Review Klasifikasi Data Sensor dan Giros
PROSIDING Seminar Nasional Matematika, Sains dan Informatika
Saintekinfo 2015
FMIPA UNS
25 April 2015
Makalah ini dipresentasikan pada
Seminar Nasional Matematika, Sains dan Informatika
Saintekinfo 2015
“Peran Data Mining untuk Proses Pengolahan Data Penelitian Sains”
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Surakarta, 25 April 2015
Penerbit: Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sebelas Maret
Surakarta
ISBN : 978-602-18580-3-5
i
DAFTAR REVIEWER
1. Prof. Dr. Ir. Khairil Anwar Notodiputro, M.S. (Institut Pertanian Bogor)
2. Prof. Drs. Tri Atmojo, M.Sc., Ph.D (Universitas Sebelas Maret )
3. Dr. Sunarto, MS (Universitas Sebelas Maret )
4. Anto Satriyo Nugroho (Badan Pengkajian dan Penerapan Teknologi)
5. Drs. Bambang Harjito, M.App.Sc., Ph.D. (Universitas Sebelas Maret)
6. Venty Suryanti, M.Phil., Ph.D. (Universitas Sebelas Maret )
7. Nuryani, S.Si., M.Si., Ph.D. (Universitas Sebelas Maret Surakarta)
8. Dr. Dewi Retno Sari Saputro, S.Si, M.Kom (Universitas Sebelas Maret )
9. Dra. Isnandar Slamet, M.Sc., Ph.D (Universitas Sebelas Maret )
10. Winita Sulandari, M.Si. (Universitas Sebelas Maret)
11. Drs. Sarngadi Palgunadi, M.Sc(Universitas Sebelas Maret )
12. Ristu Saptono, S.Si., M.T.(Universitas Sebelas Maret)
iii
TIM PROSIDING
Editor:
Dra. Purnami Widyaningsih, M.App.Sc
Nughthoh Arfawi Kurdhi, S.Si., M.Sc.
Hasan Dwi Cahyono, S.Kom., M.Kom.
Rini Anggrainingsih, ST., M.T.
Afrizal Doewes, S.Kom., M.Sc.
Pelaksana Teknis :
Indiawati Ayik Imaya
Zulia Nurdina Arba’ati
Beta Vitayanti
Armada Dwika Panji Kusuma
Desain Cover :
Yudho Yudhanto, S.Kom
iv
Bi1dang Informatika dan Teknik
1
Desain dan Implementasi Pencarian Buku Pada Rak Perpustakaan Berbasis Mobile
Menggunakan Augmented Reality
345
Agus Komarudin, Rezki Yuniarti
2
Analisis Kinerja Protokol Reaktif Pada Jaringan Manet dalam Simulasi Jaringan
Menggunakan Network Simulator Dan Tracegraph
354
Bayu Nugroho, Noor Akhmad Setiawan, dan Silmi Fauziati
3
Klasifikasi Data Sensor Akselerometer Dan Giroskop untuk Pengenalan Aktifitas
361
Budy Santoso, Lukito Edi Nugroho, Hanung Adi Nugroho
4
Segmentasi MRI Tumor Otak Menggunakan Fuzzy C-Means (FCM)
370
Diah Priyawati, Indah Soesanti
5
Analisis Pola Spatio-Temporal Penumpang Transportasi Publik dengan Mining
Smartcard Data (Studi Kasus BRT Trans Jogja)
376
Fahmi Dzikrullah, Noor Akhmad Setiawan , Selo
6
Perancangan Sistem Identifikasi Umur Pohon dengan Pengolahan Citra Digital dan
Jaringan Syaraf Tiruan Backpropagation
385
Gunawan Abdillah, Wina Witanti
7
Analisa dan Perancangan Pengenalan Ekspresi Wajah Menggunakan Wavelet dan
Backpropagation
393
Immanuela P. Saputro, Ernawati, B.Yudi Dwiandiyanta
8
Analisis Jejaring Sosial untuk Rekomendasi Personal pada Komunitas Online
399
Irma Yuliana, Paulus Insap Santosa, Noor Akhmad Setiawan
9
Evaluasi dan Rangking Ontologi Student Payment Berbasis Matrik dengan OntoQA
407
Jaeni, Selo, dan Sri Suning Kusumawardani
10
Perancangan Sistem Informasi Sumber Daya Manusia di PT. ABC Berbasis Web
413
La Media
11
Pencarian Jarak Terpendek Menggunakan Algoritma Dijkstra
419
Landung Sudarmana
12
Analisis Data Pola Pembelian Konsumen dengan Algoritme Apriori pada Transaksi
Penjualan Supermarket Pamella Yogyakarta
427
M. Didik R. Wahyudi, Fusna Failasufa
13
Analisis Proses Bisnis untuk Perancangan Arsitektur Bisnis pada UNIKA De La Salle
Manado
433
Voice Esther Ticoalu, Irya Wisnubhadra, dan Benyamin L. Sinaga
14
Rancang Bangun Cloud Computing UMKM Menggunakan Togaf- ADM
Wina Witanti, Agus Komarudin
xiii
440
REVIEW :
KLASIFIKASI DATA SENSOR AKSELEROMETER DAN GIROSKOP UNTUK
PENGENALAN AKTIFITAS
Budy Santoso1, Lukito Edi Nugroho2, Hanung Adi Nugroho3
1,2,3
Jurusan Teknik Elektro dan Teknologi Informasi
Universitas Gadjah Mada
Jl. Grafika No.2 Yogyakarta – 55281
Email : budy.santoso.mti13@mail.ugm.ac.id, lukito@ugm.ac.id, adinugroho@ugm.ac.id
ABSTRAK. Smartphone saat ini tidak hanya digunakan sebagai perangkat
komunikasi , tetapi juga memiliki fitur sensor yang dapat diakuisisi datanya
sehingga dapat menjadi arah penelitian baru, beberapa sensor yang ada,
seperti akselerometer, kompas digital, giroskop, GPS, mikrofon, dan
tersebut
memungkinkan
sebuah
ponsel
kamera.
