RANCANG BANGUN PROTOTYPE SISTEM PENGIDENTIFIKASI MANUVER KENDARAAN RODA EMPAT PADA PERANGKAT MOBILE DENGAN LOGIKA FUZZY DAN KLASIFIKASI NAIVE BAYESIAN

RANCANG BANGUN PROTOTYPE SISTEM

PENGIDENTIFIKASI MANUVER KENDARAAN

RODA EMPAT PADA PERANGKAT MOBILE

DENGAN LOGIKA FUZZY DAN KLASIFIKASI

NAIVE BAYESIAN

Ceria Ganinda Hapsari (510910019) Pembimbing I : Waskitho Wibisono Pembimbing II : Baskoro Adi Pratomo

Akan tetapi ...

Collition brake assist

Drowsiness detector

Inflatable Seat Belts

Maka...

Dalam tugas akhir ini dibuat desain dan implementasi sistem yang dapat mendeteksi manuver tingkat tinggi dari prototype kendaraan roda empat yang beresiko menimbulkan kecelakaan.

Menggunakan logika Fuzzy serta metode klasifikasi Naïve-Bayesian.

Hasil klasifikasi dikirim ke server untuk ditampilkan ke dalam aplikasi berbasis website.

“Mengembangkan metode klasifikasi

logika Fuzzy dan Naive-Bayesian pada

smartphone berbasis Android dari

data input sensor”

“Membangun sistem aplikasi yang dapat

mengenali aktivitas manuver kendaraan

roda empat yang sedang berjalan

(driving), tabrakan (bumping), dan drifting”

“

Mengirim data manuver hasil klasifikasi ke

server pada saat nilai sensor mengindikasikan

manuver berbahaya yaitu tabrakan (bumping)

Bagaimana proses menggabungkan data

beberapa sensor berbeda untuk

kemudian diputuskan apakah

pengendara sedang dalam manuver

beresiko atau tidak ?

Bagaimana efektifitas dari metode klasifikasi logika Fuzzy dan Naive-Bayesian ?

Lintasan buatan dengan halangan berupa lantai dengan dinding disekitarnya

digunakan sebagai jalur berkendara.

Aplikasi berjalan jika program di running dengan menggunakan sensor gyroscope serta accelerometer pada smartphone Android versi Honeycomb dengan API level 13 keatas.

Radio control tipe drift 4WD NQD skala 1:10 digunakan sebagai protoype pengganti kendaraan roda empat.

Windows Sampling

adalah teknik mengekstraksi data dengan sampling data. Setiap windows terdiri dari kumpulan data yang akan merepresentasikan satu data.

Overlapping digunakan

untuk menjaga agar data tetap konsisten sehingga data tidak terlalu divergen.

Thresholding merupakan teknik untuk

membedakan antar nilai sensor yang akan diproses dan tidak sehingga tidak semua nilai

Logika Fuzzy...

Fuzzifikasi (fuzzification)

• Penterjemahan besaran tegas ke besaran Fuzzy.

• Fuzzy logic controller menerima input Fuzzy

variable. Fuzzy variable dianalisis melalui grafik membership function.

• Membership function : representasi grafik dari

“tingkat partisipasi“ tiap input. Kumpulan dari

beberapa membership function disebut Fuzzy set.

• Bentuk grafik yaitu bentuk S, bentuk Z, triangle

dan trapezoid. Grafik harus memiliki nilai derajat keanggotan minimal 0 dan maksimal 1.

• Label : definisi linguistic dari setiap membership

Logika Fuzzy...

Proses fuzzy (Fuzzy processing)

• Merupakan proses untuk mengolah input data

setelah proses fuzzifikasi (hasil definisi dari

membership function) menjadi sebuah output.

• Rule evaluation : pengevaluasian membership

rule yang telah dibuat.

• Fuzzy outcome calculation. Penghitungan nilai

Logika Fuzzy...

Proses Defuzifikasi (defuzzification)

• Proses untuk mengembalikan nilai derajat

keanggotaan dari hasil Fuzzy processing ke dalam bentuk nilai output yang sebenarnya

Naive-Bayesian...

• Menggunakan teori Bayes dengan menghitung

peluang dari suatu kelas dari masing masing kelompok atribut yang ada dan menentukan kelas mana yang memiliki peluang paling optimal

• Hasil hipotesa atau sebuah kejadian (H) dapat

diprediksi berdasarkan pengalaman (E) yang bisa diobservasi

𝑃 𝐻 𝐸 = 𝑃(𝐸|𝐻)𝑃(𝐻)

𝑃(𝐸)

• Data metode klasifikasi Naive-Bayesian dapat

Naive-Bayesian...

