Abstrak— Aplikasi yang dibangun memiliki sifat “sadar” terhadap apa yang terjadi pada lingkungan serta mampu beradaptasi terhadap lingkungan untuk dapat mengenali aktivitas fisik user. Hal ini dikenal dengan context awareness. Salah satu contoh context adalah aktivitas manuver kendaraan roda empat. Karakteristik data dari aktivitas manuver kendaraan yang sedang berjalan (driving), tumbukan (bumping) dan drifting beserta level tumbukan (bumping) dan drifting yang didapat dari data sensor gyroscope dan accelerometer pada smartphone Android dapat dianalisis dan digunakan sebagai informasi untuk mengenali aktivitas manuver kendaraan roda empat dengan menggunakan metode logika Fuzzy dan klasifikasi Naive-Bayesian. Logika Fuzzy merupakan metode yang menggunakan algoritma penalaran dan menghasilkan derajat keanggotaan untuk mengetahui kecenderungan nilai output dari input yang ada guna menyamai antara pemikiran manusia dan pembuatan keputusan pada mesin. Sedangkan klasifikasi Naive-Bayesian adalah metode klasifikasi dengan teori Bayes yang menggunakan pengetahuan dari kejadian sebelumnya untuk memprediksi kejadian masa depan. Pengambilan data input dari sensor untuk selanjutnya dilakukan klasifikasi data dilakukan oleh smartphone yang merekat pada mobil radio control.Dari hasil uji coba performa didapat akurasi mencapai 40% untuk pengenalan aktivitas manuver driving, 100% untuk pengenalan aktivitas manuver bumping, dan 90,9% untuk pengenalan aktivitas manuver drifting dengan nilai threshold terbaik adalah 2,0 untuk sensor gyroscope.
Kata Kunci—Context aware, Logika Fuzzy, Manuver kendaraan, Naive-Bayesian, Sensor.
I. PENDAHULUAN
RANSPORTASI telah menjadi hal yang vital di banyak negara di dunia. Hal ini dibuktikan dengan jumlah kendaraan bermotor di seluruh dunia sejak tahun 1986 yang terus tumbuh dan meningkat menjadi 1,015 miliar unit di seluruh dunia pada tahun 2010 lalu menurut WardAuto [1]. Peningkatan jumlah yang signifikan juga terjadi di Indonesia. Data dari Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo) dan Asosiasi Industri Sepeda Motor Indonesia (AISI) menunjukkan jumlah populasi kendaraan bermotor di Indonesia hingga 2010 lalu mencapai 50.824.128 unit dengan rincian kendaraan roda empat berjumlah 23-24 juta unit dan sisanya adalah sepeda motor. Jumlah tersebut menyebabkan Indonesia menjadi negara dengan urutan pertama sebagai negara pemilik kendaraan bermotor terbanyak di kawasan Asia Tenggara [2]. Sayangnya dengan jumlah kendaraan bermotor yang relatif banyak dan diperkirakan akan terus naik secara signifikan setiap tahunnya, angka kecelakaan yang
ditimbulkannya juga relatif besar dan menjadi pembunuh nomor 2 di Indonesia setelah penyakit TBC [3]. Data tahun 2010 menunjukkan korban tewas akibat kecelakaan lalu lintas adalah sejumlah 10.349 jiwa atau 28,3 orang setiap harinya dengan 90% penyebabnya berasal dari kelalaian dan kebiasaan buruk pengemudi seperti mengemudi dengan kecepatan tak terkontrol, mengantuk, dll [4].
Saat ini di bidang transportasi telah tercipta beberapa teknologi untuk meminimalisir tingkat kecelakaan pada kendaraan roda empat, di antaranya adalah Collision Warning with Brake Assist, Drowsiness Detector, serta Inflatable Seat Belts [5]. Namun teknologi tersebut hanya terdapat pada mobil high-end yang tidak dimiliki semua kalangan masyarakat karena harganya yang relatif lebih mahal sehingga manfaat teknologi tersebut belum dapat dinikmati masyarakat luas. Selain itu teknologi ini cenderung tidak memiliki data log yang pasti mengenai aktifitas manuver yang dilakukan pengemudi apakah itu manuver beresiko seperti tabrakan (bumping) dan drifting, ataupun manuver normal (driving).
