Feature Selection pada Human Activity Recognition Dataset menggunakan Algoritma Minimum Redundancy Maximum Relevance

SWASONO, SRI EDI (2016) Feature Selection pada Human Activity Recognition Dataset menggunakan Algoritma Minimum Redundancy Maximum Relevance. Other thesis, Universitas Sebelas Maret.

[img] PDF - Published Version
Download (1001Kb)

    Abstract

    Human Activity Recognition (Pengenal Aktivitas Manusia) adalah bidang penelitian yang bertujuan untuk mengenali aktivitas yang dilakukan oleh seseorang. Pengenalan aktivitas tersebut dapat dilakukan menggunakan informasi yang didapatkan dari berbagai sumber sebagai contoh menggunakan sensor inertial. Belakangan ini, banyak orang menggunakan smartphone yang dibekali sensor inertial seperti accelerometer dan gyroscope yang membuat smartphone tersebut dapat digunakan untuk mengenali aktivitas penggunanya. Tapi, optimalisasi harus dilakukan untuk meminimalisir proses komputasi dari sistem tersebut agar sistem tersebut mampu berfungsi dengan baik pada smartphone yang memiliki daya pemroses yang terbatas. Dalam penelitian ini optimalisasi dilakukan dengan mengurangi jumlah features yang digunakan di dalam dataset. Menggunakan dataset human activity recognition yang tersedia secara umum, feature selection mRMR (Minimum Redundancy Maximum Relevance) dilakukan pada dataset tersebut untuk mengurangi jumlah features. Hasil dari penelitian ini menunjukkan bahwa dengan menggunakan mRMR pada dataset 7:3, jumlah features dapat dikurangi dari 561 features menjadi 201 features dengan akurasi sebesar 95.15% menggunakan SVM classifier dan 94.23% menggunakan MLP classifier. Sedangkan pada dataset 8:2 jumlah features dapat dikurangi dari 561 features menjadi 154 dengan akurasi sebesar 95.18% untuk SVM dan untuk MLP jumlah features dapat dikurangi dari 561 features menjadi 211 dengan akurasi 94.84%. Pada kedua dataset menggunakan threshold yang sama yaitu 95% untuk SVM dan 94% untuk MLP. Sedangkan untuk running time, pada dataset 7:3 running time menjadi 41.28% dari running time semula pada SVM dan 12.27% dari running time semula pada MLP. Sedangkan pada dataset 8:2 running time menjadi 48.80% dari running time semula pada SVM dan 13.63% dari running time semula pada MLP.

    Item Type: Thesis (Other)
    Subjects: Q Science > Q Science (General)
    Q Science > QA Mathematics
    Q Science > QA Mathematics > QA75 Electronic computers. Computer science
    Q Science > QA Mathematics > QA76 Computer software
    T Technology > T Technology (General)
    T Technology > TA Engineering (General). Civil engineering (General)
    Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam
    Fakultas Matematika dan Ilmu Pengetahuan Alam > Informatika
    Depositing User: Agista Zulfa Dini
    Date Deposited: 04 Dec 2016 18:11
    Last Modified: 04 Dec 2016 18:11
    URI: https://eprints.uns.ac.id/id/eprint/30640

    Actions (login required)

    View Item