Fakultas Ilmu Komputer
Universitas Brawijaya 6073
Implementasi Wearable Device Untuk Klasifikasi Postur Keadaan Tubuh Berbasis Data Sensor MPU6050 Menggunakan Metode Naive Bayes
Vira Muda Tantriburhan Mubarak1, Dahnial Syauqy2, Mochammad Hannats Hanafi Ichsan3 Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Postur keadaan tubuh merupakan sebuah kondisi tubuh atau posisi tubuh seseorang saat melakukan segala macam aktivitas misyalkan duduk, berdiri, berjalan dan lain-lain. Penilaian terhadap postur sangat penting dalam aspek kesehatan. Selain kesehatan sebuah keadaan tubuh juga dapat dimanfaatkan dalam berbagai macam hal, salah satu contohnya dalam IoT (Internet of Things), dimana keadaan tubuh dapat mengontrol perangkat elektronik dalam rumah. Oleh karena itu, diperlukan adanya penelitian mengenai sistem untuk mengklasifikasi postur keadaan tubuh. Dalam penelitian ini, sistem dibuat dalam bentuk wearable device, dimana sistem dapat dipasangkan ke tubuh seseorang dengan mudah. Parameter yang digunakan untuk mengetahui jenis postur keadaan tubuh adalah sudut dan akselerasi di beberapa titik tubuh yakni, dada, paha kanan, dan paha kiri. Nilai parameter tersebut didapatkan dari pembacaan tiga buah sensor MPU6050 dan diolah menggunakan metode Naive Bayes dalam mikrokontroler Raspberry Pi Zero W. Naive Bayes dipilih sebagai metode untuk klasifikasi karena Naive Bayes merupakan metode klasifikasi yang memiliki akurasi tinggi dan memiliki performa komputasi yang sangat cepat. Sistem juga dapat mengirimkan hasil klasifikasi ke aplikasi android melalui protokol Bluetooth dan dapat ditampilkan pada aplikasi tersebut. Dari hasil pengujian yang dilakukan pada sistem dapat diketahui presentase error pembacaan sensor MPU6050 adalah 1,392%. Setelah itu dilakukan juga pengujian sistem terhadap akurasi Naive Bayes dengan menggunakan data latih sebanyak 55 data dan data uji sebanyak 28 data, dari pengujiannya didapatkan akurasi sebesar 100% dengan waktu komputasi rata-rata selama 4,178 ms (mili detik).
Kata kunci: postur keadaan tubuh, klasifikasi, Naive Bayes, wearable device Abstract
Body posture condition is a body condition or body position of someone when do several kind of activities, for example sit, stand, walk, etc. Marking toward posture is very important in health aspect.
Except for health, a body condition can be used in various things too, one of the example is in loT (Internet of Things), when body condition can controls electronic devices in house. Because of that, it needs a study of a system to clarify a body posture condition. In this study, the system is made in wearable device form, where the system can be paired to someone's body easily. Parameter which used for detect the body posture condition is a angle and acceleration in some body points that are chest, right thigh, and left tight. The parameter value be obtained from reading three sensors MPU6050 and be processed with Naive Bayes method in Raspberry Pi Zero W microcontroller. Naive Bayes is chosen as a method to clarify because Naive Bayes is a clarify method which has high accuracy and has fast computation performance. The system also can send the result to android application through Bluetooth protocol and the result can be shown in the application. From the result of system trial can be known error presentation of sensor reading MPU6050 is 1,392%. After that, the researcher also do trial system of Naive Bayes accuracy with 55 practice data and 28 trial data, from the trial, it found 100% accuracy with time computation during 4,178 ms (miliseconds).
Keywords: posture of body condition, classification, Naive Bayes, wearable device
1. PENDAHULUAN
Postur keadaan tubuh adalah gambaran bentuk tubuh, keadaan tubuh saat beraktifitas, dan sikap badan seseorang (M. Sahli, 2006).
Setiap aktivitas yang dilakukan sehari-hari, terdapat banyak macan keadaan tubuh, contohnya berdiri, duduk, berjalan, berbaring dan lain-lain. Penilaian terhadap postur keaadan tubuh penting dalam kesehatan, dimana postur keadaan yang tepat maka akan terhindar dari penyakit maupun cidera (Renato Baptista et al, 2017). Segala keadaan tubuh saat beraktivitas harus dilakukan seimbang. Selain dalam kesehatan, postur keadaan tubuh juga dapat dimanfaatkan untuk mengontrol perangkat elektronik dirumahnya, contohnya saat keadaan berbaring di kamar tidur, lampu tidur akan mati secara otomatis. Maka dalam penulisan ini akan dibuat sistem untuk mengklasifikasi beberapa postur keadaan tubuh yaitu duduk, berdiri, jongkok, berbaring, dan jalan.
