Sistem Klasifikasi Aktivitas Manusia Menggunakan Sensor Accelerometer Dan Gyroscope Dengan Metode K-Nearest Neighbor Berbasis Arduino
| Main Author: | Rahmah, Fadhilatur |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/13789/1/Fadhilatur%20Rahmah.pdf http://repository.ub.ac.id/13789/ |
Daftar Isi:
- 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 terdapat sistem yang menggunakan satu sensor yang diletakan pada bagian tubuh yang ditentukan dan sistem yang menggunakan dua sensor. 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. Dari hasil pengujian yang telah dilakukan masing-masing sebanyak 80 kali, 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 yang dilakukan masing-masing sebanyak 20 kali, 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.