Sistem Klasifikasi Aktivitas Manusia Menggunakan Sensor Accelerometer dan Gyroscope dengan Metode K-Nearest Neighbor Berbasis Arduino

  Vol. 3, No. 1, Januari 2019, hlm. 8497-8506 http://j-ptiik.ub.ac.id

  

Sistem Klasifikasi Aktivitas Manusia Menggunakan Sensor Accelerometer

dan Gyroscope dengan Metode K-Nearest Neighbor Berbasis Arduino

_{1 2 3} Fadhilatur Rahmah , Hurriyatul Fitriyah , Issa Arwani

  Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya _{2 3} Email: hfitriyah@ub.ac.id, issa.arwani@ub.ac.id

  

Abstrak

  Teknologi pengenalan aktivitas manusia memungkinkan sebuah sistem mendeteksi aktivitas sederhana yang dilakukan manusia, seperti berdiri, duduk, berbaring, berjalan, berlari dan lain-lain menggunakan kamera atau sensor. Sistem pengenalan aktivitas manusia berbasis kamera memiliki kekurangan tidak adaptif terhadap cahaya sehingga akurasi yang didapatkan kurang baik, sedangkan sistem berbasis wearable sensor yang menggunakan banyak sensor menimbulkan ketidaknyamanan saat digunakan dan masalah daya tahan baterai. Sehingga pada penelitian ini dibuat sistem yang dapat mengklasifikasi aktivitas sederhana yang dilakukan manusia menggunakan sensor MPU6050 yang sudah terdapat sensor accelerometer dan gyroscope serta menggunakan metode klasifikasi k-Nearest

  

Neighbor . Input dari sistem ini adalah nilai pembacaan sensor accelerometer dan gyroscope yang

  dikirim menggunakan modul komunikasi wireless NRF24L01 kepada Arduino Mega sebagai perangkat yang melakukan klasifikasi dan menampilkan hasil klasifikasi pada Serial Monitor Arduino IDE. Pada penelitian ini pengujian dilakukan menggunakan satu sensor dan dua sensor. Dari hasil pengujian yang dilakukan, didapatkan hasil akurasi tertinggi sebesar 93,75% untuk sistem yang menggunakan satu sensor dengan peletakan sensor pada paha dan sebesar 96,25% untuk sistem yang menggunakan dua sensor dengan peletakan sensor pada paha dan pinggang. Untuk pengujian waktu komputasi metode k- Nearest Neighbor dalam melakukan klasifikasi aktivitas manusia, didapatkan rata-rata waktu yang dibutuhkan sebesar 173,6 milisecond untuk klasifikasi yang menggunakan satu sensor dan sebesar 353,2

  milisecond untuk klasifikasi yang menggunakan dua sensor.

  Kata kunci: accelerometer, gyroscope, klasifikasi aktivitas manusia, k-Nearest Neighbor

Abstract

  Human activity recognition technology allows a system to detect simple activities by humans, such

as standing, sitting, lying, walking, running and others using a camera or sensor. The camera-based

human activity recognition system has a lack of adaptability to light so that the accuracy obtained is not

good, while wearable sensor-based systems that use multiple sensors cause discomfort when used and

battery life problems. In this study a system can be made that can classify simple activities carried out

by humans using the MPU6050 sensor which has an accelerometer and gyroscope sensor and uses the

k-Nearest Neighbor classification method. Input from this system is the value of the accelerometer and

gyroscope sensor readings sent using the NRF24L01 wireless communication module to Arduino Mega

as a device that classifies and displays the classification results in Serial Monitor Arduino IDE. In this

study the test was carried out using one sensor and two sensors. From the results of the tests performed,

obtained the highest accuracy results of 93.75% for systems that use one sensor with sensor placement

on the thighs and 96.25% for systems that use two sensors with sensor placement on the thighs and

waist. For testing the computation time of the k-Nearest Neighbor method in classifying human

activities, the average time taken was 173.6 milliseconds for classification using one sensor and 353.2

milliseconds for classification using two sensors.

  Keyword: accelerometer, gyroscope, human activity recognition, k-Nearest Neighbor

  bidang yang sedang ramai dikembangkan 1. adalah smart home atau rumah pintar (Ivan,

   PENDAHULUAN

  2017). Smart home merupakan salah satu Perkembangan teknologi yang semakin penerapan teknologi yang memungkinkan pesat menghasilkan berbagai inovasi penghuni rumah dapat mengontrol berbagai teknologi dalam berbagai bidang. Salah satu

  Fakultas Ilmu Komputer Universitas Brawijaya peralatan rumah, terutama peralatan elektronik dengan satu genggaman, misal menggunakan smartphone atau perangkat yang lain (Ivan, 2017). Inti dari smart home adalah untuk memudahkan manusia melakukan pekerjaan rumah sehingga kualitas hidup semakin meningkat (Ivan, 2017).