Dalam implementasi sistem untuk klasifikasi postur keadaan tubuh ini, sistem dibuat menggunakan sensor 3 sumbu gyroscope dan 3 sumbu akselerometer MPU6050 dimana sensor tersebut digunakan untuk mengambil sudut kemiringan bagian-bagian tubuh terhadap gravitasi bumi. Dalam implemenentasi ini menggunakan 3 sensor tersebut, dimana sensor yang pertama akan dipasang pada bagian dada, kemudian sensor kedua dan ketiga dipasang pada masing-masing paha kanan dan kiri. Sensor MPU6050 memiliki fisik yang sangat kecil dan tidak membutuhkan banyak power untuk sumber tegangannya. Sebagai kontrolernya digunakan Raspberry Pi Zero W karena Raspberry memiliki komputasi yang sangat cepat. Selain itu Raspberry Pi yang bermodel Zero W ini memiliki fisik yang sangat kecil dibanding Raspberry Pi seri A maupun B dan model ini sudah terintegrasi WiFi, Bluetooth, dan Bluetooth Low Energy.
Untuk dapat menglasifikasikan sebuah postur keadaan tubuh digunakan metode klasifikasi Naive Bayes, dimana metode ini memiliki waktu komputasi yang sangat cepat meskipun menggunakan data latih yang sangat banyak (Ahmad Ashari et al, 2013). Akurasi dari Naive Bayes sendiri sangat tinggi karena metode ini dapat berkerja sendiri untuk setiap fitur- fiturnya dibanding metode klasifikasi lainnya (Rint Zata, 2017).
Semua perangkat dibuat dan diringkas
dalam sebuah Wearable Device. Wearable Device merupakan solusi praktis untuk membantu melakukan kegiatan sehari-hari seseorang, dimana sebuah sistem atau perangkat elektronik langsung dapat dipasangkan pada tubuh manusia yang dikombinasikan sensor- sensor maupun aktuator-aktuator yang biasanya berbentuk kain, baju dan lain-lain (Tehrani et al, 2014). Dari wearable device tersebut maka semua sensor MPU6050 dan Kontroler Raspberry Pi Zero W akan mudah dipasangkan kebagian-bagian tubuh. Dalam implementasinya rangkaian sistem dibuat seringkas dan menggunakan baterai untuk sumber dayanya.
Kemudian untuk melihat keluaran hasil klasifikasi, dibuat aplikasi yang ber-platform android. Aplikasi tersebut dapat berkomunikasi dengan kontroler Raspberry Pi menggunakan protokol Bluetooth. Dalam aplikasinya, pengguna dapat melihat hasil yang ditampilkan berupa tulisan dan gambar bentuk keadaan posturnya. Selain itu aplikasi tersebut juga dapat mematikan perangkat kontrolernya.
Penggunaan bluetooth tepat digunakan sebagai protokol komunikasi dua arah dari kontroler ke Smartphone Android. Bluetooth telah dijadikan standar untuk komunikasi nirkabel berjarak pendek dimana tidak membutuhkan banyak daya sehingga dijadikan solusi untuk perangkat wearable device (Pratibha Singh et al, 2011).
2. PERANCANGAN DAN IMPLEMENTASI
2.1 Gambaran Umum Sistem
Sistem klasifikasi postur keadaan tubuh berbasis sensor MPU6050 menggunakan metode Naive Bayes merupakan sistem yang dapat mendeteksi postur keadaan tubuh sesesorang dalam segala aktivitasnya. Sistem ini dapat mendeteksi beberapa postur keadaan duduk, berdiri, jongkok, berbaring, dan berjalan. Dari Gambar 1 dibawah ini, sistem menggunakan 3 buah sensor gyroscope dan akselerometer MPU6050 yang dipasang pada beberapa bagian tubuh, yakni dada, paha kanan, dan paha kiri.
Pemasangan pada bagain tersebut bertujuan untuk mendapatkan sudut tubuh bagian atas dan bagian bawah. Selain itu pemasangan sensor MPU6050 pada bagian paha bertujuan untuk mendapatkan nilai ayunan kaki saat keadaan berjalan.
