Klasifikasi Physical Activity Berbasis Sensor Accelorometer, Gyroscope, dan Gravity menggunakan Algoritma Multi-class Ensemble GradientBoost

(1)

Klasifikasi Physical Activity Berbasis Sensor Accelorometer, Gyroscope, dan Gravity menggunakan Algoritma Multi-class

Ensemble GradientBoost

Firman Aziz^*, Syahrul Usman, Jeffry

Fakultas MIPA, Program Studi Ilmu Komputer, Universitas Pancasakti, Makassar, Indonesia Email: ¹[email protected], ²[email protected], ³[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Generasi smartphone saat ini semakin canggih dengan dilengkapi beberapa sensor seperti accelerometer, gravity sensor, dan gyroscope yang dapat digunakan untuk mengenali aktivitas manusia misalnya naik tangga, turun tangga, berlari dan berjalan. Untuk mendapatkan sebuah informasi, data akan dikelompokkan menggunakan metode statistik. Kinerja metode statistik memiliki kekurangan dalam mengelompokkan data karena prosedur yang harus dipenuhi. Untuk menutupi kekurangan tersebut digunakan teknik ensemble. Dalam paper ini, kami mengusulkan untuk menerapkan algoritma Multi-Class Ensemble Gradientboost untuk meningkatkan kinerja metode logistic regression dalam melakukan klasifikasi misalnya naik tangga, turun tangga, berlari dan berjalan. Proses pengambilan data menggunakan smartphone dengan merancang System .apk berbasis android. Kemudian, keseluruhan dataset dipisahkan kedalam data latih dan data uji dengan persentase perbandingan 70:30.

Hasil yang diperoleh menunjukkan algoritma Multi-Class Ensemble Gradientboost berhasil meningkatkan kinerja logistic regression sebesar 27.93%.

Kata Kunci: Klasifikasi; Ensemble; Gradientboost; Logistic Regression; Smartphone

Abstract−The current generation of smartphones is increasingly sophisticated, equipped with several sensors such as accelerometer, gravity sensor, and gyroscope that can be used to recognize human activities such as going up stairs, going down stairs, running and walking. To get information, the data will be grouped using statistical methods. The performance of statistical methods has shortcomings in classifying data because of the procedures that must be met. To cover this shortcoming, the ensemble technique is used. In this paper, we propose to apply the Multi-Class Ensemble Gradientboost algorithm to improve the performance of the logistic regression method in classifying such as climbing stairs, descending stairs, running and walking. The process of taking data using a smartphone by designing an Android-based .apk system. Then, the entire dataset was separated into training data and test data with a comparison percentage of 70:30. The results obtained show that the Multi-Class Ensemble Gradientboost algorithm succeeded in increasing the logistic regression performance by 27.93%.

Keywords: Classification; Ensemble; Gradientboost; Logistic Regression; Smartphone

1. PENDAHULUAN

Physical activity merupakan gerakan tubuh yang menggunakan energi seperti naik tangga, turun tangga, berlari dan berjalan yang manfaatnya sangat baik untuk kesehatan. Saat ini, naik tangga, turun tangga, berlari dan berjalan sangat populer untuk menjaga kesehatan dan sangat mudah untuk diadopsi karena sangat cocok dengan kehidupan perkotaan modern yang menghabiskan hampir keseluruhan aktivitasnya didalam ruangan. Penerapannya sangat mudah dalam kehidupan sehari-hari dan hanya perlu biasakan untuk dilakukan secara berulang agar mendapatkan manfaat kesehatan yang signifikan. Peningkatan detak jantung dengan berjalan, berlari, memanjat dan menuruni tangga dapat membantu melindungi dari tekanan darah tinggi, penambahan berat badan dan penyumbatan pembuluh darah. Selain itu, juga melatih tulang dan otot untuk meningkatkan kekuatan, kepadatan tulang, dan tonus otot.

