JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
Sistem Monitoring dan Tracking Aktivitas Fisik User Bergerak Berbasis Sensor Accelerometer dan GPS pada Perangkat Mobile Berbasis Android Menggunakan Metode Klasifikasi Decision Tree dan Naive Bayesian Aldila Hilman, Waskitho Wibisono Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected] Abstrak—Di era globalisasi sekarang ini, seiring dengan semakin berkembangnya teknologi, banyak orang berharap agar segala sesuatu menjadi lebih praktis. Dewasa ini, salah satu produk teknologi yang populer adalah perangkat mobile, karena teknologi perangkat mobile dapat dimanfaatkan di mana saja dan kapan saja. Banyak perangkat mobile yang dijual di pasaran saat ini juga telah dilengkapi dengan sensor accelerometer dan GPS. Di sisi lain, saat ini banyak orang yang ingin mengerti apakah aktivitas fisik yang mereka lakukan sehari-hari sudah memenuhi syarat untuk pola hidup sehat. Salah satu solusi dari masalah ini adalah adanya sistem monitoring terhadap aktivitas fisik yang dilakukan oleh seseorang setiap harinya. Pada Tugas Akhir ini penulis mengusulkan sebuah sistem yang dapat dimanfaatkan untuk melakukan monitoring terhadap aktivitas fisik pengguna dan tracking posisi pengguna secara real-time. Aktivitas pengguna yang akan dideteksi adalah berjalan, berlari, dan terlentang. Sistem ini akan memanfaatkan adanya fitur sensor accelerometer pada mobile Android untuk mendapatkan data accelerometer. Selanjutnya dengan menggunakan data accelerometer akan dilakukan proses pengenalan pola untuk mengenali aktivitas pengguna yang disebut dengan Activity Recognition. Activity Recognition merupakan persoalan klasifikasi, sehingga di sini penulis akan menggunakan Decision Tree dan Naïve Bayesian sebagai metode untuk klasifikasi. Uji coba telah dilakukan untuk menguji fungsionalitas dari sistem yang dibuat. Pengujian akurasi untuk pendeteksi aktivitas dengan metode klasifikasi Naïve Bayesian memberikan hasil dengan tingkat akurasi yang lebih tinggi (98,67%) dibandingkan dengan metode Decision Tree (92,33%) untuk seluruh aktivitas yang diuji dengan beberapa variasi panjang sampling. Kata Kunci—Accelerometer, Android, Decision Tree, Naïve Bayesian.
I. PENDAHULUAN
D
i era globalisasi sekarang ini, seiring dengan semakin berkembangnya teknologi, banyak orang berharap agar segala sesuatu menjadi lebih mudah dan lebih praktis. Sedangkan teknologi yang paling sering digunakan saat ini adalah teknologi atau fitur yang terletak di perangkat mobile, karena teknologi dalam perangkat mobile dapat dimanfaatkan di mana saja dan kapan saja. Di sisi lain, saat ini banyak orang yang ingin mengerti apakah aktivitas fisik yang mereka lakukan sehari-hari sudah memenuhi syarat untuk pola hidup sehat. Salah satu solusi dari masalah ini adalah adanya sistem monitoring terhadap aktivitas fisik yang dilakukan oleh seseorang setiap harinya [1].
