Klasifikasi Aktivitas Manusia Menggunakan Extreme Learning Machine dan Seleksi Fitur Information Gain

Classification of Human Activities Based on Sensor Data Using Information Gain Feature Selection and Extreme Learning Machine

  • Fitra A. Bachtiar Universitas Brawijaya
  • Fajar Pradana Universitas Brawijaya
  • Issa Arwani Universitas Brawijaya
Kata Kunci: Klasifikasi, Aktivitas Manusia, Seleksi Fitur, IG, ELM

Abstrak

Pengenalan aktivitas manusia dalam kehidupan sehari-hari dapat memberikan manfaat yang cukup besar. Akan tetapi, penelitian terkait pengenalan aktivitas manusia masih menghadapi beberapa permasalahan, yaitu pengambilan data yang bersifat unobtrusive, banyaknya fitur yang digunakan dalam pemodelan, dan pengunaan algoritme pemodelan untuk mengenali aktivitas manusia. Hal tersebut akan berdampak pada hasil penelitian dan hasil klasifikasi dari algoritme yang diusulkan. Pada makalah ini, dilakukan studi awal klasifikasi aktivitas manusia. Pengenalan aktivitas manusia dilakukan untuk memprediksi lima aktivitas manusia, yaitu berjalan, naik tangga, turun tangga, duduk, dan berdiri. Data yang digunakan adalah data sekunder dengan jumlah 1.500 baris data dan 561 fitur. Seleksi fitur dilakukan terlebih dahulu menggunakan Information Gain dengan pemilihan fitur menggunakan pendekatan persentil. Subset dari data tersebut kemudian dinormalisasi dan diklasifikasi menggunakan ELM. Parameter berupa jumlah hidden neuron optimum pada model ELM dicari terlebih dahulu untuk dapat menghasilkan nilai akurasi yang tinggi. Hasil seleksi fitur yang didapatkan yaitu sejumlah 420 subset fitur terbaik. Parameter sejumlah 100 hidden neuron menghasilkan akurasi tertinggi untuk pengenalan aktivitas manusia. Hasil pemodelan menggunakan ELM memperoleh akurasi, presisi, recall, dan F1-score sebesar 0,85.

Referensi

A. Perez, M. Labrador, dan S. Barbeau, “G-Sense: A Scalable Architecture for Global Sensing and Monitoring,” IEEE Network, Vol. 24, No. 4, hal. 57–64, 2010.

T. Starner, B. Rhodes, J. Weaver, dan A. Pentland, ”Everyday-user Wearable Computers,” Int. Symp. on Wearable Comput., 1999, hal. 1-12.

P. Dohnalek, P. Gajdos, T. Peterek, dan V. Snasel, ”An Overview of Classification Techniques for Human Activity Recognition,” Vibroengineering PROCEDIA, Vol. 2, hal. 117-122, 2013.

M. Vrigkas, C. Nikou, dan I.A. Kakadiaris, “A Review of Human Activity Recognition Methods,” Frontiers in Robotics and AI, Vol. 2, hal. 1-28, 2015.

P. Paliyawan, C. Nukoolkit, dan P. Mongkolnam, “Prolonged Sitting Detection for Office Workers Syndrome Prevention Using Kinect,” 2014 11th Int. Conf. on Elec. Eng./Electron., Comput., Telecom. and Inf. Technol. (ECTI-CON), 2014, hal. 1-6.

Y. Jia, “Diatetic and Exercise Therapy against Diabetes Mellitus,” 2009 Second Int. Conf. on Intel. Net. and Intel. Sys., 2009, hal. 693-696.

J. Yin, Q. Yang, dan J. Pan, “Sensor-Based Abnormal Human-Activity Detection,” IEEE Trans. on Knowledge and Data Eng., Vol. 20, No. 8, hal. 1082–1090, 2008.

E. Kim, S. Helal, dan D. Cook, “Human Activity Recognition and Pattern Discovery,” IEEE Pervasive Comput., Vol. 9, No. 1, hal. 48–53, 2010.

T.D. Le dan C.V. Nguyen, “Human Activity Recognition by Smartphone,” 2015 2nd Nat. Found. for Sci. and Technol. Dev. Conf. on Inf. and Comput. Sci. (NICS), 2015, hal. 219-224.

W.C. Hung, F. Shen, Y.L. Wu, M.K. Hor, dan C.Y. Tang, “Activity Recognition with Sensors on Mobile Devices,” 2014 Int. Conf. on Mach. Learn. and Cybernetics, 2014, hal. 449-454.

M. Zhang, dan A.A. Sawchuk, “A Feature Selection-based Framework for Human Activity Recognition Using Wearable Multimodal Sensors,” BodyNets 2011, 2011, hal. 92-98.

G. De Leonardis, R. Samanta, B. Gabriella, A. Valentina, E. Panero, G. Laura, dan K. Marco, “Human Activity Recognition by Wearable Sensors: Comparison of Different Classifiers for Real-time Applications,” 2018 IEEE Int. Symp. on Med. Meas. and Appl. (MeMeA), 2018, hal. 1-6.

X. Su, T. Hanghang, dan J. Ping, “Activity Recognition with Smartphone Sensors,” Tsinghua Sci. and Technol., Vol. 19, No. 3, hal. 235-249, 2014.

A. Jain dan V. Kanhangad, “Human Activity Classification in Smartphones Using Accelerometer and Gyroscope Sensors,” IEEE Sensors J., Vol. 18, No. 3, hal. 1169-1177, 2017.

H. Ghasemzadeh dan J. Roozbeh, “Physical Movement Monitoring Using Body Sensor Networks: A Phonological Approach to Construct Spatial Decision Trees,” IEEE Trans. on Ind. Inform., Vol. 7, No. 1, hal. 66-77, 2011.

D. Anguita, G. Alessandro, O. Luca, P. Xavier, dan J.L. Reyes-Ortiz, “A Public Domain Dataset for Human Activity Recognition Using Smartphones,” European Symp. on Artif. Neural Net., Comput. Intel. and Mach. Learning (ESANN), 2013, hal. 437-442.

G.B. Huang, Q.Y. Zhu, dan C.K. Siew, “Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks,” 2004 IEEE Int. Joint Conf. on Neural Net. (IEEE Cat. No. 04CH37541), 2004, hal. 985-990.

Diterbitkan
2021-08-26
Bagian
Articles