Perkembangan teknologi saat ini, memungkinkan sebuah system untuk mengklasifikasi aktivitas fisik manusia menggunakan kamera, sensor dan smartphone. Kecanggihan smartphone yang telah memiliki Accelerometer, Gravity sensor, dan Gyroscope dapat digunakan untuk mengenali aktivitas fisik manusia dengan menempatkan smartphone pada kepala, dada, lengan, dan paha. untuk mengenali data aktivitas fisik manusia yang dihasilkan oleh sensor dapat menggunakan data mining and data analytics yang merupakan proses komputasi dengan memahami pola suatu data menggunakan statistik, pembelajaran mesin, kecerdasan buatan dll [1].

Barna dkk, menganalisis peranan sensor Accelerometer, Gyroscope, Humidity and Temperature pada smartphone dalam pengenalan sepuluh aktivitas yaitu sepuluh aktivitas manusia meliputi duduk, berjalan, jogging, berbaring, berjalan di lantai atas dan di lantai bawah, bersepeda, berdiri, jongkok di toilet dan jatuh yang dievaluasi menggunakan empat model yaitu K-Nearest Neighbor, Random Forest, Support Vector Machines, dan Conventional Deep Neural Networks. Hasil keseluruhan metode yang diusulkan menunjukkan bahwa Pengklasifikasi dengan Kinerja terbaik di keseluruhan aktivitas adalah Random Forest [2]. Asmita dkk, melakukan evaluasi terhadap kombinasi akselerometer dan fitur hart rate berbasis smartphone dalam mengenali aktivitas fisik manusia menggunakan beberapa metode klasifikasi yaitu Linier Regression, Decision Tree, Bagged Trees, K- Nearest-Neighbors, Multilayer Perceptron, Gaussian Naïve Bayes, dan Support Vector Machine. Hasil menunjukkan bahwa keseluruhan metode klasifikasi dasar memberikan hasil yang lebih tinggi jika diterapkan dengan klasifikasi ensemble yaitu 94,61% dan error 3,65%.[3]. Kadri dkk, melakukan pengenalan aktivitas berdasarkan sensor akselerometer smartphone pada aktivitas keseharian pengguna. Penelitian ini melakukan

(2)

Firman Aziz, Copyright ©2021, MIB, Page 1266 perbandingan antara Klasifikasi Machine Learning (Confusion Matrix menggunakan Decision Tree) dan Algoritma Deep Learning (Confusion Matrix menggunakan Bidirectional Long-Short Term Memory) dengan enam aktivitas yaitu turun tangga, joging, duduk, berdiri, naik tangga, dan berjalan. Hasil menunjukkan bahwa Klasifikasi Machine Learning lebih baik dibandingkan dengan Algoritma Deep Learning [4]. Sakom dan Anuchit, menganalisis kinerja Decision Tree dan Multilayer Perceptron. Kedua metode tersebut dievaluasi pada tiga data sensor aktivitas fisik yaitu akselerometer,giroskop dan sensor elektomiografi permukaan. Hasil menunjukkan bahwa kedua metode memberikan kinerja terbaik dimana Decision tree memiliki akurasi 99,99% sedangkan Multilayer Perceptron 99,97% [5].

Masum dkk, mengusulkan pendekatan Dense Neural Network, dengan mengenali aktivitas manusia menggunakan sensor tri-axial accelerometer dan tri-axial gyroscope. Pendekatan yang diusulkan kemudian dibandingkan dengan klasifikasi standar yang diuji pada dua dataset yaitu dataset pria dan Wanita. Hasil penelitian menunjukkan bahwa, pendekatan yang diusulkan yaitu DNN memiliki akurasi 94,38% pada dataset pria dan 93,35% pada dataset wanita[6].

