Review Klasifikasi Data Sensor dan Giros

(1)

(2)

i

PROSIDING Seminar Nasional Matematika, Sains dan Informatika

Saintekinfo 2015

FMIPA UNS

25 April 2015

Makalah ini dipresentasikan pada

Seminar Nasional Matematika, Sains dan Informatika

Saintekinfo 2015

“Peran Data Mining

untuk Proses

Pengolahan Data Penelitian Sains”

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret

Surakarta, 25 April 2015

Penerbit: Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Sebelas Maret

Surakarta

(3)

iii

DAFTAR REVIEWER

1. Prof. Dr. Ir. Khairil Anwar Notodiputro, M.S. (Institut Pertanian Bogor)

2. Prof. Drs. Tri Atmojo, M.Sc., Ph.D (Universitas Sebelas Maret )

3. Dr. Sunarto, MS (Universitas Sebelas Maret )

4. Anto Satriyo Nugroho (Badan Pengkajian dan Penerapan Teknologi)

5. Drs. Bambang Harjito, M.App.Sc., Ph.D. (Universitas Sebelas Maret)

6. Venty Suryanti, M.Phil., Ph.D. (Universitas Sebelas Maret )

7. Nuryani, S.Si., M.Si., Ph.D. (Universitas Sebelas Maret Surakarta)

8. Dr. Dewi Retno Sari Saputro, S.Si, M.Kom (Universitas Sebelas Maret )

9. Dra. Isnandar Slamet, M.Sc., Ph.D (Universitas Sebelas Maret )

10. Winita Sulandari, M.Si. (Universitas Sebelas Maret)

(4)

iv

TIM PROSIDING

Editor:

Dra. Purnami Widyaningsih, M.App.Sc

Nughthoh Arfawi Kurdhi, S.Si., M.Sc.

Hasan Dwi Cahyono, S.Kom., M.Kom.

Rini Anggrainingsih, ST., M.T.

Afrizal Doewes, S.Kom., M.Sc.

Pelaksana Teknis

_:

Indiawati Ayik Imaya

Zulia Nurdina

Arba’ati

Beta Vitayanti

Armada Dwika Panji Kusuma

Desain Cover

_:

(5)

xiii

Bi1dang Informatika dan Teknik

1 Desain dan Implementasi Pencarian Buku Pada Rak Perpustakaan Berbasis Mobile

Menggunakan Augmented Reality

Agus Komarudin, Rezki Yuniarti

345

2 Analisis Kinerja Protokol Reaktif Pada Jaringan Manet dalam Simulasi Jaringan

Menggunakan Network Simulator Dan Tracegraph

Bayu Nugroho, Noor Akhmad Setiawan, dan Silmi Fauziati

354

3 Klasifikasi Data Sensor Akselerometer Dan Giroskop untuk Pengenalan Aktifitas

Budy Santoso, Lukito Edi Nugroho, Hanung Adi Nugroho

361

4 Segmentasi MRI Tumor Otak Menggunakan Fuzzy C-Means (FCM)

Diah Priyawati, Indah Soesanti

370

5 Analisis Pola Spatio-Temporal Penumpang Transportasi Publik dengan Mining

Smartcard Data (Studi Kasus BRT Trans Jogja)

Fahmi Dzikrullah, Noor Akhmad Setiawan , Selo

376

6 Perancangan Sistem Identifikasi Umur Pohon dengan Pengolahan Citra Digital dan

Jaringan Syaraf Tiruan Backpropagation

Gunawan Abdillah, Wina Witanti

385

7 Analisa dan Perancangan Pengenalan Ekspresi Wajah Menggunakan Wavelet dan

Backpropagation

Immanuela P. Saputro, Ernawati, B.Yudi Dwiandiyanta

393

8 Analisis Jejaring Sosial untuk Rekomendasi Personal pada Komunitas Online

Irma Yuliana, Paulus Insap Santosa, Noor Akhmad Setiawan

399

9 Evaluasi dan Rangking Ontologi Student Payment Berbasis Matrik dengan OntoQA

Jaeni, Selo, dan Sri Suning Kusumawardani

407

10 Perancangan Sistem Informasi Sumber Daya Manusia di PT. ABC Berbasis Web

La Media

413

11 Pencarian Jarak Terpendek Menggunakan Algoritma Dijkstra

Landung Sudarmana

419

12 Analisis Data Pola Pembelian Konsumen dengan Algoritme Apriori pada Transaksi

Penjualan Supermarket Pamella Yogyakarta

M. Didik R. Wahyudi,Fusna Failasufa

427

13 Analisis Proses Bisnis untuk Perancangan Arsitektur Bisnis pada UNIKA De La Salle

Manado

Voice Esther Ticoalu, Irya Wisnubhadra, dan Benyamin L. Sinaga

433

14 Rancang Bangun Cloud Computing UMKM Menggunakan Togaf- ADM

Wina Witanti, Agus Komarudin

(6)

