Human Activity Recognition Menggunakan Algoritma SVM With Gridsearch
Article Sidebar
Main Article Content
Abstract
Human Activity Recognition (HAR) menjadi salah satu topik penelitian paling trendi karena ketersedian sensor dan akselerometer, biaya rendah dan konsumsi daya yang lebih sedikit, streaming data secara langsung, dan kemajuan dalam computer vision, mesin pembelajaran, kecerdasan buatan IoT. Penelitian ini mengusulkan system HAR menggunakan algoritmas Support Vector Machine (SVM). SVM merupakan suatu teknik untuk menemukan hyperlane yang dapa memisahkan dua dataset dari dua kelas yang berbeda. Hyperplane adalah sebuah fungsi yang dapat digunakan untuk pemisah antar kelas. Selain karena cocok dalam melakukan klasifikasi data. Hal yang menjadikan penelitian ini berbeda dengan penelitian sebelumnya adalah dengan menambahkan penerapan Hyperparameter Tuning pada SVM. Lalu Dataset yang awalnya berisikan data gabungan, dipisahkan menjadi dataset aktivitas statis dan dataset aktivitas dinamis. Dalam penelitian ini telah berhasil meningkatnya akurasi menggunakan SVM + Hyperparameter hingga 96.26%. Hal ini yang menjadikan penelitian ini unggul karena SVM + Hyperparameter dapat meningkatkan akurasi dari penelitian sebelumnya tanpa menggunakan Hyperparameter.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
C. Jobanputra, J. Bavishi, and N. Doshi, “Human activity recognition: A survey,” Procedia Comput. Sci., vol. 155, no. 2018, pp. 698–703, 2019, doi: 10.1016/j.procs.2019.08.100.
H. Nematallah, S. Rajan, and A. M. Cret, “Logistic Model Tree for Human Activity Recognition Using Smartphone-Based Inertial Sensors,” Proc. IEEE Sensors, vol. 2019-Octob, pp. 0–3, 2019, doi: 10.1109/SENSORS43011.2019.8956951.
G. Yuan, Z. Wang, F. Meng, Q. Yan, and S. Xia, “An overview of human activity recognition based on smartphone,” Sens. Rev., vol. 39, no. 2, pp. 288–306, 2019, doi: 10.1108/SR-11-2017-0245.
N. T. H. Thu and D. S. Han, “Utilization of Postural Transitions in Sensor-based Human Activity Recognition,” 2020 Int. Conf. Artif. Intell. Inf. Commun. ICAIIC 2020, pp. 177–181, 2020, doi: 10.1109/ICAIIC48513.2020.9065250.
A. D. Patel and J. H. Shah, “Performance analysis of supervised machine learning algorithms to recognize human activity in ambient assisted living environment,” 2019 IEEE 16th India Counc. Int. Conf. INDICON 2019 - Symp. Proc., pp. 1–4, 2019, doi: 10.1109/INDICON47234.2019.9030353.
B. Lavanya and G. S. Gayathri, “Exploration and Deduction of Sensor-Based Human Activity Recognition System of Smart-Phone Data,” 2017 IEEE Int. Conf. Comput. Intell. Comput. Res. ICCIC 2017, pp. 1–5, 2018, doi: 10.1109/ICCIC.2017.8524589.
I. El Naqa and M. J. Murphy, “Machine Learning in Radiation Oncology,” Mach. Learn. Radiat. Oncol., pp. 3–11, 2015, doi: 10.1007/978-3-319-18305-3.
T. micheal, Machine learning 분야 소개 및 주요 방법론 학습 기본 machine learning 알고리즘에 대한 이해 및 응용 관련 최신 연구 동향 습득, vol. 45, no. 13. 2017.
W. J. Murdoch, C. Singh, K. Kumbier, R. Abbasi-Asl, and B. Yu, “Definitions, methods, and applications in interpretable machine learning,” Proc. Natl. Acad. Sci. U. S. A., vol. 116, no. 44, pp. 22071–22080, 2019, doi: 10.1073/pnas.1900654116.
C. Angulo, X. Parra, and A. Català, “K-SVCR. A support vector machine for multi-class classification,” Neurocomputing, vol. 55, no. 1–2, pp. 57–77, 2003, doi: 10.1016/S0925-2312(03)00435-1.
V. Jakkula, “Tutorial on Support Vector Machine (SVM),” Sch. EECS, Washingt. State Univ., pp. 1–13, 2011, [Online]. Available: http://www.ccs.neu.edu/course/cs5100f11/resources/jakkula.pdf.
H. Chen, S. Mahfuz, and F. Zulkernine, Smart Phone Based Human Activity Recognition. 2019.
A. Vishnu, J. Narasimhan, L. Holder, D. Kerbyson, and A. Hoisie, “Fast and Accurate Support Vector Machines on Large Scale Systems,” Proc. - IEEE Int. Conf. Clust. Comput. ICCC, vol. 2015-Octob, pp. 110–119, 2015, doi: 10.1109/CLUSTER.2015.26.
M. . Imelda A.Muis & Muhammad Affandes, “Penerapan Metode Support Vector Machine ( SVM ) Menggunakan Kernel Radial Basis Function ( RBF ) Pada Klasifikasi Tweet,” Sains, Teknol. dan Ind. Sultan Syarif Kasim Riau, vol. 12, no. 2, pp. 189–197, 2015.
A. Andriani, “Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus : Amik ‘ Bsi Yogyakarta ,’” Semin. Nas. Teknol. Inf. dan Komun. 2013 (SENTIKA 2013), vol. 2013, no. Sentika, pp. 163–168, 2013.
A. E. Minarno, W. A. Kusuma, H. Wibowo, D. R. Akbi, and N. Jawas, “GitHub - wahyukusuma/singleaccelerometer: Single Triaxial Accelerometer-Gyroscope.” https://github.com/wahyukusuma/singleaccelerometer (accessed Apr. 21, 2021).
Y. A. Kurniawan, “Klasifikasi Static Dan Dynamic Activity Pada Human Activity Recognition Dataset Menggunakan Convolutional Neural Network,” Apr. 2020.