PEMBACA AKTIFITAS MANUSIA DENGAN SENSOR GYRO

(1)

TUGAS AKHIR

PEMBACA AKTIFITAS MANUSIA DENGAN SENSOR GYRO

Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

disusun oleh :

GRASEO GRANTEO PUTRA NIM : 155114011

PROGRAM STUDI TEKNIK ELEKTRO JURUSAN TEKNIK ELEKTRO FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

2019

(2)

FINAL PROJECT

HUMAN ACTIVITY RECOGNITION USING GYRO SENSOR

In a partial fulfilment of the requirements for the degree of Sarjana Teknik Department of Electrical Engineering

Faculty of Science and Technology, Sanata Dharma University

GRASEO GRANTEO PUTRA NIM : 155114011

DEPARTMENT OF ELECTRICAL ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY YOGYAKARTA

2019

(3)

(4)

(5)

(6)

vi

HALAMAN PERSEMBAHAN

MOTTO :

“STEP BY STEP...

SELALU BERDOA, YAKIN DAN PERCAYA...”

Persembahan :

Tugas Akhir ini kupersembahkan untuk

 Tuhan Yesus Kristus yang selalu menyertai setiap langkahku.

 Papa dan Mama tercinta yang selalu memberi semangat dan mendoakan yang terbaik, hingga aku bisa sampai dititik ini.

 Kakak, Abang, Adik, dan keluarga besar yang selalu mendukung dan mendoakanku dalam proses pembelajaranku.

 Para Dosen serta teman-teman yang sudah berdinamika bersama selama masa perkuliahan.

 Perempuan yang selalu aku sebut dalam doa.

(7)

(8)

viii

INTISARI

Tujuan dari penelitian ini adalah menciptakan suatu alat monitoring aktivitas tubuh manusia dengan menggunakan sensor gyro. Salah satu metode yang dapat digunakan untuk pengenalan gerakan pada MATLAB adalah metode jarak Euclidean. Metode Jarak Euclidean adalah perhitungan jarak antara satu data terhadap sekelompok data (basis data). Pada jarak Euclidean metode yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Jarak Euclidean menghitung akar dari kuadrat perbedaan 2 vektor.

MPU-6050 prototipe untuk perekaman data gerakan dan RTC sebagai catatan waktu perekaman gerakan kemudian data dari MPU-6050 dan RTC akan disimpan di SD Card dan dengan GUI MATLAB sebagai interface untuk memudahkan user sebagai prototipe sistem peroses pengenalan gerakan menggunakan metode jarak Euclidean sebagai pusat proses dan menggunakan GUI. GUI digunakan sebagai interface untuk memfasilitasi user untuk mengatur dan melihat kondisi hasil perekaman gerakan secara offline dan perekaman data gerakan pada MATLAB akan ditampilkan dalam bentuk data mentah dan hasil perhitungan menggunakan metode jarak Euclidean serta grafik yang dapat dipilih oleh user.

Berdasarkan hasil penelitian, perubahan pengenalan gerakan variasi gerakan, variasi waktu, dan variasi subject pada data gerakan masukan sangat berpengaruh terhadap tingkat pengenalan nama gerakan dengan metode jarak Euclidean. Secara keseluruhan pengenalan nama gerakan, variasi gerakan, variasi waktu, dan variasi subject menurunkan unjuk kerja pengenalan. Pada pengujian pengenalan nama gerakan tunggal dan gerakan ganda terlihat bahwa variasi waktu dengan persentase rata-rata pengenalan paling rendah.

Kata kunci: MPU-6050, RTC, SD Card, jarak Euclidean, MATLAB

(9)

ix

ABSTRACT

The purpose of this study is to create a monitoring tool for human body activity using gyro sensors. One method that can be used for motion recognition in MATLAB is the Euclidean distance method. Euclidean Distance Method is a calculation of the distance between one data to a group of data (database). At Euclidean distance the method most often used to calculate the similarity of 2 vectors. The Euclidean distance calculates the root of the square of the difference of 2 vectors.

MPU-6050 prototype for recording movement data and RTC as a time record of motion recording then data from MPU-6050 and RTC will be stored on the SD Card and with MATLAB GUI as an interface to facilitate the user as a prototype of the movement recognition process system using the Euclidean distance method as the center of the process and using a GUI. The GUI is used as an interface to facilitate the user to manage and view the condition of the results of offline motion recording and the movement data recording in MATLAB will be displayed in the form of raw data and the calculation results using the Euclidean distance method and graphs that can be selected by the user.

Based on the results of the study, changes in movement recognition of movement variations, time variations, and subject variations in the input motion data greatly affect the level of movement recognition by the Euclidean distance method. Overall recognition of movement names, movement variations, time variations, and subject variations decrease the performance of the introduction. In testing the recognition of the name of a single motion and multiple movements seen that the time variation with the lowest average percentage recognition.

Keywords: MPU-6050, RTC, SD Card, Euclidean distance, MATLAB

(10)

x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat rahmat kasih-Nya yang telah dilimpahkan-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul Pembaca Aktifitas Manusia Dengan Sensor Gyro.

Tugas Akhir ini disusun sebagai salah satu syarat kelulusan untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta. Penulisan Tugas Akhir ini tidak lepas dari campur tangan dan bantuan dari banyaknya pihak, baik secara langsung maupun tidak langsung.

Penulis menyadari bahwa banyak pihak yang telah memberi dukungan, semangat, bimbingan dan arahan serta bantuan materil. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus yang selalu menyertai setiap langkahku

.

2. Bapak Sudi Mungkasi, S.Si., M.Math.Sc.,Ph.D., selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.

3. Bapak Petrus Setyo Prabowo, S.T., M.T., selaku Ketua Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma, serta selaku dosen penguji tugas akhir.

4. Bapak Djoko Untoro Suwarno, S.Si., M.T., selaku Dosen Pembimbing Tugas Akhir yang selalu memberikan masukan dan dorongan, kepada penulis untuk berkembang dan berproses, selalu sabar dan meluangkan waktunya untuk bimbingan sehingga tugas akhir dapat diselesaikan dengan hasil yang memuaskan.

5. Bapak Dr. Ir. Linggo Sumarno, M.T., selaku Dosen Pembimbing Akademik yang selalu memberikan masukan dan dorongan, kepada penulis untuk berkembang dan berproses selama berkuliah sehingga bisa sampai ditahap sekarang ini.

6. Ibu Ir. Theresia Prima Ari Setiyani, M.T., selaku dosen penguji tugas akhir yang telah memberi masukan, bimbingan serta saran untuk menyempurnakan penulisan tugas akhir ini.

7. Bapak dan Ibu dosen yang mengajarkan banyak hal dan memberikan pengalaman dalam proses pembelajaran selama penulis menempuh pendidikan di Program Studi Teknik Elektro, Fakultas Sains dan Teknologi, Universitas Sanata Dharma.

(11)

(12)

xii

DAFTAR ISI

TUGAS AKHIR ... i

FINAL PROJECT ... ii

LEMBAR PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

LEMBAR PERNYATAAN KEASLIAN KARYA ... v

HALAMAN PERSEMBAHAN ... vi

LEMBAR PERNYATAAN PERSETUJUAN ... vii

INTISARI ... viii

ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xvi

BAB I PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Tujuan dan Manfaat Penelitian ... 3