• 𝑃𝑟𝑖𝑜𝑟 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 (RED) = _{Jumlah seluruh objek}Jumlah objek RED

• 𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 X (RED) = Jumlah RED dalam hampiran X_{Jumlah kasus RED}

• Posterior probability X (RED) = 𝑃𝑟𝑖𝑜𝑟 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 RED_{𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 X pada RED}

Perhitungan Jumlah Data Tiap Class Yang Masuk Dalam Lingkup Data Baru [17]

Naive-Bayesian...

Laplace estimator

adalah teknik penghalusan pada input tertentu supaya nilai likehood terhadap suatu class tidak bulat 0

Weighted input digunakan untuk menjadikan nilai input tertentu sebagai nilai yang prioritas

PERANCANGAN

PERANGKAT

Arsitektur Sistem...

1 3 2 4 Server Aplikasi Web 5 Pengumpulan data sensor Mobil radio control

Perangkat Android dan built

Ya

State != driving Mencari level manuver

Hasil klasifikasi ditemukan

Tidak

Hasil = state + level Hasil = state

LOW HIGH

Gyroscope x (pitch ) 0.0 – 1.9 1.7 – 10.0

z (yaw ) 0.0 – 2.6 2.4 – 10.0

Accelerometer x 0.0 – 2.0 1.0 – 10.0

y 0.0 - 3.0 2.0 – 10.0 SENSOR SUMBU MEMBERSHIP RANGE (rad/s)

Berjalan (driving ) 0.0 - 5.0

Drifting 4.5 - 8.0

Tabrakan (bumping ) 7.5 - 10.0

MANUVER MEMBERSHIP RANGE (rad/s)

Low 0.0 - 5.0

Medium 4.5 - 8.0

High 7.5 - 10.0

Very High 9.0 - 15.0

LEVEL MANUVER MEMBERSHIP RANGE (rad/s)

Smartphone

Fuzifikasi state dan level manuver Data sensor

accelerometer dan gyroscope hasil windows sampling dan

overlapping Defuzifikasi state manuver Pengolahan fuzzy state manuver dengan membership rule Fuzzy variable terdefinisi Derajat nilai keanggotaan tiap rule

pada state manuver terdefinisi Nilai defuzifikasi level manuver terdefinisi Nilai defuzifikasi state manuver terdefinisi Klasifikasi nilai defuzifikasi state

manuver _{State klasifikasi} manuver terdefinisi Pengolahan fuzzy level manuver beresiko dengan membership rule Defuzifikasi level manuver beresiko Penggabungan

state dan level

manuver

Derajat nilai keanggotaan tiap rule

pada level manuver terdefinisi

State dan level

manuver terdefinisi Klasifikasi nilai defuzifikasi state manuver Level klasifikasi manuver terdefinisi

Diagram Alir

Logika Fuzzy

Class driving Class bumping Class drifting

Data Training State

Class low Class medium

Class high

Data Training Level

Class very high

&

Smartphone Pembacaan data train Data sensor accelerometer dan gyroscope hasil windows sampling dan

overlapping

Penghitungan nilai prior Pengambilan Data sensor accelerometer

dan gyroscope hasil

windows sampling dan overlapping

Status SD card adalah mounted

Data train terbaca

Nilai posterior terdefinisi Nilai prior terdefinisi Penghitungan nilai sensor dengan

weighted input dan

Laplace estimator Nilai input baru _terdefinisi Penghitungan nilai likelihood Penghitungan nilai posterior Pencarian class dengan nilai posterior terbesar Nilai likelihood terdefinisi State manuver terdedinisi

Diagram Alir

Naive

Bayesian

0 0,5 1 1,5 2 2,5 3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 gyroscope x gyroscope z accelerometer x accelerometer x Driving 0 1 2 3 4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 gyroscope x gyroscope z accelerometer x accelerometer x Bumping 0 5 10 15 1 2 3 4 5 6 7 8 9 10 11 12 gyroscope x gyroscope z accelerometer x accelerometer x Drifting

Grafik Kondisi

Manuver...

UJI COBA

dan

Smartphone HTC Sensation XE

• Android v4 (Ice Cream Sandwich),

• Prosesor: 1.5 GHz dualcore, RAM: 768MB

Radio control NQD

• Skala 1:10 tipe drifting 4WD,

• Baterai NiMH Eneloop Lite AA 6000 mAh

Ruangan 2,5m x 2,5m

• Lantai keramik,

• Dikelilingi dinding

Uji Coba

Pendeteksian

Manuver

Uji Coba Pendeteksian Manuver

Bumping...

0 20 40 60 80 100 120 Fuzzy Threshold 2 Bayesian Threshold 2 Fuzzy Threshold 4 Bayesian Threshold 4 Driving Bumping Drifting

Uji Coba Akurasi Berdasarkan Variasi

Metode dan Nilai Threshold ...

Uji Coba Akurasi dengan Nilai

Dengan Logika Fuzzy : • Driving = 0 5 x 100% = 𝟎 % • Bumping = 7 9 x 100% = 𝟕𝟕, 𝟕 % • Drifting = 11 11 x 100% = 𝟏𝟎𝟎 % Dengan Naive-Bayesian : • Driving = 2₅ x 100% = 𝟒𝟎 % • Bumping = 9₉ x 100% = 𝟏𝟎𝟎 % • Drifting = 10₁₁ x 100% = 𝟗𝟎, 𝟗 %

Uji Coba Akurasi dengan Nilai

Uji Coba Akurasi dengan Nilai

Dengan Logika Fuzzy : • Driving = 3 5 x 100% = 𝟔𝟎 % • Bumping = 0 9 x 100% = 𝟎 % • Drifting = 11 11 x 100% = 𝟏𝟎𝟎 % Dengan Naive-Bayesian : • Driving = 5₅ x 100% = 𝟏𝟎𝟎 % • Bumping = 2₉ x 100% = 𝟐𝟐, 𝟐 % • Drifting = 10₁₁ x 100% = 𝟗𝟎, 𝟗 %

Uji Coba Akurasi dengan Nilai

Uji Coba Performa Running Time

Rata-Rata Runtime Fuzzy :

2882

25 = 115,3 ms

Uji Coba Performa Running Time

Proses Utama

...

Rata-Rata Runtime Ekstraksi :

974

25 = 38,96 ms

Rata-Rata Runtime Send to Server :

2288

25 = 91,52 ms

Rata Runtime Naive Bayesian :

25624

1. Metode klasifikasi logika Fuzzy dan Naive-Bayesian

dapat digunakan untuk mendeteksi manuver pada

mobil radio control dengan sensor gyroscope dan accelerometer pada smartphone. Manuver yang

dapat terdeteksi yaitu manuver berjalan (driving),

tabrakan (bumping), dan drifting.

2. Perangkat lunak dapat melakukan perhitungan

melalui metode logika Fuzzy serta Naive-Bayesian

dengan input nilai sensor gyroscope dan

accelerometer yang telah diolah melalui proses

sampling, overlapping, pembatasan nilai threshold,

dan konversi yang menghasilkan output hasil

klasifikasi sekaligus level manuver kendaraan.

3. Nilai threshold 2 memiliki rata rata akurasi

keseluruhan yang lebih baik daripada nilai threshold

4. Rata rata akurasi keseluruhan nilai threshold 2 adalah 68,095%. Sedangkan untuk nilai threshold 4 adalah 62,165%.

4. Untuk nilai threshold 2, rata rata keseluruhan akurasi

dengan metode Naive-Bayesian adalah 76,96%,

lebih tinggi daripada metode Fuzzy dengan

rata-rata keseluruhan akurasi 59,23%. Pada nilai

threshold 4, rata-rata keseluruhan akurasi untuk metode Naive-Bayesian adalah 71,03 %, lebih tinggi 8,905 poin daripada metode Fuzzy yang hanya 62,125%.

5. Performa rata-rata running time untuk metode Naive

Bayesian yakni 1024,96 ms, lebih lama 909,66 ms

daripada metode Fuzzy yang hanya 115,3 ms. Untuk running time proses ekstraksi dengan threshold 2

dan panjang sampling 4 adalah 38,96 ms,

sedangkan running time proses pengiriman ke server bernilai 91,52 ms.

1. Menggunakan teknik data filtering yang lebih baik

sehingga dapat membantu mengurangi noise data dari sensor.

2. Menggunakan data training yang lebih efisien

sehingga hasil akhir klasifikasi Naive-Bayesian dapat lebih akurat dengan hasil yang optimal.

3. Baterai radio control yang digunakan selalu berada

dalam keadaan prima sehingga kinerja mobil,

terutama untuk manuver drifting, dapat lebih stabil.

Logika Fuzzy...

Rules Fuzzy Logic [14]

Tabular Matriks Fuzzy Rule [14]