Sensor MPU-6050 Paha Kanan
Sensor MPU-6050 Dada
Sensor MPU-6050 Paha Kiri
Raspberry Pi Zero W (Proses Naive Bayes)
Output berupa gambar dan tulisan
pada aplikasi android
Input Proses Output
Gambar 1. Blok Diagram Sistem
Semua sensor dihubungkan ke sebuah kontroler yaitu Raspberry Pi Zero W. Dalam kontroler tersebut dilakukan pembacaan sensor untuk mendapatkan fitur-fitur yang digunakan dalam proses klasifikasi. Fitur-fitur yang didapatkan proses pembacaan sensor yaitu sudut paha kiri (SPL) yakni nilai sudut pitch sensor paha kiri, sudut dada (SD) yakni nilai sudut pitch sensor pada dada, sudut paha kanan (SPR) yakni nilai sudut pitch sensor pada paha kanan, akselerasi paha kiri (APL) yakni nilai akselerasi sensor pada paha kiri, dan akselerasi paha kanan (APR) yakni nilai akselerasi sensor pada paha kanan. Kemudian metode yang digunakan sebagai pengklasifikasi adalah Naive Bayes, dimana Naive Bayes membutuhkan sebuah data latih yang diambil sebelumnya untuk masing- masing jenis postur keadaan keadaan tubuhnya.
Setelah didapatkan hasil klasifikasi, program akan mengirimkan data ke aplikasi android dengan menggunakan protokol komunikasi bluetooth. Pada aplikasi akan ditampilkan sebuah tulisan dan gambaran ilustrasi postur keadaan tubuhnya, selain itu pengguna dapat mematikan sistem dari aplikasi tersebut.
2.2 Perancangan Sistem
Perancangan sistem diawali dengan pembuatan desain dari wearable device, dalam pendesainannya mengggunakan aplikasi Photoshop. Pada Gambar 2 dibawah dijelaskan sebuah sensor MPU6050 dipasangkan pada dada, paha kanan, dan paha kiri, kemudian kontroler berupa Raspberrt Pi Zero W dan komponen elektronika lainnya dipasangkan pada bagian perut. Agar sistem menjadi wearable device digunakan sebuah tali tas dan dipasangkan sebuah pengait untuk masing- masing perangkat sehingga pengguna dapat memasang ke tubuh dan melepaskan dengan mudah.
Gambar 2. Desain Dan Rancangan Wearable Device Setelah itu dibuat rancangan rangkaian skematik dari perangkat kerasnya, hal ini dapat dilihat pada Gambar 3 dibawah ini.
Gambar 3. Diagram Skematik Rangkaian Sistem Berdasarkan Gambar 3 diatas, tiga buah sensor MPU6050 dipasangkan secara serial menggunakan interface I2C (Inter Intregrated Circuit) dimana terdapat perangkat master dan perangkat slave. Pada skematik rangkaiannya yang menjadi master adalah Raspberry Pi Zero W dan yang menjadi slave-nya adalah ketiga sensor MPU6050. Untuk transfer data pada I2C terdapat 2 saluran, yaitu SDA (Serial Data) dan SCL (Serial Clock). Pin SDA dan SCL sensor MPU6050 dihubungkan ke Raspberry Pi secara serial. Kecuali pada pin AD0 digunakan sebagai selektor pada implementasi ini, karena menggunakan banyak sensor yang memiliki kesamaan alamat. Ketika AD0 diberika logika 0 (LOW) maka sensor akan beralamat “0x68” dan jika diberi logika 1 (HIGH) makan sensor akan beralamat “0x69”, untuk pin AD0 masing- masing sensor dihubungkan ke pin 11, pin 13, dan pin 15 Raspberry Pi Zero W dan diberi pull down resistor sebesar 10K untuk masing-masing
sensor untuk mengosongkan tegangan yang tersisa ketika diberi logika 0 (LOW) ke ground (GND). Pin VCC dan GND untuk semua perangkat masing-masing dijadikan satu ke sumber tegangan.