1.3. Batasan Masalah ... 3

1.4. Metodologi Penelitian ... 4

BAB II DASAR TEORI ... 5

Motion Capture ... 5

2.2. Arduino Nano Menggunakan ATMEGA 328 [8] ... 6

2.2.1.Pengertian ... 6

2.2.2.Sumber Tegangan ... 6

2.5.3. Spesifikasi ... 6

2.5.4. PIN...7

2.5.5. Memori ... 8

2.5.6. Komunikasi ... 8

2.3. Sensor MPU-6050 ... 9

2.4. DC-DC Step Down ... 12

2.5. Data Logger ... 14

2.5.1.Kartu Memori ... 14

(13)

xiii

2.5.2.Real Time Clock (RTC) ... 17

2.6. Template Matching ... 18

2.6.1. Basis Data ... 18

2.7. Metode Statistik ... 18

2.8. Jarak Euclidean ... 19

BAB III PERANCANGAN ... 21

3.1. Proses Perancangan Pengambilan Data Gerakan Manusia ... 21

Proses Pengambilan Data Gerak Manusia ... 24

3.2.1.Proses Fungsi Jarak ... 25

3.2.2. Penentuan Keluaran ... 25

Penentuan Data Ajuan ... 26

Rancangan Pengambilan Data ... 27

Perancangan Tampilan GUI Matlab ... 28

BAB IV HASIL DAN PEMBAHASAN ... 31

4.1. Implementasi Perangkat Lunak... 31

4.2. Implementasi Perangkat Keras ... 32

4.3. Hasil Pengujian dan Analisis Data ... 33

4.3.1.Pengujian Pengaruh Variasi Gerakan Terhadap Pengenalan Gerakan ... 33

4.3.2. Pengujian Pengaruh Variasi Subject Terhadap Pengenalan Gerakan ... 35

4.3.3. Pengujian Pengaruh Variasi Waktu Terhadap Pengenalan Gerakan... 36

4.3.4. Tingkat Pengenalan Terbaik dan Terburuk ... 39

4.3.5. Pengujian Tambahan Pengenalan Gerakan Diluar Basis Data ... 49

4.4. Beberapa Catatan ... 53

4.5. Hasil Perbandingan Penelitian ... 54

BAB V KESIMPULAN DAN SARAN ... 55

5.1. Kesimpulan ... 55

5.2. Saran ... 56

DAFTAR PUSTAKA ... 57

(14)

xiv

DAFTAR GAMBAR

Gambar 1.1. Diagram Blok Sistem Pengukuran Akifitas Menggunakan Sensor Gyro ... 4

Gambar 2.1. Gerakan Manusia (a) Berjalan (b) Berlari ... 5

Gambar 2.2. Board Arduino Nano Beserta PIN ... 6

Gambar 2.3. Tampilan Awal Program Arduino ... 9

Gambar 2.4. Sensor MPU-6050 ... 10

Gambar 2.5. DC-DC Step Down ... 12

Gambar 2.6. XL1509 ... 13

Gambar 2.7. Function Block Diagram of XL1509 ... 13

Gambar 2.8. XL1509 Typical Application Circuit 12V-5V/2A ... 14

Gambar 2.9. Keterangan Penomoran Terminal SD ... 15

Gambar 2.10. Modul SD Card ... 16

Gambar 2.11. Rangkaian SD Card ... 16

Gambar 2.12. Modul RTC DS3231 ... 17

Gambar 2.13. Rangkaian RTC DS3231 ... 17

Gambar 3.1. Blog Diagram Proses Pengambilan Data Gerak Manusia ... 21

Gambar 3.2. Sketsa Perancangan Alat... 22

Gambar 3.3. Wiring Perancangan Alat ... 22

Gambar 3.4. Diagram Alir Keseluruhan Sistem Pengambilan Data Gerak Manusia ... 23

Gambar 3.5. Diagram Alir Subrutin Pengambilan Data Gerak Manusia ... 24

Gambar 3.6. Diagram Alir Subrutin Fungsi Jarak Euclidean ... 25

Gambar 3.7. Diagram Alir Penentuan Keluaran... 26

Gambar 3.8. Diagram Alir Perancangan Basis Data ... 27

Gambar 3.9. Grafik Yang Dihasilkan Saat Aktivitas Lari ... 28

Gambar 3.10. Grafik Yang Dihasilkan Saat Aktivitas Jalan Santai ... 28

Gambar 3.11. Diagram Alir Sistem Pengenalan Tekstur GUI ... 29

Gambar 3.12. Sketsa Perancangan GUI Pengenalan Gerakan ... 30

Gambar 4.1. Tampilan GUI Pengenalan Gerakan...31

Gambar 4.2. Kondisi Pengambilan dan Pengenalan Data Gerakan ... 32

Gambar 4.3. Grafik Tingkat Pengenalan Gerakan Dengan Pengaruh Variasi Gerakan ... 34

Gambar 4.4. Grafik Pengaruh Variasi Subject Terhadap Pengenalan Gerakan Jalan ... 35

(15)

xv

Gambar 4.5. Grafik Pengaruh Variasi Subject Terhadap Pengenalan Gerakan Lari ... 36

Gambar 4.6. Pengaruh Variasi Waktu 10 Detik ... 37

Gambar 4.10. Grafik Tingkat Pengenalan Gerakan Jalan dan Gerakan Lari ... 40

Gambar 4.11. Grafik Tingkat Pengenalan Gerakan Ganda Per 10 Detik ... 41

Gambar 4.15. Data Gerak Ganda Keseluruhan ... 43

Gambar 4.16. Grafik Data Gerak Ganda Keseluruhan ... 44

Gambar 4.17. Pengujian I Data Gerak Ganda ... 44

Gambar 4.18. Perbandingan I Data Uji dan Basis Data ... 45

Gambar 4.19. Grafik Pengujian I Data Gerak Ganda ... 45

Gambar 4.20. Hasil I Data Uji Gerak Ganda ... 46

Gambar 4.21. Pengujian II Data Gerak Ganda ... 47

Gambar 4.22. Perbandingan II Data Uji dan Basis Data ... 47

Gambar 4.23. Grafik Pengujian II Data Gerak Ganda ... 47

Gambar 4.24. Hasil II Data Uji Gerak Ganda ... 48

Gambar 4.25. Jumlah Waktu Pengujian ... 49

Gambar 4.26. Pengaruh Pengenalan Gerakan Jalan Ditempat ... 50

Gambar 4.27. Pengaruh Pengenalan Gerakan Berdiri – Duduk ... 50

Gambar 4.28. Pengaruh Pengenalan Gerakan Squat Jump ... 51

Gambar 4.29. Pengaruh Pengenalan Gerakan Jumping Jack ... 51

Gambar 4.30. Grafik Pengaruh Pengenalan Gerakan Diluar Basis Data ... 52

(16)

xvi

DAFTAR TABEL

Tabel 2.1. Spesifikasi Arduino Nano... 7

Tabel 2.2. Konfigurasi PIN Pada Arduino Nano ... 7

Table 2.3. Spesifikasi Sensor MPU-6050 ... 10

Tabel 2.4. Data Mentah Dari MPU-6050 ... 11

Table 2.5. Hasil Persamaan Gyro dan Accel ... 12

Table 2.6. Spesifikasi DC-DC Step Down ... 13

Table 2.7. Keterangan Terminal Kartu SD ... 15

Tabel 3.1. Keterangan GUI Pengenalan Gerakan... 30

Tabel 4.1. Hasil Pengenalan Gerakan Diluar Basis Data...52

Table 4.2. Hasil Perbandingan Penelitian ... 54

(17)

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Perkembangan ilmu pengetahuan dan teknologi pada abad ke-21 ini semakin pesat setiap tahunnya. Perkembangan ilmu pengetahuan ini membawa manusia kepada tingkat yang lebih baru dan lebih canggih. Bermula dari penerapan rangkaian elektronika analog, digital dan kini hampir semua peralatan menggunakan sistem mikroprosesor. Sistem mikroprosesor banyak digunakan untuk kepentingan militer, bisnis, komunikasi, pendidikan, dan kesehatan. Mikroprosesor telah menempatkan dirinya sebagai salah satu teknologi yang dapat digunakan dari berbagai tempat tanpa dibatasi oleh ruang dan waktu. Mikroprosesor dapat digunakan untuk melakukan akuisisi data rotasi dengan memanfaatkan sensor gyroscope yang dijual bebas dipasaran sehingga memungkinkan teknologi canggih seperti komunikasi nirkabel dan teknik biomedis merekam sinyal fisiologis dan gerakan selama kegiatan sehari-hari[1].

Perkembangan mikroprosesor khususnya di bidang kesehatan dapat digunakan untuk sistem monitoring. Berdasarkan penelitian Kailas[2], teknologi ini dapat diterapkan untuk melacak dan memantau pergerakan orang tua ketika mereka bangun, mendeteksi jatuh, atau untuk memantau gerakan kursi roda listrik sehingga membantu orang tua menjadi lebih nyaman hidup mandiri di rumah mereka sendiri. Namun dalam penerapannya perkembangan teknologi ini masih belum banyak digunakan.

Berdasarkan permasalahan tersebut penyusun berupaya mengembangkan sebuah alat agar dapat diterapkan untuk melakukan monitoring pergerakan aktivitas manusia dengan sensor gyro. Perkembangan sensor gyro sejauh ini banyak diterapkan dalam teknologi animation, handphone, smartwatch dan remote control.

