Klasifikasi Aktivitas Manusia Menggunakan Metode Long Short-Term Memory

Abstract

Bahasa Indonesia

Klasifikasi aktivitas manusia merupakan salah satu topik penelitian yang penting karena dapat diterapkan pada berbagai bidang. Penelitian mengenai klasifikasi aktivitas manusia sebelumnya telah banyak dikembangkan dengan menerapkan dataset public HAR Repository yang telah tersedia. Namun dataset tersebut memiliki hasil dari ekstraksi fitur keluaran nilai sensor memiliki dimensi yang tinggi. Tingginya dimensi fitur dapat menyebabkan penurunan akurasi, untuk itu pada penelitian ini diusulkan penerapan dataset primer tanpa ekstraksi fitur. Selain tingginya dimensi, pada penelitian sebelumnya, banyaknya jumlah label dengan menerapkan machine learning tradisional tidak mampu melebihi akurasi 88%. Sehingga pada penelitian ini menerapkan dataset primer dengan menggunakan label kelas sebanyak 16 sehingga diusulkan metode deep learning Long Short Term Memory (LSTM). Proses penelitian dimulai dari pengambilan data, preprocessing data, modelling dan perbandingan algoritma deep learning LSTM dan machine learning KNN. Berdasarkan hasil pengujian perbandingan kedua algoritma tersebut dengan implementasi dataset yang sama, algoritma terbaik yaitu LSTM dengan nilai akurasi sebesar 0.94 dan KNN dengan nilai akurasi sebesar 0.71.

English

Klasifikasi aktivitas manusia merupakan salah satu topik penelitian yang penting karena dapat diterapkan pada berbagai bidang dan memiliki manfaat yang luas. Penelitian mengenai klasifikasi aktivitas manusia sebelumnya telah banyak dikembangkan dengan menerapkan dataset publik pada repositori dataset Human Activity Recognition. Namun dataset tersebut memiliki fitur yang berdimensi tinggi sehingga dataset memiliki dimensi yang tinggi pula. Pada beberapa penelitian sebelumnya menunjukkan bahwa algoritma SVM dan Random Forest merupakan algoritma dengan nilai akurasi yang lebih unggul dibandingkan dengan model lainnya. Akan tetapi berdasarkan penelitian tersebut model tersebut belum pernah diimplementasikan pada kasus riil yaitu pada perangkat bergerak. Penelitian ini mengusulkan model pengenalan aktivitas manusia dengan kasus riil dengan dataset primer yang dikumpulkan dengan menggunakan smartphone. Pengambilan dataset primer melibatkan 10 responden. Data yang terkumpul dengan smartphone direkam melalui sensor menghasilkan dataset berbentuk data time series. Dataset primer yang digunakan masih memiliki nilai yang besar dan kurangnya keseimbangan jumlah label kelas sehingga eksperimen dimulai dengan tahapan preprocessing yang dilakukan dengan menggunakan moving average untuk mereduksi data tanpa menghilangkan informasi. Selain itu juga dilakukan SMOTE untuk menyeimbangkan jumlah masing - masing kelas data. Data latih memiliki proporsi sebanyak 80%, data validasi sebanyak 10% dan data uji sebanyak 10%. Penelitian ini menggunakan LSTM untuk klasifikasi aktivitas manusia karena algoritma ini sangat baik untuk memproses data time series berjumlah banyak. Hasil klasifikasi kemudian dibandingkan dengan algoritma terbaik pada beberapa penelitian sebelumnya. Hasil eksperimen didapatkan bahwa model LSTM dapat mengungguli model SVM dan Random Forest. Hasil klasifikasi menggunakan algoritma LSTM mencapai akurasi, Precision, Recall, dan F1-score 95%, 96%, 95%, dan 95%, secara berurutan. Abstract Human activity classification is one of the important research topics because it can be applied to various fields and have broad benefits. Research on human activity classification has previously been developed by applying public datasets to the available Human Activity Recognition dataset repository. However, the dataset has high dimensional features so that the dataset has high dimensions as well. Previous study has shown that SVM and Random Forest algorithms are algorithms with superior accuracy values compared to other models. However, based on previous research, the model has never been implemented in real cases, namely on mobile devices. This research proposes a human activity recognition model in real cases situation with primary datasets collected using smartphones. The data collection for the dataset involved 10 respondents. The data collected using a smartphone recorded via sensors to produce a dataset in the form of time series data. The primary dataset used still has a large value and there is a lack of balance in the number of class labels. To this end, the experiment begins with a preprocessing stage which is carried out using a moving average to reduce the data without losing information. In addition, SMOTE was also carried out to balance the number of each data class. The proportion of training data, validation data, and testing data is 80%, 10%, and 10%, respectively. This research uses LSTM for human activity classification because this algorithm is very good for processing large amounts of time series data. The classification results were then compared with the best algorithms in several previous studies. Experimental results show that the LSTM model can outperform the SVM and Random Forest models. Classification results using the LSTM algorithm reached Accuracy, Precision, Recall, dan F1-score 95%, 96%, 95%, and 95%, respectively.