Sedangkan untuk sumber datanya (data yang nantinya digunakan untuk pendeteksi aktivitas pengguna), didapat dari perangkat mobile yang dibawa oleh pengguna (subjek yang aktivitasnya di-monitoring). Selain me-monitoring aktivitas fisik pengguna, sistem ini juga melakukan tracking posisi terhadap pengguna, hal ini bertujuan agar sistem ini memiliki manfaat lain, khusunya apabila contoh kasus untuk pengguna yang merupakan orang dengan usia yang sudah lanjut (lansia). Apabila misalnya terjadi suatu kasus di mana ada seorang lansia yang terjatuh (dalam keadaan terlentang) di suatu tempat dan tidak diketahui oleh orang lain, maka dengan adanya sistem monitoring dan tracking aktivitas ini, pertolongan dapat segera diberikan kepada lansia tersebut. Dari masalah yang telah dibahas pada paragraf di atas, maka dibutuhkan suatu sistem yang sadar terhadap situasi pengguna (context awareness), dalam kasus ini sistem harus selalu update aktivitas fisik apa yang sedang dilakukan oleh pengguna dan posisi pengguna saat itu. Pada Tugas Akhir ini, penulis akan membuat sebuah sistem yang dapat memonitoring aktivitas dan men-tracking posisi dari pengguna dan perangkat mobile yang akan digunakan oleh pengguna adalah mobile Android. Sistem ini akan memanfaatkan adanya fitur sensor accelerometer pada mobile Android untuk mendapatkan data accelerometer. Selanjutnya dengan menggunakan data accelerometer akan dilakukan proses pengenalan pola untuk mengenali aktivitas pengguna yang disebut dengan Activity Recognition [3]. Activity Recognition merupakan persoalan klasifikasi, sehingga di sini penulis akan menggunakan Decision Tree dan Naïve Bayesian sebagai metode untuk klasifikasi. II. METODE A. Dasar Teori Bab ini berisi penjelasan teori-teori yang berkaitan dengan implementasi sistem. Penjelasan ini bertujuan untuk memberikan gambaran secara umum terhadap sistem yang dibuat dan berguna sebagai penunjang dalam pengembangan sistem. a) Context Awareness Perkembangan teknologi komputer saat ini menawarkan suatu teknologi komputasi yang dapat diakses kapan saja, di mana saja, dan oleh siapa saja, di mana pengguna tidak harus selalu mengamati perangkatnya [2]. Untuk memberikan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 layanan yang memadai sesuai dengan teknologi yang digambarkan pada kalimat sebelumnya, aplikasi ataupun layanan sistem harus menyadari keadaan sekitar mereka (context) dan secara otomatis beradaptasi terhadap perubahan context yang terjadi, yang disebut sebagai context-awareness. b) Sensor Accelerometer Sensor accelerometer adalah sebuah sensor yang dapat mengukur dan mendeteksi percepatan, getaran (vibrasi), dan percepatan akibat gravitasi [7]. Berikut ini adalah contoh ilustrasi sederhana dari sensor accelerometer di Android, yang menampilkan koordinat 3 sumbu accelerometer, yaitu sumbu X, Y, dan Z. Untuk ilustrasi 3 sumbu pada handset Android dapat dilihat pada Gambar 1.
2 konsep dari metode klasifikasi Naïve Bayesian, maka dapat diambil sebuah contoh kasus. Untuk contoh kasusnya mengambil tiga class aktivitas yang digunakan pada Tugas Akhir ini, yaitu WALKING, RUNNING, dan LAYING. Kemudian kita akan mengklasifikasi suatu data baru yang masuk, apakah data baru tersebut termasuk ke dalam class yang mana. Langkah awal yang harus dilakukan adalah mencari nilai prediksi awal dari tiap class (prior probability). Prior probability merupakan besar persentase dari class WALKING, RUNNING, dan LAYING yang dapat dihitung dengan persamaan (1) dan (2). Prior probability for WALKING =
Number of WALKING objects
(1)
Prior probability for RUNNING =
Number of RUNNING objects
(2)
Prior probability for LAYING =
Total number of objects
Total number of objects
Number of LAYING objects Total number of objects
(3)
Langkah selanjutnya adalah membuat sebuah lingkaran di sekitar data baru tersebut, kemudian dapat dihitung berapa jumlah data dari class WALKING, class RUNNING, ataupun class LAYING yang masuk dalam lingkaran tersebut sesuai nilai k yang ditentukan (dalam contoh kasus ini nilai k = 4) seperti pada Gambar 3. Gambar 1. Sumbu X, Y, dan Z pada Sensor Accelerometer [7]
WALKING RUNNING
RUNNING WALKING
c) Metode Klasifikasi Decision Tree Decision Tree merupakan sebuah diagram skema berbentuk pohon yang digunakan untuk menentukan suatu keputusan atau menunjukkan probabilitas statistik [6]. Setiap cabang dari Decision Tree menunjukkan kemungkinan keputusan. Struktur pohon menunjukkan bagaimana satu pilihan mengarah kepada pilihan yang selanjutnya, sehingga penggunaan cabang menunjukkan bahwa setiap pilihan memiliki hubungan mutually exclusive. Cabang-cabang terjauh pada strukur pohon (leaf) menunjukkan hasil akhir keputusan yang diambil. Contoh struktur atau model Decision Tree yang telah dibangun seperti pada Gambar 2.
