi Journal of Healthcare Engineering , Volume 2017, hal 1-7. https://www.hindawi.com/journals/jhe/2017/8934816/ , diakses 28 September 2018.

[2] Kailas, Aravind., 2012, Basic Human Motion Tracking Using a Pair of Gyro + Accelerometer MEMS Devices, https://ieeexplore.ieee.org/document/6379424 , diakses 28 September 2018.

[3] Shi, Guangtian., Yongsheng, W., Shuai, L., 2014, Development of Human Motion Capture System Based on Inertial Sensors 2125, Sensors & Transducers, IFSA Publishing, S. L. Volume 173, Issue 6, hal 90-97.

https://www.researchgate.net/publication/287380888_Development_of_Human_Mot ion_Capture_System_Based_on_Inertial_Sensors_2125 , diakses 28 September 2018.

[4] Incel, O.D., 2015, Analysis of Movement, Orientation and Rotation-Based Sensing for Phone Placement Recognition, https://www.mdpi.com/1424-8220/15/10/25474, diakses 20 Oktober 2018.

[5] Siradj, Y., 2016, Potensi Smartwatch untuk Kesehatan Smartwatch Potentials for Healtcare, Telekontran, Volume 4, No 1, hal 35-41.

http://telekontran.te.unikom.ac.id/jurnal/smartwatch-potentials-for.2h, diakses 20 Oktober 2018.

[6] Gani, Ruslan, Wahyudi, Iwan, S., 2011, Perancangan Sensor Gyroscope dan Accelerometer Untuk Menentukan Sudut dan Jarak, Makalah, Dalam: Seminar Tugas Akhir, Universitas Diponegoro, 08 Februari, http://eprints.undip.ac.id/26217/ , diakses 20 Oktober 2018.

[7] Menache, A., 2011, Understanding Motion Capture for Computer Animation, Elsevier, USA. https://www.elsevier.com/books/understanding-motion-capture-for-computer-animation/menache/978-0-12-381496-8 , diakses 10 November 2018.

[8] Wibisono, L.A., 2016, Pengendalian “Rollbot” Menggunakan Android Melalui Bluetooth dan Arduino, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta. https://repository.usd.ac.id/6363/2/125114017_full.pdf, diakses 10 November 2018.

[9] Firman, B., 2016, Implementasi Sensor IMU MPU6050 Berbasis Serial I2C Pada Self-Balancing Robot, Yogyakarta, diakses 10 November 2018.

[10] ---, Agustus 19, 2013, MPU-6000 and MPU-6050 Product Specificaion Revision 3.4, InvenSense Inc, diakses 10 November 2018.

[11] ----, April 10, 2017, SD Specifications Part 1 Physical Layer Simplified Specification Version 6.00, Technical Committee SD Card Association.

http://users.ece.utexas.edu/~valvano/EE345M/SD_Physical_Layer_Spec.pdf, diakses 10 November 2018.

[12] ----, 2013, Manual Micro SD Card Adapter, www.indo-ware.com, diakses 10 November 2018.

[13] ----, 2015, Extremely Accurate I2C-Integrated RTC/TCXO/Crystal DS3231, Maxim Integrated Product, Inc, www.maximintegrated.com, diakses 10 November 2018.

[14] Andjioe, F.E., 2018, Pengembangan Pengenalan Perangkat Elektronika Secara Real Time Berbasis Ekstraksi Ciri Deskriptor Fourier, Tugas Akhir, Jurusan Teknik Elektro, FST, Universitas Sanata Dharma, Yogyakarta.

https://repository.usd.ac.id/17786/2/145114046_full.pdf, diakses 10 November 2018.

[15] Kusuma, W. A., Sari, Z., Sari, A. T., 2016, Sensor Fusion Accelerometer dan Gyroscope untuk Pengukuran Perubahan Kinematik Pergelangan Kaki, Kinetik, Volume 1, No 1, Mei 2016, hal 17-22, diakses 10 November 2018.