Oleh karena itu dalam artikel ini dibuat desain dan implementasi dari sebuah sistem yang dapat mendeteksi manuver tingkat tinggi dari pengendara kendaraan roda empat yang beresiko menimbulkan kecelakaan dengan menggunakan prototype berupa mobil radio control dan logika Fuzzy serta klasifikasi Naïve-Bayesian untuk selanjutnya dibandingkan tingkat keefektifitasannya. Hasil dari klasifikasi ini kemudian dikirim ke server untuk ditampilkan ke dalam aplikasi berbasis website. Proses pendeteksian akan dilakukan dengan memanfaatkan beberapa macam sensor yang terdapat di smartphone Android yaitu gyroscope dan accelerometer. Kemudian data diolah dengan metode logika Fuzzy dan klasifikasi Naïve-Bayesian. Aplikasi yang akan dibuat adalah sebuah aplikasi yang berbasis context aware terhadap aktifitas manuver kendaraan roda empat yang dikendalikan pengemudi (user).
II. METODE
A. Dasar Teori
Pada bagian ini akan dijelaskan kajian pustaka atau dasar teori yang digunakan dalam menyelesaikan artikel.
a) Context Awareness
Menurut J. Hong, K. S.J dan S. E [6], “Sebuah sistem dikatakan context aware jika sistem menggunakan konteks untuk memberikan informasi yang relevan kepada user, dimana relevansi tergantung pada kegiatan user”.
Rancang Bangun Prototype Sistem Pengidentifikasi
Manuver Kendaraan Roda Empat pada Perangkat Mobile
dengan Logika Fuzzy dan Klasifikasi Naive-Bayesian
Ceria Ganinda Hapsari, Waskitho Wibisono, Baskoro Adi Pratomo
Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]
Gambar 1. Pembagian Sumbu Sensor Gyroscope
Gambar 2. Pembagian Sumbu Sensor Accelerometer
Dalam artikel ini dibangun sistem yang memiliki kemampuan mengetahui aktivitas manuver kendaraan roda empat yang dikendalikan oleh user. Sistem memanfaatkan built in sensor pada smartphone sebagai input serta metode logika Fuzzy dan klasifikasi Naive-Bayesian sebagai algoritma pengklasifikasian untuk menghasilkan output berupa state dan level manuver kendaraan.
b) Sensor
Pada artikel ini digunakan dua buah sensor yang terdapat pada smartphone, yaitu sensor gyroscope dan accelerometer. Adapun pembagian sumbu kedua sensor dijelaskan seperti pada Gambar 1 dan Gambar 2.
Gyroscope merupakan suatu alat berupa sensor gyro untuk menentukan orientasi gerak. Sensor ini bertumpu pada roda atau cakram yang berotasi dengan cepat pada sumbu atau dengan kata lain, dapat mengukur kecepatan sudut. Perbedaan antara sensor gyroscope dan accelerometer terletak pada besar nilai sensor gyroscope yang tidak terpengaruh gravitasi sehingga nilai output pada sensor gyroscope adalah nilai kecepatan sudut. Penggunaan kedua sensor secara bersamaan akan menghasilkan nilai output sensor yang lebih presisi [7], [8], [9] . Sensor ini memiliki output yang peka terhadap kecepatan sudut dalam satuan rotasi per menit (RAM)
Selain gyroscope, sensor accelerometer dapat digunakan untuk mengenali aktifitas [10]. Sensor ini memiliki tingkat sensitifitas relatif tinggi terhadap pergerakan minor daripada sensor gyroscope. Pada artikel ini digunakan teknik filtering data dengan high-pass filter (HPF) digunakan untuk menyaring noise data. Aktivitas manuver kendaraan roda empat yang berbeda akan menghasilkan return value yang berbeda pula untuk setiap sensor sesuai dengan cara manuver yang terdeteksi smartphone.
Tabel 1.
Membership Function Rule untuk Manuver State Rule No Gyroscope X Gyroscope Z State Rating
1 Low Low Driving
2 Low High Drifting
3 High Low Bumping
4 High High Uncertain
Tabel 2.