Pada skematik diatas juga dilihat beberapa komponen penunjang yaitu baterai LiPo sebesar 520mAH 3.7V, Matek 3.7V to 5V Step Up Breakout Board untuk merubah tegangan baterai 3.7V ke 5V, USB LiPo Charger TP4056, dan sebuah switch on/off. Pin positif baterai (VCC) dihubungkan ke pin VBAT pada USB LiPo Charger dan ke pin VIN pada Step Up breakout board dan diberi sebuah switch on/off antara baterai dan komponen itu. Pin VOUT Step Up Breakout Board dihubungkan ke beberapa perangkat yang menggunakan sumber tegangan.
Dan ground (GND) dihubungkan ke ground semua perangkat.
Mulai
Insialisasi Sensor dan Library
Memulai Bluetooth
Bluetooth menunggu klien terhubung
if klien terhubung
Hasil Klasifikasi
If hasil != hasil sebelumnya
Ya
Kirim Hasil
Selesai Pengambilan
data uji
Klasifikasi data uji dengan Naive Bayes
Ya Tidak
Tidak
Gambar 4. Diagram Alir Proses Utama Berdasarkan Gambar 4 diatas dijelaskan proses utama dari perangkat lunaka sistem.
Sistem dimulai dari inisialisasi sensor dan library. Kemudian dimulai proses bluetooth, ketika belum ada bluetooth client yang
terhubung sistem akan menunggu sampai ada yang terhubung. Setelah client terhubung dilakukan pengambilan data uji dan kemudian di klasifikasi. Hasil klasifikasi dikirim ke aplikasi android namun dibatasi ketika terdapat perubahan data saja, ketika data sama sebelumnya data tidak akan dikirimkan.
Mulai
For x in range(0, 20)
Baca sensor MPU-6050 paha kiri
Baca sensor MPU-6050 dada
Baca sensor MPU-6050 paha kanan Nilai sensor 1 =0, Nilai sensor
2 =0, Nilai sensor 3 =0
Nilai sensor 1 +=
Nilai sensor paha kiri
Nilai sensor 2 +=
Nilai sensor dada
Nilai sensor 3 += Nilai sensor paha kanan
x
Nilai semua sensor dirata- rata
Data uji
Selesai Pengambilan
data sensor
Gambar 5. Diagram Alir Pengambilan Data Uji Pada Gambar 5 diatas dijelaskan bagaiamana proses pengambilan data uji.
Pembacaan sensor dilakukan sebanyak 20 kali dan kemudian di rata-rata untuk masing-masing sensor. Kemudian didapatkan hasil pengambilan data uji berupa 5 data fitur untuk masing-masing
sensor yaitu sudut paha kiri (SPL), sudut dada (SD), sudut paha kanan (SPR), akselerasi paha kiri (APL), dan akselerasi paha kanan (APR).
Mulai
Data nilai sensor
Pembacaan data latih
Prior
Gaussian
Posterior
Menentukan hasil peluang tertinggi
Hasil klasifikasi
Selesai Klasifikasi data uji
dengan naive bayes
Gambar 6. Diagram Alir Proses Naive Bayes Pada Gambar 6 merupakan proses dari klasifikasi Naïve Bayes yaitu pembacaan data latih, prior, gaussian, posterior, dan penentuan peluang tertinggi.
Prior Mulai
Postur X
Jumlah postur X / Jumlah keseluruhan data
Prior postur X
Selesai
Gambar 7. Diagram Alir Fungsi Prior Pada Gambar 7 diatas, ,proses Naïve Bayes yang pertama kali dilakukan adalah menghitung
nilai Prior dari masing-masing kelas dengan cara membagi jumlah seluruh data tiap kelas dengan data latih keseluruhan.
Gaussian Mulai
Data sensor fitur Y, data latih
Perhitunganµ dan σ data latih
1 2𝜋𝜎2𝑒−
(𝑥−𝜇 )2 2𝜎2
Data sensor fitur Y, data latih
Selesai
Gambar 8. Diagram Alir Fungsi Gaussian Pada Gambar 8 merupakan proses menentukan peluang masing-masing dari sebuah kelas. Dimana dalam implementasi ini terdapat 5 fitur. Sebelum melakukan perhitungan gaussian, dihitung terlebih dahulu secara manual mean dengan menggunakan Perasamaan (1) dan standar deviasi menggunakan Persamaan (2) kemudian nilai tersebut disimpan dalam sebuah variabel data latih. Dan kemudian dihitung nilai peluang gaussian-nya menggunakan perasamaan (3).