Seminar Nasional Matematika, Sains dan Informatika 2015 361 REVIEW :

KLASIFIKASI DATA SENSOR AKSELEROMETER DAN GIROSKOP UNTUK PENGENALAN AKTIFITAS

Budy Santoso1_{, Lukito Edi Nugroho}2_{, Hanung Adi Nugroho}3 1,2,3_{Jurusan Teknik Elektro dan Teknologi Informasi}

Universitas Gadjah Mada Jl. Grafika No.2 Yogyakarta – 55281

Email : [email protected], [email protected], [email protected]

ABSTRAK. Smartphone saat ini tidak hanya digunakan sebagai perangkat komunikasi , tetapi juga memiliki fitur sensor yang dapat diakuisisi datanya sehingga dapat menjadi arah penelitian baru, beberapa sensor yang ada, seperti akselerometer, kompas digital, giroskop, GPS, mikrofon, dan kamera. Sensor-sensor tersebut memungkinkan sebuah ponsel memunculkan fasilitas aplikasi di beberapa bidang strategis yang dibutuhkan manusia. Pengenalan aktifitas fisik pengguna pada dasarnya dapat di trace dengan memanfaatkan teknologi sensor yang tertanam pada Smartphone. Penulis mereview beberapa makalah/paper yang terkait dengan pengenalan aktifitas dengan menggunakan sensor yang tertanam pada smartphone. Kemudian pada proses klasifikasi menggunakan beberapa algoritma klasifikasi.

Kata Kunci: Activity Recognition, smartphone, accelerometer, gyroscope

1. PENDAHULUAN

Perangkat mobile saat ini telah dilengkapi dengan berbagai macam fitur dan layanan untuk pengguna. Beberapa jenis perangkat mobile itu sendiri sudah tertanam beberapa sensor seperti telah dilengkapi dengan GPS sensor, temperature sensor, sensor suara, sensor gambar, sensor cahaya, sensor arah, dan sensor akselerasi. Sensor-sensor dalam perangkat mobile tersebut dapat menghasilkan sensor data yang berguna untuk pengetahuan baru. Dalam beberapa penelitian, sensor data tersebut dapat diakuisisi sehingga menghasilkan pengetahuan baru dan dapat salah satunya dapat digunakan untuk mengenali aktifitas fisik penggunanya.

(7)

Prosiding ISBN 978-602-18580-3-5

Seminar Nasional Matematika, Sains dan Informatika 2015 362

pengguna smartphone pada umumnya. Akselerometer dapat merekam data akselerasi yang disebabkan oleh perpindahan dan massa / gravity dari pengguna. Akselerometer sensor pada smartphone telah diakui oleh banyak komunitas ilmuwan karena miniaturisasinya, fleksibel, dapat dibawa kemana saja dibandingkan dengan mengambil data dari sensor yang dipasang pada tubuh pengguna, yang dapat mengganggu kenyamanan dalam beraktifitas (Ailisto, Lindholm, Mantyjarvi, Vildjiounaite, & Makela, 2005). Gyroscope mendeteksi kecepatan sudut, yang dihitung dengan menggunakan data pengukuran diambil dari 3-axis untuk mengukur atau mempertahankan orientasi, dengan prinsip ketetapan momentum sudut.

Dalam makalah ini, penulis mereview beberapa penelitian terkait klasifikasi sensor data akselerometer dan sensor giroskop yang tertanam pada smartphone pada penelitian-penelitian sebelumnya, metode klasifikasi di paparkan sehingga diharapkan penulis akan menemukan trend penelitian baru dibidang klasifikasi data sensor akselerometer dan sensor gyroscope untuk proses pengenalan aktifitas.

2. TINJAUAN PUSTAKA

Gambar 1. Fitur sensor pada smartphone

2.1Accelerometer

(8)

Seminar Nasional Matematika, Sains dan Informatika 2015 363 Gambar 2. Accelerometer axes pada smartphone

Accelerometer telah digunakan dalam sensor smartphone untuk pengenalan aktifitas. Popularitasnya adalah karena fakta bahwa akselerometer dapat langsung mengukur Status gerak fisiologi subjek. Misalnya, jika pengguna melakukan perubahan/transisi aktifitasnya dari berjalan ke jogging, itu akan mencerminkan pada bentuk sinyal pembacaan percepatan sepanjang sumbu vertical, akan ada perubahan mendadak pada amplitudonya. Selain itu, data percepatan dapat menunjukkan pola gerak dalam jangka waktu tertentu, yang membantu dalam pengenalan aktifitas yang kompleks (Su, Tong, & Ji, 2014a). Dalam cara yang sama, accelerometer digunakan untuk mendeteksi kecelakaan mobil dan menggunakan air bag pada waktu yang tepat (Lane et al., 2010).