Membership Function Rule untuk Level State Rule No Accelerometer X Accelerometer Y Level Rating
1 Low Low Low
2 Low High Medium
3 High Low High
4 High High Very High
c) Windows Sampling, Overlapping, dan Thresholding Salah satu cara mengekstraksi data adalah dengan windows sampling, yaitu suatu teknik mengekstraksi data dengan sampling data. Setiap windows terdiri dari kumpulan data yang akan merepresentasikan satu buah data. Overlapping digunakan untuk menjaga agar data tetap konsisten sehingga data tidak terlalu divergen. Thresholding merupakan teknik pembatasan nilai. Jika salah satu nilai gyroscope tidak melebihi nilai threshold, maka input tidak akan diproses. Pada artikel ini digunakan windows sampling dengan metode data rata rata (mean) pada 4 data dengan overlapping sebanyak 2 data dan nilai threshold 2,0 pada sensor gyroscope.
d) Logika Fuzzy
Logika Fuzzy adalah salah satu metode kecerdasan buatan yang menggunakan dasar pemikiran manusia untuk mengolah satu atau banyak data input dan menentukan keputusan. Metode ini memiliki derajat keanggotaan dalam rentang 0 (nol) hingga 1 (satu), berbeda dengan logika digital yang hanya memiliki dua nilai yaitu 1 (satu) atau 0 (nol) [11]. Tiga tahap utama dalam metode ini yaitu fuzifikasi (fuzzyfication), proses Fuzzy (Fuzzy processing), dan defuzifikasi (defuzzification).
Proses pertama yaitu fuzifikasi adalah proses penterjemahan besaran tegas (crisp) ke besaran Fuzzy. Komponen penting pada proses ini adalah membership function dan label. Membership function adalah representasi fungsi secara grafis guna pengelompokan tiap input nilai kedua sensor menjadi satu atau beberapa kelompok data. Nilai derajat keanggotaan yang berlaku yaitu antara 0 hingga 1. Membership function memiliki beberapa macam variasi bentuk yaitu S, Z, segitiga, dan trapezoid.
Tahap kedua yakni proses Fuzzy merupakan proses pengolahan hasil definisi membership function menjadi satu atau beberapa output. Nilai hasil definisi membership function diolah dengan rule yang telah didefinisikan seperti pada Tabel 1 untuk mendapatkan manuver state dan Tabel 2 untuk mendapatkan level state. Setiap rule dapat memiliki lebih dari satu kombinasi input dengan menggunakan logika AND, OR, atau AND dan OR.
Proses defuzifikasi adalah proses untuk mengembalikan nilai hasil derajat keanggotaan input dari proses sebelumnya menjadi nilai output. Pada proses ini digunakan library Sazonov [12].
e) Metode Klasifikasi Naive-Bayesian
Teorema Bayes merupakan teorema yang digunakan dalam statistika untuk menghitung peluang suatu hipotesa. Teori ini menghitung peluang dari suatu kelas dari masing masing kelompok atribut yang ada dan menentukan kelas mana yang memiliki peluang terbesar (paling optimal).
Point utama dari aturan bayes adalah bahwa hasil hipotesa atau sebuah kejadian (H) dapat diprediksi berdasarkan pengalaman (E) seperti pada (1). Dari aturan tersebut didapat dua hal [13] :
- Prior probability dari H atau P(H). Merupakan probabilitas kejadian sebelum pengamatan pengalaman.
- Posterior probability dari H atau P(H | E). Merupakan probabilitas kejadian setelah pengamatan pengalaman.
( | ) ( | ) ( )
( ) (1)
Langkah awal penghitungan dengan metode Naive bayesian yang harus dilakukan adalah mencari nilai prediksi awal dari tiap class (prior probability) seperti pada (2) [13].
( )
(2)
Dihitung nilai kemungkinan (likelihood) X (data nilai sensor baru) apakah termasuk ke dalam class DRIVING, BUMPING, atau DRIFTING dengan menggunakan (3) [13]. Dengan diperolehnya posterior probability pada masing masing class, maka hasil akhir klasifikasi input berada pada class yang memiliki probabilitas lebih tinggi seperti pada (4) [13]. ( ) (3) ( ) (4)
Pada metode ini digunakan juga teknik Laplace estimator dan weighted input. Teknik Laplace estimator dapat dilakukan dengan menambahkan koefisien senilai satu pada nilai pembilang. Setelah itu dilakukan penambahan hasil perkalian antara koefisien senilai satu dengan jumlah posibilitas class lain yang dapat muncul pada kolom kategori yang sama. Hal ini dilakukan saat penghitungan likelihood tiap class. Selain teknik Laplace estimator, terdapat pula teknik weighted input. Teknik ini digunakan jika ingin menitikberatkan terhadap nilai input tertentu sebagai nilai yang prioritas pembandingannya lebih tinggi daripada input lain.