Menurut penelitian Shi et al.,[3] dalam produksi animasi tiga dimensi menggunakan sistem animasi penangkapan gerak melibatkan teknologi penginderaan inersia, bluetooth, jaringan sensor dan pengembangan perangkat lunak dari model penangkapan gerakan tubuh manusia. Jaringan sensor digunakan untuk mengumpulkan data gerak dari setiap sendi pada tubuh manusia, dan hasil data dikirim ke tempat penyimpanan melalui bluetooth, kemudian perangkat lunak pada tempat penyimpanan akan mengolah data menggunakan algoritma kinematik inversi analitis untuk menganalisis data gerak. Sistem untuk perekaman gerak

(18)

2

tubuh manusia melibatkan desain model tubuh manusia dan sensor inersia secara real-time.

Pengambilan data berfokus pada pergerakan tubuh manusia yang dipasang sensor inersia di 17 sendi kunci yang mempengaruhi pergerakan manusia, dan penempatan sensor inersia diletakkan pada setiap titik sendinya bertujuan untuk mengukur data gerakan.

Perkembangan teknologi sensor gyro di handphone yang diteliti oleh Incel[4], membandingkan efisiensi sensor accelerometer dan sensor gyro yang dieksplorasi melalui perubahan posisi telepon yang dapat dideteksi dengan akurasi tinggi dengan menganalisis perubahan gerakan, orientasi dan rotasi. Dampak dari perubahan ini pada kinerja dianalisis secara individual dan dalam kombinasi untuk mengeksplorasi fitur mana yang lebih efisien.

Penelitian ini menggunakan tiga dataset yang berbeda, dikumpulkan dari 35 orang dari delapan posisi yang berbeda dan dieksplorasi kinerja algoritmanya dengan klasifikasi yang berbeda.

Penelitian Siradj[5] yang meneliti teknologi sensor berukuran kecil berpeluang besar menambah jajaran produk wearles inovatif yang bisa menyokong kesehatan manusia. Dalam penelitiannya Smartwatch Group membagi 4 kategori dari peluang penerapan smartwatch untuk kesehatan manusia yaitu monitoring berkelanjutan untuk mencegah suatu gangguang kesehatan, terapi, alat untuk digunakan pasien dengan penyakit tertentu dan rekam medik pasien. Beberapa perusahaan teknologi kesehatan sudah mendesain dan membuat prototype smartwatch yang diperuntukkan khusus untuk pasien dengan penyakit tertentu. Healthcare Originals sedang mendesain dan memproduksi Intelligent Asthma Management untuk mentransfer data real time mengenai waktu untuk memonitoring asma. Alat dan aplikasi yang dibangun akan memberi peringatan ketika pengguna mengalami asma, langkah – langkah pengobatan, tracking dan informasi mengenai penanganan gejala asma. Sebuah smartwatch yang inovatif bernama Smart Stop dikeluarkan oleh Chrono theurapeutics yang bisa membantu perokok aktif untuk berhenti merokok. Aplikasi pendamping Smart Stop akan memberi penggunanya informasi tentang cara berhenti merokok dan memberikan tuntunan cara melakukannya. Sensor pada Smart Stop akan mengindra perubahan di tubuh dan pergerakan pengguna saat ingin mengonsumsi rokok. Smart Stop kemudian akan menginjeksi obat sehingga keinginannya merokok dapat ditahan. Produk lainnya yang juga sudah sedang dikembangkan antara lain Smart Monitor Epilepsi Watch untuk mendampingi pengidap epilepsi dan Smartwatch untuk penderita penyakit demensia.

Pada penelitian ini penulis akan mengembangkan sebuah alat monitoring pergerakan manusia yang dipasang pada 1 titik bagian tubuh. Perekaman pergerakan aktivitas manusia

(19)

3

dilakukan menggunakan sensor gyro secara tidak real time namun hasil data perekaman akan disimpan di media penyimpanan kemudian selanjutnya akan dikelola dalam bentuk grafik dan dimonitoring dalam GUI secara keseluruhan pada waktu tertentu. Peneltian ini menggunakan sensor gyro karena sensor gyroscope memiliki kelebihan dibandingkan dengan sensor yang lainnya yaitu sensor ini tidak bersentuhan langsung secara fisik dengan lingkungan sekitar sehingga sangat cocok digunakan pada benda atau objek yang bergerak[6].

1.2.

Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah menciptakan suatu alat monitoring aktivitas tubuh manusia dengan menggunakan sensor gyro.

Manfaat penelitian ini bagi dunia kesehatan adalah menyediakan suatu instrumen yang dapat dipergunakan untuk memonitoring aktivitas pergerakan manusia dengan sensor gyro.

1.3. Batasan Masalah

Agar Tugas Akhir ini bisa mengarah pada tujuan dan untuk menghindari terlalu kompleksnya permasalahan yang muncul, maka perlu adanya batasan-batasan masalah yang sesuai dengan judul dari tugas akhir ini. Adapun batasan masalah adalah :

1. Menggunakan mikrokontroler Arduino nano sebagai pengolah data dari sensor gyro, modul rtc dan modul sd card.

2. Sensor yang digunakan adalah sensor gyro MPU-6050 sebagai pembaca aktifitas gerak manusia.

3. Modul yang digunakan adalah modul rtc DS3231 sebagai pencatatan waktu dan modul sd card sebagai media penyimpanan data.

4. Pengambilan data aktifitas gerak manusia 2 aktifitas pergerakan yaitu jalan normal dan berlari dengan 4 objek yang berbeda.

5. Pengenaan alat pada manusia pada diselempangkan.

6. Menggunakan metode Template Matching dan fungsi jarak Euclidean.

7. Menggunakan penampil GUI pada Matlab sebagai penampil dan pengolahan data.

8. Keluaran berupa teks dan grafik pada layar monitor.

(20)

4

1.4. Metodologi Penelitian

Berdasarkan pada tujuan yang ingin dicapai metode-metode yang digunakan dalam penyusunan tugas akhir ini adalah:

1. Studi literatur, yaitu dengan cara mendapatkan data dengan membaca buku-buku dan jurnal-jurnal, sumber internet, program Matlab, dan Euclidean yang terpercaya dan berkaitan dengan permasalahan yang dibahas dalam tugas akhir ini.

2. Eksperimen, yaitu dengan langsung melakukan praktek maupun pengujian terhadap hasil pembuatan alat dalam pembuatan tugas akhir ini.

3. Perancangan sistem hardwere, tahap ini bertujuan untuk mencari bentuk model yang optional dari sistem yang akan dibuat dengan mempertimbangkan dari berbagai faktor-faktor permasalahn dan kebutuhan yang telah ditentukan. Pada gambar 1.1 memperlihatkan blok model yang akan dirancang.

Gambar 1.1. Diagram Blok Sistem Pengukuran Akifitas Menggunakan Sensor Gyro

4. Pembuatan sistem hardwere berdasarkan gambar 1.1, rangkaian akan bekerja saat sensor gyro dan modul rtc mendapat kan sumber. Gerakan tubuh manusia sebagai input sensor gyro dan modul rtc.

5. Proses pengambilan data. Pengambilan data dilakukan dengan cara masukan data dari hasil gerakan lalu akan disimpan di modul sd card. Data yang diambil adalah gyro, accelometer dan waktu.

6. Analisis dan penyimpulan percobaan. Analisis dan penyimpulan dilakukan dengan mendeteksi setiap gerakan manusia dengan melihat durasi waktu, menganalisa performance alat. Penyimpulan hasil dilakukan untuk mengetahui pengaruh inovasi gerakan, skala(jarak) dan translasi terhadap gerakan.

Arduino nano Supply

Modul RTC Sensor Gyro

Modul sd card

Laptop Matlab

(21)

5

BAB II

DASAR TEORI

Motion Capture

Motion capture adalah proses perekaman gerakan secara langsung dan menerjemahkannya ke dalam istilah matematika yang dapat digunakan dengan melacak sejumlah titik kunci dalam ruang dari waktu ke waktu dan menggabungkannya untuk mendapatkan representasi tiga dimensi (3D). Singkatnya, motion capture adalah teknologi yang memungkinkan proses interpretasi gerakan langsung ke dalam digital. Subjek yang ditangkap dapat berupa semua benda yang digerakan dan makhluk hidup, titik kuncinya adalah area-area yang paling mewakili gerakan subjek. Untuk manusia, misalnya beberapa titik kunci adalah sendi yang bertindak sebagai titik pivot dan koneksi untuk tulang. Lokasi masing-masing titik ini diidentifikasi oleh satu atau lebih sensor, penanda, atau potensiometer yang ditempatkan pada subjek dan memiliki fungsi yang berbeda satu dengan lain[7]. Adapun gerakan yang digunakan pada penelitian dapat dilihat pada Gambar 2.1.