  Salah satu inovasi teknologi yang bisa diterapkan dalam smart home adalah human

  Berdasarkan latar belakang yang telah diuraikan, penulis mengajukan penelitian mengenai sistem yang dapat mendeteksi aktivitas manusia menggunakan sensor

  IMPLEMENTASI 2.1. Gambaran Umum Sistem

  2. PERANCANGAN DAN

  mengklasifikasi hasil keluaran sensor tersebut ke dalam beberapa aktivitas yang ditentukan, yaitu berdiri, duduk, berbaring dan berjalan. Klasifikasi dilakukan menggunakan metode k-Nearest Neighbor. Metode klasifikasi k-Nearest Neighbor digunakan karena salah satu kelebihan metode ini yaitu tangguh terhadap training data yang noisy sesuai dengan karakteristik hasil keluaran sensor MPU6050 yang memiliki banyak noise (Sukma, et al., 2014).

  accelerometer dan gyroscope adalah dengan

  Prinsip kerja sistem klasifikasi aktivitas manusia menggunakan sensor

  bisa mendeteksi aktivitas manusia dengan tidak tergantung pada pencahayaan ruangan. Sensor yang digunakan adalah sensor MPU6050, dimana sensor ini sudah terintegrasi dengan sensor accelerometer dan gyroscope. sistem ini menggunakan Arduino sebagai pengendali utama sistem dan modul komunikasi wireless NRF24L01 untuk pengiriman dan penerimaan data sensor. Selain itu, pada penelitian ini akan diimplementasikan sistem yang menggunakan satu sensor dan sistem yang menggunakan dua sensor, sehingga diharapkan dapat menghasilkan sistem yang mendapatkan akurasi baik dengan sensor yang sedikit mungkin.

  Nearest Neighbor . Sistem ini diharapkan

  dipasang pada manusia dan akan diklasifikasi menggunakan metode k-

  accelerometer dan sensor gyroscope yang

  2017). Selain itu, penggunaan sensor yang cukup banyak juga dapat mengakibatkan masa penggunaan batrei yang semakin cepat habis (Cao, et al., 2017).

  activity recognition atau pengenalan

  2016). Namun, penggunaan sensor yang cukup banyak pada perangkat wearable, dapat menyebabkan ketidaknyamanan dalam pemakaian peangkat (Cao, et al.,

  Random forest dan decision tree (Zubair,

  dikenakan pada tubuh pengguna. Penelitian yang terkait dengan penelitian ini telah dilakukan oleh Muhammad Zubair yang menggunakan 4 buah sensor accelerometer yang ditempatkan pada 4 bagian tubuh yang berbeda, yaitu pinggang, paha kiri, pergelangan kaki kanan dan lengan kanan serta menggunakan metode klasifikasi

  device , dimana sistem yang dibuat dapat

  Sistem ini tergolong teknologi wearable

  accelerometer dan gyroscope yang ditempatkan pada beberapa bagian tubuh.

  Penelitian pengenalan aktivitas manusia yang lain menggunakan sensor

  Sistem untuk mendeteksi aktivitas manusia pernah diteliti menggunakan kamera yang akan mengambil gambar berupa citra yang kemudian diproses untuk mengenali aktivitas yang sedang dilakukan. Metode pengenalan aktivitas manusia berbasis citra mempunyai kekurangan yaitu tidak adaptif terhadap cahaya, sehingga akurasi sistem menurun apabila pencahayaan ruangan terlalu gelap atau terlalu terang (Putra, 2016).

  aktivitas manusia. Teknologi pengenalan aktivitas manusia memungkinkan sebuah sistem mendeteksi aktivitas sederhana yang dilakukan manusia, seperti berdiri, duduk, berbaring, berjalan, berlari dan lain-lain menggunakan kamera atau sensor. Pengenalan aktivitas manusia banyak diaplikasikan untuk perawatan kesehatan seperti memantau aktivitas pasien yang sedang menjalani terapi (Jain & Kanhangad, 2018). Dalam penerapannya, pengenalan aktivitas manusia pada smart home bisa digunakan untuk mengontrol peralatan elektronik rumah berdasarkan aktivitas sederhana yang bisa dikenali oleh sistem.

