Jaringan fungsi basis radial untuk menentukan relasi fuzzy pada peramalan runtun waktu fuzzy orde tinggi INFORMATIKA TEKNIK

(1)

Seminar Nasional Matematika, Sains dan Informatika 2015 345

DESAIN DAN IMPLEMENTASI PENCARIAN BUKU PADA RAK PERPUSTAKAAN BERBASIS MOBILE MENGGUNAKAN AUGMENTED REALITY

Agus Komarudin, Rezki Yuniarti

Universitas Jenderal Achmad Yani, Universitas Jenderall Achmad Yani

ABSTRAK. Perpustakaan merupakan satu tempat yang dapat digunakan orang untuk menambah pengetahuan dengan cara membaca buku-buku yang tersimpan di dalamnya. Di tempat ini orang dapat menemukan buku-buku referensi yang dibutuhkan untuk menambah pembendaharaan ilmu. Untuk meminjam buku di perpustakaan setiap orang harus terdaftar sebagai anggota, setelah terdaftar baru dapat meminjamnya. Setelah terdaftar sebagai anggota dan sebelum meminjam buku maka anggota perpustakaan harus mencari buku yang akan dipinjamnya. Proses untuk mencari buku yang akan dipinjam membutuhkan waktu dan ketelitian yang ekstra, dikarenakan terdapat banyak rak dan setiap rak memiliki banyak buku yang berderet. Untuk itu dibutuhkan satu sistem yang dapat mempernudah anggota perpustakaan dalam mencari dan menemukan buku yang akan dipinjamnya. Sistem tersebut nantinya akan memanfaatkan teknologi yang ada yaitu teknologi Augmented Reality (AR). AR ini nantinya akan dimasukkan ke dalam satu alat komunikasi berupa smartphone. Sistem ini nantinya dapat membantu anggota perpustakaan dalam menemukan buku yang akan dipinjam/dibacanya dengan cara mengarahkan smartphone kearah rak buku dan jika ditemukan buku yang dicari maka sistem akan menandai buku yang dicarinya adapun smartphone yang digunakan adalah yang berbasis android.

Kata Kunci: perpustakaan, augmented reality, pencarian buku

1. PENDAHULUAN

Dunia pendidikan merupakan bidang yang sangat membantu dalam menentukan perkembangan suatu negara. Maju tidaknya suatu pendidikan tergantung salah satunya dari bidang yang satu ini. Di Indonesia pendidikan dibagi menjadi beberapa jenjang mulai dari tingkat dasar, menengah, atas dan pendidikan tinggi. Setiap warga negara wajib memperoleh pendidikan minimal sampai dengan Sekolah Menengah Atas (SMA).

Untuk menunjang dalam proses pembelajaran dalam pendidikan diperlukan bahan-bahan ajar atau buku-buku pelajaran yang dapat diakses oleh setiap siswa baik tingkat dasar, menengah, atas dan tinggi. Di setiap sekolah menyediakan layanan untuk membaca maupun peminjaman

buku-buku yang disebut dengan perpustakaan. Yang menjadi anggota perpustakaan adalah siswa-siswa, guru ataupun umum.

(2)

terdapat pada ruang perpustakaan tersebut. Selain itu pula pengelompokkan jenis buku yang tidak tertata rapi akan menyebabkan pula lamanya dalam proses mencari buku.

Perkembangan teknologi sekarang ini sangat pesat. Mulai dari teknologi komputer sampai dengan teknologi untuk komunikasi. Perangkat komputer dapat digunakan untuk mengolah data apa pun termasuk pengolahan data perpustakaan. Dengan menggunakan media ini maka proses

untuk pencarian buku di perpustakaaan akan semakin dipermudah. Untuk meminjam buku anggota dapat menanyakan langsung kepada petugas perpustakaan tentang buku yang akan dicarinya, apakah ada atau tidak di perpustakaan tersebut. Petugas akan mencari buku tersebut dengan menggunakan aplikasi yang di dalamnya tersimpan data-data koleksi buku. Jika buku yang dicari ada di database perpustakaan artinya buku tersebut ada di rak-rak di ruang perpustakaan, maka anggota perpustakaan dapat langsung mencarinya. Proses untuk mencari buku pada rak-rak yang ada kadang membutuhkan waktu dan ketelitian penglihatan yang ekstra dikarenakan di dalam satu rak terdapat banyak buku. Terkadang karena kurang ketelitian dalam mencarinya kemungkinan proses pencarian buku di dalam rak tersebut akan di ulang. Dan itu menyebabkan banyak waktu terbuang.

Untuk mengatasi itu semua, maka akan diajukan sebuah kajian penelitian tentang sistem untuk pencarian buku di perpustakaan yang memanfaatkan teknologi yang ada. Teknologi yang akan digunakan merupakan perpaduan antara perangkat komputer dan perangkat komunikasi yang sifatnya bergerak (mobile). Teknologi tersebut menggunakan satu perangkat yang disebut dengan smartphone. Perangkat ini merupakan perangkat yang multifungsi, dapat digunakan seperti layaknya komputer, atau dapat digunakan untuk melakukan komunikasi.

Dengan menggunakan smartphone ini nantinya diharapkan dapat mengatasi permasalahan yang ada. Dalam sistem yang dibuat nantinya berupa perangkat lunak yang dapat diakses di

perangkat smartphone dengan memadukannya dengan teknologi Augmented Reality (AR).

2. METODE PENELITIAN

Dalam penelitian ini menggunakan metode dengan langkah-langkah sebagai berikut: 2.1 Pengumpulan Data

Metode yang pertama adalah mengumpulkan data. Pada penelitian ini proses pengumpulan

(3)

Prosiding ISBN 978-602-18580-3-5

buku-buku referensi yang terkait dengan penelitian ini. Studi pustaka antara lain mencari jurnal-jurnal tentang Augmented reality, mempelajari tetang tools vuforia dan unity.

2.2 Rancang Bangun Perangkat Lunak ini terdiri dari empat tahap utama :

a. Analisis sistem Aplikasi. Pada tahap ini akan dilakukan analisa kebutuhan perangkat lunak yang akan dikembangkan.

b. Desain sistem Aplikasi. Pada tahap ini akan dilakukan perancangan model perangkat lunak yang akan dikembangkan. Yaitu menggunakan Vuforia SDK, Unity.

c. Pengkodean sistem Aplikasi. Pada tahap ini akan dilakukan proses penulisan program untuk merealisasikan rancangan sistem dengan menggunakan bahasa pemrograman atau alat bantu berupa framework aplikasi.

d. Pengujian sistem Aplikasi. Pada tahap ini akan dilakukan proses pengujian fungsionalitas sistem Aplikasi yang telah dikembangkan. Pengujian yang dilakukan adalah menguji pendeteksian dengan berbagai macam jenis marker dengan aturan tertentu

Berikut ini adalah flowchart penelitian :

Gambar 1 Metode Penelitian

3. HASIL PENELITIAN DAN PEMBAHASAN

3.1 Analisis Sistem

Dalam tahap analisis sistem akan dibahas mengenai apa saja yang dibutuhkan dalam sistem

(4)

3.2 Kebutuhan Perangkat Lunak

Dalam pembuatan system ini dibutuhkan beberapa perangkat lunak diantaranya:

1. Android SDK : berfungsi sebagai tools yang digunakan untuk membuat aplikasi berbasis mobile pada perangkat android.

2. Unity: digunakan untuk mendesain antarmuka dan melakukan coding. Bahasa yang digunakan adalah C# (dibaca:C Sharp).

3. Vuforial: digunakan untuk membuat aplikasi berbasis augmented reality 3.3 Fugsionalitas Sistem

Sistem pencarian buku pad arak perpustakaan berbasis augmented reality ini diakses oleh satu user saja (Single User ). Dimana user tersebut dapat menjalankan aplikasi ini dengan

menggunakan media marker qrcode yang sudah ditentukan. Secara umum alur sistem aplikasi yang dibuat adalah sebagai berikut :

1. User membuka aplikasi melalui Smartphone Android yang sudah terinstall aplikasi. 2. User menuliskan judul buku yang akan dicarinya setelah itu menekan tombol cari.