(a)

(b)

Gambar 2.1. Gerakan Manusia (a) Berjalan (b) Berlari

(22)

6

2.2. Arduino Nano Menggunakan ATMEGA 328 [8]

2.2.1. Pengertian

Arduino Nano adalah salah satu papan pengembangan mikrokontroler yang berukuran kecil, lengkap dan mendukung penggunaan breadboard. Arduino Nano diciptakan dengan basis mikrokontroler ATmega328 (untuk Arduino Nano versi 3.x) atau ATmega 168 (untuk Arduino versi 2.x). Arduino Nano kurang lebih memiliki fungsi yang sama dengan Arduino Duemilanove, tetapi dalam paket yang berbeda. Arduino Nano tidak menyertakan colokan DC berjenis Barrel Jack, dan dihubungkan ke komputer menggunakan port USB Mini-B.

2.2.2. Sumber Tegangan

Arduino Nano dapat diaktifkan melalui koneksi USB Mini-B, atau melalui catu daya eksternal dengan tegangan belum teregulasi antara 6-20 Volt yang dihubungkan melalui pin 30 atau pin VIN, atau melalui catu daya eksternal dengan tegangan teregulasi 5 volt melalui pin 27 atau pin 5V. Sumber daya akan secara otomatis dipilih dari sumber tegangan yang lebih tinggi. Chip FTDI FT232L pada Arduino Nano akan aktif apabila memperoleh daya melalui USB, ketika Arduino Nano diberikan daya dari luar (Non-USB) maka Chip FTDI tidak aktif dan pin 3.3V pun tidak tersedia (tidak mengeluarkan tegangan), sedangkan LED TX dan RX pun berkedip apabila pin digital 0 dan 1 berada pada posisi HIGH.

2.5.3. Spesifikasi

Board Arduino Nano dapat dilihat pada Gambar 2.2.

Gambar 2.2. Board Arduino Nano Beserta PIN

(23)

7

Spesifikasi dari Arduino Nano dapat dilihat pada Tabel 2.1.

Tabel 2.1. Spesifikasi Arduino Nano

No. Spesifikasi

1. Mikrokontroler Atmel ATmega168 atau ATmega328 2. Tegangan Operasi 5V

3. Input Voltage (disarankan) 7-12V 4. Input Voltage (limit) 6-20V

5. Pin Digital I/O 14 (6 pin digunakan sebagai output PWM) 6. Pins Input Analog 8

7. Arus DC per pin I/O 40 mA

8. Flash Memory 16KB (ATmega168) atau 32KB (ATmega328) 2KB digunakan oleh Bootloader

9. SRAM 1 KB (ATmega168) atau 2 KB (ATmega328)

10. EEPROM 512 byte (ATmega168) atau 1KB (ATmega328)

11. Clock Speed 16 MHz

12. Ukuran 1.85cm x 4.3cm

2.5.4. PIN

Pada Tabel 2.2. dibawah ini merupakan konfigurasi PIN pada Arduino nano.

Tabel 2.2. Konfigurasi PIN Pada Arduino Nano Arduino Nano

Pin Keterangan Pin Pin Keterangan Pin

1 Digital Pin 1 (TX) 15 Digital Pin 12 (MISO) 2 Digital Pin 0 (RX) 16 Digital Pin 13 (SCK)

3 & 28 RESET 17 3,3Volt Output

4 & 29 GND 18 Analog Reference

5 Digital Pin 2 19 Analog Input 0

6 Digital Pin 3 (PWM) 20 Analog Input 1

8 Digital Pin 5 (PWM) 22 Analog Input 3 9 Digital Pin 6 (PWM) 23 Analog Input 4

(24)

8

Lanjutan Tabel 2.2. Konfigurasi PIN Pada Arduino Nano Arduino Nano

Pin Keterangan Pin Pin Keterangan Pin

12 Digital Pin 9 (PWM) 26 Analog Input 7 13 Digital Pin 10 (PWM – SS) 27 VCC 5Volt 14 Digital Pin 11 (PWM – MOSI) 30 VIN

2.5.5. Memori

Atmega328 memiliki flash memori sebesar 32 KB, (dengan 2 KB digunakan untuk bootloader). Juga ATmega328 memiliki 2 KB memory pada SRAM dan 1 KB pada EEPROM.

2.5.6. Komunikasi

Arduino Nano memiliki sejumlah fasilitas untuk berkomunikasi dengan komputer, dengan Arduino lain, atau dengan mikrokontroler lainnya. ATmega168 dan ATmega328 menyediakan komunikasi serial UART TTL (5 Volt), yang tersedia pada pin digital 0 (RX) dan pin 1 (TX). Sebuah chip FTDI FT232RL yang terdapat pada papan Arduino Nano digunakan sebagai media komunikasi serial melalui USB dan driver FTDI (tersedia pada software Arduino IDE) yang akan menyediakan COM Port Virtual (pada Device komputer) untuk berkomunikasi dengan perangkat lunak pada komputer. Perangkat lunak Arduino termasuk didalamnya serial monitor memungkinkan data tekstual sederhana dikirim ke dan dari papan Arduino. LED RX dan TX yang tersedia pada papan akan berkedip ketika data sedang dikirim atau diterima melalui chip FTDI dan koneksi USB yang terhubung melalui USB komputer (tetapi tidak untuk komunikasi serial pada pin 0 dan 1).

Sebuah perpustakaan SoftwareSerial memungkinkan komunikasi serial pada beberapa pin digital Nano. ATmega168 dan ATmega328 juga mendukung komunikasi I2C (TWI) dan SPI. Perangkat lunak Arduino termasuk perpustakaan Wire digunakan untuk menyederhanakan penggunaan bus I2C. Tampilan dari program arduino dapat dilihat pada Gambar 2.3.

(25)

9

Gambar 2.3. Tampilan Awal Program Arduino

2.3. Sensor MPU-6050

Sensor MPU-6050 sendiri adalah chip dengan 3-axis Accelerometer (sensor percepatan) dan 3-axis Gyroscope (pengatur keseimbangan), atau dengan kata lain 6 degrees of freedom (DOF) IMU. Inertial Measurement Unit (IMU) merupakan alat yang memanfaatkan sistem pengukuran seperti gyroskop dan akselerometer untuk memperkirakan posisi relatif, kecepatan, dan akselerasi dari gerakan motor. Ada beberapa macam IMU yang biasa digunakan yaitu IMU gimbaled dan IMU strap down IMU strap down lebih umum dipakai saat ini. IMU mempertahankan 6 degree of freedom (DOF) yang memperkirakan gerakan yaitu posisi (X Y Z) dan orientasi (roll, pitch, yaw). Selain itu, MPU-6050 sendiri sudah memiliki Digital Motion Processors (DMP), yang akan mengolah data mentah dari masing-masing sensor. DMP pada MPU6050 juga berfungsi meminimalisasi error yang dihasilkan. chip IC inverse yang didalamnya terdapat sensor Accelerometer dan Gyroscope yang sudah terintergrasi. Accelerometer digunakan untuk mengukur percepatan, percepatan gerakan dan juga percepatan gravitasi. Accelerometer sering digunakan untuk menghitung sudut kemiringan, dan hanya dapat melakukan dengan nyata ketika statis dan tidak bergerak. Untuk mendapatkan sudut akurat kemiringan, sering dikombinasikan dengan satu atau lebih gyro dan kombinasi data yang digunakan untuk

(26)

10

menghitung sudut. Gyroscope adalah perangkat untuk mengukur atau mempertahankan orientasi, yang berlandaskan pada prinsip-prinsip momentum sudut[9]. Spesifikasi dari Sensor MPU-6050 dapat dilihat pada Gambar 2.4 dan Tabel 2.3.