  Penelitin ini melakukan perancangan sistem klasifikasi aktivitas manusia menggunakan satu sensor dan 2 sensor. Pada sistem yang menggunakan satu sensor, hanya terdapat 6 fitur pada klasifikasinya. Sedangkan sistem yang menggunakan 2 sensor terdapat 12 fitur dimana masing-masing sensor memiliki 6 fitur.

  Sistem yang menggunakan satu sensor, input hanya berasal dari satu sensor MPU6050, arduino nano bertindak sebagai mikrokontroler yang akan mengontrol input nilai sensor dan mengirimkan data nilai sensor menggunakan modul komunikasi

  wireless NRF24L01.

  Kemudian Arduino Mega yang terhubung dengan NRF24L01 akan menerima data nilai sensor dan melakukan klasifikasi. Output sistem yang berupa hasil klasifikasi akan ditampilkan pada Serial Monitor Arduino IDE.

  Sedangkan pada sistem yang menggunakan 2 sensor sebagai input untuk klasifikasi aktivitas manusia, terdapat 2 input yang berasal dari 2 sensor MPU6050. Masing-masing sensor dihubungkan dengan Arduino, sehingga terdapat 2 pengiriman yang akan diterima oleh Arduino Mega.

  Proses yang dilakukan pada sistem yang menggunakan 2 sensor sama dengan sistem yang menggunakan satu sensor, hanya berbeda pada data yang diterima oleh Arduino Mega. Proses klasifikasi hanya bisa dilakukan jika kedua nilai sensor sudah diterima oleh Arduino Mega.

  Perancangan sistem klasifikasi aktivitas manusia terdiri dari perancangan perangkat keras dan perancangan perangkat lunak. Perancangan perangkat keras pada sistem ini terdiri dari rangkaian sensor, modul komunikasi, dan mikrokontroler. Mikrokontroler dirangkai terhubung dengan sensor dan modul komunikasi agar dapat membaca nilai sensor yang kemudian dikirim ke mikrokontroler yang lain menggunakan modul komunikasi tersebut. Terdapat 2 rangkaian perangkat keras pada sistem ini, yaitu rangkain node sensor untuk akuisisi nilai sensor dan rangkaian untuk mikrokontroler yang bertugas mengolah data dengan metode K-Nearest Neighbor. Adapun gambar skematik rangkaian ditunjukkan oleh Gambar 1 tentang gambar skematik rangkaian untuk akuisisi data.

  Gambar 1. Gambar Skematik Rangkaian Akuisisi Data

  Berdasarkan Gambar 1 diketahui bahwa terdapat empat komponen perangkat keras yang digunakan pada rangkaian akuisisi data, yaitu Arduino Nano, Sensor MPU6050, NRF24L01 dan baterai 9 volt. Arduino Nano berperan sebagai otak sistem yang mengendalikan input,

  output dan komponen lain. Sensor MPU6050

  yang digunakan untuk mengambil nilai sensor accelerometer dan gyroscope dihubungkan dengan Arduino Nano menggunakan interface

  I2C (Inter Integrated Circuit ). Modul komunikasi wireless NRF24L01 digunakan untuk pengiriman dan penerimaan data sensor antar Arduino. Komunikasi antara modul NRF24L01 dengan Arduino menggunakan interface SPI (Serial Peripheral Interface). Perangkat tambahan pada rangkaian ini adalah baterai 9 volt yang digunakan untuk memberi daya Arduino Nano. Pin positif pada baterai terhubung dengan pin Vin pada Arduino Nano dan pin negatif baterai terhubung dengan pin Ground Arduino Nano.

2.2. Perancangan Sistem

  Pada sistem untuk klasifikasi aktivitas manusia ini, selain rangkaian perangkat keras untuk akuisisi data, juga terdapat rangkaian penerima dan pengolahan data yang terdiri dari Arduino Mega 2560 dan modul NRF24L01 yang dihubungkan dengan komputer/laptop menggunakan kabel USB. Adapun gambar skematik rangkaiannya ditunjukkan oleh Gambar 2 tentang gambar skematik rangkaian penerima dan pengolah data. sensor dimulai dengan inisialisasi pin yang digunakan modul NRF24L01, variabel-variabel yang digunakan dalam program dan alamat radio modul NRF24L01 untuk pengiriman data. Kemudian sistem akan memulai komunikasi radio sebelum proses pengiriman data. Terdapat perulangan sebanyak tiga kali untuk membaca dan mengolah nilai sensor. Sistem membaca nilai sensor accelerometer dan gyroscope dan