3. Jika buku yang dituliskan tadi terdapat di dalam database maka user akan diminta untuk menuju lokasi rak buku tempat buku tersebut disimpan.

4. Setelah ada di depan rak user mengarahkan kamera smartphone kearah marker yang terdapat di setiap buku ke arah rak dengan jarak maksimum 20cm.

5. Program akan secara otomatis membaca setiap marker dan akan menunjukkan posisi buku yang dicari.

6. Akan tetapi jika pada saat user memasukkan judul buku yang dicari dan menekan tombol cari, buku tidak terdapat dalam database maka program akan memberikan keterangan bahwa buku yang dicari user tidak ditemukan.

3.4 Perancangan Sistem

Dalam penelitian ini sistem yang akan dibangun adalah berupa aplikasi yang dapat dijalankan di perangkat smartphone yang menggunakan system operasi Android. Dalam penerapannya akan dibuat sebuah media penanda yang didalamnya terdapat beberapa marker dengan pola yang telah ditentukan dimana masing-masing marker akan diidentifikasi koordinatnya dan akan memunculkan objek. Adapun objek yang akan dimunculkan adalah posisi

(5)

3.5 Pembuatan Marker

Marker berfungsi sebagai media pengenal dari setiap buku yang ada di rak perpustakaan.

Jenis marker yang digunakan adalah marker berupa QRCode. Pola marker harus diciptakan untuk setiap judul buku. Antara judul buku yang satu dengan yang lain dibuat dengan pola marker yang berbeda dan bersifat unik.

Setiap marker yang telah dibuat maka tahap berikutnya adalah proses penganalan objek marker. Caranya adalah dengan meng-upload semua marker melalui website vuforia akan menghasilkan sebuah source code (hasil dari gambar setelah di-generate vuforia) berupa file unitypackage. File ini merupakan file konfigurasi dari vuforia terhadap marker - marker yang telah di-upload.

Gambar 4 Marker untuk buku

Pada Gambar 4 merupakan salah satu desain marker yang akan digunakan untuk memunculkan objek yaitu posisi buku yang dicari user. Marker tersebut diregistrasi ke web vuforia pada menu target manager. Marker akan diberi nilai kualitas marker. Setelah marker diregistrasi, kita dapat mengekstrak marker tersebut dan mengimplementasikannya dalam aplikasi. Pada gambar 5 merupakan desain sistem dan pada gambar 6 merupakan alur jalannya aplikasi.

(6)

Gambar 6 Perancangan Sistem Pencarian Buku 3.6 Perancangan Antarmuka

Antar muka aplikasi ini akan didesain sesederhana mungkin agar user yang menggunakan aplikasi ini dapat dimudahkan dalam penggunaannya. Adapun desain user interface yang akan dibangun adalah seperti di bawah ini :

Gambar 7 Splash Screen

Setelah muncul splash screen seperti gambar 7 kemudian akan mengakses kamera android dan menampilkan informasi posisi buku yang dicari pada marker yang sudah didefinisikan. Adapun

Tampilan

(7)

desain antar muka secara umum yaitu berupa tampilan kamera android yang nantinya akan langsung mendeteksi markernya.

Gambar Antarmuka pencarian buku

Antarmuka pencarian buku digunakan untuk mencari buku berdasarkan kata kunci judul buku. Jika buku yang dicari terdapat di dalam database maka tampilan ini akan memberikan keterangan bahwa buku yang dicari berada di posisi rak. Setelah itu user dapat menuju lokasi rak yang dimaksud untuk selanjutnya mencari posisi buku pad arak tersebut. Apabila judul buku yang dicari tidak terdapat di database maka system akan memberikan keterangan bahwa buku yang dicari tidak ada di dalam database.

Gambar 8 Antarmuka posisi buku yang ditemukan

3.7 Implementasi Sistem

Aplikasi pencarian buku pada rak perpstakaan berbasis AR adalah sebuah perangkat lunak

aplikasi mobile android berbasis augmented reality yang dibangun sebagai alat untuk membantu user dalam menemukan buku yang dicari pad arak perpustakaan. Dengan diterapkannya perangkat lunak ini, diharapkan bahwa pengguna mendapatkan kemuahan dalam mencari dan menemukan buku bacaan yang akan dibacanya. Perangkat lunak ini

Judul Nama buku :

Keterangan:

Cari

(8)

dibuat menggunakan bahasa pemrograman C# dengan tools Unity dan Android SDK. Selain itu aplikasi ini juga menggunakan library Vuforia sebagai tools untuk membuat aplikasi

augmented reality.

Komponen-komponen yang terlibat didalamnya yaitu: 1. User sebagai pengguna aplikasi

2. Marker dalam hal ini berupa gambar qrcode sebagai acuan untuk menampilkan posisi buku yang dicari

3. Telepon seluler berbasis android

Proses yang dapat dijelaskan adalah sebagai berikut:

1. User mengarahkan ponsel android ke arah kumpulan marker. 2. Aplikasi akan memproses marker.

3. Informasi posisi buku yang dicari akan ditampilkan sesuai marker yang diarahkan oleh user. Hasil implementasi program dapat dilihat pada gambar di bawah ini :

Gambar 9. Implementasi Splash Screen Gambar 10. Implementasi Pencarian Buku

(9)

Hasil dari penelitian ini telah berhasil dibangun sebuah system berupa aplikasi pencarian buku di rak perpustakaan berbasis augmented reality yang mampu melakukan hal berikut:

1. Mendeteksi marker berupa QRCode yang dibuat secara acak untuk satu judul buku, yang dalam penelitian ini dilakukan dengan menggunakan API Vuforia.

2. Memberikan informasi mengenai buku yang dicari user dan menunjukkan posisi buku

tersebut pada rak buku.

Setelah dilakukan pengujian, aplikasi dapat membantu user dalam mencari buku pad arak perpustakaan. Pencarian buku dilakukan dengan mendekatkan smartphone pada kumpulan marker yang ditempel pada setiap buku. Marker akan terbaca oleh aplikasi jika jarak maksimumnya 50cm. Hasil penelitian ini masih terdaat kekurangan yaitu jika terdapat marker yang memilki pola marker yang padat sulit untuk dikenali oleh sistem. Untuk itu perlu dikembangkan lagi mengenai jenis marker yang dapat digunakan untuk pengenal dari setiap buku.