à Decision node
A
RUNNING WALKING
LAYING
LAYING LAYING LAYING
LAYING LAYING
Gambar 3. Perhitungan Jumlah Data dari Tiap Class yang Masuk dalam Lingkup Data Baru
Likelihood of X given WALKING =
Activity = LAYING
Likelihood of X given RUNNING =
X > -1.535354
Likelihood of X given LAYING = Activity = WALKING
WALKING
WALKING RUNNING
Z > 3.367972
B X <= -1.535354
WALKING
Setelah itu kita dapat menghitung nilai kemungkinan (likelihood) X (data baru) termasuk ke dalam class WALKING, RUNNING atau LAYING dengan persamaan (4), (5), dan (6).
à Leaf node
Z <= 3.367972
RUNNING RUNNING
Activity = RUNNING
Gambar 2. Contoh Model Decision Tree
d) Metode Klasifikasi Naïve Bayesian Metode klasifikasi Naïve Bayesian didasarkan pada teorema yang disebut Bayesian dan metode klasifikasi ini sangat cocok ketika dimensi dari input tinggi [5]. Untuk menjelaskan
Number of WALKING in the vicinity of X Total number of WALKING cases
Number of RUNNING in the vicinity of X Total number of RUNNING cases
Number of LAYING in the vicinity of X Total number of LAYING cases
(4) (5) (6)
Untuk langkah terakhir pada metode Naïve Bayesian, hasil klasifikasi diperoleh dengan menggabungkan dua informasi yang ada, yaitu nilai prediksi awal (prior probability) dan nilai kemungkinan (likelihood). Sehingga diperoleh nilai prediksi akhir (posterior probability) dengan persamaan (7), (8), dan (9). Posterior probability of X being WALKING = Prior probability of WALKING × Likelihood of X given WALKING
(7)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 Posterior probability of X being RUNNING = Prior probability of RUNNING × Likelihood of X given RUNNING Posterior probability of X being LAYING = Prior probability of LAYING × Likelihood of X given LAYING
3
(8) (9)
B. Tahap Perancangan Alur setiap proses yang terdapat pada sistem digambarkan pada diagram flowchart, untuk memudahkan pemahaman secara garis besar proses yang ada pada sistem. Sedangkan untuk proses klasifikasi dengan metode Naïve Bayesian dan Decision Tree dijelaskan dalam bentuk pseudocode. a) Flowchart Pengiriman Data Accelerometer dan Posisi Koordinat Pada proses ini, pengguna akan menggunakan aplikasi yang telah ter-install pada perangkat Android yang pengguna miliki, kemudian pengguna dapat mulai melakukan aktivitas dengan membawa perangkat Android tersebut. Saat pengguna beraktivitas aplikasi akan mengambil data accelerometer dan posisi koordinat dari pengguna. Kedua proses ini dilakukan secara berulang dengan jeda waktu sesuai panjang sampling data accelerometer yang diambil. Selanjutnya, kedua data tersebut akan langsung dikirimkan menuju database server untuk disimpan dalam tabel datalog. Desain flowchart untuk pengiriman data accelerometer dan posisi koordinat dapat dilihat pada Gambar 4. START
proses klasifikasi yang merupakan data aktivitas pengguna yang dideteksi dikirimkan ke server untuk disimpan dalam tabel monitoring pada database server untuk ditampilkan dalam suatu halaman web bersama lokasi pengguna. Diagram flowchart untuk proses di atas dapat dilihat pada Gambar 5. START
Data accelerometer dan posisi koordinat user telah masuk ke database server
Proses klasifikasi di server Java dengan data accelerometer sebagai data input
Output hasil proses klasifikasi berupa aktivitas user yang dideteksi
Penyimpanan data aktivitas dan posisi koordinat user ke dalam database server
Data aktivitas dan lokasi user yang telah tersimpan dalam database siap ditampilkan di website untuk di-monitoring
STOP
Gambar 5. Flowchart Monitoring Aktivitas dan Lokasi Pengguna Menyalakan aplikasi pada device Android
Melakukan aktivitas
Aplikasi mengambil data accelerometer secara kumulatif dan posisi koordinat tiap satuan waktu Gagal
Aplikasi mengirim data ke database server
c) PseudocodeProses Kasifikasi Dengan Metode Naïve Bayesian Pada proses klasifikasi dengan metode Naïve Bayesian dibutuhkan data training sebanyak 450 data di mana masingmasing datanya telah memiliki class. Dalam Tugas Akhir ini, class aktivitas yang digunakan adalah berjalan (WALKING), berlari (RUNNING), dan terlentang (LAYING). Setelah jumlah semua data training dan jumlah data yang termasuk ke dalam suatu class dapat diketahui. Kedua informasi tersebut dapat digunakan untuk memperoleh nilai prediksi awal (prior probability) untuk tiap class aktivitas yang ada. Pseudocode untuk proses perhitungan nilai prediksi awal dapat dilihat pada Gambar 6.