B. Tahap Perancangan
Rancangan arsitektur dari sistem yang dibuat dapat dilihat pada Gambar 3. Keterangan gambar dapat dijelaskan sebagai berikut 1 3 2 4 Server Aplikasi Web 5 Pengumpulan data sensor 6 Perangkat Android dan built in sensor Mobil radio control
Gambar 3. Arsitektur Sistem pada Perangkat Lunak
Gambar 4. Use Case Sistem Pengidentifikasi Manuver
1. Setelah perangkat smartphone diletakkan diatas mobil radio control, mobil dijalankan.
2. Selanjutnya dengan menggunakan data gyroscope dan accelerometer akan dilakukan proses pengumpulan dan ekstraksi data.
3. Jika sistem telah selesai melakukan pengklasifikasian manuver, feed back berupa counter akan ditampilkan di smartphone.
4. Selanjutnya, hasil akhir berupa state keadaan dan level manuver dikirim dengan menggunakan HTTP GET.
5. Server menerima parameter data yang dikirim dari aplikasi dan menyimpannya ke dalam sebuah database. Sebuah aplikasi web client yang akan membaca data dari database.
Gambar 4 merupakan diagram proses yang menunjukkan kegiatan apa saja yang dilakukan sistem dalam aplikasi pengenalan manuver ini.
a) Metode Logika Fuzzy
Fuzzy variable dianalisis untuk setiap input sumbunya melalui pembagian membership function. Input yang ada lalu diklasifikasikan menurut linguistic rule yang telah ditetapkan. Metode Fuzzy yang digunakan adalah metode Fuzzy Sazonov. Jika manuver terdeteksi tidak dalam keadaan berjalan (bukan driving), Pendeteksian ini dilakukan dengan memperhatikan nilai accelerometer sumbu x dan y. Diagram aliran data metode ini dapat dilihat pada Gambar 5.
Smartphone
Fuzifikasi state dan level manuver Data sensor accelerometer dan gyroscope hasil windows
sampling dan overlapping
Defuzifikasi state manuver Pengolahan fuzzy state manuver dengan membership rule Fuzzy variable terdefinisi
Derajat nilai keanggotaan tiap rule
pada state manuver terdefinisi
Nilai defuzifikasi level manuver terdefinisi
Nilai defuzifikasi state
manuver terdefinisi Klasifikasi nilai defuzifikasi state manuver State klasifikasi manuver terdefinisi Pengolahan fuzzy level manuver beresiko dengan membership rule Defuzifikasi level manuver beresiko Penggabungan
state dan level
manuver
Derajat nilai keanggotaan tiap rule
pada level manuver terdefinisi
State dan level
manuver terdefinisi Klasifikasi nilai defuzifikasi state manuver Level klasifikasi manuver terdefinisi
Gambar 5. Diagram Aliran Data Metode Logika Fuzzy
Smartphone Pembacaan data train Data sensor accelerometer dan gyroscope hasil windows sampling dan overlapping Penghitungan nilai prior Pengambilan Data sensor accelerometer
dan gyroscope hasil
windows sampling dan overlapping
Status SD card adalah mounted
Data train terbaca
Nilai posterior terdefinisi
Nilai prior terdefinisi
Penghitungan nilai sensor dengan
weighted input dan
Laplace estimator
Nilai input baru terdefinisi Penghitungan nilai likelihood Penghitungan nilai posterior Pencarian class dengan nilai posterior terbesar
Nilai likelihood terdefinisi
State manuver terdedinisi
Gambar 6. Diagram Aliran Data Metode Naive-Bayesian b) Metode Naive-Bayesian
Data input didapat dari input sensor gyroscope sumbu pitch dan yaw serta accelerometer sumbu x dan y. Data telah mengalami proses konversi dan ekstraksi sehingga dapat langsung diolah dengan diagram aliran data seperti pada Gambar 6. Dihitung nilai prediksi awal (prior probability) untuk setiap class kemudian dihitung derajat kedekatan antara data input dengan semua data training yang ada dengan menggunakan rumus jarak Euclidian. Data input sumbu gyroscope yang diproses adalah data yang telah berubah menjadi weighted input dan telah mengalami proses penghitungan Laplace estimator.