DAFTAR PUSTAKA

Makri, A., et al.: ULTRA: Light Augmented Reality Mobile System. In: Proceedings of the ISMAR 2005 Vienna (2005)

Duarte Nuno Jardim Nunes (2001)., Object Modeling for User-Centered Development and User

Interface Design: The Wisdom Approach., Portugal : UNIVERSIDADE DA MADEIRA Willbert O. Galitz (2007), The Essential Guide to User Interface Design An Introduction to GUI

Design Principles and Techniques, Wiley

J. Christian et al. , Virtual and Mixed Reality Interfaces for e-Training: Examples of Applications

in Light Aircraft Maintenance, 4th International Conference on Universal Access in Human-Computer Interaction, UAHCI 2007 Held as Part of HCI International 2007 Beijing, China,

(10)

SIMULASI JARINGAN MENGGUNAKAN NETWORK SIMULATOR DAN TRACEGRAPH

Bayu Nugroho, Noor Akhmad Setiawan, dan Silmi Fauziati

Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada

ABSTRAK. Kumpulan mobile node yang saling berkomunikasi dalam jaringan nirkabel membentuk suatu jaringan Mobile Ad Hoc Network (MANET). Topologi dalam jaringan MANET dapat saja berubah sewaktu-waktu karena fungsi mobilitas peralatan tersebut yang dapat bergerak secara dinamis, oleh karena itu pemilihan protokol routing yang tepat sangat dibutuhkan pada rancangan jaringan yang akan dibangun. Penelitian ini menganalisis kinerja protokol DSR dan AODV pada jaringan MANET menggunakan simulator jaringan dengan merancang skenario simulasi dan jumlah node yang bervariasi yaitu 50, 100 dan 150 node. Hasil simulasi berupa trace file yang dianalisis menggunakan software aplikasi Tracegraph, berdasarkan simulasi pada skenario yang dirancang, protokol AODV memberikan kinerja yang lebih baik dari protokol DSR dalam hal End to end Delay dengan penambahan jumlah node.

Kata Kunci: AdHoc Network, MANET, AODV, DSR, Reactive Protocol

1. PENDAHULUAN

Jaringan Ad Hoc merupakan suatu sistem komunikasi otonom yang fleksibel antar beberapa perangkat di jaringan nirkabel. Kumpulan mobile node yang saling berkomunikasi dalam jaringan nirkabel membentuk suatu jaringan Mobile Ad Hoc Network (MANET). Setiap node

penghubung dalam jaringan MANET dapat berfungsi sebagai host dan router yang akan meneruskan paket data ke node tujuan. Topologi dalam jaringan MANET dapat saja berubah sewaktu-waktu karena fungsi mobilitas peralatan tersebut yang dapat bergerak secara dinamis, Abdulwahid & Jiang (2012). Oleh karena pergerakan node dan perubahan topologi yang fleksibel, maka dalam merancang suatu jaringan MANET membutuhkan pemilihan protokol

routing yang sesuai dengan rancangan yang akan dibangun.

Routing merupakan suatu proses mentransfer paket data antara jaringan yang berbeda atau dalam satu jaringan dari satu node ke node lainnya. Pada jaringan MANET, masing-masing node

(11)

jaringan MANET terbagi dalam beberapa kategori diantaranya, protokol routing on demand

yang bersifat reaktif, protokol routing table driven yang bersifat proaktif, dan protokol routing

hybrid yang merupakan gabungan dari kedua protokol reaktif dan proaktif. Protokol routing

reaktif membangun rute (route discovery) melalui pesan permintaan Route Request Packets

(RREQ) dan pesan Route Reply (RREP). Route discovery juga dibangun jika komunikasi yang

akan diinisiasi oleh node yang tidak memiliki rute, maka protokol routing ini akan mencoba untuk membangun rute, Mehta & Gupta (2014). Protokol ruting yang termasuk kategori protokol reaktif diantaranya adalah DSR (Dynamic Source Routing) dan AODV (Ad hoc On-demand

Distance Vector). DSR merupakan protokolrouting yang dirancangkhusus untuk digunakandalam multi-hop wireless ad hoc pada jaringan mobile node. Teknik Routing pada protokol DSR menggunakan konsep source routing yang berarti bahwa node sumber harus mengetahui urutan

hop lengkap untuk meneruskan paket data menuju tujuan. Setiap node menyimpan informasi jalur rute yang tersedia dalam route cache, pada saat node menerima permintaan pencarian rute, protokol akan mencari informasi di dalam route cache nya untuk mencari informasi yang diperlukan. Pada teknik ruting protokol AODV, proses routing akan dibangun berdasarkan permintaan (on-demand) hanya jika sebuah rute diperlukan dari node sumber, Rohankar et al. (2012). Protokol AODV menggunakan nilai squence number dalam membangun rute, nilai tersebut memastikan bahwa jalur yang dihasilkan pada proses route dicovery merupakan informasi jalur routing paling update dan jalur yang bebas looping(loop-free).

Beberapa penelitian kinerja protokol pada jaringan MANET diantaranya adalah penelitian yang dilakukan oleh Rohankar et al. (2012) yang menganalisis pengaruh dan performance

random based mobility models pada tiga jenis protokol yaitu DSDV, AODV, dan DSR.

Penelitian tersebut menganalisis jenis model mobilitas pada jaringan MANET.Parameter yang di evaluasi meliputi End to End delay, Throughput, dan Packet Delivery Ratio dengan jumlah node

antara 20 sampai 70 node. Hasil perbandingan antara tiga protokol routing tersebut adalah

Random Walk mobility model performanya melebihi Random Waypoint mobility model dan

Random Direction mobility model pada protokol DSDV. Penelitian pada protokol on-demand,

(12)

Throughput pada Protokol BRSR-AOMDV dibandingkan dengan AODV meningkatkan

Throughput sebesar 50%.

Penelitian ini bertujuan menganalisis kinerja protokol MANET pada kategori protokol Reaktif. Properti protokol Reaktif sangat berguna dalam lingkungan MANET yang terbatas sumber daya yang dimiliki oleh mobile node, Mehta & Gupta (2014). Kinerja protokol yang

dianalisis adalah protokol DSR dan AODV pada simulasi menggunakan program Simulator. Simulasi dilakukan dengan membangun skenario menggunakan jumlah node yang bervariasi untuk menganalisis protokol yang diuji. Aplikasi yang digunakan untuk simulasi ini menggunakan program Simulator jaringan Network Simulator 2 (NS2) versi 2.35, pada sistem operasi Linux. Analisis tracing file hasil simulasi NS2 menggunakan aplikasi TraceGraph versi 2.02, informasi yang dihasilkan berupa data grafik ataupun teks.

Simulasi dilakukan menggunakan software NS2 dengan beberapa parameter umum yang digunakan. Tabel 1 berisi data parameter simulasi yang digunakan.

Tabel 1. Parameter Penelitian

Tabel 1 menunjukkan parameter yang digunakan dalam penelitian ini meliputi jenis protokol yang digunakan adalah protokol DSR dan AODV dengan jumlah node yang bervariasi pada area simulasi 500x500 meter dengan durasi waktu simulasi selama 100 second. Perancangan pola skenario (Scenario Pattern) dibangkitkan melalui tools pada simulator NS2 melalui file setdest

(13)

dibangkitkan melalui file cbrgen untuk membuat pola trafik CBR (Constant Bit Rate) pada masing-masing node 50, 100 dan 150 dengan maximum connections of 10 at a rate of 8kbps.

Setelah merancang skenario dan pola trafik, selanjutnya membuat desain simulasi pada program simulator NS2. Dalam simulasi ini dua protokol yaitu AODV dan DSR digunakan untuk menghasilkan trace file yang dibangkitkan dalam simulator program. Langkah selanjutnya

adalah menganalisis file tracing tersebut, analisa hasil file tracing dilakukan pada tiap kelompok

node menggunakan software Tracegraph 2.02. Kinerja protokol dalam simulasi dievaluasi berdasarkan nilai Throughput, merupakan jumlah paket data yang diterima per detik di sisi penerima, Cummulative all Paket, merupakan jumlah seluruh paket yang terkirim oleh node pada waktu simulasi, dan nilai Sent Packets dan Lost Packets.