2.2 Gyroscope

(9)

Seminar Nasional Matematika, Sains dan Informatika 2015 364 Gambar 3 axis gyroscope

Giroskop mengukur tingkat rotasi pada smartphone dengan mendeteksi gerakan roll, pitch, dan yaw dari smartphone sepanjang x, y, dan sumbu z, masing-masing. Arah sumbu ditunjukkan pada Gambar 3. Raw Data dari sensor giroskop adalah tingkat rotasi di rad / s (radian per detik) sekitar masing-masing tiga sumbu fisik: Rotation i = <xi; yi; zi>, (i =1, 2, 3…). Giroskop sangat membantu dalam aplikasi navigasi serta beberapa game smartphone yang menggunakan data rotasi. Dalam penelitian activity recognition, giroskop digunakan untuk membantu deteksi orientasi bergerak (Su, Tong, & Ji, 2014b).

2.3Activity Recognition

Tujuan penting dalam komputasi mobile adalah kemampuan untuk merasakan dan bereaksi berdasarkan lingkungan. Dalam beberapa tahun terakhir, banyak peneliti telah berfokus pada pengenalan pola gerakan dengan bantuan hanya accelerometer (Ayu, Ismail, Matin, & Mantoro, 2012). Oleh karena itu, metode mana seseorang pilih akan selalu ada false positive, dan pendekatan penulis mencoba untuk mengatasi masalah ini dan membatasi terjadinya kesalahan positif dengan pilihan ambang batas yang cermat (Bujari, Licar, & Palazzi, 2012). Pemantauan aktivitas manusia secara akurat memiliki potensi untuk meningkatkan sistem kesehatan, peringatan dini darurat, pemantauan kebugaran dan assist living (Lopes, Mendes-Moreira, & Gama, 2012). Pada penelitian (Anjum & Ilyas, 2013) menggunakan algoritma klasifikasi SVM dengan mengenali aktivitas umum seperti: stationary, walking, running, bicycling, ascending stairs, descending stairs and driving.

(10)

Seminar Nasional Matematika, Sains dan Informatika 2015 365 akselerometer yang sudah tertanam pada perangkat mobile. Pada penelitian (Mannini & Sabatini, 2010) mengemukakan metode klasifikasi pengenalan aktifitas berbasis wavelet dimana komponen gerak dinamis dan komponen gravitasi dipisahkan, sehingga menghasilkan akurasi 8,4%.

(Shoaib, Scholten, & Havinga, 2013) mengumpulkan data dari tiga jenis sensor yaitu

Accelerometer (A), Gyroscope (G) dan Magnetometer (M). Dalam pengujiannya menggunakan tujuh algoritma klasifikasi yang umum digunakan yaitu Naïve Bayes, SVM, Neural Networks, Logistic Regression, kNN, RB Classifier dan, Decision Tree. Dari pengujian dihasilkan kombinasi A dan G (AG) nilai True Positive Rate (TPR) lebih baik daripada A dan G secara independen, untuk semua orientasi posisi yang diuji. Sedangkan, hasil pengujian untuk sensor magnetometer tidak memiliki performance yang bagus, sehingga disimpulkan bahwa sensor magnetometer tidak membantu proses pengenalan aktifitas secara signifikan.

3. METODOLOGI PENELITIAN

Pada bab ini, penulis mengusulkan metode yang akan digunakan dalam penelitian selanjutnya dengan prosedur seperti dibawah ini :

Gambar 3a. Metode yang digunakan untuk pengenalan aktifitas

(11)

3.1Pengumpulan Data

Data yang dikumpulkan dari accelerometer memiliki atribut sebagai berikut: percepatan sepanjang sumbu x, percepatan sepanjang sumbu y, dan percepatan sepanjang sumbu z. Data gyroscope sensor terdiri dari tiga sumbu rotasi roll,pitch dan yaw, diwakili dengan vektor x,y,z. Pengujian dengan menggunakan sampel/subjek dengan jumlah subjek dan waktu yang telah ditentukan.

3.2Pra-Pemrosesan

Raw Data biasanya perlu pre-processing. Data sensor harus dibagi secara sequential

windows, untuk di pre-processing. Untuk aplikasi online, window harus didefinisikan secara

paralel dengan pengumpulan data dan untuk aplikasi offline; window didefinisikan sebelum pengumpulan data. Raw Data harus dibagi menjadi training set dan testingset. Trainingset akan digunakan untuk melatih algoritma pengenalan aktivitas dan testing set kemudian akan digunakan untuk mengevaluasi algoritma setelah training.

