KLASIFIKASI AKTIVITAS MANUSIA MENGGUNAKAN ALGORITME COMPUTED INPUT WEIGHT EXTREME LEARNING MACHINE DENGAN REDUKSI DIMENSI PRINCIPAL COMPONENT ANALYSIS
| Main Author: | Sofyan Irwanto, M. |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2021
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/184538/1/M.%20Sofyan%20Irwanto.pdf http://repository.ub.ac.id/184538/ |
Daftar Isi:
- Salah satu bidang penelitian yang sangat penting yaitu pengenalan aktivitas manusia secara otomatis dikarenakan potensi penerapannya di berbagai bidang lain seperti pengawasan, lingkungan cerdas, maupun kesehatan. Dari berbagai pendekatan yang pernah dilakukan untuk mengenali aktivitas manusia, teknik berbasis sensor diketahui lebih unggul daripada teknik lain seperti teknik berbasis visi komputer. Teknik berbasis sensor juga dapat dilakukan menggunakan ponsel cerdas, namun penggunaan ponsel cerdas memiliki kekurangan dalam melakukan komputasi algoritme yang kompleks. Apalagi, data hasil ekstraksi fitur dari sinyal yang ditangkap oleh sensor memiliki dimensi yang tinggi. Oleh karena itu, diperlukan sebuah metode untuk mengurangi dimensi fitur dari data, serta melakukan klasifikasi terhadap data tersebut dengan cepat dan tepat. Salah satu metode yang dapat digunakan untuk mengurangi dimensi fitur dari sebuah data adalah Principal Component Analysis (PCA), dan salah satu metode klasifikasi yang dapat digunakan adalah Computed Input Weight Extreme Learning Machine (CIW-ELM). Oleh karena itu, penelitian ini akan menggunakan kedua metode tersebut untuk melakukan klasifikasi aktivitas manusia. Pada penelitian ini juga dilakukan pemilihan hypeparameter terbaik pada masing-masing metode menggunakan metode Grid Search Cross Validation. Hyperparameter terbaik yang didapatkan untuk algoritme PCA adalah dengan nilai k = 207, serta untuk algoritme CIW-ELM dengan jumlah hidden neuron = 600 dan fungsi aktivasi sigmoid. Hasil akurasi yang didapatkan pada penelitian ini adalah 0,957 dan rata-rata f-measure sebesar 0,958 dengan waktu pelatihan selama 0,57 detik.