Gambar 1 menyajikan parameter opsi hasil dari tracing file pada menu aplikasi Tracegraph terhadap skenario simulasi yang dianalisis meliputi Packet type berisi jenis paket yang digunakan, Packet size berisi besarnya paket, Start–End merupakan waktu simulasi, Source trace

dan Destination trace merupakan kedudukan node berupa AGT untuk Agent dan RTR untuk

Router, serta Sent dan ACK packet merupakan jenis paket yang digunakan.

Gambar 1. Menu aplikasi Tracegraph

(14)

tampak bahwa peningkatan jumlah paket data Sent dan Received meningkat drastis mulai 40 detik pertama dari total waktu simulasi yang dijalankan.

Gambar 2. Perbandingan jumlah paket data protokol DSR. Sent, Received, dan Dropped

Gambar 3 menyajikan grafik pada nilai Cummulative all paket protokol AODV, terlihat bahwa jumlah paket data yang terkirim (Sent) cenderung meningkat stabil meskipun terjadi penurunan pada detik ke 52, namun jumlah paket received lebih kecil dibanding protokol DSR.

Gambar 3. Perbandingan jumlah paket data protokol AODV. Sent, Received, dan Dropped

(15)

Tabel 2. Nilai pengujian kinerja protokol dengan jumlah node yang bervariasi

50 Node 100 Node 150 Node

Tabel 2 menunjukkan nilai Average Throughput pada protokol DSR mengalami peningkatan dari protokol AODV dengan rata-rata peningkatan sebesar 4,795 kbps untuk setiap penambahan 50 node, namun pada pengujian Number of Sent Packets mengalami penurunan di setiap jumlah penambahan node. Pada pengujian protokol AODV, jumlah paket yang terkirim mengalami kenaikan tiap penambahan jumlah node, dan jumlah paket yang hilang (Lost Packets) lebih kecil

dari protokol DSR.

4. KESIMPULAN

Pergerakan node dan topologi yang berubah-ubah pada jaringan MANET membutuhkan proses routing yang baik untuk meminimalisasi kehilangan paket data pada saat pengiriman berlangsung. Dari hasil perbandingan nilai pada kedua protokol, AODV memberikan kinerja yang lebih baik dalam hal paket data yang terkirim (Sent Packets) dan Lost Packets dengan penambahan jumlah node, namun dalam nilai Average Throughput, protokol DSR memberikan kinerja yang lebih baik dari AODV.

(16)

Rohankar, R., Bhatia, R., Shrivastava, V., & Sharma, D. K. (2012). Performance analysis of various routing protocols (proactive and reactive) for random mobility models of Adhoc

networks (pp. 331–335).

Song, Q., Ning, Z., Wang, S., & Jamalipour, A. (2012). Link stability estimation based on link connectivity changes in mobile ad-hoc networks. 35(6), 2051–2058.

(17)

Seminar Nasional Matematika, Sains dan Informatika 2015 361 REVIEW :

KLASIFIKASI DATA SENSOR AKSELEROMETER DAN GIROSKOP UNTUK PENGENALAN AKTIFITAS

Budy Santoso1, Lukito Edi Nugroho2, Hanung Adi Nugroho3

1,2,3

Jurusan Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada

Jl. Grafika No.2 Yogyakarta – 55281

Email : budy.santoso.mti13@mail.ugm.ac.id, lukito@ugm.ac.id, adinugroho@ugm.ac.id

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.

(18)

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

2.1 Accelerometer

Accelerometer memiliki beberapa aplikasi dalam bidang industri dan ilmu pengetahuan.

Accelerometer yang sangat sensitif adalah komponen dari sistem navigasi inersia untuk pesawat dan rudal digunakan untuk mendeteksi dan memantau getaran mesin berputar.

(19)

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

(20)

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).

2.3 Activity 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.

(21)

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

(22)

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 testing set. 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

Extra Fourier Transform (Figo, Diniz, Ferreira, & Cardoso, 2010).

(23)

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

(24)

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

Shoaib, M., Scholten, H., & Havinga, P. J. M. (2013). Towards Physical Activity Recognition Using Smartphone Sensors. In Ubiquitous Intelligence and Computing, 2013 IEEE 10th International Conference on and 10th International Conference on Autonomic and Trusted

(25)

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

(26)

Diah Priyawati1, Indah Soesanti2

Universitas Gadjah Mada, Fakultas Teknik, Jurusan Teknik Elektro dan Teknologi Informasi Yogyakarta – 55284 1,2 diagnosis the disease. F CM is a fuzzy partition algorithm that is superior and very appropriate applied to brain images with varied intensity. FCM algorithm works by determining the membership function of dataset to each cluster center, based on the distance between the clusters and datasets. The closer dataset from a cluster center, take the greater possibility of entering into that cluster. The experimental results show that the proposed FCM successfully performs brain tumor segmentation with clear boundaries where tumor region will appear brighter than others. Moreover, superiority of FCM method is also able to reduce noise.

Kata Kunci: FCM, MRI, segmentation, brain tumor.

1. PENDAHULUAN

Citra medis berbeda dengan citra biasa, karena citra medis sering acak, kabur, dan banyak

noise (Zhang & Xiao, 2008). Magnetic Resonance Imaging (MRI) merupakan peralatan radiologi terbaik untuk mendiagnosa tumor otak (Balafar et al., 2010). Namun interpretasi secara rinci dari citra otak membutuhkan waktu lama karena daerah-daerah dengan warna dan bentuk yang tidak normal. MRI juga sulit membedakan adanya edema, yaitu daerah yang berada di dekat tumor aktif dan tumpang tindih dengan jaringan normal (Liu et al., 2014). Segmentasi perlu dilakukan karena tujuan segmentasi adalah membagi citra menjadi beberapa bagian yang homogen sehingga mampu memberikan informasi daerah citra guna keperluan deteksi, atau mempermudah proses analisis dan diagnosa penyakit.

(27)

segmentasi otomatis dengan metode konvensional diantaranya dengan menggunakan teknik

thresholding (Natarajan et al., 2012), active contour (Atkins dan Mackiewich, 1998), operasi morfologi (Jyoti el al., 2014), dan kombinasi region growing dengan ekstraksi fitur titik (Sarathi, Ansari, Uher, Burget, & Dutta, 2013).

Metode segmentasi berbasis klaster fuzzy merupakan teknik yang cocok diterapkan pada citra

otak yang memiliki intensitas beragam (Alia et al., 2010). Klaster fuzzy mengelompokkan

dataset berdasarkan derajat keanggotaan. Sehingga pada penelitian ini bertujuan untuk melakukan segmentasi otomatis menggunakan F uzzy C-Means (FCM). FCM adalah algoritme klaster fuzzy yang paling unggul dan diharapkan metode yang diusulkan mampu memberikan segmentasi daerah homogen secara jelas.

