Pengenalan Aktivitas Manusia Menggunakan Sensor pada Smartphone dengan Convolutional Neural Network dan Long Short-Term Memory

ILHAM IMADUDDIN, Raden Sumiharto S.Si., M.Kom.

2017 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Pengenalan aktivitas manusia adalah salah satu masalah yang berusaha diselesaikan dalam pengembangan lingkungan cerdas. Agar dapat digunakan secara praktis, berbagai percobaan dilakukan untuk mengenali aktivitas manusia menggunakan sensor yang tertanam pada ponsel cerdas. Beberapa metode pembelajaran mesin telah digunakan untuk mengklasifikasikan aktivitas dengan cukup baik, namun terhambat oleh kesulitan pemilihan representasi data yang terbaik. Pada penelitian ini dilakukan penyusunan sistem pengenalan aktivitas manusia berdasarkan data sensor akselerometer dan giroskop dari ponsel cerdas dengan deep learning untuk pencarian representasi data secara otomatis. Model deep learning dibuat untuk mengklasifikasikan aktivitas manusia. Lapisan convolutional neural network dan long short-term memory disusun untuk mengekstrak fitur dari data sensor. Fitur-fitur tersebut kemudian diklasifikasi dengan lapisan classifier untuk menghasilkan enam aktivitas yang berbeda, yaitu duduk, berdiri, berjalan, berlari, menaiki tangga dan menuruni tangga. Jaringan tersebut diregularisasi dengan dropout untuk mencegah overfitting. Optimasi hyperparameter dilakukan untuk mencari model yang optimal. Pengujian sistem dilakukan untuk mengukur akurasi klasifikasi dan mengukur kecepatan klasifikasi pada ponsel cerdas. Hasil pengujian dengan hyperparameter optimal menunjukkan tingkat akurasi klasifikasi sebesar 93,65%. Pengujian klasifikasi pada tiga ponsel cerdas yang berbeda menunjukkan waktu komputasi tercepat 81 ms dan terlambat 389 ms.

Human activity recognition is an unsolved problem in the development of smart environment. Researchers have been using embedded sensor on smartphone to practically recognize human activity. Several machine learning method have been used with good result, but it requires the researcher to hand-design the best data representation. This research is an attempt to create a human activity recognition system based on accelerometer and gyroscope data from smartphone with deep learning to find an optimal data representation. A deep learning model is created to classify human activity. Layers of convolutional neural networks and long short-term memory are stacked to extract abstract features from sensor data. Those features are classified with a classifier layer to predict six different activities: sit, stand, walk, jog, walking upstairs and walking downstairs. The network is regularized with dropout to prevent overfitting. The hyperparameter is optimized to find the optimum model. The system are tested to measure classification accuracy and to measure computation time on smartphones. A test with optimized hyperparameter resulted in 93.65% accuracy. Computation time are tested on three different smartphone, the result shows that the mininum computation time is 81 ms while the maximum computation time is 389 ms.

Kata Kunci : deep learning, optimasi hyperparameter, ekstraksi fitur