PENGEMBANGAN APLIKASI BIOMETRIK MELALUI DATA TRAJECTORY GAYA BERJALAN (GAIT) MENGGUNAKAN TEKNIK NAIVE BAYESIAN

  

PENGEMBANGAN APLIKASI BIOMETRIK MELALUI DATA

TRAJECTORY GAYA BERJALAN (GAIT) MENGGUNAKAN

TEKNIK NAIVE BAYESIAN

  _{1 2 3} Ashafidz Fauzan Dianta , Mauridhi Hery Purnomo , Adhi Dharma Wibawa 1.

  Institut Teknologi Sepuluh Nopember, Surabaya 2. Institut Teknologi Sepuluh Nopember, Surabaya 3. Institut Teknologi Sepuluh Nopember, Surabaya

  

Kontak Person :

  Ashafidz Fauzan Dianta

  

Gedung B, C dan D, Kampus Teknik Elektro ITS, Sukolilo

Surabaya, 60111

Phone: 031-5922936 email

  

Abstrak

Cara berjalan seseorang adalah sangat unik, sebab cara berjalan seseorang sangat tergantung pada

struktur tulang dan otot orang tersebut, hal itulah yang menjadikan cara berjalan seseorang menjadi

unik. Penelitian ini bermaksud melakukan eksplorasi bagaimanakah keunikan pola gerakan berjalan

seseorang, dapatkah kita melakukan klasifikasi seseorang dari cara berjalannya. Data lintasan

marker / marker trajectory data kami gunakan sebagai input sistem biometrik. Data trayektori marker

ini kami klasifikasikan berdasarkan individu. Dalam penelitian ini, kami mengukur 8 orang sehat

yang kami arahkan untuk berjalan secara normal di lintasan berjalan di laboratorium motion capture,

dengan kecepatan jalan sesuai kenyamanan masing-masing subjek. Pada kaki kanan dan kiri, kami

tempelkan marker sebanyak 16 buah (lower limbs). Setiap marker akan memiliki data lintasan 3D,

yaitu lintasan pada sumbu X, Y dan Z. Naive Bayesian algorithm kami gunakan sebagai classifier pola

gerakan markernya. Jumlah keseluruhan data marker yang kami analisis sebanyak 50 data marker

berjalan, dari 8 subyek manusia sehat. Dari hasil eksperimen tersebut, sebanyak 16 data cara

berjalan kami trainingkan ke dalam sistem pengenalan, dan sebanyak 34 data cara berjalan kami

gunakan sebagai data uji sistem biometrik. Dari hasil uji coba tersebut, 95% data uji dapat dikenali

oleh sistem siapa pemilik cara berjalan tersebut, dan 5% system tidak tepat dalam mengenali pemilik

gaya berjalan tersebut.

  Kata kunci: Biometric marker base, gait analysis, system biometric gait Pendahuluan

  Berjalan merupakan aktifitas seseorang untuk berpindah tempat, tanpa kita sadari dalam sehari hari kita dapat berjalan sampai jauh. Sendi dan otot sangat berpengaruh terhadap pola berpindahnya seseorang dari satu tempat ke tempat yang lain [4]. Untuk meneliti gaya berjalan seseorang dibutuhkan sebuah perangkat teknologi, seperti kamera (berbasis video) atau menggunakan marker (berbasis

  marker

  atau pemindai). Penelitian tentang analisis gaya berjalan berbasis video memang sudah banyak dikembangkan ilmuan terdahulu [2], penelitian berbasis video memiliki beberapa kelemahan, salah satunya adalah kurang detailnya data gerakan kaki yang didapat.