Sukses Data masuk ke database server dan siap untuk diproses
STOP
Gambar 4. Flowchart Pengiriman Data Accelerometer dan Posisi Koordinat
b) Flowchart Monitoring Aktivitas dan Lokasi Pengguna Setelah data accelerometer tersimpan dalam tabel datalog pada database server, maka selanjutnya akan diproses di server (menggunakan bahasa pemrograman Java) untuk dijadikan sebagai data tes pada proses klasifikasi dengan metode Naïve Bayesian dan Decision Tree. Hasil output dari
priorProbabilityOfWALKING <- countWalkingAll/dataAll; priorProbabilityOfRUNNING <- countRunningAll/dataAll; priorProbabilityOfLAYING <- countLayingAll/dataAll;
Gambar 6. Perhitungan Nilai Prediksi Awal untuk Tiap Class
Langkah selanjutnya yaitu menghitung derajat kedekatan antara data tes dengan semua data training yang ada dengan menggunakan persamaan jarak Euclidian seperti dapat dilihat dalam pseudocode yang tertulis pada Gambar 7. . For i < dataset.length-1 do jarak(i) <- Math.sqrt( ((inputX-dataset(i)(0))*(inputX-dataset(i)(0))) + ((inputY-dataset(i)(1))*(inputY-dataset(i)(1))) + ((inputZ-dataset(i)(2))*(inputZ-dataset(i)(2))));
Gambar 7. Perhitungan Derajat Kedekatan antara Data Tes dengan Semua Data Training
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 Setelah jarak antara data tes dengan semua data training diketahui, maka selanjutnya semua jarak tersebut diurutkan secara ascending dengan menggunakan salah satu fungsi sorting yaitu BubbleSort. Setelah proses pengurutan selesai, dipilih sejumlah k data training dengan jarak terpendek. Pseudocode proses ini dapat dilihat pada Gambar 8. For i < dataset.length - 1 sortedJarak(i) = jarak(i); bubbleSort(sortedJarak, dataset.length - 1); For i < k do For j < dataset.length – 1 do if sortedJarak(i) = jarak(j) then indexData(i) <- j; end if
Gambar 8. Proses Sorting Jarak Secara Ascending
Setelah diperoleh sejumlah k data training dengan jarak terpendek, dilakukan proses perhitungan banyak data yang masuk dalam lingkup k untuk masing-masing class. Pseudocode dari proses ini dapat dilihat pada Gambar 9. For i < k do if dataset(indexData(i))(3) = “WALKING” then countWalkingInLikelihoodOfInput
Gambar 9. Pengecekan Class dari Data dengan Jarak Terpendek
Dari informasi yang telah diperoleh dalam proses sebelumnya, dapat dihitung nilai probabilitas data tes untuk diklasifikasikan ke dalam suatu class. Nilai probabilitas tersebut dapat dihitung dengan membagi jumlah data training dari salah suatu class yang masuk ke dalam lingkup k dengan jumlah semua data training dari suatu class seperti pada Gambar 10. probabilityOfInputGivenWALKING
Gambar 10. Perhitungan Nilai Kemungkinan Data Tes untuk Masuk ke dalam Suatu Class
Sekarang dapat dilakukan perhitungan untuk menemukan nilai prediksi akhir (posterior probability) untuk tiap class. Nilai prediksi akhir diperoleh dengan mengalikan nilai prediksi awal (prior probability) dengan nilai probabilitas data tes untuk masuk ke dalam suatu class. Pseudocode untuk proses perhitungannya dapat dilihat pada Gambar 11. posteriorProbabilityOfInputBeingWALKING <probabilityGivenWALKING * priorProbabilityOfWALKING; posteriorProbabilityOfInputBeingRUNNING <probabilityGivenRUNNING * priorProbabilityOfRUNNING; posteriorProbabilityOfInputBeingLAYING <probabilityGivenLAYING * priorProbabilityOfLAYING;