2.1 Segmentasi

Tujuan segmentasi citra tumor otak adalah membagi informasi citra ke dalam bagian-bagian yang bermanfaat dengan cara memberikan batasan daerah otak normal dengan daerah tumor (Al Tamimi et al., 2014). Segmentasi dapat didefinisikan sebagai berikut, apabila merupakan

himpunan seluruh piksel citra dan merupakan homogenitas dari piksel citra sehingga

segmentasi adalah pembagian ke dalam sebuah area dari subset-subset yang memiliki kesamaan (misalnya ) seperti pada persamaan (2.1) dengan dan

⋃

(2.1)

2.2 Fuzzy C-Means (FCM)

Fuzzy C-Means merupakan salah satu algoritme metode segmentasi pada kategori klasifikasi dan klaster (Liu et al., 2014). Kategori klasifikasi dan klaster adalah metode segmentasi dengan melibatkan konsep machine learning yang bertujuan merancang sistem agar dapat bertindak berdasarkan data empiris seperti berasal dari sensor atau data. FCM pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981 yang merupakan pengembangan dari K-Means dengan pembobotan fuzzy. FCM adalah metode klaster yang membagi tiap data menjadi anggota dari suatu klaster dengan derajat (level) keanggotaan (Full et al., 1982). Berbeda dengan sistem

(28)

klaster fuzzy adalah matriks keanggotaan [ ]

seperti pada persamaan (2.2). Derajat

keangotaan fuzzy pola untuk klaster atau dinyatakan dalam interfal [0,1] (Kusrini, 2009).

{ ‖∑ ∑

[ ]

(2.2)

Gambar 1. Diagram blok langkah-langkah penelitian

Keunggulan FCM antara lain, pertama, mampu memberikan hasil terbaik dari dataset yang

banyak. Kedua, FCM menetapkan keanggotaan data sampel ke lebih dari satu pusat klaster. Sehingga memungkinan dataset memiliki lebih dari satu pusat klaster. Ketiga, FCM mampu mensegmentasi citra tumor otak dengan baik (Liu et al., 2014). Gambar 1 merupakan tahapan penelitian yang diusulkan. Penelitian dimulai dengan memasukkan citra masukan MRI tumor otak, kemudian mengolahnya pada aplikasi perangkat lunak dan menganalisa citra hasil segmentasi. Aplikasi perangkat lunak dibuat dengan pemrograman MATLAB yang terdiri dari proses pembacaan citra, penerapan algoritme FCM, kemudian mendapatkan nilai keanggotaan tiap-tiap klaster dan diperoleh citra hasil segmentasi.

Penelitian menggunakan citra MRI simulasi dari website Harvard Medical School (Harvard, 2015) dengan teknik pengambilan axial. Pada penelitian ini metode FCM dibandingkan dengan metode K-Means. Metode segmentasi diterapkan pada citra normal, seperti pada gambar 2. Citra normal akan terlihat simetris antara otak bagian kanan dan otak bagian kiri. Selanjutnya metode

Membaca citra

Algoritme FCM

Citra tersegmentasi

Aplikasi perangkat lunak

(29)

digunakan untuk melakukan segmentasi citra tumor berjenis sarcoma seperti ditunjukkan pada gambar 3. Metode yang diusulkan juga diuji pada citra tumor dengan intensitas rendah yaitu

ditunjukkan pada gambar 4. Selain itu penelitian juga menggunakan citra tumor yang mengandung noise jenis salt & pepper dengan seperti terlihat pada gambar 5.

(a) (b) (c)

Gambar 2. Hasil segmentasi citra normal.

(a) Citra Awal. (b) Hasil segmentasi dengan FCM. (c) Hasil segmentasi dengan K-Means

(a) (b) (c)

Gambar 3. Hasil segmentasi citra tumor sarcoma

Hasil penelitian menunjukkan bahwa metode FCM mampu melakukan segmentasi dengan

batasan yang jelas. Daerah tumor terlihat lebih terang atau lebih gelap dibanding daerah sekitar. Selain itu ketidaksimetrisan antara otak bagian kanan dan kiri menjadi indikasi citra otak abnormal. Metode FCM juga mampu melakukan segmentasi daerah tumor yang berintensitas rendah. Selain itu metode FCM mempunyai kinerja yang lebih baik dalam hal mengurangi noise

(30)

(a) (b) (c) Gambar 4. Hasil segmentasi citra tumor dengan kekontrasan rendah

(a) (b) (c)

Gambar 5. Hasil segmentasi citra tumor yang mengandung noise

4. KESIMPULAN

Segmentasi citra menggunakan metode FCM telah dibandingkan dengan segmentasi menggunakan metode K-Means. Penelitian menunjukkan citra hasil segmentasi mempunyai batasan daerah homogen yang jelas dimana daerah tumor umumnya mempunyai intensitas lebih terang atau lebih gelap dibanding daerah sekitar. Metode yang dirancang juga mampu melakukan segmentasi citra tumor yang kekontrasannya rendah dan citra yang mengandung noise. Ini membuktikan FCM merupakan algoritme yang cocok diterapkan untuk segmentasi otomatis tumor otak. Untuk penelitian-penelitian selanjutnya, dapat dikembangkan teknik-teknik yang mampu meningkatkan keakuratan segmentasi otomatis guna mempermudah deteksi atau analisis

(31)

DAFTAR PUSTAKA

Alia, O. M., Mandava, R., & Aziz, M. E. (2010). A hybrid Harmony Search algorithm to MRI brain segmentation. In Cognitive Informatics (ICCI), 2010 9th IEEE International Conference on (pp. 712–721).

Al-Tamimi, M. S. H., & Sulong, G. (2014). Tumor Brain Detection Through MR Images: A Review Of Literature. Journal of Theoretical and Applied Information Technology, 62(2). Atkins, M. S., & Mackiewich, B. T. (1998). Fully automatic segmentation of the brain in MRI.

Medical Imaging, IEEE Transactions on, 17(1), 98–107.

Balafar, M. A., Ramli, A. R., Saripan, M. I., & Mashohor, S. (2010). Review of brain MRI image segmentation methods. Artificial Intelligence Review, 33(3), 261–274.

Full, W. E., Ehrlich, R., & Bezdek, J. C. (1982). FUZZY QMODEL—A new approach for linear unmixing. Journal of the International Association for Mathematical Geology, 14(3), 259– 270.

Harvard Medical School. (n.d.). Retrieved from http://med.harvard.edu/AANLIB/

Jyoti, A., Mohanty, M. N., & Pradeep Kumar, M. (2014). Morphological based segmentation of brain image for tumor detection. In Electronics and Communication Systems (ICECS), 2014 International Conference on (pp. 1–5).

Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Penerbit ANDI.

Liu, J., Li, M., Wang, J., Wu, F., Liu, T., & Pan, Y. (2014). A survey of MRI-based brain tumor segmentation methods. Tsinghua Science and Technology, 19(6), 578–595.

Natarajan, P., Krishnan, N., Kenkre, N. S., Nancy, S., & Singh, B. P. (2012). Tumor Detection using threshold operation in MRI Brain Images. In Computational Intelligence & Computing Research (ICCIC), 2012 IEEE International Conference on (pp. 1–4).

Sarathi, M. P., Ansari, M. A., Uher, V., Burget, R., & Dutta, M. K. (2013). Automated Brain Tumor segmentation using novel feature point detector and seeded region growing. In

Telecommunications and Signal Processing (TSP ), 2013 36th International Conference on

(pp. 648–652).