Gambar 2.4. Sensor MPU-6050

Table 2.3. Spesifikasi Sensor MPU-6050 [10]

1 Mikroprosesor Berbasis Chip MPU-6050 2 Power Supply Supply tegangan berkisar 3-5V 3 Gyroscope range + 250 500 1000 2000 ° / s 4 Acceleration range ± 2 ± 4 ± 8 ± 16 g

5 Tipe Communication Communication standard I2C

6 Tipe Chip Chip built-in 16 bit AD converter, 16 bits data output

8 Size Dimensi modul 20.3mm x 15.6mm

Data yang berasal dari sensor gyro berupa data AccX, AccY, AccZ dan gyroX, gyroY, gyroZ. Nilai percepatan dan gyro total diperoleh dari persamaan (2.1) dan (2.2)

𝐴𝑐𝑐𝑒𝑙 = √𝐴𝑐𝑐𝑋²+ 𝐴𝑐𝑐𝑌²+ 𝐴𝑐𝑐𝑍² (2.1)

𝐺𝑦𝑟𝑜 = √𝐺𝑦𝑟𝑜𝑋²+ 𝐺𝑦𝑟𝑜𝑌²+ 𝐺𝑦𝑟𝑜𝑍² (2.2)

(27)

11

Tabel 2.4 dan Tabel 2.5. dibawah ini merupakan contoh ilustrasi hasil operasi nilai percepatan dan gyro menggunakan persamaan (2.1) dan (2.2).

Tabel 2.4. Data Mentah Dari MPU-6050

GyroX GyroY GyroZ AccX AccY AccZ 1 16576 1020 2296 -784 -648 -943 2 16024 -352 2004 -400 83 -2013 3 15080 4684 2384 -240 -1527 -317 4 18060 320 2360 -80 -495 -1442 5 15540 2452 3232 -32 -2029 622 6 15440 -968 2912 64 -720 -1678

7 16840 1112 1556 80 -629 -756

8 15840 -720 1916 144 -109 -1248 9 15652 1152 1480 192 -817 -374 10 18084 -244 1988 240 496 -347

1. 𝐺𝑦𝑟𝑜 = √16576²+ 1020²+ 2296² 𝐴𝑐𝑐𝑒𝑙 = √784²+ 648² + 943²

= 1.6765 = 1.3870

2. 𝐺𝑦𝑟𝑜 = √16024²+ 352² + 2004² 𝐴𝑐𝑐𝑒𝑙 = √400²+ 83² + 2013²

= 1.6153 = 2.0540

3. 𝐺𝑦𝑟𝑜 = √15080²+ 4684²+ 2384² 𝐴𝑐𝑐𝑒𝑙 = √240²+ 1527² + 317²

= 1.5970 = 1.5779

4. 𝐺𝑦𝑟𝑜 = √18060²+ 320² + 2360² 𝐴𝑐𝑐𝑒𝑙 = √80²+ 495² + 1442²

= 1.8216 = 1.5267

5. 𝐺𝑦𝑟𝑜 = √15540²+ 2452²+ 3232² 𝐴𝑐𝑐𝑒𝑙 = √32²+ 2029² + 622²

= 1.6061 = 2.1224

(28)

12

Table 2.5. Hasil Persamaan Gyro dan Accel Gyro Accel

1 1.6765 1.3870 2 1.6153 2.0540 3 1.5970 1.5779 4 1.8216 1.5267 5 1.6061 2.1224 6 1.5742 1.8271 7 1.6948 0.9867 8 1.5972 1.2610 9 1.5764 0.9188 10 1.8195 0.6512

2.4. DC-DC Step Down

DC-DC Step Down sendiri merupakan module IC yang berfungsi menurunkan power DC sehingga dapat sesuai dengan perangkat penerimanya, modul ini memiliki soket USB.

Pada DC-DC Step Down ini terdapat XL1509, XL1509 adalah regulator tegangan dropout rendah efisiensi tinggi. Module ini beroperasi hingga 2V menjadikannya komponen yang ideal untuk digunakan dengan aplikasi baterai portabel. Memiliki kemampuan penanganan arus maksimum 2A dan dapat beroperasi pada tegangan input maksimum 40V. Spesifikasi dari DC-DC Step Down dapat dilihat pada Gambar 2.5. dan Tabel 2.6.

Gambar 2.5. DC-DC Step Down [16]

(29)

13

Table 2.6. Spesifikasi DC-DC Step Down [16]

1. Push Button 1 ON / OFF Switch 2. Push Button 2 USB output enable

3. Indicator LED Power Indicator

4. Input Voltage 4.5 V - 40 V (DC)

5. Output Voltage 5 V USB (if input 6.5V – 40V) 6. Maximum Output Current 2A (if input 6.5V – 40V)

7. Size 58 × 21 x 10mm

Gambar 2.6. XL1509

Berikut Function Block Diagram XL1509 dan Typical Application Circuit yang digunakan dapat dilihat dilihat pada Gambar 2.7 dan Gambar 2.8.

Gambar 2.7. Function Block Diagram of XL1509

(30)

14

Gambar 2.8. XL1509 Typical Application Circuit 12V-5V/2A

2.5. Data Logger

Data Logger adalah suatu perangkat khusus yang mampu menyimpan data dalam jangka waktu tertentu. Data yang disimpan memiliki jumlah karakter tertentu untuk disimpan dalam media penyimpanan seperti pada kartu memori. Proses penyimpanan data ini biasa disebut data logging. Data yang disimpan dapat dari berbagai masukan, yang kemudian data masukan tersebut diperlukan dalam sebuah penelitian. Dalam merekam data ini, data logger memerlukan waktu yang akurat, maka dari itu diperlukan suatu Real Time Clock (RTC), dan format data yang akan disimpan dalam memori, diperlukan sebuah memori untuk menyimpan data.

2.5.1. Kartu Memori

Kartu SD adalah kartu memori yang dirancang khusus untuk membantu keamanan, kapasitas, kinerja, dan kebutuhan yang erat kaitannya pada peralatan elektronik audio dan video. Kartu SD harus meliputi mekanisme perlindungan konten yang sesuai dengan standar keamanan SDMI dan lebih cepat serta memiliki kapasitas penyimpanan lebih besar. Kartu SD memiliki kecepatan trasfer data yang tinggi, dan memerlukan konsumsi daya yang rendah. Kartu SD menyediakan enkripsi konten-konten yang dilindungi untuk memastikan distribusi yang aman. Dalam perkembngannya, kartu SD diproduksi juga dalam ukuran yang lebih kecil seperti Mini SD dan Micro SD[11].

(31)

15

Gambar 2.9. Keterangan Penomoran Terminal SD [12]

Table 2.7. Keterangan Terminal Kartu SD [12]

Pin Nama Tipe Keterangan

1 CD/DAT3 I/O/PP Card Detect/Data Line [Bit 3]

2 CMD I/O/PP Command/Response

3 VSS1 S Supply Voltage Ground

4 VDD S Supply Voltage; Typical 3,3 Volt

5 CLK I Clock

6 VSS2 S Supply Voltage Ground

7 DAT0 I/O/PP Data Line [Bit 0]

Kartu SD dapat bekerja dengan menggunakan catu daya tegangan sebesar 2,7 Volt hingga 3,6 Volt. Pada Gambar 2.9 menunjukan standar penomoran terminal dan bentuk kartu SD keterangan terminal kartu SD dapat dilihat pada Tabel 2.7. Pada Gambar 2.10 dan Gambar 2.11 ditunjukan gambar modul micro SD Card serta rangkaian modul micro SD Card yang digunakan untuk penyimpanan data pada penelitian ini.

(32)

16

Gambar 2.10. Modul SD Card

Gambar 2.11. Rangkaian SD Card [12]

(33)

17

2.5.2. Real Time Clock (RTC)

IC DS3231 adalah IC Real Time Clock (RTC) yang digunakan untuk menyimpan waktu, khususnya digunakan dalam sistem pwncatat data yang memerlukan data wajtu yang cukup akurat. IC ini dapat menyimpan data waktu, mulai dari detik, menit, jam, maupun tangga, bulan, tahun. IC DS3231 bekerja dengan menggunakan komunikasi serial I2C.

Semua data yang diterima dari IC DS3231 sudah berupa data Binary Coded Decimal (BCD).

Pertukaran data menggunakan antarmuka I2C, untuk memulai pertukaran data, master device harus menginisialisasi keadan START dan diakhiri dengan keadaan STOP.

Rangkaian RTC DS3231 dilengkapi dengan catuan dari Lithium Cell CR 2032 3Volt.

Ketika catu daya utama aktif maka RTC DS3231 ini akan secara otomatis akan berpindah ke catu Lithium Cell CR 2032 3Volt [13]. RTC DS3231 dapat dilihat pada Gambar 2.12 dan Gambar 2.13.

Gambar 2.12. Modul RTC DS3231

Gambar 2.13. Rangkaian RTC DS3231 [13]

(34)

18

2.6. Template Matching

Template Matching merupakan metode pengolahan citra digital yang berfungsi untuk menemukan tiap-tiap bagian dari citra yang cocok dengan citra yang menjadi acuan.