III. HASILDANPEMBAHASAN
Pada bagian ini akan dilakukan pengujian pada perangkat lunak yang telah dikembangkan. Adapun bentuk pengujian yang dilakukan dapat dijelaskan sebagai berikut. a) Lingkungan Uji Coba
Dalam proses pengujian perangkat lunak, dibutuhkan lingkungan uji coba yang disesuaikan standar kebutuhan. Aplikasi diuji coba dalam lingkungan sebagai berikut :
(a) (b)
(c) (d)
(e) (f)
Gambar 7. Posisi Langkah Pendeteksian Manuver Drifting
Gambar 8. Posisi Pendeteksian Manuver Bumping
Gambar 9. Representasi Dataset Driving
Smartphone HTC Sensation XE
- Sistem Operasi: Android Ice Cream Sandwich, - Prosesor 1.5 GHz dualcore, RAM 768MB
Radio control NQD
- Skala 1:10 tipe drifting 4WD,
- Baterai NiMH Eneloop Lite AA 6000 mAh
Ruangan 2,5m x 2,5m
- Lantai keramik, dikelilingi dinding.
Pada uji coba ini, mobil radio control melakukan aktifitas drifting dengan putaran penuh. Setiap putarannya berada pada posisi kurang lebih seperti pada Gambar 7. Gambar 7 merupakan urutan posisi langkah mobil radio control untuk mendeteksi. Sedangkan pada uji coba bumping, mobil melakukan aktifitas tabrakan (bumping) terhadap dinding. Aktifitas ini berlangsung seperti pada Gambar 8.
Gambar 9 merupakan contoh representasi dari dataset untuk aktivitas driving. Dataset juga digunakan untuk mendeteksi aktivitas bumping dan drifting. Jumlah dataset state yang diambil adalah sebanyak 240 dengan menggunakan teknik windows sampling dan overlapping,
0 1 2 3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 N il a i S en so r (r a d ) Data ke- Representasi Dataset Driving
gyroscope x gyroscope z accelerometer x accelerometer x
Tabel 3
Hasil Uji Coba Fungsionalitas Aplikasi
No Nama Uji Coba Hasil
1 Uji coba pengambilan data training Berhasil 2 Uji coba pengenalan manuver driving Berhasil 3 Uji coba pengenalan manuver bumping Berhasil 4 Uji coba pengenalan manuver drifting Berhasil
Gambar 10. Hasil Uji Coba Akurasi Berdasarkan Variasi Metode dan Nilai Threshold pada Gyroscope
Tabel 4.
Hasil Uji Coba Kecepatan Setiap Proses pada 25 data
Proses Lama Proses Rata-Rata Waktu
Ekstraksi Data 974 ms 38,96 ms Naive Bayesian 25624 ms 1024,96 ms
Fuzzy 2882 ms 115,3 ms
Send to Server 2288 ms 91,52 ms dimana ukuran windows sampling = 4.
b) Uji Coba Fungsionalitas
Pada uji coba fungsionalitas dilakukan pengujian pada fitur-fitur aplikasi yang telah direncanakan dapat dilihat pada Tabel 3. Dari Tabel 3 dapat dianalisa bahwa semua fitur yang terdapat pada aplikasi pengenalan aktivitas berbasis sensor gyroscope dan accelerometer pada perangkat Android berhasil diimplementasikan. Dari segi uji coba fungsionalitas dan tingkat keberhasilan dari uji coba ini dapat dikatakan aplikasi berjalan dengan baik.
c) Uji Coba Akurasi
Pada pengujian ini akan diuji bagaimana ketepatan aplikasi dalam mengenali aktivitas manuver kendaraan dengan variasi metode dan nilai threshold. Uji coba dilakukan sebanyak 25 kali untuk masing-masing aktivitas dengan ukuran windows sampling = 4 pada pengambilan setiap data testing. Dari grafik yang ditunjukkan pada Gambar 10, dapat disimpulkan bahwa nilai threshold terbaik adalah 2,0 pada sensor gyroscope dengan rata rata akurasi metode klasifikasi Naive Bayesian sebesar 76,96 %.
d) Uji Coba Performa
Uji coba ini bertujuan untuk mengetahui kecepatan proses setiap fungsi utama program. Uji coba ini dilakukan dengan menghitung selisih waktu proses setiap fungsi utama. Hasil akumulasi waktu ini kemudian dibagi dengan jumlah uji coba sehingga didapatkan rata-rata kecepatan satu
kali proses klasifikasi. Hasil uji coba kecepatan proses klasifikasi dapat dilihat pada Tabel 4.
Dengan melihat perilaku hasil dari hasil uji coba kecepatan untuk masing-masing metode klasifikasi, dapat dianalisa bahwa lama proses dengan metode klasifikasi Naive Bayesian lebih lama daripada dengan metode Fuzzy.