Nematallah dkk, melakukan pengenalan aktivitas berdasarkan sensor tri-axis accelerometer, dan gyroscope. Penelitian ini membandingkan metode Logistic Model Trees, Random Forest dan Logistic Regression yang diuji coba pada dua dataset yaitu WISDM dan UCI HAR. Hasil penelitian menunjukkan bahwa LMT memiliki rentang akurasi antara 88,70% hingga 89,82% [7]. Shan dkk, melakukan pengenalan aktivitas pada dataset UCI dan WISDM berdasarkan sensor akselerometer smartphone. Penelitian ini mengadopsi metode CNN dengan Bi-directional LSTM. Hasil menunjukkan bahwa metode yang diusulkan memiliki akurasi 90% pada dataset UCI dan 87% pada dataset WISDM [8]. Su dkk, melakukan pengenalan aktivitas manusia menggunakan sensor smartphone pada dataset UCI. Metode yang diusulkan adalah HDL (Hierarchical Deep Learning) Networks yang merupakan kombinasi dari DBLSTM (Deep Bidirectional Long Short-Term Memory) dan CNN (Convolutional Neural Network). Hasil penelitian menunjukkan bahwa metode HDL yang diusulkan memiliki akurasi 97,95% [9]. Uddin dan Torresen, melakukan pengenalan aktivitas manusia berdasarkan data sensor akselerometer dan giroskop pada 12 aktivitas. Penelitian ini dievaluasi menggunakan tiga pendekatan yaitu Artificial Neural Networks, Support Vector Machine, dan Recurrent Neural Networks. Hasil penelitian menunjukkan bahwa metode RNN memiliki performa yang lebih baik dengan keseluruhan akurasi sebesar 97%, ANN 89% dan SVM 94% [10]. Zhang melakukan penelitian terhadap aktivitas berjalan manusia berdasarkan data sensor smartphone. Penelitian ini mengusulkan kerangka kinerja dengan menggunakan klasifikasi LSTM (Long Short-term Memory), K-NN dan RF. Hasil Penelitian menunjukkan bahwa LSTM memiliki akurasi yang lebih tinggi dibandingkan metode klasifikasi lain dengan 95,38% pada dataset UCI dan 97.52% pada dataset WISDM [11].

Berdasarkan beberapa penelitian menyangkut physical human activity rata-rata kinerja terbaik ketika menggunakan metode machine learning dengan hasil kinerja yang sangat baik. Berbeda dengan metode statistik yang memberikan hasil kurang baik dikarenakan adanya prosedur-prosedur yang harus dipenuhi seperti jumlah populasi harus memiliki varian yang sama, pengukuran variabel dalam skala interval, dan data yang linear. Tetapi dengan perkembangan penelitian beberapa tahun terakhir kelemahan dari metode statistik dapat diatasi dengan melakukan teknik ensemble [12] ini dibuktikan dengan penelitian [13] yang menerapkan teknik ensemble Bagging dengan klasifikasi tunggal menggunakan SVM (Support Vector Machine) untuk melakukan klasifikasi aktivitas manusia yaitu berjalan dan berlari berdasarkan sensor akselerometer dan giroskop. Hasil yang diperoleh menunjukkan ensemble Bagging berhasil meningkatkan kinerja dari metode Support Vector Machine ± 2%.

Penelitian [14] menerapkan teknik ensemble GradientBoost dengan klasifikasi tunggal menggunakan metode Logistic Regression untuk mengklasifikasikan aktivitas manusia yaitu naik dan turun tangga berdasarkan sensor accelerometer, gyroscope, dan gravity. Hasil yang diperoleh menunjukkan peningkatan kinerja dari metode Logistic Regression ± 12.90% setelah dilakukan teknik ensemble GradientBoost. Penelitian [15] menerapkan teknik ensemble Stacking dengan klasifikasi tunggal menggunakan SVM (Support Vector Machine) untuk melakukan klasifikasi aktivitas manusia yaitu berjalan dan berlari berdasarkan sensor accelerometer dan gyroscope. Hasil yang diperoleh menunjukkan ensemble Stacking berhasil meningkatkan kinerja dari metode Support Vector Machine ± 1%.

Berdasarkan beberapa penelitian tersebut, kami mengusulkan penerapan algoritma Multi-class Ensemble GradientBoost dengan klasifikasi tunggal menggunakan metode Logistic Regression untuk mengklasifikasikan aktivitas manusia yaitu naik tangga, turun tangga, berlari dan berjalan berdasarkan sensor accelerometer, gyroscope, dan gravity pada smartphone.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Pada gambar 1 merupakan tahapan penulis dalam melakukan penelitian.

