| Abstract |
: |
Pemenuhan hak penyandang difabel baik hak ekonomi, politik, sosial maupun budaya masih belum optimal. Padahal, terdapat sekitar 650 juta orang dari seluruh dunia merupakan penyandang difabel. Salah hak (kebutuhan) penyandang difabel adalah adanya pandamping atau pengawas untuk penyandang difabel. Pemanfaatan mobile phone untuk pengawasan aktivitas penyandang difabel telah banyak dilakukan. Dalam pengembangan alat bantu difabel sebagai aplikasi pengawasan aktivitas tersebut tentunya diperlukan metode pengenalan aktivitas manusia yang memiliki akurasi, presisi serta recall yang tinggi sehingga mengurangi tingkat kesalahan perkiraan aktivitas.
Beberapa penelitian sebelumnya telah membahas beberapa algoritma machine learning yang dapat digunakan sebagai metode pengenalan aktivitas manusia, diantaranya menggunakan algoritma K-Nearest Neighbor (k-NN), Atificial Neural Networks (ANN), maupun Support Vector Machine (SVM), Logistic Regression dan Random Forest. Serta penambahan Transition-Awarae untuk meningkatkan akurasi model SVM.
Sayangnya, hasil penelitian-penelitian tersebut belum dibandingkan secara apple to apple. Oleh karena itu, penelitian ini mengusulkan perbandingan performa metode machine leraning: SVM, K-NN, ANN, Random Forest serta Logistic Regression dengan penambahan teknik Transition-Aware pada Postural Transition dalam melakukan klasifikasi pada data sensor aktivitas gerak manusia, yang meliputi, akurasi, presisi, recall, serta kecepatan komputasi sehingga ditemukan metode yang paling optimal.
|