Sensor-sensor
memunculkan fasilitas aplikasi di beberapa bidang strategis yang
dibutuhkan manusia. Pengenalan aktifitas fisik pengguna pada dasarnya dapat
di trace dengan memanfaatkan teknologi sensor yang tertanam pada
Smartphone. Penulis mereview beberapa makalah/paper yang terkait dengan
pengenalan aktifitas dengan menggunakan sensor yang tertanam pada
smartphone. Kemudian pada proses klasifikasi menggunakan beberapa
algoritma klasifikasi.
Kata Kunci: Activity Recognition, smartphone, accelerometer, gyroscope
1. PENDAHULUAN
Perangkat mobile saat ini telah dilengkapi dengan berbagai macam fitur dan layanan untuk
pengguna. Beberapa jenis perangkat mobile itu sendiri sudah tertanam beberapa sensor seperti
telah dilengkapi dengan GPS sensor, temperature sensor, sensor suara, sensor gambar, sensor
cahaya, sensor arah, dan sensor akselerasi. Sensor-sensor dalam perangkat mobile tersebut
dapat menghasilkan sensor data yang berguna untuk pengetahuan baru. Dalam beberapa
penelitian, sensor data tersebut dapat diakuisisi sehingga menghasilkan pengetahuan baru dan
dapat salah satunya dapat digunakan untuk mengenali aktifitas fisik penggunanya.
Perangkat mobile merupakan perangkat yang tidak bisa dipisahkan dengan penggunanya,
penggunaan smartphone saat ini menjadi gaya hidup baru masyarakat modern. Dengan kondisi
seperti itu, tentunya menjadi sebuah tantangan bagi kalangan akademisi untuk menggali lebih
dalam peranan lain ataupun peluang yang dihasilkan dari penggunaan smartphone tersebut.
Sehingga penulis memilih perangkat mobile yang berbasis Android sebagai platform untuk
proses pengambilan sensor datanya, sistem operasi bersifat opensource dan mendominasi
Seminar Nasional Matematika, Sains dan Informatika 2015
361
Prosiding
ISBN 978-602-18580-3-5
pengguna smartphone pada umumnya.
Akselerometer dapat merekam data akselerasi yang
disebabkan oleh perpindahan dan massa / gravity dari pengguna. Akselerometer sensor pada
smartphone telah diakui oleh banyak komunitas ilmuwan karena miniaturisasinya, fleksibel,
dapat dibawa kemana saja dibandingkan dengan mengambil data dari sensor yang dipasang pada
tubuh pengguna, yang dapat mengganggu kenyamanan dalam beraktifitas (Ailisto, Lindholm,
Mantyjarvi, Vildjiounaite, & Makela, 2005). Gyroscope mendeteksi kecepatan sudut, yang
dihitung dengan menggunakan data pengukuran diambil dari 3-axis untuk mengukur atau
mempertahankan orientasi, dengan prinsip ketetapan momentum sudut.
Dalam makalah ini, penulis mereview beberapa penelitian terkait klasifikasi sensor data
akselerometer dan sensor giroskop yang tertanam pada smartphone pada penelitian-penelitian
sebelumnya, metode klasifikasi di paparkan sehingga diharapkan penulis akan menemukan trend
penelitian baru dibidang klasifikasi data sensor akselerometer dan sensor gyroscope untuk
proses pengenalan aktifitas.
2. TINJAUAN PUSTAKA
Gambar 1. Fitur sensor pada smartphone
2.1 Accelerometer
Accelerometer memiliki beberapa aplikasi dalam bidang industri dan ilmu pengetahuan.
Accelerometer yang sangat sensitif adalah komponen dari sistem navigasi inersia untuk pesawat
dan rudal
digunakan
untuk
mendeteksi
dan
memantau
getaran
mesin
berputar.
Accelerometer digunakan dalam komputer tablet dan kamera digital sehingga gambar pada layar
selalu ditampilkan tegak.
Seminar Nasional Matematika, Sains dan Informatika 2015
362
Prosiding
ISBN 978-602-18580-3-5
Gambar 2. Accelerometer axes pada smartphone
Accelerometer telah digunakan dalam sensor smartphone untuk pengenalan aktifitas.
Popularitasnya adalah karena fakta bahwa akselerometer dapat langsung mengukur Status gerak
fisiologi subjek. Misalnya, jika pengguna melakukan perubahan/transisi aktifitasnya dari berjalan
ke jogging, itu akan mencerminkan pada bentuk sinyal pembacaan percepatan sepanjang sumbu
vertical, akan ada perubahan mendadak pada amplitudonya. Selain itu, data percepatan dapat
menunjukkan pola gerak dalam jangka waktu tertentu, yang membantu dalam pengenalan
aktifitas yang kompleks (Su, Tong, & Ji, 2014a). Dalam cara yang sama, accelerometer
digunakan untuk mendeteksi kecelakaan mobil dan menggunakan air bag pada waktu yang
tepat (Lane et al., 2010).
2.2 Gyroscope
Gyroscope adalah perangkat yang menggunakan gravitasi bumi untuk membantu
menentukan orientasi. Desainnya terdiri dari disk bebas-berputar yang disebut rotor, dipasang
pada sumbu berputar di tengah roda yang lebih besar dan lebih stabil.
Seminar Nasional Matematika, Sains dan Informatika 2015
363
Prosiding
ISBN 978-602-18580-3-5
Gambar 3 axis gyroscope
Giroskop mengukur tingkat rotasi pada smartphone dengan mendeteksi gerakan roll, pitch,
dan yaw dari smartphone sepanjang x, y, dan sumbu z, masing-masing. Arah sumbu ditunjukkan
pada Gambar 3. Raw Data dari sensor giroskop adalah tingkat rotasi di rad / s (radian per detik)
sekitar masing-masing tiga sumbu fisik: Rotation i = , (i =1, 2, 3…). Giroskop sangat
membantu dalam aplikasi navigasi serta beberapa game smartphone yang menggunakan data
rotasi. Dalam penelitian activity recognition, giroskop digunakan untuk membantu deteksi
orientasi bergerak (Su, Tong, & Ji, 2014b).