(32)

DENGAN MINING SMARTCARD DATA (STUDI KASUS BRT TRANS JOGJA)

Fahmi Dzikrullah1), Noor Akhmad Setiawan 2), Selo 3)

1), 2), 3) Jurusan Teknik Elektro dan Teknologi Informasi, Universitas Gadjah Mada, Yogyakarta Jl. Grafika 2, Kampus UGM, Yogyakarta 55281

Email : fahmy.dzik.mti13@mail.ugm.ac.id1), noorwewe@ugm.ac.id2), selo@ugm.ac.id3)

ABSTRAK. Semakin popularnya smartcard sebagai alat pembayaran elektronik transportasi publik yang cepat dan mudah juga dapat meyediakan informasi yang komprehensif seperti jumlah pemakai transportasi umum, dimana, kapan, dan rute yang dipakai penumpang, dimana penerapan smartcard pada transportasi massal akan menjadi keuntungan untuk perkembangan teknologi Intelligent Transport System (ITS) yang tujuan dasarnya untuk membuat system transportasi yang dapat membantu pengguna transportasi untuk mendapatkan informasi, mempermudah transaksi, meningkatkan kapasitas prasarana, mengurangi kemacetan atau antrian, mengurangi polusi lingkungan dan mengefisiensikan pengelolaan transportasi. Tujuan penulisan paper ini adalah mengilustrasikan potensi manfaat dari data smartcard dengan menganalisa pola spatio-temporal penumpang transportasi massal transjogja untuk mempelajari dan memahami perilaku perjalanan penumpang yang terekam di jaringan transit transportasi dengan mengunakan metode pendekatan teknik datamining dan management database.

Kata Kunci: Smartcard, Data mining, Spatio-Temporal, Penumpang, BRT

1. PENDAHULUAN

Seiring dengan semakin padatnya kendaraan dan tidak sebandingnya dengan ruas ruang jalan, Bus Rapid Transit (BRT) merupakan transportasi massal alternatif andalan di kota - kota besar, dengan popularnya smartcard sebagai e-ticketing atau alat pembayaran elektronik transportasi publik yang cepat dan mudah, data dari smartcard juga dapat di olah menjadi berbagai informasi komprehensif seperti jumlah pemakai transportasi umum, dimana, kapan, dan

rute yang dipakai penumpang, dimana penerapan smartcard pada transportasi massal akan menjadi keuntungan untuk perkembangan teknologi Intelligent Transport System (ITS) yang

(33)

AINO Indonesia. Kemudian alasan pemilihan Bus Rapid Trasit (BRT) transjogja sebagai studi kasus dikarenakan transjogja adalah program pioner BRT di Indonesia, dan transjogja

mempunyai rule bisnis ticketing yang unik dengan menerapkan jenis kartu yang lebih bervariasi berdasarkan jenis pengguna daripada 2 moda di atas, berikut tabel jenis kartu transjogja:

Tabel 1 Jenis Kartu e-ticketing Smartcard Transjogja

No Jenis Kartu Deskripsi

1. Kartu Prepaid Bank Kartu prabayar yang di keluarkan oleh beberapa Bank dan berkerjasama

berkerjasama dengan DISHUB Yogyakarta, yaitu Bank BCA (Flazz), BRI (Brizzi), BNI (Tapcash) dan Mandiri (e-Money)

2. Kartu Reguler Pelajar Kartu prabayar yang dikeluarkan DISHUB Yogyakarta untuk pelajar tingkat pendidikan SD, SMP dan SMA

3. Kartu Reguler Umum Kartu prabayar yang dikeluarkan DISHUB Yogyakarta untuk masyarakat umum 4. Gamacard Kartu prabayar time-based DISHUB Yogyakarta yang berkerjasama dengan

Universitas Gadjah Mada dan terintegrasi dengan kartu tanda mahasiswa UGM 5. Single Trip Kartu yang dibawa petugas untuk pembayaran sekali perjalanan dengan metode pembayaran tunai, tariff single trip dibagi menjadi 2 berdasarkan jenis pengguna, yaitu single trip umum dan single trip pelajar

Sumber : DISHUBKOMINFO DIY Selain itu transjogja juga memiliki bus fleet management untuk tracking kendaraan dan manajemen jalur bus transjogja dengan Global Positioning System (GPS), data transaksi transjogja perbulan tahun 2013 mencapai rata-rata 498.124, dan rata-rata 542.135 transaksi perbulan pada tahun 2014[1], dengan potensi bertambahnya volume data, demand for data processing velocity atau permintaan kecepatan pemprosesan data, dan variability data dan informasi, smartcard data juga sangat berpotensi menjadi big data processing.

Tujuan dalam penelitian adalah mengilustrasikan potensi manfaat dari data smartcard dengan menganalisa pola spatio-temporal penumpang di transportasi massal transjogja untuk memahami dan mempelajari perilaku perjalanan penumpang dari hari ke hari yang terekam di jaringan transit halte dengan mengunakan metode pendekatan teknik datamining dan management

(34)

Pada bab ini, penulis menjelaskan metode akuisisi data dan proses datamining yang akan

digunakan dalam penelitian. selanjutnya dengan prosedur seperti dibawah ini : 2.1 Arsitektur Akuisisi Data

Gambar 1. Arsitektur

Gambar 1 mendeskripsikan arsitektur dan alur proses akuisisi data dan dijelaskan sebagai berikut :

1. Data smartcard di capture dari data transaksi penumpang di setiap halte transjogja, aplikasi di yang dipasang di single board computer di setiap gate akan mengupload data transaksi ke processing unit secara batch via mobile wireless modem dengan interval waktu, kemudian menyimpan data transaksi ke database server.

2. Data GPS di capture dari setiap bus yang di pasang modul GPS, aplikasi processing unit di yang ditanam di setiap single board computer di bus akan mengupload data

GPS ke processing unit secara dynamic real-time. kemudian menyimpan data GPS ke database server.

3. Processing unit akan meretrive data spatial processing dari database server berupa datetime, Bus ID, lokasi lat dan long, rute dan kecepatan bus kemudian data di visualisasikan dengan geographical information.

(35)

2.2Proses Datamining

Gambar 2. Proses Datamining

Proses dalam penelitian ini mengadopsi metodologi datamining project Cross-Industry Standard Process for Data Mining (CRISP-DM) [4] , yang di jelaskan dengan 6 langkah proses berikut :

2.2.1 Bussines Understanding

Bussines Understanding penentuan tujuan bisnis, menilai situasi saat ini, menetapkan tujuan datamining, dan mengembangkan rencana proyek dalam hal ini menganalisa pola spatio-temporal penumpang di transportasi massal transjogja untuk memahami dan mempelajari perilaku perjalanan penumpang dari hari ke hari.

2.2.2 Data Understanding

(36)

2.2.3 Data Preparation

Setelah source raw data tersedia, langkat selanjutnya dalam data preparation

adalah Data Cleaning, dan Data Transformation, yaitu data harus dipilih hanya yang akan digunakan, dibersihkan dari data noise data hal ini seperti membuang field failed transaction flag, dan field lainnya yang tidak digunakan, kemudian disusun ke dalam

data yang di inginkan. Berikut tabel data transformation dari smartcard data dan GPS.