𝜇 = ∑𝑖=1𝑛 𝑥𝑖
𝑛 (1)
𝜎 = √∑𝑖=1𝑛 𝑛−1(𝑥𝑖−𝑥)2 (2)
𝑃(𝑋 = 𝑥𝑖 | 𝑌 = 𝑦𝑖) = 1
√2𝜋𝜎𝑖𝑗2
𝑒−
(𝑥𝑖−𝜇𝑖𝑗)2 2𝜎𝑖𝑗2
(3) Keterangan :
𝑃(𝑋 = 𝑥𝑖 | 𝑌 = 𝑦𝑖): Peluang gaussian 𝜇 : Rata-rata (mean)
𝜎 : Standar Deviasi
N : Jumlah data
𝑥𝑖 : Data ke-i
𝑒 : Nilai eksponen (2,718282)
Posterior Mulai
Prior kelas X, Gaussian Y
For i in range jumlah kelas
For j in range jumlah fitur
j
i
Sekesai 𝑃𝑒𝑙𝑢𝑎𝑛𝑔 𝑋𝑖 𝑌𝑖𝑗 =
𝑃𝑒𝑙𝑢𝑎𝑛𝑔 𝑑𝑒ℎ𝑖𝑑𝑟𝑎𝑠𝑖 𝑋𝑖 𝑥 𝑃𝑒𝑙𝑢𝑎𝑛𝑔 𝑓𝑖𝑡𝑢𝑟 𝑌𝑖𝑗
5
𝑗 =0
𝑃𝑒𝑙𝑢𝑎𝑛𝑔 𝑋𝑖 𝑌𝑖𝑗
Gambar 9. Diagram Alir Fungsi Posterior Pada Gambar 9 merupakan proses terakhir dari Naïve Bayes, peluang posterior yaitu peluang untuk menentukan besarnya peluang gaussian masing-masing kelas denga mengalikan prior dengan gaussian masing- masing fitur tiap kelas. Setelah didapatkan hasil posterior untuk setiap kelas, didapatkan nilai yang paling besar yang merupakan hasil klasifikasinya. Perancangan perangkat lunak yang terakhir yakni perancangan aplikasi android.
Gambar 10. Desain Antarmuka Aplikasi Android
Pada Gambar 10 diatas dapat dilihat rancangan desain dari antarmuka aplikasi androidnya. Untuk sistem ini, digunakan 2 buah activity untuk aplikasinya yaitu Bluetooth Acitvity (Gambar 10(a)) dan Main Acitivity (Gambar 10(b)). Pada Bluetooth Acitivity pengguna diminta untuk memilih perangkat Bluetooth dari perangkat utama sistem ini.
Setelah terhubung, pengguna akan dipindahkan ke Main Activity. Dalam activity tersebut pengguna dapat melihat hasil klasifikasi berupa tulisan dan gambar ilustrasi dari postur keadaan tubuhnya. Pada bagian bawah layar Main Acitvity terdapat tombol disconnect dan shutdown, dimana disconnect berguna untuk memutuskan blueooth dari perangkat utama sistem dan shutdown berguna untuk mematikan sistem. Diagram alir dari back-end aplikasi android dapat dilihat pada Gambar 11 dibawah ini.
Mulai
Bluetooth On ?
Terhubung ? Tidak
Mulai Bluetooth Activity
Insialisasi Bluetooth
User disconnect?
Tidak
User shutdown?
Listening data yang akan diterima Mulai Main Activity
Ya Data masuk?
Tidak Menunggu user
mengaktifkan bluetooth
Ya
Menunggu user menghubungkan
Selesai Tidak Ya
Ya Ya
Menampilkan Data
Gambar 11. Diagram Alir Aplikasi Android
2.3 Implementasi Sistem
Dari perancangan yang telah dibuat, dapat dilihat pada Gambar 12(a) yang merupakan hasil implementasi wearable device dari perangat kontroler yang didalam nya termasuk Raspberry Pi Zero W, baterai, maupun komponen elektronika lainnya dan pada Gambar 12(b) yang merupakan hasil implementasi wearable device untuk perangkat sensor MPU6050. Untuk menghubungkan sensor dengan kontroler digunakan kabel rainbow yang diberi sebuah konektor untuk masing-masing sehingga lebih mudah dilepas dan dipasang.
Gambar 12. Implementasi Wearable Device Selain perangkat utama dan wearable device, implementasi juga dilakukan untuk aplikasi androidnya sendiri. Dibawah ini pada Gambar 13 merupakan hasil implementasi aplikasi android.