  Gambar 2. Gambar Skematik Rangkaian Penerima

  mengolahnya untuk menghasilkan total nilai

  dan Pengolah Data accelerometer dan total nilai gyroscope. Setelah

  itu, data hasil pembacaan dan pengolahan nilai Gambar 2 menunjukkan gambar skematik sensor dimasukkan dalam array dan dikirimkan rangkaian penerima dan pengolah data yang menggunakan modul komunikasi wireless. terdiri dari mikrokontroler Arduino Mega dan

  Rumus untuk menghitung total nilai modul komunikasi wireless NRF24L01. accelerometer terdapat pada Persamaan (1). Arduino Mega akan menerima data sensor dari rangkaian akuisisi data dan melakukan

  2

  2

  2 (1) = √

  klasifikasi menggunakan metode k-Nearest

  Neighbor . Hasil klasifikasi akan ditampilkan

  Pada Persamaan (1), AT (Acceleration pada Serial Monitor Arduino IDE. Total) merupakan simbol untuk menyatakan

  Perancangan perangkat lunak terdiri dari total nilai sensor accelerometer. Ax merupakan perangkat lunak untuk akuisisi data dan variabel yang menyatakan komponen nilai perangkat lunak untuk penerima dan klasifikasi sensor accelerometer terhadap sumbu x, Ay data dengan metode k-NN. Diagram alir menyatakan komponen nilai accelerometer program akuisisi data terdapat pada Gambar 3. sumbu y dan Az menyatakan komponen nilai

  Mulai accelerometer sumbu z. Sedangkan rumus untuk

  menghitung total nilai sensor gyroscope terdapat pada Persamaan (2).

  Inisialisasi

  2

  2

  2 variabel, pin dan

  (2) = √

  alamat radio Menghitung

  Pada persamaan (2), GT (Gyroscope Total)

  nilai total accelerometer

  merupakan simbol untuk menyatakan total nilai

  dan gyroscope

  sensor gyroscope. Gx merupakan variabel yang

  Memulai komunikasi

  menyatakan komponen nilai sensor gyroscope

  radio

  terhadap sumbu x, Gy menyatakan komponen nilai gyroscope sumbu y dan Gz menyatakan

  i komponen nilai gyroscope sumbu z.

  Data yang telah dikirim akan diterima For i in oleh rangkaian Arduino Mega untuk range(0,2 Mengirim

  ) dilakukan klasifikasi . Modul komunikasi data nilai sensor wireless pada Arduino Mega juga dalam array mempunyai alamat yang sama seperti modul komunikasi yang terhubung dengan Arduino

  Mendapatka n nilai x,y,z Nano. Flowchart atau diagram alir program sensor Selesai penerima data dan klasifikasi ditunjukan acceleromet er dan pada Gambar 4. gyroscope

  Gambar 3. Flowchart Program Akuisisi Data Sensor

  Pada Gambar 3 diketahui sistem akuisi data Pada Gambar 4, sistem terlebih dahulu melakukan inisialisasi variabel-variabel yang digunakan dalam program, pin-pin yang terhubung dengan komponen perangkat keras, alamat radio yang digunakan dan kelas klasifikasi. Kemudian melakukan inisialisasi data latih yang digunakan untuk proses klasifikasi. Setelah itu sistem akan memulai komunikasi radio dan mengecek apakah terdapat radio yang mengirim data ke alamat sistem. Jika ada, data akan diterima dan menjadi parameter untuk fungsi k-nn().

  Flowchart atau diagram alir metode k- Nearest Neighbor terdapat pada Gambar 5

  tentang flowchart fungsi k-NN.

  Flowchart atau diagram alir pada Gambar 5

  merupakan tahapan program metode klasifikasi k-Nearest Neighbor. Input dari program ini merupakan data yang sudah diterima oleh Arduino Mega yang berasal dari nilai sensor yang telah diolah oleh sistem pengirim data. Langkah awal dari metode ini adalah penentuan nilai k yang digunakan untuk menentukan jumlah tetangga terdekat yang akan dicari kelas yang paling banyak muncul. Kemudian dilakukan perhitungan jarak euclidean antara data uji dan seluruh data latih. Setelah itu data diurutkan berdasarkan jarak euclidean terkecil

  Inisialisasi variabel, pin, alamat radio dan kelas klasifikasi Pembacaan data latih Memulai komunikasi radio Jika radio tersedia Mulai

  Selesai Menerima data nilai sensor Klasifikasi k-

  NN() Y T

  Hasil Inisialisasi variabel, menentukan nilai K Menghitung jarak euclidean antara data uji dan data latih Mengurutkan data berdasarkan jarak euclidean terkecil hingga terbesar

  Mencari kelas yang paling banyak muncul pada kelompok data K Menampilkan hasil klasifikasi Mulai

  Selesai Mengambil data pertama sebanyak K untuk dikelompokkan

  Data nilai sensor Gambar 5. Flowchart Fungsi k-NN() Gambar 4. Flowchart Penerima Data hingga terbesar dan data dari data pertama hingga data ke-k. Kelompok data k akan dicari kelas yang paling banyak muncul untuk dijadikan sebagai hasil klasifikasi.