Tabel 1 Struktur Transformation Data Smart Card Data

No Field Name Deskripsi Contoh

1. Card Serial Number Serial number kartu 56434FCD

2. Tanggal Transaksi Tanggal akuisisi data transaksi kartu 2014-11-10 13:05:30 3. Transit Transit Halte/Pindah Jalur Trayek 0=Tidak Transit

1=Transit;

4. Jenis Pengguna Jenis pengguna kartu U=Umum;

P=Pelajar 5. Jenis Kartu Jenis kartu yang digunakan pada BRT

transjogja 6. Halte ID Kode gate / lokasi halte keberangkatan 01

Tabel 2 Struktur Data GPS

No Field Name Deskripsi Contoh

1. _{GPS DATETIME} _{Waktu akuisisi data GPS} _{2014-11-10 13:05:30}

2. _{Vehicle ID} _{Nomor/ID Bus} _{Bus 5}

3. _LON _Longtitude _{-7.75589010388709}

4. _LAT _Latitude _{110.48966020345688}

5. _{Arah Jalur} _{Jalur Bus} _1A

6. _Kecepatan _{Kecepatan Bus} _{11.6 KM/H}

2.2.4 Data Modeling

Data Modelling mengunakan software weka[2] dan rapidminer[3] untuk visualisasi dan analisis cluster yang berguna untuk pattern discovery dan analisis awal. Adapun

pattern discovery yang digunakan pada penelitian ini yaitu algoritma k-means clustering, Algoritma untuk melakukan K-Means clustering adalah sebagai berikut [5]:

(37)

 Kelompokkan data sehingga terbentuk K buah cluster dengan titik centroid dari setiap cluster merupakan titik centroid yang telah dipilih sebelumnya

 Perbaharui nilai titik centroid

 Ulangi langkah 2 dan 3 sampai nilai dari titik centroid tidak lagi berubah

Proses pengelompokkan data ke dalam suatu cluster dapat dilakukan dengan cara

menghitung jarak terdekat dari suatu data ke sebuah titik centroid. Perhitungan jarak Minkowski dapat digunakan untuk menghitung jarak antar 2 buah data. Rumus untuk menghitung jarak tersebut adalah:

(2.1)

Di mana:

g = 1, untuk menghitung jarak Manhattan g = 2, untuk menghitung jarak Euclidean g = ∞, untuk menghitung jarak Chebychev

xi , xj adalah dua buah data yang akan dihitung jaraknya p = dimensi dari sebuah data

2.2.5 Evaluation

Hasil model harus dievaluasi dalam konteks tujuan bisnis yang ditetapkan pada tahap Bussiness Understanding. Hal ini akan mengarah pada identifikasi kebutuhan lain seringkali melalui pengenalan pola, dimana hasil dari berbagai visualisasi, menunjukkan hubungan baru yang memberikan pemahaman yang lebih dalam.

2.2.6 Deployment - Passanger Analysis

Hasil Data mining ini dapat digunakan untuk verifikasi hipotesis sebelumnya, atau untuk knowledge discovery atau penemuan pengetahuan / informasi dari data.

(38)

Gambar 5. Training Set Clustering Euclidean dan Manhattan

Dengan 4 iterasi menghasilkan clustered instance jenis penumpang True sejumlah 87% untuk clustering K-means Euclidean dan 88% untuk k-means Manhattan.

Dengan Weka Explorer dan diketahui visualisasi demografi jumlah transaksi jenis pengguna dan jenis kartu sebagai berikut :

Gambar 4. Grafik Demografi Jenis Penumpang dan Jenis Kartu

Selanjutnya dilakukan pemetaan pola spatio-temporal penumpang mengunakan data peak transaksi harian dan menghasilkan grafik sebagai berikut :

(39)

Gambar 7. Data Pola Jumlah Penumpang Berdasarkan Jam

Dari data tersebut diketahui dominasi jumlah jenis transaksi oleh kartu singletrip sebanyak 456.938 transaksi dan kartu reguler dengan rincian jenis pengguna umum sebanyak 4.99.838 dan jenis pengguna pelajar sebanyak 29.502, kemudian jenis kartu berlanganan reguler kurang dari 60 ribu transaksi, dan kartu bank kurang dari 10 ribu transaksi. Dari grafik selanjutnya menunjukan bahwa peak transaksi di halte boarding keberangkatan terminal bus antar provinsi ke objek wisata mempunyai prosentase jumlah penumpang terbanyak, dengan peak transaksi rentan waktu antara jam 9 dan jam 11 pagi yang di dominasi oleh jenis kartu single trip umum.

4. KESIMPULAN

Dari Hasil di atas dapat di jadikan dasar pengetahuan dalam hal ini memahami pola

spatio-temporal atau perilaku perjalanan penumpang di transportasi massal transjogja berdasarkan halte boarding keberangkatan dan data pola jumlah penumpang berdasarkan waktu. Untuk selanjutnya diharapkan dapat diterapkan untuk operasi bisnis transportasi masal, misalnya prediksi penumpang transportasi publik berdasarkan kurun waktu, segmentasi dan klasifikasi berdasarkan jenis penumpang, dan penelitian salanjutnya dilakukan penambahan visualisasi geospatial untuk data GPS untuk mengukur performa perjalanan bus di tiap halte sehingga dengan penyesuaian

yang benar dapat mengurangi biaya operasional, dan membantu mengoptimalkan penggunaan moda transportasi umum massal transjogja. Akan tetapi Model ini perlu dipantau untuk

(40)

5. DAFTAR PUSTAKA

[1] PT. AINO Indonesia, ―e-Ticketing Transjogja.‖ [Online]. Available: http://ainosi.co.id/read/studi/1/1/transjogja.html. [Accessed: 01-Apr-2015].

[2] I. H. Witten, F. Eibe, and A. H. Mark, in Data Mining Practical Machine Learning Tools

and Technique, Third Edition., Morgan Kaufmann, 2011, pp. 101–110.

[3] H. Markus and Ralf Klinkenber, in RapidMiner: Data Mining Use Cases and Business Analytics Applications (Chapman & Hall/CRC Data Mining and Knowledge Discovery

Series, CRC Press, 2013, pp. 20–25.

[4] R. Wirth, ―CRISP-DM: Towards a standard process model for data mining,‖ in Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery

and Data Mining, 2000, pp. 29–39.

(41)

PERANCANGAN SISTEM IDENTIFIKASI UMUR POHON DENGAN PENGOLAHAN

CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

Gunawan Abdillah, Wina Witanti

Program Studi Informatika, Universitas Jenderal Achmad Yani Cimahi abi_zakiyy@yahoo.com

ABSTRAK. Berbagai manfaat dapat diperoleh dari keberadaan hutan melalui fungsinya, baik sebagai penyedia sumber daya air bagi manusia dan lingkungan, kemampuan penyerapan karbon, pemasok oksigen di udara, penyedia jasa wisata, dan mengatur iklim global. Pembalakan liar adalah bentuk penyimpangan dari pemanfaatan hutan yang seharusnya. Akibat pembalakan liar, hutan tidak lagi dapat memberikan manfaat yang sebesar-besarnya bagi kemakmuran rakyat. Salah satu cara untuk menentukan usia pohon yaitu dengan menghitung jumlah lingkaran tahun pada batang pohon. Sebuah citra potongan kayu apabila diolah dengan menggunakan sebuah metode pengolahan citra akan menjadi informasi berupa rangkaian numerik. Citra pohon diidentifikasi dengan melakukan tahapan grayscale, edge detection, trehshold, segmentasi dan normalisasi. Untuk memprediksi usia pohon digunakan Jaringan Syaraf Tiruan menggunakan pembelajaran Backpropagation. Penelitian ini menghasilkan sebuah sistem yang dapat mengidentifikasi umur pohon. Pada perancangan sistem, identifikasi umur pohon dibagi menjadi tiga kelas yaitu kelas 1 dengan umur 0 – 5 tahun, kelas 2 dengan umur 6 – 10 tahun, dan kelas 3 dengan umur 11 – 15 tahun. Dari hasil uji terhadap perbandingan target MSE didapatkan hasil yang paling optimal pada MSE 0.001, dengan waktu pelatihan 01:12, dan tingkat akurasi sebesar 78%. Pengujian terhadap 50 data uji baru, sistem berhasil mengidentifikasi usia pohon sebanyak 34 citra dengan akurasi ketepatan sebesar 68%.