Sehingga pada teknik ini ukuran citra input harus disesuikan dengan ukuran citra yang ada pada basis data. Metode ini sering digunakan untuk mengidentifikasi citra angka, huruf, benda, sidik jari (fingetprint), dan aplikasi pengenalan citra lainnya.

Prinsip metode ini adalah membandingkan antara citra objek yang akan dikenali dengan citra yang menjadi acuan (basis data). Citra yang akan dikenali, diukur tingkat kemiripannya dengan masing-masing citra yang terdapat pada basis data. Adapun kelebihan dan kekurangan. Kelebihan template matching algoritmanya mudah direpresentasikan ke dalam bahasa program dan mudah untuk mempersiapkan data basis datanya. Kekurangannya metode ini membutuhkan basis data yang banyak untuk mendapatkan hasil yang optimal.

2.6.1. Basis Data

Basis data adalah kumpulan informasi yang akan menjadi acuan dan disimpan dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dan basis data objek referensi yangan akan disimpan. Dalam penelitian ini basis data objek referensi diperlukan pada proses perhitungan jarak.

Pembuatan basis data objek referensi ini menggunakan 35 data dari masing-masing gerakan manusia, penulis mengambil 35 data ada 6 data dari sensor gyro masing-masing gerakan tubuh manusia dan 1 data dari rtc.

2.7. Metode Statistik

Metode statistik ada dua, yaitu statistik deskriptif dan statistik induktif. Pada penelitian ini metode yang digunakan ialah statistik deskriptif menjelaskan karakteristik dari data, seperti rata-rata, median, modus, simpangan baku, dan berbagai karakteristik data lainnya.

Statistik deskriptif juga menjelaskan data dalam bentuk grafik agar data lebih mudah dipahami oleh pengguna data. Berikut metode-metode yang sering digunakan yaitu mean, standar deviasi, varian [17].

(35)

19

Rumus dari Mean :

Mean(𝑋̅) =1 𝑛∑ 𝑋_𝑖

𝑛

𝑖 = 1

Keterangan : n = banyaknya data.

𝑋_𝑖 = nilai X ke-i

Rumus dari Standar Deviasi :

𝑆𝐷 = √1

𝑛∑(𝑋_𝑖 − 𝑋̅)²

𝑛

𝑖 = 1

𝑋_𝑖 = nilai X ke-i X̅ = rata-rata

Rumus dari Varian :

𝑆𝐷² = 1

𝑛 ∑(𝑋_𝑖− 𝑋̅)²

𝑛

𝑖 = 1

𝑋_𝑖 = nilai X ke-i X̅ = rata-rata

2.8. Jarak Euclidean

Jarak digunakan untuk membandingkan dua buah vektor. Perbandingan suatu nilai dikatakan sama atau tidak berdasarkan dari tingkat kemiripan yang tinggi dan nilai dua vektornya. Dengan menggunakan metode jarak Euclidean dapat digunakan untuk mengukur tingkat kemiripan dua buah vektor tersebut. Jarak Euclidean adalah perhitungan jarak antara satu data terhadap sekelompok data (basis data). Pada jarak Euclidean metode yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Jarak Euclidean menghitung akar dari kuadrat perbedaan 2 vektor [14].

(2.5)

(2.6)

(2.7)

(36)

20

Rumus dari Euclidean distance :

𝑗(𝑉₁ , 𝑉₂) = √∑(𝑉₁(𝑘) − 𝑉₂(𝑘))²

𝑛

𝑘=1

Keterangan : 𝑉₁(𝑘) = citra basis data.

𝑉₂(𝑘) = citra masukan.

Contoh terdapat 2 vektor ciri berikut : V1 = [ 1 6 7 6 5]

V2 = [ 1 6 1 5 3]

Jarak Euclidean dari vektor A dan B adalah:

j(𝑉₁, 𝑉₂) = √(1 − 1)²+ (6 − 6)²+ (7 − 1)²+ (6 − 5)² + (5 − 3)²

= √0 + 0 + 36 + 1 + 4 = 6.4031

(2.10)

(37)

21

BAB III

PERANCANGAN

3.1. Proses Perancangan Pengambilan Data Gerakan Manusia

Proses perancangan software pengambilan data gerakan manusia terdiri dari beberapa proses, yaitu pengambilan data gerak, fungsi jarak, dan penentuan keluaran. Proses perancangan sistem perangkat elektronika dapat dilihat pada Gambar 3.1.

Gambar 3.1. Diagram Proses Pengambilan Data Gerak Manusia Pengambilan data

gerakan manusia

Proses pada Matlab

Keluaran berupa teks dan grafik pada monitor

Kontroler Sensor Gyro

SD Card RTC Step Down

(38)

22

Sketsa perancangan alat dan wiring perancangan alat dapat dilihat pada Gambar 3.2 dan Gambar 3.3.

Gambar 3.2. Sketsa Perancangan Alat

Gambar 3.3. Wiring Perancangan Alat

(39)

23

Proses pengambilan data menggunakan rangkaian arduino. Dalam tahap ini alat akan dikenakan pada manusia untuk melakukan pengambilan data gerakan. Selanjutnya, hasil data gerak berupa data angka nantinya akan disimpan pada SD Card. Kemudian menjadi masukan untuk tahap selanjutnya yaitu tahap pengenalan.

Pada tahap pengenalan terdiri dari 3 tahap yaitu akses data pada SD Card, perhitungan fungsi jarak, dan data acuan gerak. Terakhir dari proses sistem ini yaitu tahap penentuan keluaran. Hasil penentuan keluaran sistem ini berdasarkan jarak minimum yang diperoleh dari hasil perbandingan antara data referensi dengan hasil uji. Untuk diagram alir keseluruhan sistem dapat digambarkan pada Gambar 3.4.

Gambar 3.4. Diagram Alir Keseluruhan Sistem Pengambilan Data Gerak Manusia

(40)

24

Proses Pengambilan Data Gerak Manusia

Proses pengambilan data gerak manusia adalah proses pengambilan data gerak dengan menggunakan arduino, sensor gyro, dan rtc yang nanti akan disimpan di SD Card. Sensor gyro dan rtc akan dihubungkan ke arduino nano beserta modul SD Card. Data gerak yang telah diambil dan yang sudah disimpan di SD Card akan diolah kembali ke laptop. Sehingga data hasil gerak selanjutnya akan diproses di Matlab. Berdasarkan Gambar 3.4 dapat dilihat diagram alir subrutin pengambilan data gerak manusia pada Gambar 3.5.

Gambar 3.5. Diagram Alir Subrutin Pengambilan Data Gerak Manusia

(41)

25

3.2.1. Proses Fungsi Jarak

Proses fungsi jarak merupakan proses selanjutnya setelah pengambilan data gerak.

Fungsi jarak yang digunakan yaitu jarak Euclidean. Jarak Euclidean berfungsi sebagai pembanding antara hasil data gerak uji dengan data gerak pada basis data. Hasil proses fungsi jarak ini mencari nilai selisih minimum antara hasil data gerak uji dengan data gerak pada basis data. Proses fungsi jarak dapat dilihat pada diagram alir Gambar 3.6.

Gambar 3.6. Diagram Alir Subrutin Fungsi Jarak Euclidean

3.2.2. Penentuan Keluaran

Hasil pengenalan perangkat elektronika ini ditentukan berdasarkan jarak minimal dari hasil perbandingan antara keluaran dari data ujingerakan dengan data acuan, dengan menggunakan fungsi jarak Euclidean. Hasil dari proses ini yaitu berupa teks dan grafik yang akan ditampilkan pada layar monitor. Proses penentuan keluaran digambarkan pada diagram alir Gambar 3.7.

(42)

26

Gambar 3.7. Diagram Alir Penentuan Keluaran

Penentuan Data Ajuan

Sistem perancangan data gerak manusia ini memerlukan data ajuan untuk digunakan sebagai referensi atau acuan. Penentuan data ajuan bertujuan untuk mendapatkan data ekstraksi ciri tekstur yang akan dikenali. Hasil ekstraksi ciri pada data acuan akan menjadi referensi bagi hasil ekstraksi ciri citra masukan yang diambil data geraknya saat pengujian.

Hasil ekstraksi ciri tersebut akan disimpan dalam bentuk matriks. Data ajuan ini berisi hasil ekstraksi ciri 2 gerakan manusia. Diagram alir penentuan data ajuan dapat dilihat pada Gambar 3.8.