2.3. Implementasi Sistem

  Proses pengimplementasian perangkat keras berupa board Arduino Nano, NRF24L01 dan modul MPU6050 serta batrei yang akan menjadi daya dari arduino. Semua komponen dirangkai di PCB yang disolder sesuai dengan perancangan perangkat keras. Implementasi rangkaian perangkat keras yang menggunakan

  Gambar 7. Implementasi Perangkat Keras dengan satu sensor ditunjukkan pada Gambar 6.

  Dua Sensor

  Pada Gambar 7 terdapat 2 rangkaian untuk pembacaan sensor. Kedua rangkaian tersebut mengirim hasil pembacaan sensor kepada Arduino Mega. Sehingga proses klasifikasi baru bisa dilakukan jika Arduino Mega sudah menerima semua data yang dikirimkan oleh sensor.

  Selain itu, terdapat implementasi penentuan posisi peletakan sensor pada beberapa bagian tubuh manusia. Pada implementasi penentuan posisi peletakan sensor, terdapat penentuan

  Gambar 6. Implementasi Perangkat Keras dengan

  peletakan sensor pada beberapa bagian tubuh

  Satu Sensor

  untuk dicari posisi peletakan yang menghasilkan akurasi paling baik. Penelitian ini menggunakan Pada Gambar 6 terlihat bahwa sensor 5 anggota tubuh yang berbeda untuk peletakan

  MPU6050 dirangkai dengan Arduino Nano dan sensor, yaitu kepala, lengan, pinggang, paha dan NRF24L01 pada satu PCB yang akan digunakan kaki bagian bawah. Gambar peletakan sensor untuk pengambilan data. Sedangkan Arduino ditunjukan pada Gambar 8 tentang posisi Mega yang sudah dirangkai dengan modul peletakan sensor pada bagian tubuh. NRF24L01 digunakan untuk menerima data dari Arduino Nano dan mengklasifikasikan data tersebut menggunakan metode k-Nearest

  Neighbor . Rangkaian Arduino Mega harus

  disambungkan dengan komputer/laptop secara serial menggunakan USB untuk melihat hasil klasifikasi yang akan ditampilkan di Serial Monitor Arduino IDE.

  Selain sistem yang menggunakan satu sensor, penelitian ini juga melakukan pengujian menggunakan sistem dengan 2 sensor MPU6050. Rangkaian dan komponen yang digunakan sama dengan sistem yang menggunakan satu sensor, perbedaannya hanya pada jumlah rangkaian akuisisi data, dimana pada sistem yang menggunakan 2 sensor

  Gambar 8. Posisi Peletakan Sensor pada Bagian terdapat 2 rangkaian akuisi data sensor.

  Tubuh

  Implementasi perangkat keras dengan 2 sensor terdapat pada Gambar 7.

  Pada sistem yang menggunakan satu sensor, posisi peletakan sensor yang digunakan sesuai dengan Gambar 8 terdapat pada Tabel 1. Tabel 1. Posisi Peletakan Satu Sensor 3.

   PENGUJIAN DAN ANALISIS POSISI KE- LETAK SENSOR 3.1. Pengujian Fungsional Sistem

  Posisi 1 Paha Pengujian ini dilakukan untuk menguji

  Posisi 2 Kaki Bagian Bawah kinerja fungsional sistem sesuai dengan Posisi 3 Lengan kebutuhan fungsional sistem. Pengujian Posisi 4 Pinggang fungsional terdiri dari pengujian pembacaan Posisi 5 Kepala nilai sensor, pengujian pengiriman data sensor dan pengujian tampilan pada Serial Monitor

  Sedangkan pada sistem yang menggunakan Arduino IDE. Hasil pengujian fungsional dua sensor, terdapat kombinasi dari anggota terdapat pada Tabel 3. tubuh yang menjadi posisi peletakan sensor. Dari 5 posisi peletakan sensor pada Gambar 8, dibuat

  Tabel 3. Hasil Pengujian Fungsional Sistem

  kombinasi 2 posisi setiap pengujian. Perhitungan

  No Pengujian yang Dilakukan Status

  kombinasi peletakan sensor yang

  1 Pengujian pembacaan nilai sensor Berhasil

  memungkinkan terjadi dapat dihitung

  MPU6050, sensor tersebut dapat menggunakan rumus pada Persamaan 3. membaca data mentah atau raw data sensor accelerometer dan

  ! (3) gyroscope serta mengolahnya

  ( , ) = !( − )! menjadi total nilai accelerometer dan total nilai gyroscope.