2.3 Activity Recognition
Tujuan penting dalam komputasi mobile adalah kemampuan untuk merasakan dan
bereaksi berdasarkan lingkungan. Dalam beberapa tahun terakhir, banyak peneliti telah
berfokus pada pengenalan pola gerakan dengan bantuan hanya accelerometer (Ayu, Ismail,
Matin, & Mantoro, 2012). Oleh karena itu, metode mana seseorang pilih akan selalu ada
false positive, dan pendekatan penulis mencoba untuk mengatasi masalah ini dan membatasi
terjadinya kesalahan positif dengan pilihan ambang batas yang cermat (Bujari, Licar, & Palazzi,
2012). Pemantauan aktivitas manusia secara akurat memiliki potensi untuk meningkatkan sistem
kesehatan, peringatan dini darurat, pemantauan kebugaran dan assist living (Lopes, MendesMoreira, & Gama, 2012). Pada penelitian (Anjum & Ilyas, 2013) menggunakan algoritma
klasifikasi SVM dengan mengenali aktivitas umum seperti: stationary, walking, running,
bicycling, ascending stairs, descending stairs and driving.
Penelitian tentang akselerometer data mendapat perhatian dari para peneliti untuk mengenali
aktifitas penggunanya, dimulai dengan sensor yang wearable sampai perkembangan sensor
Seminar Nasional Matematika, Sains dan Informatika 2015
364
Prosiding
ISBN 978-602-18580-3-5
akselerometer yang sudah tertanam pada perangkat mobile. Pada penelitian (Mannini & Sabatini,
2010) mengemukakan metode klasifikasi pengenalan aktifitas berbasis wavelet dimana
komponen gerak dinamis dan komponen gravitasi dipisahkan, sehingga menghasilkan akurasi
8,4%.
(Shoaib, Scholten, & Havinga, 2013) mengumpulkan data dari tiga jenis sensor yaitu
Accelerometer (A), Gyroscope (G) dan Magnetometer (M). Dalam pengujiannya menggunakan
tujuh algoritma klasifikasi yang umum digunakan yaitu Naïve Bayes, SVM, Neural Networks,
Logistic Regression, kNN, RB Classifier dan, Decision Tree. Dari pengujian dihasilkan
kombinasi A dan G (AG) nilai True Positive Rate (TPR) lebih baik daripada A dan G secara
independen, untuk semua orientasi posisi yang diuji. Sedangkan, hasil pengujian untuk sensor
magnetometer tidak memiliki performance yang bagus, sehingga disimpulkan bahwa sensor
magnetometer tidak membantu proses pengenalan aktifitas secara signifikan.
3. METODOLOGI PENELITIAN
Pada bab ini, penulis mengusulkan metode yang akan digunakan dalam penelitian selanjutnya
dengan prosedur seperti dibawah ini :
Gambar 3a. Metode yang digunakan untuk pengenalan aktifitas
Dengan menggunakan dua data sensor pada smartphone yaitu sensor akselerometer dan
sensor giroskop untuk melihat akurasi dan performance dari setiap classifier. Adapun orientasi
posisi menjadi parameter yang akan diujicobakan yaitu dengan orientasi tiga independensi posisi
yaitu in-hand, in-pocket, in-bag dengan aktifitas berjalan yang bersifat dinamis (walk), naik
(upstairs), turun (downstairs).
Seminar Nasional Matematika, Sains dan Informatika 2015
365
Prosiding
ISBN 978-602-18580-3-5
3.1 Pengumpulan Data
Data
yang
dikumpulkan
dari
accelerometer
memiliki
atribut
sebagai
berikut:
percepatan sepanjang sumbu x, percepatan sepanjang sumbu y, dan percepatan sepanjang sumbu
z. Data gyroscope sensor terdiri dari tiga sumbu rotasi roll,pitch dan yaw, diwakili dengan
vektor x,y,z. Pengujian dengan menggunakan sampel/subjek dengan jumlah subjek dan waktu
yang telah ditentukan.
3.2 Pra-Pemrosesan
Raw Data biasanya perlu pre-processing. Data sensor harus dibagi secara sequential
windows, untuk di pre-processing. Untuk aplikasi online, window harus didefinisikan secara
paralel dengan pengumpulan data dan untuk aplikasi offline; window didefinisikan sebelum
pengumpulan data. Raw Data harus dibagi menjadi training set dan testing set. Training set akan
digunakan untuk melatih algoritma pengenalan aktivitas dan testing set kemudian akan
digunakan untuk mengevaluasi algoritma setelah training.
3.3 Ekstraksi Fitur
Untuk mendapatkan data sensor yang akurat dan konsisten, beberapa teknik ekstraksi fitur
yang sering digunakan untuk training dan testing dalam metode klasifikasi yaitu time domain
dan frequency domain features. Untuk time domain fitur yang digunakan adalah Mean, Variance
(VAR), dan Standard Deviation (SD). Dalam istilah computation costs , fitur time domain lebih
murah dibandingkan dengan menggunakan fitur frequency domain, karena adanya perhitungan
Extra Fourier Transform (Figo, Diniz, Ferreira, & Cardoso, 2010).
Gambar 4. Metode ekstrksi fitur untuk data sensor
Seminar Nasional Matematika, Sains dan Informatika 2015
366
Prosiding
ISBN 978-602-18580-3-5
3.4 Klasifikasi
Dari perspektif data mining, pengenalan aktifitas adalah masalah multi-class classification.
Banyak classifier yang ada dapat digunakan, seperti disebutkan dibawah ini :
1) Bayesian Decision Making
2) Rule Based Algorithm
3) Least-Square Methods
4) k-Nearest Neighbour
5) Support Vector Machines
6) Neural Network
4. DISKUSI
Umumnya penelitian tentang pengenalan aktifitas menggunakan sensor smartphone
mengimplementasikan satu metode saja. Hal ini sangat menyulitkan untuk melakukan
perbandingan akurasi klasifikasi karena perbedaan metode eksperimen dari setiap study. Oleh
karena itu, perlu untuk membandingkan metode multiple classification dalam sebuah standar
eksperimen yang lebih cocok digunakan untuk smartphone, sehingga dapat membantu para
peneliti lain untuk mengimplementasikan classifier lain di masa yang akan datang.