(3)

Gambar 1. Tahapan Penelitian

Tahap Persiapan Penelitian yaitu, mencari Literatur mengenai metode Logistic Regression dan Multi-class Ensemble GradientBoost. Tahap Perancangan Sistem Pengenalan Pola Physical Activity berbasis Android (.apk) yaitu merancang sebuah sistem dalam penelitian pengenalan pola physical activity berdasarkan data sensor berbasis android (.apk). Tahap Pengambilan Data menggunakan akselerometer, sensor gravitasi dan giroskop pada smartphone dengan sistem android (.apk). Smartphone diletakkan pada paha sebelah kanan. Waktu pengambilan data ±60 detik. Data akselerometer, sensor gravitasi dan giroskop secara otomatis akan tersimpan diruang penyimpanan smartphone (Berjalan, berlari, naik dan turun tangga). Ketiga sensor tersebut, menghasilkan ribuan record yang digunakan sebagai dataset untuk proses klasifikasi. Tahap Perancangan Sistem Klasifikasi Physical Activity yaitu merancang sistem klasifikasi physical activity menggunakan metode Logistic Regression dan Multi-class Ensemble GradientBoost. Tahap Uji Coba Sistem dan Analisa yaitu melakukan uji coba terhadap metode yang diusulkan untuk melihat hasil maupun kinerja yang didapatkan. Tahap Evaluasi metode Multi-class Ensemble GradientBoost yaitu mengevaluasi dan menganalisis hasil dari data yang diteliti berdasarkan metode Multi-class Ensemble GradientBoost.

2.2 Rancangan Sistem

Gambar 2. Rancangan Sistem

Berdasarkan gambar di atas, maka tahap awal adalah melakukan input data akselerometer, sensor gravitasi dan giroskop. Kemudian di lakukan pre-processing untuk menghilangkan data yang redundan. Selanjutnya data dipisahkan kedalam data latih dan data uji. Data latih akan masuk ke dalam proses klasifikasi untuk menghasilkan model klasifikasi. kemudian dimasukkan kedalam dataset dan akan digunakan untuk melakukan prediksi berdasarkan data uji untuk menghasilkan output atau keputusan dalam hal tingkat akurasi, sensitivity, dan presisi.

(4)

2.3.1 Accelerometer

Perangkat yang memiliki fungsi untuk melakukan pengukuran akselerasi tepat dengan mengidentifikasi fenomena yang dialami oleh massa uji [16]. Namun, akselerometer tidak memiliki keakuratan koordinat saat mengukur akselerasi tepat [17] akselerometer pada smartphone memiliki fungsi untuk menentukan kemiringan derajat smartphone berdasarkan proses perekaman data dari arah berbeda pada sumbu x, y, dan z. Gambar 3. Ilustrasi akselerometer pada smartphone.

Gambar 3. Sumbu akselerometer 2.3.2 Gravity Sensor

Sensor virtual yang berasal dari sensor akselerasi 3-sumbu. Komponen gravitasi 3-sumbu menyediakan ukuran efek gravitasi Bumi yang diamati pada sumbu referensi perangkat. Komponen gravitasi yang diukur pada perangkat bervariasi berdasarkan pada perubahan orientasi perangkat, dan karenanya memberikan ukuran rotasi yang menjadi sasaran perangkat tersebut [18].

Gravity sensor menampilkan 4 nilai: 3 nilai sumbu Kartesius dan cap waktu. Gravity sensor mengukur dan mengembalikan nilai sumbu dalam "m/s² " (meter per detik kuadrat). Ketika perangkat diputar ke arah ± X, ± Y, atau ± Z, output yang sesuai akan meningkat (+) atau menurun (-).

Gambar 4. Sumbu sensor gravitasi 2.3.3 Gyroscope

Perangkat yang memiliki fungsi untuk mengukur orientasi berdasarkan momentum sudut [19]. Prinsip kerja giroskop adalah ketika sumbu Z berotasi searah dengan jarum jam maka hasil tegangan output akan mengecil (- Z), sedangkan apabila sumbu Z berotasi berlawanan dengan arah jarum jam maka hasil tegangan output akan membesar (+Z) dan jika dalam keadaan diam maka nilai tegangan outputnya sesuai dengan offset gyrosensor tersebut. Gambar 5. Menunjukkan ilustrasi giroskop pada smartphone.