  Dari 5 posisi peletakan sensor, dibuat

  2 Pengujian pengiriman data Berhasil

  kombinasi setiap 2 posisi, sehingga didapatkan

  sensor, sistem dapat mengirim

  jumlah kombinasi sebagai berikut:

  dan menerima data sensor menggunakan modul komunikasi 5!

  (5,2) = wireless NRF24L01, dengan

  2! (5 − 2)! meminimalisir data yang hilang.

  5!

  3 Pengujian Tampilan pada Serial Berhasil (5,2) =

  2! 3! Monitor Arduino IDE, sistem dapat menampilkan output 5 4 3 2 1

  (5,2) = program sesuai dengan 2 1 3 2 1 perancangan dan implementasi

  10 (5,2) = sistem.

  Berdasarkan perhitungan kombinasi

  2 Berdasarkan Tabel 3 diketahui bahwa seluruh peletakan sensor terhadap 5 posisi bagian tubuh, kebutuhan fungsional sistem berhasil dijalankan didapatkan 10 kombinasi peletakan sensor yang sesuai dengan perancangan dan implementasi. akan dilakukan pengujian untuk mendapatkan posisi dengan akurasi paling tinggi. Kombinasi

  3.2. Pengujian Nilai K

  peletakan sensor untuk sistem yang Tujuan pengujian nilai k adalah untuk menggunakan sensor terdapat pada Tabel 2. mendapatkan nilai k yang menghasilkan akurasi

  Tabel 2. Kombinasi Posisi Peletakan 2 Sensor

  tertinggi pada sistem klasifikasi aktivitas manusia. Nilai k dengan akurasi tertinggi akan

POSISI KE- LETAK SENSOR

  dijadikan nilai k tetap pada program. Pengujian Posisi 1 Paha dan kaki bagian bawah dilakukan dengan menguji coba nilai k sama Posisi 2 Paha dan lengan dengan 1 hingga nilai k sama dengan 10.

  Posisi 3 Paha dan pinggang Pengujian ini dilakukan dengan mengambil

  Posisi 4 Paha dan kepala data aktivitas manusia sebanyak 5 data setiap Posisi 5 Kaki bagian bawah dan kelas klasifikasi. Data diambil dari semua posisi lengan peletakan sensor, baik pada peletakan yang

  Posisi 6 Kaki bagian bawah dan menggunakan satu sensor maupun peletakan pinggang yang menggunakan dua sensor. Total posisi

  Posisi 7 Kaki bagian bawah dan peletakan sensor ada 15 posisi, sehingga total kepala data uji yang digunakan untuk pengujian nilai k

  Posisi 8 Lengan dan pinggang sebanyak 300 data, karena setiap posisi Posisi 9 Lengan dan kepala peletakan sensor terdapat 20 data. Hasil

  Posisi 10 Pinggang dan kepala pengujian nilai k terdapat pada Gambar 9.

  Gambar 9. Hasil Pengujian Nilai k

  Pada Gambar 9 diketahui bahwa hasil akurasi tertinggi dari pengujian terhadap 300 data dari seluruh posisi peletakan sensor didapatkan bahwa nilai k sama dengan 3 menghasilkan akurasi tertinggi, yaitu 72,33%. Sehingga pada implementasi program yang akan digunakan untuk sistem klasifikasi aktivitas manusia, digunakan nilai k sama dengan 3.

  Pengujian akurasi sistem bertujuan untuk mengetahui akurasi sistem klasifikasi aktivitas manusia menggunakan metode k-Nearest Neighbor. Selain itu pengujian ini juga dilakukan untuk mendapatkan posisi peletakan sensor yang paling akurat dari sistem yang menggunakan satu sensor dan sistem yang menggunakan dua sensor.

  Pengujian ini dilakukan dengan melakukan aktivitas yang telah ditentukan, yaitu berdiri, duduk, berbaring dan berjalan. Penelitian ini membutuhkan empat orang yang berbeda dalam pengujiannya. Dari hasil pengujian terhadap satu sensor, didapatkan akurasi setiap posisi peletakan sensor yang ditunjukkan pada Gambar 10.