5. KESIMPULAN
Dalam makalah ini, penulis mereview beberapa penelitian sebelumnya tentang penggunaan
smartphone untuk pengenalan aktifitas (Activity of Daily Living). Proses klasifikasi yang
dilakukan secara offline, dimana data terlebih dahulu diakuisisi pada smartphone dengan
orientasi posisi yang telah ditentukan kemudian diolah dengan menggunakan tools Weka pada
computer desktop.
Pada kasus ini, diajukan tiga orientasi posisi smartphone yaitu in-hand, in-pocket, in-bag
dengan tiga aktifitas fisik yang bersifat dinamis yaitu walk, upstairs, downstairs. Sehingga hasil
akhir yang diharapkan adalah dapat mengetahui manakah sensor yang memiliki performance
terbaik dengan tiga orientasi posisi dengan satu aktifitas yang sama.
Seminar Nasional Matematika, Sains dan Informatika 2015
367
Prosiding
ISBN 978-602-18580-3-5
DAFTAR PUSTAKA
Ailisto, H. J., Lindholm, M., Mantyjarvi, J., Vildjiounaite, E., & Makela, S.-M. (2005).
Identifying people from gait pattern with accelerometers (Vol. 5779, pp. 7–14).
http://doi.org/10.1117/12.603331
Anjum, A., & Ilyas, M. U. (2013). Activity recognition using smartphone sensors. In 2013 IEEE
Consumer Communications and Networking Conference (CCNC) (pp. 914–919).
http://doi.org/10.1109/CCNC.2013.6488584
Ayu, M. A., Ismail, S. A., Matin, A. F. A., & Mantoro, T. (2012). A Comparison Study of
Classifier Algorithms for Mobile-phone’s Accelerometer Based Activity Recognition.
Procedia Engineering, 41, 224–229. http://doi.org/10.1016/j.proeng.2012.07.166
Bujari, A., Licar, B., & Palazzi, C. E. (2012). Movement pattern recognition through
smartphone’s accelerometer. In 2012 IEEE Consumer Communications and Networking
Conference (CCNC) (pp. 502–506). http://doi.org/10.1109/CCNC.2012.6181029
Figo, D., Diniz, P. C., Ferreira, D. R., & Cardoso, J. M. P. (2010). Preprocessing techniques for
context recognition from accelerometer data. Personal and Ubiquitous Computing, 14(7),
645–662. http://doi.org/10.1007/s00779-010-0293-9
Lane, N. D., Miluzzo, E., Lu, H., Peebles, D., Choudhury, T., & Campbell, A. T. (2010). A
survey of mobile phone sensing. IEEE Communications Magazine, 48(9), 140–150.
http://doi.org/10.1109/MCOM.2010.5560598
Lopes, A., Mendes-Moreira, J., & Gama, J. (2012). Semi-supervised learning: Predicting
activities in Android environment (Vol. 960, pp. 38–42). Presented at the CEUR Workshop
Proceedings.
Retrieved
from
http://www.scopus.com/inward/record.url?eid=2-s2.0-
84924414967&partnerID=40&md5=104ec16fdf6003da8bfb5de0fa349613
Mannini, A., & Sabatini, A. M. (2010). Machine Learning Methods for Classifying Human
Physical
Activity
from
On-Body
Accelerometers.
Sensors,
10(2),
1154–1175.
http://doi.org/10.3390/s100201154
Shoaib, M., Scholten, H., & Havinga, P. J. M. (2013). Towards Physical Activity Recognition
Using Smartphone Sensors. In Ubiquitous Intelligence and Computing, 2013 IEEE 10th
International Conference on and 10th International Conference on Autonomic and Trusted
Computing (UIC/ATC) (pp. 80–87). http://doi.org/10.1109/UIC-ATC.2013.43
Seminar Nasional Matematika, Sains dan Informatika 2015
368
Prosiding
ISBN 978-602-18580-3-5
Su, X., Tong, H., & Ji, P. (2014a). Activity recognition with smartphone sensors. Tsinghua
Science and Technology, 19(3), 235–249. http://doi.org/10.1109/TST.2014.6838194
Su, X., Tong, H., & Ji, P. (2014b). Activity recognition with smartphone sensors. Tsinghua
Science and Technology, 19(3), 235–249. http://doi.org/10.1109/TST.2014.6838194
Seminar Nasional Matematika, Sains dan Informatika 2015
369
SUSUNAN PANITIA
Pelindung
:
Prof. Ravik Karsidi (Rektor UNS)
Steering Committee
:
Ketua Panitia
:
Prof.Ir.Ari Handono R,M.Sc (Hons),Ph.D
Dr. Sutanto, S.Si., DEA,
Drs. Harjana, M.Si.,M.Sc.,Ph.D
Drs. Sutrimo, M.Si
Drs. Bambang Harjito, M.App.Sc., Ph.D
Sekretaris
:
Winita Sulandari, M.Si
Bendahara
:
Anggota
:
Dr. Sayekti Wahyuningsih, S.Si., M.Si
Titin Sri Martini, S.Si., M.Kom
Setyaningsih, A.Md
Hartatik, S.Si., M.Si.
Edi Pramono, S.Si., M.Si.
Eny Winarni, S.Sos.
Dian Prajarini, S.T., M.Eng.
Rosita Yanuarti, S.Kom., M.Eng.
Sakroni, A.Md., S.Kom.
Endar Suprih Wihidayat, S.T., M.Eng.
Liliek Triyono, S.T., M.Kom.
Zulfa Nurul Hakim, A.Md.
Mohtar Yunianto, M.Si.
Dra. Purnami Widyaningsih, M.App.Sc
Nughthoh Arfawi Kurdhi, S.Si., M.Sc.
Hasan Dwi Cahyono, S.Kom., M.Kom.
Rini Anggrainingsih, ST., M.T.
Afrizal Doewes, S.Kom., M.Sc.
Aji Kurniawan Mulya, A.Md.
Dra. Etik Zukhronah, M.Si.
Dra. Yuliana Susanti, M.Si.
Dra. Respatiwulan, M.Si
Esti Suryani, S.Si., M.Kom.
Sari Widya Sihwi, S.Kom., M.T.I
Meiyanto Eko Sulistyo, S.T., M.Eng.
Vinci Mizranita, S.Farm., M.Pharm., Apt.
Winarno, S.IP
Fendi Aji Purnomo, S.Si.