Kata Kunci : lingkaran tahun, usia pohon, pengolahan citra, Jaringan Syaraf Tiruan.

1. PENDAHULUAN

Keberadaan hutan sebagai bagian dari sebuah ekosistem yang besar memiliki arti dan peran penting dalam menyangga sistem kehidupan. Berbagai manfaat dapat diperoleh dari keberadaan

hutan melalui fungsinya, baik sebagai penyedia sumber daya air bagi manusia dan lingkungan, kemampuan penyerapan karbon, pemasok oksigen di udara, penyedia jasa wisata, dan mengatur iklim global.

Pembalakan liar menjadi ancaman kepunahan fungsi ekologi hutan tropis Indonesia. Pembalakan liar yang terjadi di Indonesia menimbulkan dampak yang sangat luas terhadap kondisi lingkungan sekaligus kelangsungan fungsinya bagi kehidupan berbagai komunitas secara lintas generasi. Ancaman kekeringan, bahaya banjir, tanah longsor, kebakaran, menipisnya lapisan ozon, pemanasan global dan perubahan iklim. Sadino dkk (2011).

(42)

penghasilan yang maksimal sebaiknya pohon jati ditebang jika telah cukup dewasa untuk menghasilkan kayu berkualitas baik, minimal pohon telah berumur sekitar 15-20 tahun. Agus

Astho Pramono dkk (2013).

Penelitian tentang sistem identifikasi usia tanaman dan pengenalan pola sudah banyak dilakukan, Muhammad Nasir dkk (2013) dalam penelitiannya untuk mendeteksi masa

pertumbuhan tanaman padi dan identifikasi produktivitasnya melalui analisis citra digital. Penelitian ini menghasilkan nilai NDVI dari saat tanaman padi berumur 3 MST adalah < -0.03 dan pada 10 MST (Minggu Setelah Tanam) nilai NDVI sebesar 0.45 sehingga menunjukkan bentuk kurva dengan puncaknya saat padi pada umur (fase) vegetatif optimum – padi bunting (umur sekitar 70-80 hari setelah tanam atau sekitar 10-11 MST).

Salah satu cara untuk menentukan usia pohon yaitu dengan menghitung jumlah lingkaran tahun pada batang pohon jati tersebut. Sebuah citra potongan kayu apabila diolah dengan menggunakan sebuah metode pengolahan citra akan menjadi informasi berupa rangkaian numerik. Informasi ini dapat digunakan untuk mendeteksi banyaknya lingkar tahun kayu, karena garis atau lengkung lingkaran kayu mempunyai nilai piksel lebih tinggi dibandingkan dengan daerah disekitarnya.

Penelitian ini telah dirancang sistem identifikasi umur pohon menjadi tiga kelas yaitu kelas 1 dengan umur 0 – 5 tahun, kelas 2 dengan umur 6 – 10 tahun, dan kelas 3 dengan umur 11 – 15 tahun.

2. METODOLOGI PENELITIAN

Perancangan sistem identifikasi citra digital sebuah pohon untuk prediksi umur pohon dengan jaringan syaraf tiruan dapat dilihat pada gambar 1.

2.1.Grayscale

(43)

Citra Asli Format Jpg

Grayscale

Edge Detection

Tresholding

Segmentasi

Normalisasi

Jaringan Syaraf Tiruan Backpropagation

Klasifikasi Umur Pohon

(44)

Gambar 2. Proses Grayscale

2.2 Edge Detection

Proses edge detetction atau deteksi tepi adalah proses melakukan proses konvolusi terhadap kernel sehingga mengakibatkan pewarnaan yang lebih kontras pada citra, kernel yang digunakan dalam penelitian ini adalah kernel gauss. Perubahan citra grayscale ke dalam citra hasil edge detection dapat dilihat pada Gambar 3.

Gambar 3. Proses Edge Detection

2.3. Tresholding

Proses ini bertujuan untuk mencari nilai bit biner 0 (hitam) atau 255 (putih) menggunakan nilai ambang yang ditentukan atau menggunakan nilai tengah yaitu 128. Sehingga nilai tiap pixel

(45)

Gambar 4. Proses Treshold

Proses pengolahan citra berikutnya adalah normalisasi, proses ini bertujuan untuk

mengubah ukuran citra asli ke dalam ukuran tertentu sehingga memperkecil penggunaan memori dan juga supaya jumlah input untuk Jaringan Syaraf Tiruan (JST) seragam. Pada penelitian ini citra asli dirubah ke dalam ukuran 50x50 piksel.

2.4 Jaringan Syaraf Tiruan Backpropagation

Arsitektur Jaringan Syaraf Tiruan (JST) menggunakan pembelajaran Backpropagation terdiri dari lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Lapisan masukan berjumlah 2500 neuron, didapat dari hasil normalisasi citra dengan ukuran 50x50 piksel. Lapisan tersembunyi memiliki jumlah neuron bebas, biasanya hasil akhir untuk menentukan jumlah

neuron pada lapisan tersembunyi adalah dengan melakukan optimasi pada proses pelatihan atau dengan menggunakan 2/3 dari jumlah neuron pada lapisan input sehingga jumlah neuron pada lapisan tersembunyi adalah 1666 neuron. LiMin (1994)

(46)

4. HASIL DAN PEMBAHASAN

Sistem identifikasi umur pohon diimplementasikan dalam perangkat lunak dengan tahapan pertama yaitu proses pelatihan terhadap dataset yang digunakan sebagai data latih. Dalam proses

pelatihan ditentukan besarnya Learning Rate, toleransi kesalahan, dan iterasi (Epoch) yang dilakukan.

Gambar 6. Tampilan pelatihan umur pohon

4.1 Uji Akurasi Sistem Pengenalan Pola 4.1.1 Uji Akurasi Terhadap Data Latih

Pada tahap ini data yang digunakan dalam proses pelatihan akan diujikan kembali terhadap sistem. Total semua data yang digunakan dalam proses pelatihan berjumlah 150 data set.

Tabel 1. Pengujian terhadap data latih

No Citra Pohon Kelas Dikenali/Tidak Dikenali

1 Citra Pohon 1 1-5 tahun Dikenali

… … … …

150 Citra Pohon 150

11-15 tahun Dikenali

(47)

4.1.2 Uji Akurasi Terhadap Data Uji / Baru

Pengujian pada tahap ini menggunakan data yang belum pernah dilakukan pada proses

pelatihan menggunakan JST backpropagation. Data yang diujikan berjumlah 50, berikut ini merupakan hasil pengujian terhadap data uji.

Tabel 2. Pengujian terhadap data uji

No Citra Pohon Kelas Dikenali/Tidak Dikenali

3 Citra Pohon 3 1-5 tahun Tidak dikenali

… … … …

49 Citra Pohon 49

50 Citra Pohon 50

Total dikenali 34

5. KESIMPULAN

Salah satu cara untuk menentukan usia pohon jati yaitu dengan menghitung jumlah lingkaran tahun pada batang pohon jati. Penghitungan jumlah lingkaran tahun kayu bisa dilakukan dengan cara manual oleh para ahli yaitu dengan melihat potongan penampang pohon. Sebuah citra potongan kayu apabila diolah dengan menggunakan sebuah metode pengolahan citra akan menjadi informasi berupa rangkaian numerik. Informasi ini dapat digunakan untuk mendeteksi