PENGEMBANGAN APLIKASI BIOMETRIK MELALUI DATA TRAJECTORY GAYA BERJALAN (GAIT) MENGGUNAKAN TEKNIK NAIVE BAYESIAN

IV-6 SENTRA

PENGEMBANGAN APLIKASI BIOMETRIK MELALUI DATA

TRAJECTORY GAYA BERJALAN (GAIT) MENGGUNAKAN

TEKNIK

NAIVE BAYESIAN

Ashafidz Fauzan Dianta1, Mauridhi Hery Purnomo2, Adhi Dharma Wibawa3

1. Institut Teknologi Sepuluh Nopember, Surabaya 2. Institut Teknologi Sepuluh Nopember, Surabaya 3. Institut Teknologi Sepuluh Nopember, Surabaya

Kontak Person: Ashafidz Fauzan Dianta

Gedung B, C dan D, Kampus Teknik Elektro ITS, Sukolilo Surabaya, 60111

Phone: 031-5922936 email: ashafidz13@mhs.ee.its.ac.id

Abstrak

Cara berjalan seseorang adalah sangat unik, sebab cara berjalan seseorang sangat tergantung pada struktur tulang dan otot orang tersebut, hal itulah yang menjadikan cara berjalan seseorang menjadi unik. Penelitian ini bermaksud melakukan eksplorasi bagaimanakah keunikan pola gerakan berjalan seseorang, dapatkah kita melakukan klasifikasi seseorang dari cara berjalannya. Data lintasan marker / marker trajectory data kami gunakan sebagai input sistem biometrik. Data trayektori marker ini kami klasifikasikan berdasarkan individu. Dalam penelitian ini, kami mengukur 8 orang sehat yang kami arahkan untuk berjalan secara normal di lintasan berjalan di laboratorium motion capture, dengan kecepatan jalan sesuai kenyamanan masing-masing subjek. Pada kaki kanan dan kiri, kami tempelkan marker sebanyak 16 buah (lower limbs). Setiap marker akan memiliki data lintasan 3D, yaitu lintasan pada sumbu X, Y dan Z. Naive Bayesian algorithm kami gunakan sebagai classifier pola gerakan markernya. Jumlah keseluruhan data marker yang kami analisis sebanyak 50 data marker berjalan, dari 8 subyek manusia sehat. Dari hasil eksperimen tersebut, sebanyak 16 data cara berjalan kami trainingkan ke dalam sistem pengenalan, dan sebanyak 34 data cara berjalan kami gunakan sebagai data uji sistem biometrik. Dari hasil uji coba tersebut, 95% data uji dapat dikenali oleh sistem siapa pemilik cara berjalan tersebut, dan 5% system tidak tepat dalam mengenali pemilik gaya berjalan tersebut.

Kata kunci: _{Biometric marker base, gait analysis, system biometric gait}

Pendahuluan

SENTRA IV-7

Gambar 1 Pengambilan data gaya berjalan (gait) menggunakan pemindai (marker) [6 ; 7]

Berjalan merupakan suatu rangkaian dari gait cycle, dimana satu gait cycle dikenal dengan sebutan langkah (stride). Vaughan et al tahun 1999, mendefinisikan siklus gait terdiri dari dua bagian, yaitu berdiri (stance) dimana kaki mengenai landasan dan bagian mengayun (swing) dimana kaki tidak mengenai landasan. Siklus gait dapat digambarkan sebagai berikut :

Gambar 2 Siklus gait normal pada anak berusia 8 tahun [5]

Tahap berdiri (stance phase) dibutuhkan waktu 60% dan tahap mengayun (swing phase) 40% dari seluruh waktu yang dibutuhkan untuk melakukan satu gait cycle. Tahapan-tahapan fase yang terjadi pada gait cycle antara lain yang pertama initial contact, loading response, mid-stance, terminal stance, dan pre swing, ke lima tahapan tersebut masuk dalam stance phase. Sedangkan tiga tahapan fase berikutnya masuk kedalam tahapan swing phase, antara lain initial swing, mid swing, dan terminal swing [5].

IV-8 SENTRA

Dalam penelitian ini, kami mengukur 8 orang sehat yang kami arahkan untuk berjalan secara normal di lintasan, dengan kecepatan jalan sesuai kenyamanan masing-masing subjek. Pada kaki kanan dan kiri, kami tempelkan marker sebanyak 16 buah (lower limbs). Setiap marker akan memiliki data lintasan 3D, yaitu lintasan pada sumbu X, Y dan Z. Peletakan posisi marker dapat dilihat pada gambar 3. Algoritma Naive Bayesian kami gunakan sebagai klasifikasi biometriknya, setelah beberapa tahapan pre-processing kami lakukan.