Gambar 5. Sumbu giroskop 2.4 Metode

2.4.1 Logistic Regression

Merupakan suatu pendekatan yang digunakan untuk menganalisis hubungan antara variabel respon dengan sekumpulan variabel prediktor yang bersifat biner [20]. Prediksi parameter pada model Logistic Regression dapat dilakukan dengan metode MLE (Maximum Likelihood Estimation). Model umum Logistic Regression adalah :

(5)

𝜋(𝑥) = ^exp⁡(𝛽⁰^+∑ ^𝛽^𝑘^𝑥^𝑘⁾

𝑝 𝑘=1

1+⁡exp⁡(𝛽₀+∑^𝑝_𝑘=1𝛽_𝑘𝑥_𝑘) (1)

dengan 0 ≤ 𝜋(𝑥) ≤ 1 dan 𝑌 mempunyai nilai 0 dan 1.

Fungsi 𝜋(𝑥) merupakan fungsi non-linear sehingga perlu dilakukan transformasi logit untuk memperoleh fungsi yang linear agar dapat dilihat hubungan antara variabel respon (𝑦) dengan variabel prediktornya (𝑥). Dengan melakukan transformasi dari logit 𝜋(𝑥), maka dapat dinyatakan sebagai 𝑔(𝑥), yaitu:

𝑔(𝑥) = 𝑙𝑛 ( ^𝜋(𝑥)

1−𝜋(𝑥)) (2)

Dimana 𝑙𝑛 ( ^𝜋(𝑥)

1−𝜋(𝑥)) = 𝛽₀+ 𝛽₁𝑥₁+ 𝛽₂𝑥₂+ ⋯ + 𝛽_𝑘𝑥_𝑘 (3)

2.4.2 Multi-class Ensemble GradientBoost

Ensemble adalah proses penggabungan beberapa set model untuk mendapatkan suatu model yang lebih akurat dengan melakukan pembelajaran dan pelatihan dari kumpulan data asli dan membangun hipotesis dari data yang dilatih. proses training set dipilih berdasarkan performansi dari classifiers sebelumnya. Dimana, sampel yang tidak diprediksikan dengan benar oleh classifiers akan dipilih dibandingkan sampel yang diprediksikan dengan benar.

Dengan demikian, ensemble mencoba menghasilkan base classifiers baru yang lebih baik untuk memprediksikan sampel yang pada base classifiers sebelumnya memiliki performansi yang buruk [12].

Multi-class Ensemble GradientBoost adalah teknik machine learning untuk masalah regresi dan klasifikasi dengan mencocokkan fungsi parameter sederhana yang menghasilkan model prediksi dalam bentuk ensemble dari model yang lemah. Dalam masalah fungsi estimasi salah satu sistem terdiri dari sebuah random ‘output’ atau ‘respon’

variabel y dan satu set random ‘input’ variable 𝑥 = {𝑥₁, … , 𝑥_𝑛}. Diberi ‘pelatihan’ sampel {𝑦_𝑖, 𝐗_𝑖}₁^𝑁 yang diketahui nilai (x;y), tujuannya adalah untuk menemukan fungsi 𝐹 ∗ (𝑥) yang memetakan x ke y, sehingga melalui distribusi ke seluruh nilai (y;x) [17]. Algoritma Multi-class Ensemble GradientBoost

𝐹₀(𝐱) = arg min_𝛾∑ Ψ(𝑦_𝑖, 𝛾).

𝑁

𝑖−1

for⁡𝑚 = 1⁡to⁡𝑀⁡do:

𝑦̃_𝑖𝑚= − [^∂Ψ(y^𝑖^,𝐹(x^𝑖⁾⁾

𝜕𝐹(x_𝑖) ]

𝐹(x)=𝐹𝑚−1(x)

, 𝑖 = 1, 𝑁 {𝑅_𝑙𝑚}₁^𝐿= 𝐿 − terminal⁡node⁡𝑡𝑟𝑒𝑒({𝑦̃_𝑖𝑚, 𝐱_𝑖}₁^𝑁) 𝛾_𝑙𝑚 = arg min_𝛾∑_𝐱_𝑖_∈𝑅_𝑙𝑚Ψ(y_𝑖, 𝐹_𝑚−1(x_𝑖) + 𝛾) 𝐹_𝑚(x) = 𝐹_𝑚−1(x) + 𝑣. 𝛾_𝑙𝑚1(𝐱 ∈ 𝑅_𝑙𝑚) endfo

2.5 Evaluasi Kinerja

Evaluasi metode klasifikasi yang diusulkan dihitung berdasarkan tingkat kesalahan klasifikasinya menggunakan confusion matrix [21].