IV. KESIMPULAN/RINGKASAN
Berdasarkan hasil pengamatan yang telah dilakukan dapat diambil kesimpulan sebagai berikut:
1. Metode klasifikasi logika Fuzzy dan Naive-Bayesian dapat digunakan untuk mendeteksi manuver pada mobil radio control dengan sensor gyroscope dan accelerometer pada smartphone. Manuver yang dapat terdeteksi yaitu manuver berjalan (driving), tabrakan (bumping), dan drifting.
2. Nilai threshold 2 memiliki rata rata akurasi keseluruhan yang lebih baik daripada nilai threshold 4. Rata rata akurasi keseluruhan nilai threshold 2 adalah 68,095%. Sedangkan untuk nilai threshold 4 adalah 62,165%.
3. Performa rata-rata running time untuk metode Naive Bayesian yakni 1024,96 ms, lebih lama 909,66 ms daripada metode Fuzzy yang hanya 115,3 ms. Untuk running time proses ekstraksi dengan threshold 2 dan panjang sampling 4 adalah 38,96 ms, sedangkan running time proses pengiriman ke server bernilai 91,52 ms.
UCAPANTERIMAKASIH
Penulis CGH mengucapkan terima kasih kepada Tuhan Yang Maha Esa, karena hanya dengan karunia, rahmat, dan hidayah-Nya penulisan artikel ini dapat terselesaikan dengan baik. Penulis juga mengucapkan terima kasih kepada semua pihak yang terkait dalam penyelesaian penulisan artikel ini.
DAFTARPUSTAKA
[1] J. Sousanis, Agustus 2011. [Online]. Available: http://wardsauto.com/ar/world_vehicle_population_110815. [Diakses 1 Juli 2013].
[2] A. Arianto, 2011. [Online]. Available: http://www.tempo.co/read/news/2011/08/19/124352572/. [Diakses 5 Juni 2013].
[3] Badan Intelijen Negara, Maret 2013. [Online]. Available: http://www.bin.go.id/awas/detil/197/4/21/03/2013/kecelakaan-lalu-lintas-menjadi-pembunuh-terbesar-ketiga. [Diakses 20 Juni 2013].
[4] RDH, 2012. [Online]. Available:
http://www.dephub.go.id/read/berita/direktorat-jenderal-perhubungan-darat/15286. [Diakses 1 Juni 2013].
[5] R. Maruf, 2010. [Online]. Available: http://www.militer-review.web.id/2010/09/10-teknologi-pengaman-terbaru-pada.html. [Diakses 30 May 2013].
[6] J. Hong, K. S.J dan S. E, “Context-aware systems: A literature review and classification,” Expert Systems with Applications, vol. 36, p. 8509–8522, 2009.
[7] N. Condro, M.-H. Li dan R.-I. Chang, “MotoSafe: Active Safe System for Digital Forensics of Motorcycle Rider with Android,” International Journal of Information and Electronics Engineering, vol. 2, no. 4, 2012.
[8] NWCG Training Working Team, Basic Land Navigation, National Interagency Incident Management System penyunt., Idaho: National Wildfire Coordinating Group, 2007.
[9] N. Watthanawisuth, T. Lomas dan A. Tuantranont, “Wireless Black 0 50 100 Fuzzy Threshold 2 Bayesian Threshold 2 Fuzzy Threshold 4 Bayesian Threshold 4 Pe rsent a se
Jenis Uji Coba Akurasi
Uji Coba Akurasi Berdasarkan Variasi Metode dan Nilai Threshold pada Gyroscope
Box Using MEMS Accelerometer and GPS Tracking for Accidental Monitoring of Vehicles,” Proceedings of the IEEE-EMBS International Conference on Biomedical and Health Informatics, 2012.
[10] N. Ravi, N. Dandekar, P. Mysore dan M. L. Littman, “Activity Recognition from Accelerometer Data,” American Association for Artificial Intelli-gence, 2005.
[11] B. L.A dan B. E.A, “Programmable Controllers Theory and Implementation,” Second Edition penyunt., Industrial Text Company, 1997.
[12] E. Sazonov. [Online]. Available:
http://people.clarkson.edu/~esazonov/FuzzyEngine.htm. [Diakses 7 Juni 2013].
[13] [Online]. Available: http://www.statsoft.com/textbook/naive-bayes-classifier. [Diakses 28 May 2013].