Gambar 13. Implementasi Aplikasi Android
3. PENGUJIAN DAN ANALISIS 3.1 Pengujian Sensor MPU6050
Sensor MPU6050 merupakan komponen utama dalam sistem untuk klasifikasi postur keadaan tubuh ini, oleh karena itu pengujian terhadap akurasi sudut sensor MPU6050 yang
dibandingkan dengan pengukuran secara manual menggunakan penggaris busur. Dalam pengujiannya, dilakukan sebanyak 8 kali pengujian dengan diberikan bermacan-macam keadaan, setelah itu di hitung selisihnya dan kemudian dihitung presentase dari masin- masing pengujian dan dirata-rata. Berikut ini pada Tabel 1 ditunjukkan perbedaan dari pembacaan sudut dengan sensor MPU6050 dan pembacaan sudut secara manual dengan penggaris busus.
Tabel 1. Perbandingan Sudut Pembacaan Sensor Dengan Busur.
Uji ke-
Sudut pembacaan sensor
Sudut pembacaan busur
1 91,201 90
2 177,299 180
3 121,813 120
4 137,105 135
5 151,172 150
6 29,81 30
7 44,378 45
8 62,302 60
Pada Tabel 2 dibawah ini ditunjukan selisih dan presentase error dari perbedaan sudut sensor MPU6050 dan sudut busur.
Tabel 2. Selisih Dan Presentase Error Pengujian Sensor MPU6050
Uji
ke- Selisih Presentase error
1 1,201 1,334%
2 2,701 1,5%
3 1,813 1,51%
4 2,105 1,55%
5 1,172 0,781%
6 0,19 0,633%
7 0,622 1,382%
8 2,302 3,837%
Rata-rata error 1,565%
Dari pengujian akurasi sensor MPU6050 yang dibandingkan dengan pengukuran dengan penggaris busur, didapatkan hasil akhir presentase error yakni 1,565%. Meskipun terdapat error, itu tidak akan berpengaruh besar terhadap hasil klasifikasi nantinya karena nilai error-nya sangat kecil.
3.2 Pengujian Tampilan Data di Aplikasi Android
Pada pengujian ini, aplikasi android dijalankan dan disambungkan ke perangkat keras utamanya. Setelah itu dapat diamati tampilan data hasil klasifikasinya dengan mencoba beberapa jenis postur keadaan tubuh.
Tabel 3. Hasil pengujian Tampilan Data di Aplikasi Android
No Data yang
dikirim Data yang ditampilkan
1 Ketika berdiri
2 Ketika duduk
3 Ketika jongkok
4 Ketika berbaring
5 Ketika berjalan
Dari pengujian kesesuaian tampilan data di aplikasi android dengan yang dikirimkan dari kontroler didapatkan hasil yang sesuai dengan harapan. Hal ini ditunjukkan pada Tabel 3.
3.3 Pengujian Akurasi Hasil Klasifikasi Naïve Bayes
Untuk melakukan pengujian Naïve Bayes, dilakukan dengan pembacaan sensor data uji.
Banyak yang data uji yaitu setengah dari data latih yang digunakan. Dalam implementasi ini digunakan sebanyak 55 data latih dengan rincian sebagai berikut:
- 10 data untuk postur keadaan tubuh berdiri - 10 data untuk postur keadaan tubuh duduk - 10 data untuk postur keadaan tubuh
jongkok
- 10 data untuk postur keadaan tubuh berbaring
- 15 data untuk postur keadaan tubuh berjalan Maka dari itu dalam pengujian ini menggunakan data uji sebanyak 28 data dengan dicoba ke 7 yang masing-masing melakukan 2 jenis postur keadaan tubuh. Untuk mendapatkan hasil pengujian yang maksimal, saat pengujian posisi tubuh harus stabil dan menunggu beberapa detik untuk setiap pengujiannya.
Berdasarkan hasil pengujiannya, tidak tedapat sama sekali data yang tidak sesuai dengan keadaan sebenarnya, sehingga didapatkan nilai akurasi dari metode Naïve Bayes sebesar 100%.
3.4 Pengujian Waktu Komputasi Proses Naïve Bayes
Pengujian ini dilakukan bersamaan dengan pengujian sebelumnya yakni akurasi Naïve Bayes. Pada pengujiannya, proses yang dihitung waktu komputasinya adalah hanya pada bagian proses Naïve Bayes saja untuk mengetahui bagaimana performansi dari metode tersebut.
