KLASIFIKASI DATA SENSOR AKSELEROMETER DAN GIROSKOP UNTUK PENGENALAN AKTIFITAS
Budy Santoso1, Lukito Edi Nugroho2, Hanung Adi Nugroho3 1,2,3Jurusan 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.
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
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
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
Penelitian tentang akselerometer data mendapat perhatian dari para peneliti untuk mengenali aktifitas penggunanya, dimulai dengan sensor yang wearable sampai perkembangan sensor 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 3. Metode yang digunakan untuk pengenalan aktifitas
(upstairs), turun (downstairs).
3.1 Pengumpulan 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.
3.2 Pra-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.
3.3 Ekstraksi Fitur
Gambar 4. Metode ekstrksi fitur untuk data sensor
3.4 Klasifikasi
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
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 dengan tiga aktifitas fisik yang bersifat dinamis yaitu walk, upstairs, downstairs. Sehingga hasil akhir yang diharapkan adalah dapat mengetahui manakah sensor yang memiliki performance terbaik dengan tiga orientasi posisi dengan satu aktifitas yang sama.
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.
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 Computing (UIC/ATC) (pp. 80–87). http://doi.org/10.1109/UIC-ATC.2013.43
Su, X., Tong, H., & Ji, P. (2014a). Activity recognition with smartphone sensors. Tsinghua