Tabel 1. Confusion Matrix

Aktual Prediksi

Berjalan Berlari Naik Tangga Turun Tangga

Berjalan T0 F01 F02 F03

Berlari F10 T1 F12 F13

Naik Tangga F20 F21 T2 F23

Turun Tangga F30 F31 F32 T3

Kinerja dari setiap klasifikasi dievaluasi berdasarkan Akurasi, Sensitivity, dan presisi dengan persamaan sebagai berikut:

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =^{∑ 𝑇}^𝑗⁡ ^𝑖

𝑁 (4)

𝑠𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = ⁡ ^𝑇^𝑖

𝑇𝑖+∑ 𝐹𝑗⁡ 𝑗𝑖 (5)

𝑝𝑟𝑒𝑠𝑖𝑠𝑖 = ⁡ ^𝑇^𝑖

𝑇𝑖+∑ 𝐹𝑗⁡ 𝑖𝑗 (6)

(6)

3. HASIL DAN PEMBAHASAN

Dalam penelitian ini, proses pengambilan data menggunakan akselerometer, sensor gravitasi dan giroskop pada smartphone dengan sistem android (.apk) yang telah dirancang untuk membaca sensor tersebut. Smartphone diletakkan pada bagian paha sebelah kanan dengan durasi waktu pengambilan data ±60 detik. Data akselerometer, sensor gravitasi dan giroskop secara otomatis tersimpan diruang penyimpanan smartphone (berjalan = 0, berlari = 1, naik tangga = 2, turun tangga = 3). Ketiga sensor tersebut, menghasilkan ribuan record yang digunakan sebagai dataset untuk proses klasifikasi. Pengurangan record dalam keseluruhan data dilakukan untuk merepresentasikan kelas yang sama antara kelas ‘berjalan’, ‘berlari’, ‘naik tangga’, ‘turun tangga’. Total data 18300 record dengan representasi masing-masing kelas 4575 record. Dari keseluruhan data (18300 record) akan dipisahkan kedalam data latih dan data uji dengan persentase perbandingan 70:30.

Proses klasifikasi menggunakan dua metode yaitu metode Logistic Regression dan Multi-class Ensemble GradientBoost yang diusulkan untuk meningkatkan performa dari metode Logistic Regression dengan Bahasa pemprograman python 2.7 untuk memperoleh keseluruhan hasil klasifikasi kedua metode tersebut.

Tabel 2. Hasil klasifikasi keseluruhan metode Logistic Regression Kelas Prediksi

Sensitivity Kelas

Aktual

Aktivitas Berjalan Berlari Naik Tangga

Turun Tangga

Berjalan 721 214 140 272 53.53

Berlari 381 595 160 234 43.43

Naik Tangga 317 216 596 254 43.09

Turun Tangga 251 262 231 646 46.47

Presisi 43.17 46.23 52.88 45.95 46.59

Multi-class Ensemble

GradientBoost Kelas Prediksi

Sensitivity

Kelas Aktual

Aktivitas Berjalan Berlari Naik Tangga

Turun Tangga

Berjalan 1057 25 87 178 78.47

Berlari 72 1082 80 136 78.98

Naik Tangga 186 60 886 251 64.06

Turun Tangga 120 75 129 1066 76.69

Presisi 73.66 87.12 74.96 65.36 74.52

Gambar 6. Peningkatan akurasi

Gambar 7. Peningkatan sensitivity untuk setiap aktivitas 46.59

74.52

40 50 60 70 80

Logistic Regression Multi-class Ensemble GradientBoost Peningkatan Akurasi

53.53

43.43 43.09 46.47

78.47 78.98

64.06 76.69

0 20 40 60 80 100

Berjalan Berlari Naik Tangga Turun Tangga Peningkatan Sensitivity

Logistic Regression Multi-class Ensemble GradientBoost

(7)