(43)

27

Gambar 3.8. Diagram Alir Penentuan Data Acuan

Rancangan Pengambilan Data

Perancangan metode pengambilan data untuk sistem pembacaan aktivitas manusia dengan sensor gyro adalah alat ini nantinya akan dipasang pada bagian tubuh manusia dan objek manusia akan melalukan gerakan yang akan direkam oleh sensor gyro. Data hasil rekaman akan disimpan di SD Card dalam bentuk numerik. Langkah selanjutnya SD Card akan dipasang ke PC untuk melakukan pengolahan data menggunakan Matlab. Berikut contoh grafik gerakan dari pemasangan sensor gyro pada bagian pergelangan kaki berdasarkan penelitian Kusuma et al.,[15] dapat dilihat pada Gambar 3.9 dan Gambar 3.10.

(44)

28

Gambar 3.9. Grafik Yang Dihasilkan Saat Aktivitas Lari

Gambar 3.10. Grafik Yang Dihasilkan Saat Aktivitas Jalan Santai

Perancangan Tampilan GUI Matlab

Perancangan tampilan sistem pengenalan tekstur menggunakan Graphical User Interface (GUI) pada Matlab untuk membantu pengguna dalam proses pengenalan gerakan.

Sistem pengenalan tekstur pada GUI mengacu pada diagram alir sistem pengenalan tekstur GUI seperti pada Gambar 3.11. Sketsa perancangan GUI dapat dilihat pada Gambar 3.12.

(45)

29

Gambar 3.11. Diagram Alir GUI Sistem Pengenalan Geakan Mulai

Keluaran:

File data gerakan diterima dan ditampilkan

Preprocessing Tombol “PROSES”

memberi perintah untuk mengolah file

data gerakan uji Pengiriman File Gerakan Tombol “SELECT FILE” memberi perintah untuk mengambil file data gerakan

uji

Keluaran:

Ciri data gerakan uji

Keluaran:

Ciri data gerakan data acuan

Ekstraksi Ciri

Menghitung hasil ekstraksi ciri dengan metode euclidian Keluaran:

Hasil Perhitungan dan teks nama

gerakan

Keluaran:

Tombol “CHECK BOX”memberi perintah memilih keluaran hasil grafik

Selesai Reset:

Tombol “CLEAR ALL” berfungsi mengulang proses pengenalan gerakan

dengan menghapus data masukan

(46)

30

Gambar 3.12. Sketsa Perancangan GUI Pengenalan Gerakan

Mengacu pada Gambar 3.5 proses menjalankan sistem pada Gambar 3.12 dimulai dengan menekan tombol “Select File” file yang dipilih akan ditampilkan pada Text 1 untuk menjadi file yang akan diolah di Matlab. Selanjutnya setelah file terpilih data uji akan otomatis tertampil pada Uitable 1, user memasukan range awal dan memilih jumlah detik data yang ingin dikenali, kemudian menekan tombol “Proses”. Untuk melihat hasil data gerak, akan ditampilkan pada TextHasil. Langkah selanjutnya pengguna dapat memilih output grafik gelombang apa yang ingin dilihat pada Output yang akan tertampil pada Axes.

Tombol “Clear All” berfungsi untuk membersihkan semuanya proses yang sedang berlangsung. Keterangan GUI dapat dilihat pada Tabel 3.1.

Tabel 3.1. Keterangan GUI Pengenalan Gerakan

No. Nama Bagian Keterangan

1. Tombol “Select File” Untuk membuka file yang akan diolah pada Matlab 2. Tombol “Proses” Untuk memulai proses pembaca aktivitas gerak manusia 3. Tombol “Clear All” Untuk mengclearkan semua proses yang sedang berlangsung 4. Check Box Untuk memilih ingin melampilkan grafik pada Axes

5. Text 1 Untuk menapilkan file yang akan diproses di Matlab 6. Text Hasil Untuk menampilkan nama gerakan yang akan dikenali 7. Axes Untuk menampilkan hasil grafik gerakan

8. Uitable 1 Data mentah gerakan uji Text 1

PROSES

Axes HASIL GRAFIK

Text Hasil KELUARAN Uitable 1

FILE

CLEAR ALL SELECT FILE

CHECK BOX

(47)

31

BAB IV

HASIL DAN PEMBAHASAN

Untuk mengetahui alur kerja pengenalan gerakan dengan metode euclidian dapat dilihat pada lampiran 1. Pengujian sistem pengenalan gerakan menghasilkan data pengenalan yang berguna untuk pembahasan pada bab ini. Pengujian sistem pengenalan gerakan bertujuan untuk mengetahui sistem yang telah dirancang dapat bekerja dengan baik sesuai dengan perancangan.

4.1. Implementasi Perangkat Lunak

Implementasi perangkat lunak sistem pengenalan gerakan mengacu pada Gambar 3.11, yaitu Diagram Alir Sistem Pengenalan Tekstur GUI. Tampilan GUI Pengenalan Tekstur pada Gambar 4.1 dibuat berdasarkan sketsa perancangan GUI pada Gambar 3.12 dengan penyesuaian. Penambahan tombol dan tabel disesuaikan dengan permasalahan yang ditemukan penulis mengenai program pengenalan tekstur.

Gambar 4.1. Tampilan GUI Pengenalan Gerakan

Tombol SELECT FILE digunakan untuk memilih file data gerakan yang akan dikenali, data uji otomatis akan tertampil di kolom data uji. Tombol PROSES digunakan untuk memproses pengenalan geraka dari data uji dibandingkan dengan basis data gerakan

(48)

32

yang ada, sebelum menekan tombol PROSES, user harus memilih range awal data gerakan uji yang ingin dikenali dan jumlah waktunya, pada proses tombol yang sama, data tersebut akan diolah untuk dicari hasil ekstrasi ciri gerakan dengan menggunakan metode statistik dan ditampilkan pada GUI dalam bentuk tabel dan data hasil ekstrasi ciri basis data akan ditampilkan. Hasil keluaran nama gerakan berupa teks ditentukan dari nili perhitungan dengan metode fungsi jarak euclidian dan metode statistik. Tombol CHECK BOX digunakan untuk memilih grafik yang ingin ditampilkan pada axes. Tombol CLEAR ALL digunakan untuk menghapus semua data dan menulang proses pengenalan gerakan dari awal.

4.2. Implementasi Perangkat Keras

Implementasi perangkat keras ditunjukkan pada Gamar 4.2. Kondisi ini dibuat berdasarkan perancangan hardware pada Gambar 3.1 dan Gambar 3.2.

Gambar 4.2. Kondisi Pengambilan dan Pengenalan Data Gerakan

RTC

LED Indiktor

MPU-6050

Arduino Nano SD Card

Modul

Step Down

Baterai (Catu daya 11,1V)

…

Laptop

(49)

33

4.3. Hasil Pengujian dan Analisis Data

Pengujian pengaruh gerakan dilakukan untuk mengetahui pengaruh variasi gerakan, variasi subject dan variasi waktu gerakan terhadap tingkat pengenalan gerakan dengan metode fungsi jarak Euclidean. Dalam pengujian fungsi jarak Euclidian, data masukan diperoleh dari gerakan asli yang telah direkam dengan rentang waktu ±5menit. Data gerakan kemudian disimpan secara otomatis pada SD Card. Gerakan yang diambil ialah gerakan jalan dan gerakan lari yang telah ditentukan pada batasan masalah. Untuk setiap pengujian variasi gerakan, perekaman gerakan akan diatur berdasarkan rentang waktu tertentu. Dari pengujian ini dapat diperoleh nilai pengaruh variasi gerakan dari setiap data gerakan dengan mencari persentase pengenalan (recognition rate) terhadap tiap variasi. Berikut akan disampaikan grafik tingkat pengenalan gerakan dengan pengaruh variasi.

4.3.1. Pengujian Pengaruh Variasi Gerakan Terhadap Pengenalan Gerakan

Pengujian pengaruh variasi gerakan terhadap pengenalan gerakan, data diambil dengan 2 varian data gerakan. Variasi data gerakan ini terdiri dari gerakan jalan, gerakan lari tingkat pengenalan gerakan masing-masing variasi didapat dengan mengambil perbandingan jarak euiclidian dari tiap variasi gerakan pada basis data dibandingankan dengan data uji.