Pada Tabel 4 dibawah ini merupakan hasil waktu komputasi proses Naïve Bayes.
Tabel 4. Hasil Pengujian Waktu Komputasi Naive Bayes
Pengujian ke- Waktu Komputasi (ms)
1 4 ms
2 4 ms
3 4 ms
4 4 ms
5 3 ms
6 3 ms
7 4 ms
8 5 ms
9 3 ms
10 4 ms
11 5 ms
12 5 ms
13 5 ms
14 5 ms
15 4 ms
16 4 ms
17 4 ms
18 4 ms
19 4 ms
20 5 ms
21 4 ms
22 4 ms
23 5 ms
24 4 ms
25 5 ms
26 4 ms
27 4 ms
28 4 ms
Rata-rata 4,178 ms
Dari Tabel 4 diatas, hasil pengujian terhadap waktu komputasi proses Naïve Bayes yang dilakukan pengujian sebanyak 28 kali, didapatkan rata-rata sebesar 4,178 mili detik.
4. KESIMPULAN
Berdasarkan perancangan, implementasi maupun pengujian diatas, dapat ditarik kesimpulannya. Implementasi sistem wearable device untuk mengklasifikasi postur keadaan tubuh berbasis data sensor MPU6050 menggunakan metode Naïve Bayes telah dilakukan dengan diawali dari perangkaian perangkat keras sistem kemudian dipasangkan ke media untuk wearable-nya, kemudian dilakukan pemrograman untuk perangkat lunak pembacaan sensor dan proses Naïve Bayes. Dan juga implementasi dilakukan untuk perangkat lunak aplikasi android. Sensor MPU6050 sebagai komponen utama dari penelitian ini telah diuji dengan membandingkan nilai sudut sensor dan pengukuran secara manual menggunakan busur. Hasil pengujiannya, didapatkan error sebesar 1,392%, namun hal itu tidak berpengaruh besar terhadap keluaran dari sistem ini dikarenakan nilai error yang sangat kecil.
Output hasil klasifikasi dapat dilihat pada aplikasi android yang ditampilkan berupa tulisan dan gambar. Pada penelitian ini telah diuji hasil kesesuaian data yang dikirim dari perangkat utama atau kontroler ke aplikasi android. Dari hasil pengujiannya, didapatkan hasil yang sesuai dengan harapan. Hasil pengujian yang dilakukan terhadap akurasi dan performansi dari metode Naïve Bayes, didapatkan hasil yang sesuai dengan harapan, dengan akurasi sebesar 100%
maka metode ini tepat digunakan dalam penelitian ini. Selain itu proses Naïve Bayes rata- rata mempunyai nilai kecepatan waktu komputasi sebesar 4,178 mili detik.
5. DAFTAR PUSTAKA
Amani, R. Z., Maulana, R., & Syauqy, D.
(2017). Sistem Pendeteksi Dehidrasi Berdasarkan Warna dan Kadar Amonia pada Urin Berbasis Sensor TCS3200 Dan MQ135 dengan Metode Naive Bayes.
Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer.
Ashari, A., Paryudi, I., & Tjoa, A. M. (2013).
Performance Comparison between Naïve Bayes, Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool. (IJACSA)
International Journal of Advanced Computer Science and Applications.
Baptista, R., Antunes, M., Shabaye, A. R., Aouad, D., & Ottersten, B. (2017).
Flexible Feedback System for Posture Monitoring.
Fikri, M. R., Ya'umar, & Suyanto. (2013).
Rancang Bangun Prototipe Monitoring Suhu Tubuh Manusia Berbasis O.S Android Menggunakan Koneksi Bluetooth.
Ihsanurrahim, Syauqy, D., & Maulana, R.
(2017). Implementasi Low Power Wearable Device Sebagai Heart Rate Monitor Dengan Metode State Machine.
Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer.
Sahli, M. (2016). Hubungan Antara Postur Tubuh dan Keterbelajaran Gerak Pada Siswa Sekolah Dasar Negeri Kelas V dan VI (Usia 10 - 12 Tahun) Di Kecamatan Kedungwuni Kabupaten Pekalongan Tahun 2005/2006. Skripsi.
Singh, P., Sharma, D., & Agrawal, S. (2011). A Modern Study of Bluetooth Wireless.
International Journal of Computer Science, Engineering and Information Technology (IJCSEIT).