Gambar 11. Perhitungan Nilai Prediksi Akhir
4 Setelah nilai prediksi akhir (posterior probability) untuk tiap class telah diketahui, maka selanjutnya dilakukan proses untuk membandingkan nilai prediksi akhir dari semua class yang ada. Setelah hasilnya ditemukan, maka class aktivitas dengan nilai prediksi akhir yang terbesar dianggap sebagai aktivitas yang sedang dilakukan oleh pengguna saat itu. d) Pseudocode Proses Klasifikasi Dengan Metode Decision Tree Pada proses klasifikasi dengan metode Decision Tree, data training yang digunakan sama dengan data training yang digunakan untuk proses klasifikasi dengan metode Naïve Bayesian. Pada proses klasifikasi dengan metode Decision Tree, data training dimasukkan ke dalam tool Weka. Langkah selanjutnya adalah memilih Decision Tree sebagai metode klasifikasi yang digunakan di Weka. Algoritma yang dipakai untuk metode klasifikasi Decision Tree pada Weka adalah J48. Pada Weka, model Decision Tree akan dibangun secara otomatis, yang akan menghasilkan alur logika if-then seperti pada Gambar 12. J48 pruned tree -----------------Z <= 3.367972 | X <= -1.535354: WALKING (150.0) | X > -1.535354: RUNNING (150.0) Z > 3.367972: LAYING (150.0) Number of Leaves : 3 Size of the tree : 5
Gambar 12. Alur Logika dari Model Tree yang Telah Dibangun
Selanjutnya, alur logika pada model Decision Tree yang telah dibangun pada Weka, ditulis dalam pseudocode seperti pada Gambar 13. if inputZ <= 3.367972 then if inputX <= -1.535354 then activity <- "WALKING"; end if if inputX > -1.535354 then activity <- "RUNNING"; end if end if if inputZ > 3.367972 then activity <- "LAYING"; end if
Gambar 13. Alur Logika yang Ditulis dalam Pseudocode
C. Tahap Implementasi Implementasi antar muka sistem monitoring dan tracking aktivitas user bergerak ini menyediakan dua halaman antar muka yang terdapat pada aplikasi pada perangkat Android milik pengguna dan anatar muka pada halaman web yang digunakan untuk sistem monitoring. a) Implementasi Antar Muka Aplikasi Pengiriman Data Pada Perangkat Android Antarmuka pada aplikasi pengiriman data accelerometer dan posisi koordinat pengguna menggunakan layout yang disediakan pada Java Eclipse untuk pembuatan aplikasi pada perangkat Android. Layout untuk pembuatan antar muka tersebut berupa file xml yang dapat dimodifikasi komponen tampilannya. Implementasi layout antar muka dapat dilihat pada Gambar 14.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
Gambar 14. Antarmuka Aplikasi Pengiriman Data pada Perangkat Android
b) Implementasi Antarmuka Halaman Web Untuk Proses Monitoring Antarmuka pada monitoring aktivitas dan lokasi pengguna menggunakan halaman web. Data aktivitas dan lokasi pengguna yang telah disimpan pada database server ditampilkan pada halaman web dengan menggunakan query select pada MySQL. Data-data tersebut ditampilkan dalam bentuk tabel dan marker pada Google Map API seperti pada Gambar 16. Selain itu, data-data sumbu X, Y, dan Z dari sensor accelerometer juga ditampilkan pada antarmuka halaman web ini dalam bentuk grafik garis.
