Klasifikasi Aktivitas Manusia menggunakan Algoritme Fuzzy Learning Vector Quantization (FLVQ) dengan Reduksi Dimensi Principal Component Analysis (PCA)

Abstrak

Pengenalan aktivitas manusia merupakan sebuah bidang penelitian yang cukup popular dan bertujuan untuk mengidentifikasi aktivitas manusia melalui set data yang didapatkan dengan bantuan sensor maupun perekam gambar. Hasil penelitian mengenai pengenalan aktivitas manusia banyak digunakan untuk kebutuhan militer, kesehatan, maupun keamanan. Sebelumnya, telah dilakukan penelitian mengenai pengenalan aktivitas manusia menggunakan Learning Vector Quantization (LVQ), namun metode LVQ memiliki beberapa kelemahan, yaitu tingkat akurasi LVQ bergantung kepada hasil pre-processing dari data, sensitif terhadap overlapping dataset, dan memerlukan waktu komputasi yang cukup lama sehingga berpengaruh terhadap kinerja dari LVQ. Metode yang digunakan untuk menyelesaikan permasalahan tersebut adalah Fuzzy Learning Vector Quantization (FLVQ) dengan reduksi dimensi Principal Component Analysis (PCA). Algoritme FLVQ merupakan pengembangan dari algoritme FLVQ dengan perbedaan terletak pada penggunaan Fuzzy C-Means dan LVQ dalam perhitungannya. Penelitian dilakukan dengan melakukan berbagai pengujian terhadap parameter serta jumlah kelas yang akan digunakan dalam tahap klasifikasi. Berdasarkan hasil pengujian, didapatkan akurasi tertinggi berasal dari klasifikasi dengan 2 kelas, yaitu sebesar 52,12% dengan menggunakan 30 fitur dari total keseluruhan fitur (561 fitur).