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

Abstract

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.

Keywords

• klasifikasi
• aktivitas manusia
• seleksi fitur
• ig
• elm