  SENTRA

  IV-6

  Gambar 1 Pengambilan data gaya berjalan (gait) menggunakan pemindai (marker) [6 ; 7]

  Berjalan merupakan suatu rangkaian dari gait cycle, dimana satu gait cycle dikenal dengan sebutan langkah (stride). Vaughan et al tahun 1999, mendefinisikan siklus gait terdiri dari dua bagian, yaitu berdiri (stance) dimana kaki mengenai landasan dan bagian mengayun (swing) dimana kaki tidak mengenai landasan. Siklus gait dapat digambarkan sebagai berikut :

  Gambar 2 Siklus gait normal pada anak berusia 8 tahun [5]

  Tahap berdiri (stance phase) dibutuhkan waktu 60% dan tahap mengayun (swing phase) 40% dari seluruh waktu yang dibutuhkan untuk melakukan satu gait cycle. Tahapan-tahapan fase yang terjadi pada gait cycle antara lain yang pertama initial contact, loading response, mid-stance, terminal

  

stance, dan pre swing, ke lima tahapan tersebut masuk dalam stance phase. Sedangkan tiga tahapan

  fase berikutnya masuk kedalam tahapan swing phase, antara lain initial swing, mid swing, dan

  terminal swing [5].

  Metode pengembangan biometrik gait ada 2 cara, cara pertama berbasis video dan kedua berbasis marker atau pemindai. Teknik pengambilan data berbasis video dilakukan dengan cara gambar video diambil melalui kamera video dari satu arah, dan data tersebut diolah. Seperti penelitian [2] pergerakan mata kaki tanpa marker dengan menggunakan metode frame reader, pergerakan tersebut dapat diidentifikasi untuk dianalisis data gerakan berjalannya. Sedangkan pada penelitian [1] menggunakan marker yang akan ditempatkan pada objek yang akan diamati, marker akan diaplikasikan dengan di cat putih dan cat fluorescent. Kesimpulan dari penelitian tersebut, marker dapat di deteksi dengan baik oleh perangkat lunak, dimana marker tersebut ditempatkan pada objek apabila kecepatan berjalan pada lintasan sebesar 0,8 m/s.

  SENTRA Dalam penelitian ini, kami mengukur 8 orang sehat yang kami arahkan untuk berjalan secara normal di lintasan, dengan kecepatan jalan sesuai kenyamanan masing-masing subjek. Pada kaki kanan dan kiri, kami tempelkan marker sebanyak 16 buah (lower limbs). Setiap marker akan memiliki data lintasan 3D, yaitu lintasan pada sumbu X, Y dan Z. Peletakan posisi marker dapat dilihat pada gambar 3. Algoritma Naive Bayesian kami gunakan sebagai klasifikasi biometriknya, setelah beberapa tahapan pre-processing kami lakukan.

  Gambar 3 Implementasi marker pada posisi tulang [3]

  Metode Penelitian

  Secara umum metode penelitian untuk klasifikasi gaya berjalan pada paper ini ditunjukkan pada gambar 4, tahap pertama dimana data dalam bentuk C3D berisi subyek yang berjalan normal, data tersebut diekstrasi untuk mendapatkan nilai amplitudo dan panjang data dalam satu gait cycle pada tiap marker. Tahap berikutnnya adalah tahap pengklasifikasian dari database gait menggunakan algoritma Naive Bayesian.

  (1)

  Tabel 1 Data Tiap Marker

  RTOE (1) RHEE (2) ..... LASI (16) No. Subyek

  X Y Z

  X Y Z

  X Y Z Subyek 1

  1. Gait 1 121 177 128 137 177 124 151 176 138

  2. Gait 2 120 177 127 132 177 146 110 177 127

  3. Gait 3 106 167 123 117 167 121 120 162 136 125 177 129

  4. Gait 4 150 177 121 151 177 140 Subyek 2

  1. Gait 1 139 173 124 126 170 141 116 173 126

  2. Gait 2 116 171 126 139 171 121 136 166 135

  3. Gait 3 177 121 136 170 145 116 177 127 129 180 123 130 176 141 120 181 130

  4. Gait 4 140

  SENTRA

  IV-8

  SENTRA

  Gambar 4 Alur metode penelitian Hasil Penelitian dan Pembahasan Pada penelitian ini kami menganalisis 50 data gait cycle yang kami ambil dari 8 subyek sehat.

