BAB II TINJAUAN PUSTAKA

4 BAB II

TINJAUAN PUSTAKA

2.1 Penelitian Terdahulu

Berikut merupakan beberapa penelitian yang telah dilakukan sebelumnya dengan beberapa metode.

Tabel 1. Penelitian Terdahulu

No. Metode Akurasi Sensor Aktivitas Fitur

Keterangan:

 A = Accelerometer  AM = Ambient Sensor  G = Gyroscope  SA = Static Activity  M = Magnometer  DA = Dynamic Activity  O = Object Sensor  TA = Transition Activity

2.2 Human Activity Recognition

Human Activity Recognition merupakan pengenalan pola aktivitas manusia yang mengacu pada pergerakan seluruh tubuh atau posisi anggota tubuh yang berbeda serta lebih khusus lagi seperti berdiri, berjalan, melompat, dan lainnya[5][18]. Menentukan aktivitas terperinci bermanfaat dibanyak bidang, seperti dukungan perawatan dirumah, rehabilitasi trauma pasca operasi, aktivitas abnormal, deteksi gerakan, olahraga, dan kebugaran[18].

2.3 Karakteristik Dataset

Penelitian ini menggunakan data dari sinyal sensor yang tertanam pada smartphone dimana sensor mengambil informasi dari gerakan tubuh dan kemudian mengenali aktivitasnya. Sensor yang paling sering digunakan adalah akselerometer dan giroskop[18]. Dimana sensor akselerometer digunakan untuk mengukur perubahan kecepatan, dan giroskop digunakan untuk mengukur orientasi tubuh[18]. Dataset yang digunakan merupakan dataset yang dapat diakses publik yaitu dataset UCI HAR dengan judul “Human Activity Recognition Using Smartphone Data Set”[19]. Dataset UCI HAR merupakan dataset yang diperoleh dari uji coba 30 sukarelawan dengan rentang usia 19-48 tahun. Smartphone yang terpilih pada dataset ini adalah Samsung Galaxy S II setelah dilakukan perbandingan dengan iPhone 4 dan sensor 9X4 dengan segala pertimbangan maka SGSII menjadi smartphone yang terpilih. Setiap pinggang sukarelawan telah disematkan di SGSII dalam melakukan enam aktivitas yaitu Walking, Walking_Upstairs, Walking_Downstairs, Sitting, Standing, Laying.

accelerometer dikarenakan terdapat efek gabungan dari gaya gravitasi dan percepatan akibat gerak benda[20].

Sinyal yang diperoleh dari sensor akselerometer dan giroskop telah dilakukan preprocess dengan menerapkan noise filters dan kemudian ditetapkan pergeseran tiap jendelanya adalah 2.56 detik. Sinyal disegmentasi menjadi sampel jendela yang mana setiap jendela jelas memiliki aktivitas terkait. Sampling jendela dilakukan dengan cara fixed-width sliding windows dengan 50% overlap untuk memproses datanya karena telah terbukti sesuai untuk berbagai aplikasi pengenalan. Sinyal juga dipetakan dalam domain frekuensi melalui Fast Fourier Transform (FFT) dimana N = (2.56 detik × 50 Hz = 128 siklus) sehingga pergeseran jendelanya diperoleh 128 readings/window[20].

Data yang diperoleh sebanyak 10.299 telah dibagi secara acak menjadi menjadi 70% data training sebesar 7352 dan 30% data testing sebesar 2947[19].

2.4 Deep Learning

Deep Learning merupakan bagian dari machine learning dan artificial intelligence yang bekerja lebih baik pada data tidak terstruktur [21][22]. Konsep dasar deep learning berasal dari penelitian artificial neural network atau jaringan syaraf tiruan[23].

Algoritma deep learning yaitu melewati data melalui beberapa layer dimana setiap layer mampu mengekstraksi fitur secara progresif dan meneruskannya ke layer berikutnya. Layer awal mengekstrak fitur tingkat rendah, dan layer berikutnya menggabungkan fitur untuk membentuk representasi secara lengkap[22].

2.5 Convolutional Neural Network (CNN)

Convolutional Neural Network pertama kali diperkenalkan pada tahun 1998 oleh Fukushima yang penerapannya sudah sangat luas meliputi antara lain pengenalan aktivitas manusia, pengenalan teks, pengenalan wajah, deteksi objek dan lokalisasi, karakterisasi gambar, dan lain sebagainya[23].

satu convolutional layer dan setelahnya diikuti oleh setidaknya satu fully connected layer seperti dalam jaringan neural multi-layer standar[23].

CNN terdiri dari terdiri dari neuron, di mana setiap neuron memiliki bobot dan bias yang dapat dipelajari. Terdiri dari beberapa layer antaranya input layer, output layer dan beberapa hidden layer, di mana hidden layer terdiri dari convolutional layer, pooling layer, fully connected layer dan berbagai layer normalisasi[23]. Arsitektur CNN tergambar pada gambar 1 dibawah ini.

Gambar 1. Arsitektur CNN[24]

a. Convolutional Layer

Convolutional layer merupakan lapisan pertama yang terdiri dari beberapa filter yang digunakan sebagai ekstraksi fitur dari data input dengan menerapkan operasi konvolusi untuk menggabungkan set informasi[23][25].

b. Pooling Layer

Pooling layer berfungsi untuk mereduksi input secara spasial (mengurangi jumlah parameter) dari fitur konvolusi sehingga dapat mengurangi sumber daya komputasi yang dibutuhkan untuk memproses data dan mempercepat komputasi[23][25].