Gambar 3 Implementasi

marker

pada posisi tulang [3]

Metode Penelitian

Secara umum metode penelitian untuk klasifikasi gaya berjalan pada paper ini ditunjukkan pada gambar 4, tahap pertama dimana data dalam bentuk C3D berisi subyek yang berjalan normal, data tersebut diekstrasi untuk mendapatkan nilai amplitudo dan panjang data dalam satu gait cycle pada tiap marker. Tahap berikutnnya adalah tahap pengklasifikasian dari database gait menggunakan algoritma Naive Bayesian.

(1)

Tabel 1 Data Tiap Marker

SENTRA IV-9

Subyek 3

1. Gait 1

101 150 110 115 152 117

98 153 110

2. Gait 2

111 147 104 115 147 116

96 147 107

3. Gait 3

105 149 108 114 155 119

96 155 109

4. Gait 4

101 149 106 111 149 117

90 149 106

...

Subyek 4

1. Gait 1

114 175 125 134 176 137

117 179 131

2. Gait 2

150 174 121 158 180 143

130 181 124

3. Gait 3

130 174 126 135 177 142

120 181 132

4. Gait 4

146 175 125 160 177 144

142 177 123

Gambar 4 Alur metode penelitian

Hasil Penelitian dan Pembahasan

Pada penelitian ini kami menganalisis 50 data gait cycle yang kami ambil dari 8 subyek sehat. Data tersebut kami ambil secara acak sebanyak 16 data untuk kami jadikan data training dan sisanya sebanyak 34 data kami jadikan data untuk pengujian, kami juga melakukan pengacakan data training pada setiap uji coba. 16 data training tersebut berasal dari 8 subyek, dan tiap subyek kami ambil 2 data gait cycle. Dari lima kali percobaan, tingkat kecocokan data lebih dari 90%, dari ke lima percobaan tersebut apabila prosentasi kami rata-rata tingkat keberhasilan klasifikasi yang di lakukan sebanyak 95,83%.

Tabel 2 Hasil percobaan klasifikasi

No.

Data

8 Data

Training

16 Data

Training

1. Percobaan

1

71,43

94,12

2. Percobaan

IV-10 SENTRA

3. Percobaan

3

78,57

97,06

4. Percobaan

4

78,57

96,77

5. Percobaan

5

83,33

91,18

Grafik 1 Hasil percobaan klasifikasi

Kesimpulan

Dapat kami simpulkan bahwa data trayektori marker seseorang itu unik, meskipun secara kasat mata gaya berjalan seseorang itu kadang terlihat mirip. Hal ini disebabkan karena data lintasan marker dapat menggambarkan secara detail setiap gerakan naik turun dari kaki selama berjalan karena postur ataupun kerja otot yang khas untuk setiap orang. Untuk penelitian selanjutnya penggunaan metode klasifikasi lain mungkin dapat dijadikan pertimbangan untuk mendapatkan tingkat kecocokkan yang lebih maksimal.

Daftar Notasi

X : data sampel dengan klas (label) yang tidak diketahui. H : hipotesa bahwa X adalah data dengan klas (label) C. P(H) : peluang dari hipotesa H.

P(X) : peluang data sampel yang diamati.

P(X|H) : peluang data sampel X, bila diasumsikan bahwa hipotesa benar (valid).

Referensi

[1] Ariano D. Harjoko A. Sistem Pendeteksian Marker pada Analisis Gait Menggunakan Pengolahan Citra Digital. Yogyakarta: Postgraduate UGM; 2013 5.

[2] Dewi E.M., Penentuan Titik Referensi Pada Pengambilan Gerak Tungkai Tanpa Marker Dengan Metode Kurva Bezier Untuk Analisis Gait, Thesis. Bandung: Postgraduate ITB; 2008. 4.

[3] Swilling B.J. Human Walking Adaptations to Distal Limb Mass Disturbances: Investigating Biomimetic Performance Objectives. PhD Thesis. Cambridge: Postgraduate Massachusetts Institute of Technology; 2005. 3.

[4] Trew M., Everett T. Human Movement An Introductory Text. Fourth Edition, London: Churchill Livingstone. 2001. 2.

[5] Vaughan C.L., Davis B.L., O’Connor J.C. Dynamics of Human Gait. Second Edition, Kiboho Publishers. 1999 1.

[6] Wibawa A. D., Lower Limb Musculoskeletal Modeling During Normal Walking, One-Legged Forward Hopping, Side Jumping and Knee Flexion. PhD Thesis, University of Groningen; The Netherlands, 2014 6.