  Gambar 10. Hasil Akurasi Sistem dengan Satu Sensor

  Dari Gambar 6.4 dapat disimpulkan bahwa hasil akurasi yang paling tinggi dari sistem dengan satu sensor saat diletakkan di paha dengan akurasi sebesar 93,75%. Sedangkan akurasi terendah adalah posisi peletakan di kepala, yang mendapatkan akurasi sebesar

  53,75%. Posisi di paha mendapatkan akurasi tertinggi karena ketika sensor diletakan di paha, posisi sensor mengalami perubahan dari posisi tegak ketika berdiri menjadi posisi tidur ketika duduk atau berbaring. Sedangkan hasil akurasi peletakan sensor yang menggunakan dua sensor terdapat pada Gambar 11.

  Gambar 11. Hasil Akurasi Sistem dengan Dua Sensor

  Dari hasil pengujian pada Gambar 11, didapatkan hasil bahwa posisi yang paling akurat terletak pada posisi nomor 3 atau di posisi paha dan pinggang yang mendapatkan akurasi sebesar 96,25%. Sedangkan akurasi terendah sebesar 58,75% pada posisi lengan dan kepala. Pada setiap posisi peletakan sensor, terdapat aktivitas yang nilai akurasinya sangat rendah dan ada juga yang nilai akurasinya sangat tinggi. Hal tersebut karena nilai keluaran sensor hampir sama pada 2 aktivitas yang berbeda, sehingga sistem sulit untuk membedakan 2 aktivitas yang nilai sensornya hampir sama.

3.3. Pengujian Akurasi Sistem

  3.4. Pengujian Waktu Komputasi Klasifikasi k-Nearest Neighbor

  Pengujian ini dilakukan untuk mengetahui waktu yang dibutuhkan sistem untuk melakukan klasifikasi aktivitas manusia menggunakan metode k-Nearest Neighbor . Pengujian dilakukan dengan cara menghitung waktu dari sistem menerima semua data sensor hingga selesai melakukan klasifikasi, yaitu ketika sistem menampilkan hasil klasifikasi. Pengujian waktu komputasi dilakukan pada sistem yang menggunakan satu sensor dan sistem yang menggunakan dua sensor. Masing-masing pengujian dilakukan sebanyak

  20 kali. Kemudian seluruh hasil pengujian dirata-rata untuk mendapatkan rata-rata waktu komputasi klasifikasi k-Nearest Neighbor . Untuk mendapatkan waktu komputasi sistem, digunakan fungsi milis() pada kode program klasifikasi aktivitas manusia. Fungsi milis() menghasilkan waktu dalam format milisecond. hasil rata-rata waktu komputasi sebesar 353,2 ms Hasil pengujian terdapat pada Tabel 4. atau 0,353 detik untuk 20 kali pengujian.

  Tabel 4. Hasil Pengujian Waktu Komputasi 4.

   KESIMPULAN Waktu yang dibutuhkan Pada penelitian ini telah dibuat No.

  Klasifikasi Klasifikasi 2

Pengujian rancangan sistem klasifikasi aktivitas

satu sensor sensor manusia menggunakan sensor

  Pengujian 170 ms 353 ms accelerometer dan gyroscope dengan ke-1 metode k-Nearest Neighbor berbasis

  Pengujian 169 ms 353 ms ke-2

  Arduino. Proses perancangan dimulai Pengujian dengan merancangan komponen-komponen

  174 ms 353 ms ke-3 perangkat keras untuk membuat rangkaian

  Pengujian 172 ms 354 ms akuisisi data dan rangkaian penerima data ke-4 dengan membuat rancangan koneksi antar

  Pengujian 175 ms 353 ms ke-5 pin komponen. Rangkaian akuisisi data Pengujian digunakan untuk mengambil nilai sensor

  170 ms 354 ms ke-6 accelerometer dan gyroscope kemudian

  Pengujian 173 ms 353 ms mengirimkannya menggunakan modul ke-7 komunikasi wireless NRF24L01. Sensor

  Pengujian 175 ms 353 ms yang digunakan adalah sensor MPU6050 ke-8 Pengujian yang sudah terdapat sensor accelerometer

  170 ms 353 ms ke-9 dan gyroscope di dalamnya. Rangkaian

  Pengujian penerima data digunakan untuk menerima

  174 ms 353 ms ke-10 data sensor yang telah dikirimkan oleh

  Pengujian 174 ms 353 ms rangkaian akuisisi data serta melakukan ke-11 klasifikasi terhadap data tersebut. Setelah itu

  Pengujian 176 ms 353 ms ke-12 dilakukan perancangan perangkat lunak

  Pengujian berupa perangkat lunak untuk sistem akuisisi

  176 ms 354 ms ke-13 data, perangkat lunak untuk sistem penerima

  Pengujian 174 ms 353 ms data dan perangkat lunak metode k-Nearest ke-14 .