Pada layer ini terdapat dua jenis yaitu max pooling dan average pooling. Max pooling akan menggunakan nilai maksimum dari bagian data yang dicakup oleh kernel sedangkan average pooling akan menggunakan nilai rata-ratanya[25].

c. Fully Connected Layer (FC)

neuron di layer lain. Tujuan utamanya adalah untuk mengklasifikasikan masukan menjadi beberapa kelas, berdasarkan dataset yang telah dilatih[23].

2.6 Long Short-Term Memory (LSTM)

Long Short-Term Memory merupakan versi modifikasi dari RNN yang mana berguna untuk klasifikasi data deret waktu dan meningkatkan penanganan masalah ketergantungan jangka panjang, karena lebih mudah meningat data masa lalu dalam memori. Selain itu, LSTM menyelesaikan masalah hilangnya gradien yang ditemukan dalam RNN akibat terjadi perubahan pada jangkauan nilai dari satu lapisan menuju lapisan berikutnya pada sebuah arsitektur[26]. LSTM mampu menangani informasi serial yang kompleks dengan panjang dependensi karena menggunakan skema gerbang untuk representasi data[27].

Gambaran jaringan LSTM seperti beberapa modul berantai yang berulang dimana dalam setiap modul terdapat sub modul yang berisi tiga fungsi gerbang sigmoid[28]. Pada arsitektur LSTM terdapat cell state yang berfungsi sebagai memori untuk sebuah layer yang mana nilai pada cell state dimanipulasi menggunakan sistem gerbang. Sistem gerbang terdiri dari beberapa arsitektur jaringan syaraf tiruan sederhana untuk mengatur waktu sebuah data harus disimpan, digunakan, atau dilupakan[29]. Pada arsitektur LSTM terdapat tiga layer yaitu input layer, hidden layer, dan output layer. Pada hidden layer terdiri dari memori yang mana satu sel memori terdapat tiga gerbang utama yaitu input gate, forget gate, output gate[26]. Gambaran arsitektur LSTM seperti yang terlihat pada gambar 2 dibawah ini.

Pada LSTM terdapat tiga gerbang yaitu input gate, forget gate, output gate yang fungsinya untuk membaca, menyimpan, dan memperbarui informasi yang didapat dari data input. Seperti yang terlihat pada gambar 2 yaitu arsitektur LSTM terdapat dua fungsi aktivasi yaitu sigmoid dan tanh yang digunakan untuk mengolah data input.

Fungsi aktivasi sigmoid bertugas sebagai transformasi nilai antara -1 dan 1 menjadi nilai antara 0 dan 1. Fungsi aktivasi sigmoid membantu untuk memperbarui atau melupakan data karena setiap angka yang dikalikan 0 hasilnya 0, sehingga menyebabkan nilai tersebut menghilang. Lain halnya jika angka yang dikalikan 1 hasil nilainya akan tetap sama, sehingga nilai tersebut akan tersimpan dan tidak dilupakan. Sedangkan, fungsi aktivasi tanh digunakan untuk mengatur nilai yang melalui jaringan selalu berada dekat antara -1 dan 1 dikarenakan ketika vektor melalui jaringan sehingga mengalami banyak transformasi yang disebabkan berbagai operasi matematika[31][32].

a. Forget Gate

Forget gate merupakan gerbang yang menentukan data mana yang dibuang atau tidak serta menentukan jeda waktu optimal untuk input selanjutnya[28]. Pada gerbang ini informasi dari data yang kurang dibutuhkan akan dihilangkan menggunakan fungsi sigmoid.

b. Input Gate

Input gate merupakan gerbang yang membawa dan mengontrol berapa banyak informasi data dari luar dan melakukan pemrosesan data yang masuk menggunakan fungsi aktivasi tanh[26][28].

Pada gerbang ini akan membentuk kandidat vektor baru menggunakan fungsi aktivasi tanh yang akan ditambahkan pada bagian cell state. Sehingga akan terjadi pembaruan cell state lama.

c. Output Gate

hasil aktivasi output tersebut akan dikalikan sebelum menuju langkah selanjutnya.

2.7 Evaluasi

Evaluasi merupakan tahap dimana hasil pengujian model akan diukur dan dinilai. Pada penelitian ini menggunakan confussion matrix yaitu salah satu metode yang dipakai untuk mengukur kinerja dari suatu teknik klasifikasi pada suatu set data testing yang nilai-nilai sebenarnya sudah diketahui, dimana kolomnya mewakili hasil nilai prediksi dan barisnya mewakili hasil nilai sebenarnya[33][34]. Confussion matrix seperti yang terlihat pada tabel 2 dibawah ini.

Tabel 2. Confussion Matrix Actual Positive Negative P re d ic te d Positive True Negative (TN) False Positive (FP) Negative False Negative (FN) True Positive (TP) 2.7.1 Accuracy

Accuracy merupakan jumlah seberapa besar keberhasilan dari model yang telah dibuat antara kedekatan data sebenarnya dengan data hasil prediksi[35]. Formula accuracy didefinisikan sebagai berikut[9]:

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃 + 𝑇𝑁

𝑇𝑃 + 𝑇𝑁 + 𝐹𝑁 + 𝐹𝑃

2.7.2 Precision

Precision merupakan nilai yang menunjukkan seberapa besar tingkat ketepatan antara informasi yang diminta dengan jawaban yang diberikan oleh model[33]. Formula precision didefinisikan sebagai berikut[9]:

2.7.3 Recall

Recall merupakan nilai yang menunjukkan seberapa besar tingkat keberhasilan suatu sistem dalam menemukan kembali sebuah informasi[33]. Formula recall didefinisikan sebagai berikut[9]:

𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁

2.7.4 F1-Score

F1-Score merupakan salah satu perhitungan evaluasi yang mengkombinasikan nilai recall dan nilai precision[33]. Formula F1-Score didefinisikan sebagai berikut[33]: