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 objekJumlah objek RED
• 𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 X (RED) = Jumlah RED dalam hampiran XJumlah kasus RED
• Posterior probability X (RED) = 𝑃𝑟𝑖𝑜𝑟 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 RED𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 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 0Weighted 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 controlPerangkat 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]