Secara detail, data pengenalan gerakan dapat dilihat pada lampiran 3. Secara persentase, data pengenalan gerakan pada lampiran 3 tersebut dapat dilihat pada lampiran 4. Secara grafis, hasil persentase pengenalan gerakan pada lampiran 4 dapat dilihat pada Gambar 4.3. Hasil tingkat pengenalan gerakan akan dibandingkan dengan penelitian yang serupa namun menggunakan metode yang berberda untuk melihat pengembangan penilitian yang telah dilakukan.

(50)

34

Gambar 4.3. Grafik Tingkat Pengenalan Gerakan Dengan Pengaruh Variasi Gerakan Pengembangan penelitian ini berupaya untuk melihat pengaruh variasi gerakan dengan harapan mencapai tingkat pengenalan 100%. Pada grafik tingkat pengenalan gerakan dengan pengaruh variasi gerakan menunjukkan bahwa variasi gerakan tetap dapat dikenali.

Sedangkan tingkat pengenalan menggunakan metode KNN (penelitian serupa) dengan pengaruh variasi gerakan menghasilkan gerakan dapat dikenali dengan baik dengan indeks gerakan jalan 97,63% dan gerakan lari 85,31% pada penelitian ini [18] penggunaan alat pengujian di gunakan pada 2 posisi yaitu pada lengan kanan bawah dan pergelangan kaki sebelah kiri. Penelitian serupa juga dilakukan oleh Casale [19] dijelaskan bahwa pada penelitian ini menggunaan alat yang serupa seperti penelitian yang telah dilakuan yaitu alat digunakan pada bagian dada namun pada penelitian ini metode yang digunakan hanya metode accelometer dan hasilnya menunjukan pengaruh variasi gerakan tetap dapat dikenali dengan indeks gerakan jalan 94% dan gerakan lari 95%.

Berdasarkan grafik tingkat pengenalan gerakan dengan pengaruh variasi gerakan, tingkat pengenalan aktifitas menggunakan jarak euclidian dicari nilai yang paling minimal.

Kelemahan sistem, sistem harus memilih dua jenis aktifitas saja berdasarkan jarak euclidian, untuk aktifitas jalan dan aktifitas lari saja. Sistem tetap akan memutuskan aktifitas masukan sebagai aktifitas jalan atau aktifitas lari berdasarkan ciri yang mendekati dengan data basis data yang ada.

Gerakan Jalan Gerakan Lari

Tingkat Pengenalan Euclidian 100% 100%

KNN [18] 97,63% 85,31%

Accelometer [19] 94% 95%

75%

80%

85%

90%

95%

100%

AKURASI (%)

TINGKAT PENGENALAN GERAKAN DENGAN PENGARUH

VARIASI GERAKAN

(51)

35

4.3.2. Pengujian Pengaruh Variasi Subject Terhadap Pengenalan Gerakan

Pengujian pengaruh variasi subject diambil dengan pengambilan data gerakan jalan dan gerakan lari dilakukan 5 subject berbeda dengan pengambilan data dengan perekaman data ±5menit. Pada pengujian ini terdapat 5 variasi subject, yaitu subject I, subject II, subject III, subject IV dan subject V. Pengujian dilakukan sebanyak 12kali berdasarkan rentang waktu yang telah ditentukan, data yang diperoleh dapat diolah menjadi persentase tingkat pengenalan gerakan dengan menghitung nilai pengenalan dari 2 gerakan tunggal. Satu gerakan memiliki 1data/detik pengenalan gerakan sebanyak ±300 data. Untuk mendapat persentase tiap gerakan untuk variasi subject, jumlah pengujian berhasil akan dibagi dengan total data pengenalan variasi subject dan dikali dengan 100%. Grafik pengaruh variasi subject terhadap pengenalan gerakan ditunjukkan pada Gambar 4.4 dan Gambar 4.5. Secara detail, data pengenalan pengaruh variasi subject gerakan dapat dilihat pada lampiran 3.

Secara persentase, data pengenalan gerakan pada lampiran 3 tersebut dapat dilihat pada lampiran 4. Secara grafis, hasil persentase pengenalan gerakan pada lampiran 4 dapat dilihat pada Gambar 4.4 dan Gambar 4.5.

Gambar 4.4. Grafik Pengaruh Variasi Subject Terhadap Pengenalan Gerakan Jalan

I II III IV V

Jarak Euclidian 100,00% 100,00% 100,00% 100,00% 100,00%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

AKURASI (%)

SUBJECT (ORANG)

PENGARUH VARIASI SUBJECT TERHADAP

PENGENALAN GERAKAN JALAN

(52)

36

Gambar 4.5. Grafik Pengaruh Variasi Subject Terhadap Pengenalan Gerakan Lari

Pada grafik pengaruh variasi subject terhadap pengenalan gerakan jalan dan lari pada Gambar 4.4 dan Gambar 4.5. terlihat bahwa banyaknya variasi subject tidak begitu berpengaruh terhadap pengenalan, pengenalan gerakan tetap dapat dikenali dengan benar.

Hal ini dibuktikan dengan besarnya jarak euclidian persentase pengenalan tetap 100% untuk gerakan jalan maupun gerakan lari. Hal tersebut dikarenakan nilai pada citra gerakan object saat pengambilan data uji dengan citra gerakan basis data yang ada dibandingkan menghasilkan nilai ekstraksi ciri gerakan yang didapat mendekati dengan nilai ekstraksi ciri gerakan dari basis data. Nilai ekstraksi ciri gerakan masukan dibandingkan dengan nilai ekstraksi ciri gerakan basis data menggunakan metode fungsi euclidian. Dari data tersebut dapat disimpulkan bahwa variasi subject tidak berpengaruh terhadap tingkat pengenalan, gerakan masukan tetap dapat dikenali dengan baik dengan fungsi jarak euclidian.

4.3.3. Pengujian Pengaruh Variasi Waktu Terhadap Pengenalan Gerakan

Pengujian pengaruh variasi waktu diambil dengan mengatur waktu pengenalan gerakan dengan rentang waktu 10s/per gerakan, 15s/per gerakan, 20s/per gerakan, dan 30s/per gerakan. Pada pengujian ini terdapat 5 subject dengan data ganda (gerakan jalan – gerakan lari) variasi waktu akan dibaca sampai gerakan ke-10. Data yang diperoleh dapat

I II III IV V

Jarak Euclidian 100,00% 100,00% 100,00% 100,00% 100,00%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

AKURASI(%)

SUBJECT (ORANG)

PENGARUH VARIASI SUBJECT TERHADAP

PENGENALAN GERAKAN LARI

(53)

37

diolah menjadi persentase tingkat pengenalan gerakan dengan menghitung nilai pengenalan dari gerakan ganda (gerakan jalan – gerakan lari). Satu perekaman memiliki 1data/detik pengenalan gerakan sebanyak ±300 data. Untuk mendapat persentase tiap gerakan untuk variasi waktu, jumlah pengujian berhasil akan dibagi dengan total data pengenalan variasi waktu dan dikali dengan 100%. Secara persentase, data pengenalan gerakan pada lampiran 3 tersebut dapat dilihat pada lampiran 4. Secara grafis, hasil persentase pengenalan gerakan pada lampiran 4 dapat dilihat pada Gambar 4.6, Gambar 4.7, Gambar 4.8 dan Gambar 4.9.

Gambar 4.6. Pengaruh Variasi Waktu 10 Detik

10s Ke-1 Jalan

10s Ke-2 Lari

10s Ke-3 Jalan

10s Ke-4 Lari

10s Ke-5 Jalan

10s Ke-6 Lari

10s Ke-7 Jalan

10s Ke-8 Lari

10s Ke-9 Jalan

10s Ke-10 Lari

Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

AKURASI(%)

WAKTU (S)

PE NG A RUH VA RI A SI WA K T U G E RA K A N G A N DA 1 0 G E RA K A N PE RTA MA PE R 1 0 DE T I K

(54)

38

15s Ke-1 Jalan

15s Ke-2 Lari

15s Ke-3 Jalan

15s Ke-4 Lari

15s Ke-5 Jalan

15s Ke-6 Lari

15s Ke-7 Jalan

15s Ke-8 Lari

15s Ke-9 Jalan

15s Ke-10 Lari

Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

AKURASI(%)

WAKTU (S)

20s Ke-1 Jalan

20s Ke-2 Lari

20s Ke-3 Jalan

20s Ke-4 Lari

20s Ke-5 Jalan

20s Ke-6 Lari

20s Ke-7 Jalan

20s Ke-8 Lari

20s Ke-9 Jalan

20s Ke-10 Lari

Jarak Euclidian 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

AKURASI(%)

WAKTU (S)