Gambar 8. Peningkatan presisi untuk setiap aktivitas

Keberhasilan metode yang diusulkan berdasarkan pada peningkatan kinerja dalam hal akurasi, sensitivity dan presisi yang tinggi. Gambar 6, 7, dan 8 memberikan informasi tentang peningkatan kinerja dari Logistic Regression menggunakan teknik Multi-class Ensemble GradientBoost dengan peningkatan akurasi sebesar 27.93%. Sensitivity kelas berjalan sebesar 24.94%, kelas berlari sebesar 35.55%, kelas naik tangga sebesar 20.97%, dan kelas turun tangga sebesar 30.22%. Presisi kelas berjalan sebesar 30.49%, kelas berlari sebesar 40.89%, kelas naik tangga sebesar 22.08%, dan kelas turun tangga sebesar 19.41%. keseluruhan kinerja dari metode terlihat pada tabel 2.

4. KESIMPULAN

Dalam penelitian ini, kami mengusulkan Multi-class Ensemble GradientBoost untuk mengklasifikasi aktivitas fisik manusia menggunakan sensor bawaan dari smartphone. Logistic Regression digunakan sebagai klasifikasi awal dan untuk memperbaiki kinerja dari klasifikasi Logistic Regression digunakan metode Multi-class Ensemble GradientBoost. Pengambilan data menggunakan pembacaan Accelerometer, Gravity sensor, dan Gyroscope dari smartphone. Hasil Hasil yang diperoleh menunjukkan bahwa Multi-class Ensemble GradientBoost yang diusulkan berhasil meningkatkan kinerja dengan memperbaiki kesalahan klasifikasi dari pengkalsifikasian sebelumnya dan memberikan peningkatan signifikan. Hasil dari Multi-class Ensemble GradientBoost menunjukkan pencapaian kinerja sangat baik dengan meningkatkan akurasi sebesar 27.93%. Sensitivity kelas berjalan sebesar 24.94%, kelas berlari sebesar 35.55%, kelas naik tangga sebesar 20.97%, dan kelas turun tangga sebesar 30.22%. Presisi kelas berjalan sebesar 30.49%, kelas berlari sebesar 40.89%, kelas naik tangga sebesar 22.08%, dan kelas turun tangga sebesar 19.41%. Kedepannya akan diselidiki untuk pengujian diberbagai partisi data untuk mengetahui kinerja dari Multi-class Ensemble GradientBoost.

UCAPAN TERIMAKASIH

Terima kasih disampaikan kepada pihak-pihak yang telah mendukung terlaksananya penelitian ini terutama Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi, Direktoral Jenderal Perguruan Tinggi yang telah memberikan pendanaan melalui hibah penelitian tahun 2020.

REFERENCES

[1] M.-S. Chen, J. Han, and P. S. Yu, “Data mining: an overview from a database perspective,” IEEE Transactions on Knowledge and data Engineering, vol. 8, no. 6, pp. 866–883, 1996.

[2] A. Barna, A. K. M. Masum, M. E. Hossain, E. H. Bahadur, and M. S. Alam, “A study on Human Activity Recognition Using Gyroscope, Accelerometer, Temperature and Humidity data,” in 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE), Cox’sBazar, Bangladesh, Feb. 2019, pp. 1–6. doi:

10.1109/ECACE.2019.8679226.

[3] A. Nandy, J. Saha, C. Chowdhury, and K. P. D. Singh, “Detailed Human Activity Recognition using Wearable Sensor and Smartphones,” in 2019 International Conference on Opto-Electronics and Applied Optics (Optronix), Mar. 2019, pp. 1–6. doi: 10.1109/OPTRONIX.2019.8862427.

[4] N. Kadri, A. Ellouze, and M. Ksantini, “Recommendation system for human physical activities using smartphones,” in 2020 2nd International Conference on Computer and Information Sciences (ICCIS), Sakaka, Saudi Arabia, Oct. 2020, pp. 1–4. doi: 10.1109/ICCIS49240.2020.9257671.

[5] S. Mekruksavanich and A. Jitpattanakul, “Exercise Activity Recognition with Surface Electromyography Sensor using Machine Learning Approach,” in 2020 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering (ECTI DAMT

& NCON), Pattaya, Thailand, Mar. 2020, pp. 75–78. doi: 10.1109/ECTIDAMTNCON48261.2020.9090711.