Gimin
Heri Sukarno Putro
vii
Saintekinfo 2015
FMIPA UNS
25 April 2015
Makalah ini dipresentasikan pada
Seminar Nasional Matematika, Sains dan Informatika
Saintekinfo 2015
“Peran Data Mining untuk Proses Pengolahan Data Penelitian Sains”
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Surakarta, 25 April 2015
Penerbit: Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sebelas Maret
Surakarta
ISBN : 978-602-18580-3-5
i
DAFTAR REVIEWER
1. Prof. Dr. Ir. Khairil Anwar Notodiputro, M.S. (Institut Pertanian Bogor)
2. Prof. Drs. Tri Atmojo, M.Sc., Ph.D (Universitas Sebelas Maret )
3. Dr. Sunarto, MS (Universitas Sebelas Maret )
4. Anto Satriyo Nugroho (Badan Pengkajian dan Penerapan Teknologi)
5. Drs. Bambang Harjito, M.App.Sc., Ph.D. (Universitas Sebelas Maret)
6. Venty Suryanti, M.Phil., Ph.D. (Universitas Sebelas Maret )
7. Nuryani, S.Si., M.Si., Ph.D. (Universitas Sebelas Maret Surakarta)
8. Dr. Dewi Retno Sari Saputro, S.Si, M.Kom (Universitas Sebelas Maret )
9. Dra. Isnandar Slamet, M.Sc., Ph.D (Universitas Sebelas Maret )
10. Winita Sulandari, M.Si. (Universitas Sebelas Maret)
11. Drs. Sarngadi Palgunadi, M.Sc(Universitas Sebelas Maret )
12. Ristu Saptono, S.Si., M.T.(Universitas Sebelas Maret)
iii
TIM PROSIDING
Editor:
Dra. Purnami Widyaningsih, M.App.Sc
Nughthoh Arfawi Kurdhi, S.Si., M.Sc.
Hasan Dwi Cahyono, S.Kom., M.Kom.
Rini Anggrainingsih, ST., M.T.
Afrizal Doewes, S.Kom., M.Sc.
Pelaksana Teknis :
Indiawati Ayik Imaya
Zulia Nurdina Arba’ati
Beta Vitayanti
Armada Dwika Panji Kusuma
Desain Cover :
Yudho Yudhanto, S.Kom
iv
Bi1dang Informatika dan Teknik
1
Desain dan Implementasi Pencarian Buku Pada Rak Perpustakaan Berbasis Mobile
Menggunakan Augmented Reality
345
Agus Komarudin, Rezki Yuniarti
2
Analisis Kinerja Protokol Reaktif Pada Jaringan Manet dalam Simulasi Jaringan
Menggunakan Network Simulator Dan Tracegraph
354
Bayu Nugroho, Noor Akhmad Setiawan, dan Silmi Fauziati
3
Klasifikasi Data Sensor Akselerometer Dan Giroskop untuk Pengenalan Aktifitas
361
Budy Santoso, Lukito Edi Nugroho, Hanung Adi Nugroho
4
Segmentasi MRI Tumor Otak Menggunakan Fuzzy C-Means (FCM)
370
Diah Priyawati, Indah Soesanti
5
Analisis Pola Spatio-Temporal Penumpang Transportasi Publik dengan Mining
Smartcard Data (Studi Kasus BRT Trans Jogja)
376
Fahmi Dzikrullah, Noor Akhmad Setiawan , Selo
6
Perancangan Sistem Identifikasi Umur Pohon dengan Pengolahan Citra Digital dan
Jaringan Syaraf Tiruan Backpropagation
385
Gunawan Abdillah, Wina Witanti
7
Analisa dan Perancangan Pengenalan Ekspresi Wajah Menggunakan Wavelet dan
Backpropagation
393
Immanuela P. Saputro, Ernawati, B.Yudi Dwiandiyanta
8
Analisis Jejaring Sosial untuk Rekomendasi Personal pada Komunitas Online
399
Irma Yuliana, Paulus Insap Santosa, Noor Akhmad Setiawan
9
Evaluasi dan Rangking Ontologi Student Payment Berbasis Matrik dengan OntoQA
407
Jaeni, Selo, dan Sri Suning Kusumawardani
10
Perancangan Sistem Informasi Sumber Daya Manusia di PT. ABC Berbasis Web
413
La Media
11
Pencarian Jarak Terpendek Menggunakan Algoritma Dijkstra
419
Landung Sudarmana
12
Analisis Data Pola Pembelian Konsumen dengan Algoritme Apriori pada Transaksi
Penjualan Supermarket Pamella Yogyakarta
427
M. Didik R. Wahyudi, Fusna Failasufa
13
Analisis Proses Bisnis untuk Perancangan Arsitektur Bisnis pada UNIKA De La Salle
Manado
433
Voice Esther Ticoalu, Irya Wisnubhadra, dan Benyamin L. Sinaga
14
Rancang Bangun Cloud Computing UMKM Menggunakan Togaf- ADM
Wina Witanti, Agus Komarudin
xiii
440
REVIEW :
KLASIFIKASI DATA SENSOR AKSELEROMETER DAN GIROSKOP UNTUK
PENGENALAN AKTIFITAS
Budy Santoso1, Lukito Edi Nugroho2, Hanung Adi Nugroho3
1,2,3
Jurusan Teknik Elektro dan Teknologi Informasi
Universitas Gadjah Mada
Jl. Grafika No.2 Yogyakarta – 55281
Email : budy.santoso.mti13@mail.ugm.ac.id, lukito@ugm.ac.id, adinugroho@ugm.ac.id
ABSTRAK. Smartphone saat ini tidak hanya digunakan sebagai perangkat
komunikasi , tetapi juga memiliki fitur sensor yang dapat diakuisisi datanya
sehingga dapat menjadi arah penelitian baru, beberapa sensor yang ada,
seperti akselerometer, kompas digital, giroskop, GPS, mikrofon, dan
tersebut
memungkinkan
sebuah
ponsel
kamera.