Gambar 15. Antar Muka Halaman Web untuk Proses Monitoring
5
Gambar 17. Posisi Koordinat Pengguna dalam Map
III. HASIL DAN PEMBAHASAN A. Uji Coba Akurasi Metode Klasifikasi Pada bab ini akan dibahas mengenai hasil pengujian dan analisa kinerja yang telah dilakukan. Uji coba yang akan dibahas pada sub bab berikut ini adalah uji coba akurasi. a) Skenario Uji Coba Uji coba akurasi metode klasifikasi dilakukan dengan tujuan mengetahui batas panjang sampling minimum data accelerometer sebagai data tes untuk menghasilkan output dari metode klasifikasi Naïve Bayesian dan Decision Tree dengan tingkat akurasi yang relatif tinggi. Selain itu uji coba ini juga dilakukan untuk mengetahui perbandingan tingkat akurasi output yang dihasilkan dari metode klasifikasi Naïve Bayesian dan Decision Tree. Untuk mengetahui panjang sampling data tes yang tepat untuk digunakan, maka dilakukan uji coba akurasi terhadap tiga macam panjang sampling data tes, yaitu 25, 50, dan 100. Untuk detail uji coba akurasi dapat dilihat pada Tabel 1. Tabel 1. Tabel Uji Coba Akurasi Metode Klasifikasi dengan Variasi Panjang Sampling Data Tes
Nama
c) Implementasi Pengiriman Notifikasi Untuk Kasus Pengguna Dalam Posisi Terlentang Untuk kasus apabila aktivitas pengguna yang dideteksi adalah LAYING (terlentang), maka server akan mengirimkan sebuah SMS notifikasi ke ponsel milik administrator yang bertanggung jawab untuk melakukan monitoring aktivitas terhadap pengguna tersebut. Notifikasi berisi informasi bahwa pengguna dalam posisi terlentang seperti pada Gambar 16. SMS notifikasi juga memberikan link URL untuk menunjukkan posisi koordinat pengguna dalam suatu map seperti pada Gambar 17.
Tujuan
Kondisi awal Skenario
Keluaran yang diharapkan Hasil uji coba
Gambar 16. SMS Notifikasi pada Ponsel Milik Administrator
Uji coba akurasi metode klasifikasi dengan variasi panjang sampling data tes Untuk menguji tingkat akurasi dari tiap metode klasifikasi dengan variasi panjang sampling data tes • Uji coba proses klasifikasi menggunakan data training sebanyak 450 data, 150 data untuk masing-masing aktivitas yang dideteksi (WALKING, RUNNING, dan LAYING) dan data tes sebanyak 75 data, 25 data untuk masing-masing aktivitas dan panjang sampling • Saat pengguna beraktivitas, dilakukan pengambilan data accelerometer dengan variasi panjang sampling data tes (100, 50, dan 25) • Proses klasifikasi data tes untuk masingmasing metode dilakukan di server Java dengan variasi panjang sampling Perbandingan akurasi untuk panjang sampling yang berbeda • Panjang sampling mempengaruhi tingkat akurasi untuk hasil proses klasifikasi • Perbedaan tingkat akurasi yang dihasilkan dari kedua metode klasifikasi
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
6
b) Hasil Uji Coba Dari Tabel 2, dapat dianalisa bahwa panjang sampling data tes dapat mempengaruhi tingkat akurasi dari hasil proses klasifikasi dengan metode Decision Tree. Sedangkan untuk metode Naïve Bayesian, panjang sampling tidak mempengaruhi tingkat akurasi hasil proses. Tabel 2. Tabel Hasil Uji Coba Metode Panjang Klasifikasi Sampling Naïve 100 Bayesian Decision Tree 100 Naïve 50 Bayesian
WALKING RUNNING LAYING
Tingkat Akurasi
3. True Negative, 147 dari 150 data bukan LAYING dinyatakan bukan LAYING. 4. False Negative, 0 dari 75 data LAYING dinyatakan bukan LAYING. Dari hasil uji coba yang diperoleh dari Tabel 4, maka hasilnya adalah sebagai berikut : 1. True Positive, 75 dari 75 data LAYING dinyatakan LAYING. 2. False Positive, 17 dari 150 data bukan LAYING dinyatakan LAYING. 3. True Negative, 133 dari 150 data bukan LAYING dinyatakan bukan LAYING. 4. False Negative, 0 dari 75 data LAYING dinyatakan bukan LAYING.