  Neighbor Pengujian 176 ms 353 ms ke-15

  Implementasi sistem klasifikasi aktivitas Pengujian manusia menggunakan sensor

  174 ms 353 ms ke-16 accelerometer dan gyroscope dengan

  Pengujian 174 ms 353 ms metode k-Nearest Neighbor berbasis ke-17

  Arduino dilakukan dengan Pengujian 176 ms 353 ms mengimplementasikan komponen- ke-18 Pengujian komponen perangkat keras yang dirangkai

  176 ms 353 ms ke-19 pada PCB sesuai dengan perancangan sistem

  Pengujian 174 ms 354 ms perangkat keras. Program-program yang ke-20 dibutuhkan diimplementasikan sesuai

  Rata-rata 173,6 ms 353,2 ms dengan algoritma atau diagram alir yang telah dirancang. Kemudian rangkaian

  Berdasarkan hasil pengujian pada Tabel 4,

  akuisisi data yang berisi sensor diletakan

  didapatkan hasil rata-rata waktu komputasi metode k-Nearest Neighbor untuk klasifikasi pada bagian tubuh yang telah ditentukan, aktivitas manusia. Pengujian yang dilakukan

  yaitu kepala, lengan, pinggang, paha dan

  sebanyak 20 kali menghasilkan rata-rata waktu kaki bagian bawah. komputasi metode k-Nearest Neighbor sebesar

  Hasil pengujian fungsional sistem

  173,6 ms atau 0,174 detik untuk pengujian yang

  klasifikasi aktivitas manusia menggunakan

  menggunakan satu sensor. Sedangkan sistem

  sensor accelerometer dan gyroscope dengan

  yang menggunakan dua sensor mendapatkan

  Matching dan Algoritma Klasifikasi.

  metode k-Nearest Neighbor berbasis ResearchGate . Arduino menunjukkan bahwa sistem sudah berjalan sesuai dengan perancangan dan

  Sukma, A., Ramadhan, D., Santoso, B. P., Sari,

  implementasi. Didapatkan pula hasil akurasi T. R., & Wiraswari, N. A. (2014).

tertinggi sebesar 93,75% untuk sistem yang web.unair.ac.id. Retrieved April 23,

  2018, from

  menggunakan satu sensor dengan posisi

  http://web.unair.ac.id/admin/file/f_4138

  peletakan sensor berada di paha. Sedangkan

  2_STKI-KEL-2_K-NEAREST-

  akurasi terendah untuk sistem yang

  NEIGHBOR.pdf

  menggunakan satu sensor sebesar 53,75%

dengan posisi peletakan sensor berada di Zubair, M. (2016). Human Activity Recognition

  Using Wearable Accelerometer Sensors.

  kepala. Pada sistem yang menggunakan dua

  IEEE International Conference on sensor didapatkan hasil akurasi tertinggi Consumer Electronics-Asia, 1 , 978. sebesar 96,25% dengan peletakan sensor berada di paha dan pinggang. Sedangkan akurasi terendah sebesar 58,75% dengan peletakan sensor berada di lengan dan kepala.

  Hasil pengujian waktu komputasi metode k-Nearest Neighbor dalam melakukan klasifikasi aktivitas manusia didapatkan rata-rata waktu komputasi sebesar 173,6 ms atau 0,174 detik untuk pengujian yang menggunakan satu sensor dari 20 kali pengujian. Untuk pengujian yang menggunakan dua sensor didapatkan rata-rata waktu komputasi metode k-Nearest Neighbor dalam melakukan klasifikasi aktivitas manusia sebesar 353,2 ms atau 0,353 detik dari 20 kali pengujian.

5. DAFTAR PUSTAKA Cao, L., Wang, Y., Jin, Q., & Ma, J. (2017).

  ActiRecognizer: Design and implementation of a realtime human activity recognition system. IEEE, 71, 266.

  Ivan. (2017, Januari 31). Inovasi teknologi yang

  mengubah masa depan . Retrieved April

  10, 2018, from beritagar.id: https://beritagar.id/artikel/sains- tekno/inovasi-teknologi-yang- mengubah-masa-depan

  Jain, A., & Kanhangad, V. (2018, February 1).

  Human Activity Classification in Smartphones Using Accelerometer and Gyroscope Sensors. IEEE, 18(3), 1169.

  Putra, S. (2016). Identifikasi Aktivitas Manusia di Dalam Ruangan Menggunakan IP Camera dengan Metode Template