[16] ----, 2A 150KHz 40V Buck DC to DC Converter Rev 2.0, www.xlsemi.com, diakses 14 Maret 2019

[17] ----, 2014, Penggunaan metode statistik untuk penelitian, diakses 11 Juni 2019 [18] Kavitha, R. Kavitha., 2017, Human Activit Recognition Using Accelerometer and

Gyroscope Sensors, International Journal of Engineering and Technology, Christ University, Bangalore, diakses 11 Juni 2019/

[19] Casale, Pierluigi., Pujol. O., Radeva, P., 2011, Human Activity Recognition from Accelerometer Data Using a Wearable Devic, diakses 11 Juni 2019.

LAMPIRAN

L-1

LAMPIRAN 1

ALUR PROSES PENGENALAN GERAKAN DENGAN METODE EUCLIDIAN

Ekstrasi Ciri Gerakan Uji

Ekstrasi Ciri Gerakan Data Acuan

Hasil Nama Gerakan

L-2

LAMPIRAN 2 LISTING PROGRAM

Listing Program GUI Basis Data (MATLAB)

function varargout = GUIBasisData(varargin)

% GUIBASISDATA MATLAB code for GUIBasisData.fig

% GUIBASISDATA, by itself, creates a new GUIBASISDATA or raises the existing

% singleton*.

% H = GUIBASISDATA returns the handle to a new GUIBASISDATA or the handle to

% the existing singleton*.

% GUIBASISDATA('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in GUIBASISDATA.M with the given input arguments.

% GUIBASISDATA('Property','Value',...) creates a new GUIBASISDATA or raises the

% existing singleton*. Starting from the left, property value pairs are

% applied to the GUI before GUIBasisData_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property application

% stop. All inputs are passed to GUIBasisData_OpeningFcn via varargin.

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one

% instance to run (singleton)".

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help GUIBasisData

% Last Modified by GUIDE v2.5 06-Aug-2019 21:11:14

% Begin initialization code - DO NOT EDIT gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

L-3 end

% End initialization code - DO NOT EDIT

% --- Executes just before GUIBasisData is made visible.

function GUIBasisData_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to GUIBasisData (see VARARGIN)

% Choose default command line output for GUIBasisData handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes GUIBasisData wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = GUIBasisData_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

function edit1_Callback(hObject, eventdata, handles) % tempat masukan file.csv

% hObject handle to edit1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit1 as text

% str2double(get(hObject,'String')) returns contents of edit1 as a double global fileName

fileName = get(handles.edit1,'string');

% --- Executes during object creation, after setting all properties.

function edit1_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles empty - handles not created until after all CreateFcns called

L-4

% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles) % tombol select file

% hObject handle to pushbutton1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA) global fileName1 fileName2

fileName1 = uigetfile('*.csv');

set(handles.edit1,'string',fileName1);

fileName2 = uigetfile('*.csv');

set(handles.edit2,'string',fileName2);

%===============================================

data1=importdata(fileName1); %untuk akses data data2=importdata(fileName2); %untuk akses data data1=data1.data; %file jalan

data2=data2.data; %file lari

%===============================================

% Proses perhitungan gyro & accell data jalan (data 1) gx1=data1(:,1);

gyro1=sqrt((gx1.^2)+(gy1.^2)+(gz1.^2)); %mengjadikan 1 gyro accel1=sqrt((ax1.^2)+(ay1.^2)+(az1.^2)); %menjadikan 1 accel

%===============================================

% Proses perhitungan gyro & accell data lari (data 2) gx2=data2(:,1);

gyro2=sqrt((gx2.^2)+(gy2.^2)+(gz2.^2)); %mengjadikan 1 gyro accel2=sqrt((ax2.^2)+(ay2.^2)+(az2.^2)); %menjadikan 1 accel

%===============================================

L-5

%===============================================

% proses ciri data jalan (data 1)

rgyro1=mean(gyro1); % menghitung mean gyro accel raccel1=mean(accel1);

rata1=[rgyro1;raccel1];

stdgyro1=std(gyro1); % menghitung standar deviasi gyro accel stdaccel1=std(accel1);

stdr1=[stdgyro1;stdaccel1];

vargyro1=var(gyro1); % menghitung varian gyro accel

Dalam dokumen PEMBACA AKTIFITAS MANUSIA DENGAN SENSOR GYRO (Halaman 55-0)