3.3Ekstraksi Fitur

Untuk mendapatkan data sensor yang akurat dan konsisten, beberapa teknik ekstraksi fitur yang sering digunakan untuk training dan testing dalam metode klasifikasi yaitu time domain

dan frequency domain features. Untuk time domain fitur yang digunakan adalah Mean, Variance

(VAR), dan Standard Deviation (SD). Dalam istilah computation costs , fitur time domain lebih

murah dibandingkan dengan menggunakan fitur frequency domain, karena adanya perhitungan

ExtraFourier Transform (Figo, Diniz, Ferreira, & Cardoso, 2010).

(12)

3.4Klasifikasi

Dari perspektif data mining, pengenalan aktifitas adalah masalah multi-class classification. Banyak classifier yang ada dapat digunakan, seperti disebutkan dibawah ini :

1) Bayesian Decision Making

2) Rule Based Algorithm

3) Least-Square Methods 4) k-Nearest Neighbour 5) Support Vector Machines

6) Neural Network

4. DISKUSI

Umumnya penelitian tentang pengenalan aktifitas menggunakan sensor smartphone mengimplementasikan satu metode saja. Hal ini sangat menyulitkan untuk melakukan perbandingan akurasi klasifikasi karena perbedaan metode eksperimen dari setiap study. Oleh karena itu, perlu untuk membandingkan metode multiple classification dalam sebuah standar eksperimen yang lebih cocok digunakan untuk smartphone, sehingga dapat membantu para peneliti lain untuk mengimplementasikan classifier lain di masa yang akan datang.

5. KESIMPULAN

Dalam makalah ini, penulis mereview beberapa penelitian sebelumnya tentang penggunaan smartphone untuk pengenalan aktifitas (Activity of Daily Living). Proses klasifikasi yang dilakukan secara offline, dimana data terlebih dahulu diakuisisi pada smartphone dengan orientasi posisi yang telah ditentukan kemudian diolah dengan menggunakan tools Weka pada computer desktop.

Pada kasus ini, diajukan tiga orientasi posisi smartphone yaitu in-hand, in-pocket, in-bag

(13)

DAFTAR PUSTAKA

Ailisto, H. J., Lindholm, M., Mantyjarvi, J., Vildjiounaite, E., & Makela, S.-M. (2005). Identifying people from gait pattern with accelerometers (Vol. 5779, pp. 7–14). http://doi.org/10.1117/12.603331

Anjum, A., & Ilyas, M. U. (2013). Activity recognition using smartphone sensors. In 2013 IEEE Consumer Communications and Networking Conference (CCNC) (pp. 914–919). http://doi.org/10.1109/CCNC.2013.6488584

Ayu, M. A., Ismail, S. A., Matin, A. F. A., & Mantoro, T. (2012). A Comparison Study of Classifier Algorithms for Mobile-phone’s Accelerometer Based Activity Recognition. Procedia Engineering, 41, 224–229. http://doi.org/10.1016/j.proeng.2012.07.166

Bujari, A., Licar, B., & Palazzi, C. E. (2012). Movement pattern recognition through smartphone’s accelerometer. In 2012 IEEE Consumer Communications and Networking Conference (CCNC) (pp. 502–506). http://doi.org/10.1109/CCNC.2012.6181029

Figo, D., Diniz, P. C., Ferreira, D. R., & Cardoso, J. M. P. (2010). Preprocessing techniques for context recognition from accelerometer data. Personal and Ubiquitous Computing, 14(7), 645–662. http://doi.org/10.1007/s00779-010-0293-9

Lane, N. D., Miluzzo, E., Lu, H., Peebles, D., Choudhury, T., & Campbell, A. T. (2010). A

survey of mobile phone sensing. IEEE Communications Magazine, 48(9), 140–150.

http://doi.org/10.1109/MCOM.2010.5560598

Lopes, A., Mendes-Moreira, J., & Gama, J. (2012). Semi-supervised learning: Predicting activities in Android environment (Vol. 960, pp. 38–42). Presented at the CEUR Workshop

Proceedings. Retrieved from

http://www.scopus.com/inward/record.url?eid=2-s2.0-84924414967&partnerID=40&md5=104ec16fdf6003da8bfb5de0fa349613

Mannini, A., & Sabatini, A. M. (2010). Machine Learning Methods for Classifying Human

Physical Activity from On-Body Accelerometers. Sensors, 10(2), 1154–1175.

http://doi.org/10.3390/s100201154

(14)

Su, X., Tong, H., & Ji, P. (2014a). Activity recognition with smartphone sensors. Tsinghua

Science and Technology, 19(3), 235–249. http://doi.org/10.1109/TST.2014.6838194

Su, X., Tong, H., & Ji, P. (2014b). Activity recognition with smartphone sensors. Tsinghua