100%
100%
100%
100%
96%
92%
100%
96%
100%
100%
100%
100%
IV. KESIMPULAN Dari analisa tersebut, dapat ditarik dua buah kesimpulan. Kesimpulan yang pertama yaitu pemilihan panjang sampling untuk data tes dapat mempengaruhi tingkat akurasi untuk hasil proses klasifikasi. Dari hasil uji coba akurasi, panjang sampling 50 untuk data tes adalah pilihan yang paling tepat, dengan pertimbangan dari segi performa aplikasi yang cukup cepat, tetapi tingkat akurasi yang tetap tinggi. Untuk kesimpulan yang kedua, didapatkan bahwa tingkat akurasi dari metode klasifikasi Naïve Bayesian lebih tinggi daripada metode klasifikasi Decision Tree.
Decision Tree
50
100%
88%
100%
96%
Naïve Bayesian
25
100%
100%
100%
100%
Decision Tree
25
84%
72%
100%
85%
Analisa uji coba akurasi pada empat kategori, yaitu True Positive, False Positive, True Negative, dan False Negative dilakukan pada kasus aktivitas pengguna terlentang (LAYING), dengan adanya dua macam kondisi, yaitu positif dan negatif. • Positif, merupakan kondisi pengguna melakukan aktivitas terlentang (LAYING). • Negatif, merupakan kondisi pengguna tidak melakukan aktivitas terlentang (LAYING). Untuk hasil uji coba dengan menggunakan metode klasifikasi Naïve Bayesian dapat dilihat pada Tabel 3 dan hasil uji coba dengan menggunakan metode Decision Tree dapat dilihat pada Tabel 4. Tabel 3. Hasil Uji Coba Empat Kategori dengan Metode Klasifikasi Naïve Bayesian
UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada Tuhan Yang Maha Esa, karena hanya dengan karunia, rahmat, dan hidayahNya penulisan paper ini dapat terselesaikan dengan baik. DAFTAR PUSTAKA [1]
Data LAYING Hasil
LAYING Bukan LAYING Jumlah
75 0 75
Bukan LAYING 3 147 150
Jumlah 78 147 225
[2]
[3] Tabel 4. Hasil Uji Coba Empat Kategori dengan Metode Klasifikasi Decision Tree
Data LAYING Hasil
LAYING Bukan LAYING Jumlah
75 0 75
Bukan LAYING 17 133 150
[5]
Jumlah [6]
92 133 225
Dari hasil uji coba yang diperoleh dari Tabel 3, maka hasilnya adalah sebagai berikut : 1. True Positive, 75 dari 75 data LAYING dinyatakan LAYING. 2. False Positive, 3 dari 150 data bukan LAYING dinyatakan LAYING.
[7]
Hong Y.J, Kim I.J, Ahn S.C, Kim H.G. (2009). Mobile health monitoring system based on activity recognition using accelerometer. Imaging Media Research Center, Korea Institute of Science and Technology, 39-1 Hawolgok-Dong, Seongbuk-Gu, Seoul 136-791, Republic of Korea. Hong J., Suh E., and Kim S. J. (2009). Context-aware systems: A literature review and classification. POSMIS Lab, Industrial Management Engineering Building, Pohang University of Science Technology, (790-784) San 31, Hyoja-dong, Nam-gu, Pohang, Kyungbuk, South Korea. Ravi N., Dandekar N., Mysore P., and Littman M.L. (2009). Activity Recognition from Accelerometer Data.Department of Computer Science, Rutgers University, Piscataway, NJ 08854. Naïve Bayes Classifier.
. Diakses 12 April 2012. Decision Tree. 2012.
. Diakses 22 Juni 2012. Accelerometer Android Sensor. 2012. . Diakses 5 Juni 2012.