  1. Percobaan 1 71,43 94,12

  16 Data Training

  8 Data Training

  No. Data

  Tabel 2 Hasil percobaan klasifikasi

  Dari lima kali percobaan, tingkat kecocokan data lebih dari 90%, dari ke lima percobaan tersebut apabila prosentasi kami rata-rata tingkat keberhasilan klasifikasi yang di lakukan sebanyak 95,83%.

  Data tersebut kami ambil secara acak sebanyak 16 data untuk kami jadikan data training dan sisanya sebanyak 34 data kami jadikan data untuk pengujian, kami juga melakukan pengacakan data training pada setiap uji coba. 16 data training tersebut berasal dari 8 subyek, dan tiap subyek kami ambil 2 data gait cycle.

  4. Gait 4 146 175 125 160 177 144 142 177 123

  Subyek 3

  3. Gait 3 130 174 126 135 177 142 120 181 132

  2. Gait 2 150 174 121 158 180 143 130 181 124

  1. Gait 1 114 175 125 134 176 137 117 179 131

  Subyek 4

  4. Gait 4 101 149 106 111 149 117 90 149 106 ......

  3. Gait 3 105 149 108 114 155 119 96 155 109

  2. Gait 2 111 147 104 115 147 116 96 147 107

  1. Gait 1 101 150 110 115 152 117 98 153 110

  2. Percobaan 2 80,95 100,00

  3. Percobaan

  3 78,57 97,06

  4. Percobaan

  4 78,57 96,77

  5. Percobaan 5 83,33 91,18

  Grafik 1 Hasil percobaan klasifikasi Kesimpulan

  Dapat kami simpulkan bahwa data trayektori marker seseorang itu unik, meskipun secara kasat mata gaya berjalan seseorang itu kadang terlihat mirip. Hal ini disebabkan karena data lintasan marker dapat menggambarkan secara detail setiap gerakan naik turun dari kaki selama berjalan karena postur ataupun kerja otot yang khas untuk setiap orang. Untuk penelitian selanjutnya penggunaan metode klasifikasi lain mungkin dapat dijadikan pertimbangan untuk mendapatkan tingkat kecocokkan yang lebih maksimal.

  Daftar Notasi X : data sampel dengan klas (label) yang tidak diketahui.

  H : hipotesa bahwa X adalah data dengan klas (label) C. P(H) : peluang dari hipotesa H. P(X) : peluang data sampel yang diamati. P(X|H) : peluang data sampel X, bila diasumsikan bahwa hipotesa benar (valid).

  Referensi

  [1] Ariano D. Harjoko A. Sistem Pendeteksian Marker pada Analisis Gait Menggunakan Pengolahan Citra Digital. Yogyakarta: Postgraduate UGM; 2013 5. [2]

  Dewi E.M., Penentuan Titik Referensi Pada Pengambilan Gerak Tungkai Tanpa Marker Dengan Metode Kurva Bezier Untuk Analisis Gait, Thesis. Bandung: Postgraduate ITB; 2008. 4. [3]

  Swilling B.J. Human Walking Adaptations to Distal Limb Mass Disturbances: Investigating Biomimetic Performance Objectives. PhD Thesis. Cambridge: Postgraduate Massachusetts Institute of Technology; 2005. 3.

  [4] Trew M., Everett T. Human Movement An Introductory Text. Fourth Edition, London: Churchill Livingstone. 2001. 2.

  [5] Vaughan C.L., Davis B.L., O’Connor J.C. Dynamics of Human Gait. Second Edition, Kiboho Publishers. 1999 1.

  [6] Wibawa A. D., Lower Limb Musculoskeletal Modeling During Normal Walking, One-Legged

  Forward Hopping, Side Jumping and Knee Flexion. PhD Thesis, University of Groningen; The Netherlands, 2014 6. [7] Wibawa A., D.,

   Validating Numerical Simulation of Lower Limbs muscle activity during Normal walking and Side Jumping. Journal of Biomechanics, Volume 45, Supplement 1, Page S486 7.

  SENTRA

  IV-10