Sensor-sensor
memunculkan fasilitas aplikasi di beberapa bidang strategis yang
dibutuhkan manusia. Pengenalan aktifitas fisik pengguna pada dasarnya dapat
di trace dengan memanfaatkan teknologi sensor yang tertanam pada
Smartphone. Penulis mereview beberapa makalah/paper yang terkait dengan
pengenalan aktifitas dengan menggunakan sensor yang tertanam pada
smartphone. Kemudian pada proses klasifikasi menggunakan beberapa
algoritma klasifikasi.
Kata Kunci: Activity Recognition, smartphone, accelerometer, gyroscope
1. PENDAHULUAN
Perangkat mobile saat ini telah dilengkapi dengan berbagai macam fitur dan layanan untuk
pengguna. Beberapa jenis perangkat mobile itu sendiri sudah tertanam beberapa sensor seperti
telah dilengkapi dengan GPS sensor, temperature sensor, sensor suara, sensor gambar, sensor
cahaya, sensor arah, dan sensor akselerasi. Sensor-sensor dalam perangkat mobile tersebut
dapat menghasilkan sensor data yang berguna untuk pengetahuan baru. Dalam beberapa
penelitian, sensor data tersebut dapat diakuisisi sehingga menghasilkan pengetahuan baru dan
dapat salah satunya dapat digunakan untuk mengenali aktifitas fisik penggunanya.
Perangkat mobile merupakan perangkat yang tidak bisa dipisahkan dengan penggunanya,
penggunaan smartphone saat ini menjadi gaya hidup baru masyarakat modern. Dengan kondisi
seperti itu, tentunya menjadi sebuah tantangan bagi kalangan akademisi untuk menggali lebih
dalam peranan lain ataupun peluang yang dihasilkan dari penggunaan smartphone tersebut.
Sehingga penulis memilih perangkat mobile yang berbasis Android sebagai platform untuk
proses pengambilan sensor datanya, sistem operasi bersifat opensource dan mendominasi
Seminar Nasional Matematika, Sains dan Informatika 2015
361
Prosiding
ISBN 978-602-18580-3-5
pengguna smartphone pada umumnya.
Akselerometer dapat merekam data akselerasi yang
disebabkan oleh perpindahan dan massa / gravity dari pengguna. Akselerometer sensor pada
smartphone telah diakui oleh banyak komunitas ilmuwan karena miniaturisasinya, fleksibel,
dapat dibawa kemana saja dibandingkan dengan mengambil data dari sensor yang dipasang pada
tubuh pengguna, yang dapat mengganggu kenyamanan dalam beraktifitas (Ailisto, Lindholm,
Mantyjarvi, Vildjiounaite, & Makela, 2005). Gyroscope mendeteksi kecepatan sudut, yang
dihitung dengan menggunakan data pengukuran diambil dari 3-axis untuk mengukur atau
mempertahankan orientasi, dengan prinsip ketetapan momentum sudut.
Dalam makalah ini, penulis mereview beberapa penelitian terkait klasifikasi sensor data
akselerometer dan sensor giroskop yang tertanam pada smartphone pada penelitian-penelitian
sebelumnya, metode klasifikasi di paparkan sehingga diharapkan penulis akan menemukan trend
penelitian baru dibidang klasifikasi data sensor akselerometer dan sensor gyroscope untuk
proses pengenalan aktifitas.
2. TINJAUAN PUSTAKA
Gambar 1. Fitur sensor pada smartphone
2.1 Accelerometer
Accelerometer memiliki beberapa aplikasi dalam bidang industri dan ilmu pengetahuan.
Accelerometer yang sangat sensitif adalah komponen dari sistem navigasi inersia untuk pesawat
dan rudal
digunakan
untuk
mendeteksi
dan
memantau
getaran
mesin
berputar.
Accelerometer digunakan dalam komputer tablet dan kamera digital sehingga gambar pada layar
selalu ditampilkan tegak.
Seminar Nasional Matematika, Sains dan Informatika 2015
362
Prosiding
ISBN 978-602-18580-3-5
Gambar 2. Accelerometer axes pada smartphone
Accelerometer telah digunakan dalam sensor smartphone untuk pengenalan aktifitas.
Popularitasnya adalah karena fakta bahwa akselerometer dapat langsung mengukur Status gerak
fisiologi subjek. Misalnya, jika pengguna melakukan perubahan/transisi aktifitasnya dari berjalan
ke jogging, itu akan mencerminkan pada bentuk sinyal pembacaan percepatan sepanjang sumbu
vertical, akan ada perubahan mendadak pada amplitudonya. Selain itu, data percepatan dapat
menunjukkan pola gerak dalam jangka waktu tertentu, yang membantu dalam pengenalan
aktifitas yang kompleks (Su, Tong, & Ji, 2014a). Dalam cara yang sama, accelerometer
digunakan untuk mendeteksi kecelakaan mobil dan menggunakan air bag pada waktu yang
tepat (Lane et al., 2010).
2.2 Gyroscope
Gyroscope adalah perangkat yang menggunakan gravitasi bumi untuk membantu
menentukan orientasi. Desainnya terdiri dari disk bebas-berputar yang disebut rotor, dipasang
pada sumbu berputar di tengah roda yang lebih besar dan lebih stabil.
Seminar Nasional Matematika, Sains dan Informatika 2015
363
Prosiding
ISBN 978-602-18580-3-5
Gambar 3 axis gyroscope
Giroskop mengukur tingkat rotasi pada smartphone dengan mendeteksi gerakan roll, pitch,
dan yaw dari smartphone sepanjang x, y, dan sumbu z, masing-masing. Arah sumbu ditunjukkan
pada Gambar 3. Raw Data dari sensor giroskop adalah tingkat rotasi di rad / s (radian per detik)
sekitar masing-masing tiga sumbu fisik: Rotation i = , (i =1, 2, 3…). Giroskop sangat
membantu dalam aplikasi navigasi serta beberapa game smartphone yang menggunakan data
rotasi. Dalam penelitian activity recognition, giroskop digunakan untuk membantu deteksi
orientasi bergerak (Su, Tong, & Ji, 2014b).