43.17 46.23 52.88

45.95 73.66

87.12

74.96

65.36

0 20 40 60 80 100

Berjalan Berlari Naik Tangga Turun Tangga Peningkatan Presisi

Logistic Regression Multi-class Ensemble GradientBoost

(8)

Firman Aziz, Copyright ©2021, MIB, Page 1272 [6] A. K. Muhammad Masum, S. Jannat, E. H. Bahadur, Md. Golam Rabiul Alam, S. I. Khan, and M. Robiul Alam, “Human Activity Recognition Using Smartphone Sensors: A Dense Neural Network Approach,” in 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT), Dhaka, Bangladesh, May 2019, pp. 1–6. doi: 10.1109/ICASERT.2019.8934657.

[7] H. Nematallah, S. Rajan, and A.-M. Cretu, “Logistic Model Tree for Human Activity Recognition Using Smartphone- Based Inertial Sensors,” in 2019 IEEE SENSORS, Montreal, QC, Canada, Oct. 2019, pp. 1–4. doi:

10.1109/SENSORS43011.2019.8956951.

[8] C. Y. Shan, P. Y. Han, and O. S. Yin, “Deep Analysis for Smartphone-based Human Activity Recognition,” in 2020 8th International Conference on Information and Communication Technology (ICoICT), 2020, pp. 1–5.

[9] T. Su, H. Sun, C. Ma, L. Jiang, and T. Xu, “HDL: Hierarchical Deep Learning Model based Human Activity Recognition using Smartphone Sensors,” in 2019 International Joint Conference on Neural Networks (IJCNN), Jul. 2019, pp. 1–8.

doi: 10.1109/IJCNN.2019.8851889.

[10] Md. Z. Uddin and J. Torresen, “Activity Recognition Using Smartphone Sensors, Robust Features, and Recurrent Neural Network,” in 2019 13th International Symposium on Medical Information and Communication Technology (ISMICT), Oslo, Norway, May 2019, pp. 1–6. doi: 10.1109/ISMICT.2019.8743759.

[11] M. Zhang, “Gait Activity Authentication Using LSTM Neural Networks with Smartphone Sensors,” in 2019 15th International Conference on Mobile Ad-Hoc and Sensor Networks (MSN), Shenzhen, China, Dec. 2019, pp. 456–461.

doi: 10.1109/MSN48538.2019.00092.

[12] C. Zhang and Y. Ma, Ensemble machine learning: methods and applications. Springer, 2012.

[13] N. Hardiyanti, A. Lawi, and F. Aziz, “Classification of Human Activity based on Sensor Accelerometer and Gyroscope Using Ensemble SVM method,” in 2018 2nd East Indonesia Conference on Computer and Information Technology (EIConCIT), 2018, pp. 304–307.

[14] A. Lawi, F. Aziz, and S. L. Wungo, “Increasing accuracy of classification physical activity based on smartphone using ensemble logistic regression with boosting method,” in Journal of Physics: Conference Series, 2019, vol. 1341, no. 4, p.

042002.

[15] F. Aziz, “Klasifikasi Aktivitas Manusia menggunakan metode Ensemble Stacking berbasis Smartphone,” Journal of System and Computer Engineering (JSCE), vol. 1, no. 2, pp. 53–58, 2021.

[16] W. Rindler, Essential relativity: special, general, and cosmological. Springer Science & Business Media, 2012.

[17] R. F. Tinder, “Relativistic flight mechanics and space travel,” Synthesis lectures on engineering, vol. 1, no. 1, pp. 1–140, 2006.

[18] G. Milette and A. Stroud, Professional Android sensor programming. John Wiley & Sons, 2012.

[19] S. Kabai, “Oldham coupling, The Wolfram Demonstrations Project.” 2008.

[20] D. W. Hosmer Jr, S. Lemeshow, and R. X. Sturdivant, Applied logistic regression, vol. 398. John Wiley & Sons, 2013.

[21] F. Provost and R. Kohavi, “Guest editors’ introduction: On applied research in machine learning,” Machine learning, vol. 30, no. 2, pp. 127–132, 1998.