2.3 Activity Recognition
Tujuan penting dalam komputasi mobile adalah kemampuan untuk merasakan dan
bereaksi berdasarkan lingkungan. Dalam beberapa tahun terakhir, banyak peneliti telah
berfokus pada pengenalan pola gerakan dengan bantuan hanya accelerometer (Ayu, Ismail,
Matin, & Mantoro, 2012). Oleh karena itu, metode mana seseorang pilih akan selalu ada
false positive, dan pendekatan penulis mencoba untuk mengatasi masalah ini dan membatasi
terjadinya kesalahan positif dengan pilihan ambang batas yang cermat (Bujari, Licar, & Palazzi,
2012). Pemantauan aktivitas manusia secara akurat memiliki potensi untuk meningkatkan sistem
kesehatan, peringatan dini darurat, pemantauan kebugaran dan assist living (Lopes, MendesMoreira, & Gama, 2012). Pada penelitian (Anjum & Ilyas, 2013) menggunakan algoritma
klasifikasi SVM dengan mengenali aktivitas umum seperti: stationary, walking, running,
bicycling, ascending stairs, descending stairs and driving.
Penelitian tentang akselerometer data mendapat perhatian dari para peneliti untuk mengenali
aktifitas penggunanya, dimulai dengan sensor yang wearable sampai perkembangan sensor
Seminar Nasional Matematika, Sains dan Informatika 2015
364
Prosiding
ISBN 978-602-18580-3-5
akselerometer yang sudah tertanam pada perangkat mobile. Pada penelitian (Mannini & Sabatini,
2010) mengemukakan metode klasifikasi pengenalan aktifitas berbasis wavelet dimana
komponen gerak dinamis dan komponen gravitasi dipisahkan, sehingga menghasilkan akurasi
8,4%.
(Shoaib, Scholten, & Havinga, 2013) mengumpulkan data dari tiga jenis sensor yaitu
Accelerometer (A), Gyroscope (G) dan Magnetometer (M). Dalam pengujiannya menggunakan
tujuh algoritma klasifikasi yang umum digunakan yaitu Naïve Bayes, SVM, Neural Networks,
Logistic Regression, kNN, RB Classifier dan, Decision Tree. Dari pengujian dihasilkan
kombinasi A dan G (AG) nilai True Positive Rate (TPR) lebih baik daripada A dan G secara
independen, untuk semua orientasi posisi yang diuji. Sedangkan, hasil pengujian untuk sensor
magnetometer tidak memiliki performance yang bagus, sehingga disimpulkan bahwa sensor
magnetometer tidak membantu proses pengenalan aktifitas secara signifikan.
3. METODOLOGI PENELITIAN
Pada bab ini, penulis mengusulkan metode yang akan digunakan dalam penelitian selanjutnya
dengan prosedur seperti dibawah ini :
Gambar 3a. Metode yang digunakan untuk pengenalan aktifitas
Dengan menggunakan dua data sensor pada smartphone yaitu sensor akselerometer dan
sensor giroskop untuk melihat akurasi dan performance dari setiap classifier. Adapun orientasi
posisi menjadi parameter yang akan diujicobakan yaitu dengan orientasi tiga independensi posisi
yaitu in-hand, in-pocket, in-bag dengan aktifitas berjalan yang bersifat dinamis (walk), naik
(upstairs), turun (downstairs).
Seminar Nasional Matematika, Sains dan Informatika 2015
365
Prosiding
ISBN 978-602-18580-3-5
3.1 Pengumpulan Data
Data
yang
dikumpulkan
dari
accelerometer
memiliki
atribut
sebagai
berikut:
percepatan sepanjang sumbu x, percepatan sepanjang sumbu y, dan percepatan sepanjang sumbu
z. Data gyroscope sensor terdiri dari tiga sumbu rotasi roll,pitch dan yaw, diwakili dengan
vektor x,y,z. Pengujian dengan menggunakan sampel/subjek dengan jumlah subjek dan waktu
yang telah ditentukan.
3.2 Pra-Pemrosesan
Raw Data biasanya perlu pre-processing. Data sensor harus dibagi secara sequential
windows, untuk di pre-processing. Untuk aplikasi online, window harus didefinisikan secara
paralel dengan pengumpulan data dan untuk aplikasi offline; window didefinisikan sebelum
pengumpulan data. Raw Data harus dibagi menjadi training set dan testing set. Training set akan
digunakan untuk melatih algoritma pengenalan aktivitas dan testing set kemudian akan
digunakan untuk mengevaluasi algoritma setelah training.
3.3 Ekstraksi Fitur
Untuk mendapatkan data sensor yang akurat dan konsisten, beberapa teknik ekstraksi fitur
yang sering digunakan untuk training dan testing dalam metode klasifikasi yaitu time domain
dan frequency domain features. Untuk time domain fitur yang digunakan adalah Mean, Variance
(VAR), dan Standard Deviation (SD). Dalam istilah computation costs , fitur time domain lebih
murah dibandingkan dengan menggunakan fitur frequency domain, karena adanya perhitungan
Extra Fourier Transform (Figo, Diniz, Ferreira, & Cardoso, 2010).
Gambar 4. Metode ekstrksi fitur untuk data sensor
Seminar Nasional Matematika, Sains dan Informatika 2015
366
Prosiding
ISBN 978-602-18580-3-5
3.4 Klasifikasi
Dari perspektif data mining, pengenalan aktifitas adalah masalah multi-class classification.
Banyak classifier yang ada dapat digunakan, seperti disebutkan dibawah ini :
1) Bayesian Decision Making
2) Rule Based Algorithm
3) Least-Square Methods
4) k-Nearest Neighbour
5) Support Vector Machines
6) Neural Network
4. DISKUSI
Umumnya penelitian tentang pengenalan aktifitas menggunakan sensor smartphone
mengimplementasikan satu metode saja. Hal ini sangat menyulitkan untuk melakukan
perbandingan akurasi klasifikasi karena perbedaan metode eksperimen dari setiap study. Oleh
karena itu, perlu untuk membandingkan metode multiple classification dalam sebuah standar
eksperimen yang lebih cocok digunakan untuk smartphone, sehingga dapat membantu para
peneliti lain untuk mengimplementasikan classifier lain di masa yang akan datang.
5. KESIMPULAN
Dalam makalah ini, penulis mereview beberapa penelitian sebelumnya tentang penggunaan
smartphone untuk pengenalan aktifitas (Activity of Daily Living). Proses klasifikasi yang
dilakukan secara offline, dimana data terlebih dahulu diakuisisi pada smartphone dengan
orientasi posisi yang telah ditentukan kemudian diolah dengan menggunakan tools Weka pada
computer desktop.
Pada kasus ini, diajukan tiga orientasi posisi smartphone yaitu in-hand, in-pocket, in-bag
dengan tiga aktifitas fisik yang bersifat dinamis yaitu walk, upstairs, downstairs. Sehingga hasil
akhir yang diharapkan adalah dapat mengetahui manakah sensor yang memiliki performance
terbaik dengan tiga orientasi posisi dengan satu aktifitas yang sama.
Seminar Nasional Matematika, Sains dan Informatika 2015
367
Prosiding
ISBN 978-602-18580-3-5
DAFTAR PUSTAKA
Ailisto, H. J., Lindholm, M., Mantyjarvi, J., Vildjiounaite, E., & Makela, S.-M. (2005).
Identifying people from gait pattern with accelerometers (Vol. 5779, pp. 7–14).
http://doi.org/10.1117/12.603331
Anjum, A., & Ilyas, M. U. (2013). Activity recognition using smartphone sensors. In 2013 IEEE
Consumer Communications and Networking Conference (CCNC) (pp. 914–919).
http://doi.org/10.1109/CCNC.2013.6488584
Ayu, M. A., Ismail, S. A., Matin, A. F. A., & Mantoro, T. (2012). A Comparison Study of
Classifier Algorithms for Mobile-phone’s Accelerometer Based Activity Recognition.
Procedia Engineering, 41, 224–229. http://doi.org/10.1016/j.proeng.2012.07.166
Bujari, A., Licar, B., & Palazzi, C. E. (2012). Movement pattern recognition through
smartphone’s accelerometer. In 2012 IEEE Consumer Communications and Networking
Conference (CCNC) (pp. 502–506). http://doi.org/10.1109/CCNC.2012.6181029
Figo, D., Diniz, P. C., Ferreira, D. R., & Cardoso, J. M. P. (2010). Preprocessing techniques for
context recognition from accelerometer data. Personal and Ubiquitous Computing, 14(7),
645–662. http://doi.org/10.1007/s00779-010-0293-9
Lane, N. D., Miluzzo, E., Lu, H., Peebles, D., Choudhury, T., & Campbell, A. T. (2010). A
survey of mobile phone sensing. IEEE Communications Magazine, 48(9), 140–150.
http://doi.org/10.1109/MCOM.2010.5560598
Lopes, A., Mendes-Moreira, J., & Gama, J. (2012). Semi-supervised learning: Predicting
activities in Android environment (Vol. 960, pp. 38–42). Presented at the CEUR Workshop
Proceedings.
Retrieved
from
http://www.scopus.com/inward/record.url?eid=2-s2.0-
84924414967&partnerID=40&md5=104ec16fdf6003da8bfb5de0fa349613
Mannini, A., & Sabatini, A. M. (2010). Machine Learning Methods for Classifying Human
Physical
Activity
from
On-Body
Accelerometers.
Sensors,
10(2),
1154–1175.
http://doi.org/10.3390/s100201154
Shoaib, M., Scholten, H., & Havinga, P. J. M. (2013). Towards Physical Activity Recognition
Using Smartphone Sensors. In Ubiquitous Intelligence and Computing, 2013 IEEE 10th
International Conference on and 10th International Conference on Autonomic and Trusted
Computing (UIC/ATC) (pp. 80–87). http://doi.org/10.1109/UIC-ATC.2013.43
Seminar Nasional Matematika, Sains dan Informatika 2015
368
Prosiding
ISBN 978-602-18580-3-5
Su, X., Tong, H., & Ji, P. (2014a). Activity recognition with smartphone sensors. Tsinghua
Science and Technology, 19(3), 235–249. http://doi.org/10.1109/TST.2014.6838194
Su, X., Tong, H., & Ji, P. (2014b). Activity recognition with smartphone sensors. Tsinghua
Science and Technology, 19(3), 235–249. http://doi.org/10.1109/TST.2014.6838194
Seminar Nasional Matematika, Sains dan Informatika 2015
369
SUSUNAN PANITIA
Pelindung
:
Prof. Ravik Karsidi (Rektor UNS)
Steering Committee
:
Ketua Panitia
:
Prof.Ir.Ari Handono R,M.Sc (Hons),Ph.D
Dr. Sutanto, S.Si., DEA,
Drs. Harjana, M.Si.,M.Sc.,Ph.D
Drs. Sutrimo, M.Si
Drs. Bambang Harjito, M.App.Sc., Ph.D
Sekretaris
:
Winita Sulandari, M.Si
Bendahara
:
Anggota
:
Dr. Sayekti Wahyuningsih, S.Si., M.Si
Titin Sri Martini, S.Si., M.Kom
Setyaningsih, A.Md
Hartatik, S.Si., M.Si.
Edi Pramono, S.Si., M.Si.
Eny Winarni, S.Sos.
Dian Prajarini, S.T., M.Eng.
Rosita Yanuarti, S.Kom., M.Eng.
Sakroni, A.Md., S.Kom.
Endar Suprih Wihidayat, S.T., M.Eng.
Liliek Triyono, S.T., M.Kom.
Zulfa Nurul Hakim, A.Md.
Mohtar Yunianto, M.Si.
Dra. Purnami Widyaningsih, M.App.Sc
Nughthoh Arfawi Kurdhi, S.Si., M.Sc.
Hasan Dwi Cahyono, S.Kom., M.Kom.
Rini Anggrainingsih, ST., M.T.
Afrizal Doewes, S.Kom., M.Sc.
Aji Kurniawan Mulya, A.Md.
Dra. Etik Zukhronah, M.Si.
Dra. Yuliana Susanti, M.Si.
Dra. Respatiwulan, M.Si
Esti Suryani, S.Si., M.Kom.
Sari Widya Sihwi, S.Kom., M.T.I
Meiyanto Eko Sulistyo, S.T., M.Eng.
Vinci Mizranita, S.Farm., M.Pharm., Apt.
Winarno, S.IP
Fendi Aji Purnomo, S.Si.
Gimin
Heri Sukarno Putro
vii