rancang bangun prototype sistem...

RANCANG BANGUN PROTOTYPE SISTEM

PENGIDENTIFIKASI MANUVER KENDARAAN

RODA EMPAT PADA PERANGKAT MOBILE

DENGAN LOGIKA FUZZY DAN KLASIFIKASI

NAIVE BAYESIAN

Ceria Ganinda Hapsari (510910019) Pembimbing I : Waskitho Wibisono Pembimbing II : Baskoro Adi Pratomo

LATAR BELAKANG

Akan tetapi ...

Collition brake assist

Drowsiness detector Inflatable Seat Belts

Maka...

Dalam tugas akhir ini dibuat desain dan

implementasi sistem yang dapat mendeteksi

manuver tingkat tinggi dari prototype kendaraan

roda empat yang beresiko menimbulkan

kecelakaan.

Menggunakan logika Fuzzy serta metode

klasifikasi Naïve-Bayesian.

Hasil klasifikasi dikirim ke server untuk

ditampilkan ke dalam aplikasi berbasis website.

TUJUAN

“Mengembangkan metode klasifikasi

logika Fuzzy dan Naive-Bayesian pada

smartphone berbasis Android dari

data input sensor”

“Membangun sistem aplikasi yang dapat

mengenali aktivitas manuver kendaraan

roda empat yang sedang berjalan

(driving), tabrakan (bumping), dan drifting”

“Mengirim data manuver hasil klasifikasi ke

server pada saat nilai sensor mengindikasikan

manuver berbahaya yaitu tabrakan (bumping)

dan drifting”

RUMUSAN MASALAH

Bagaimana proses menggabungkan data

beberapa sensor berbeda untuk

kemudian diputuskan apakah

pengendara sedang dalam manuver

beresiko atau tidak ?

Bagaimana efektifitas dari metode

klasifikasi logika Fuzzy dan Naive-

Bayesian ?

BATASAN MASALAH

Lintasan buatan dengan halangan berupa

lantai dengan dinding disekitarnya

digunakan sebagai jalur berkendara.

Aplikasi berjalan jika program di running

dengan menggunakan sensor gyroscope serta

accelerometer pada smartphone Android versi

Honeycomb dengan API level 13 keatas.

Radio control tipe drift 4WD NQD skala 1:10

digunakan sebagai protoype pengganti

kendaraan roda empat.

DASAR TEORI

Windows Sampling adalah

teknik mengekstraksi data

dengan sampling data.

Setiap windows terdiri dari

kumpulan data yang akan

merepresentasikan satu data.

Overlapping digunakan

untuk menjaga agar data tetap konsisten sehingga data tidak terlalu divergen.

Thresholding merupakan teknik untuk

membedakan antar nilai sensor yang akan diproses dan tidak sehingga tidak semua nilai

diproses.

Logika Fuzzy...

Fuzzifikasi (fuzzification)

• Penterjemahan besaran tegas ke besaran Fuzzy.

• Fuzzy logic controller menerima input Fuzzy

variable. Fuzzy variable dianalisis melalui grafik

membership function.

• Membership function : representasi grafik dari

“tingkat partisipasi“ tiap input. Kumpulan dari

beberapa membership function disebut Fuzzy set.

• Bentuk grafik yaitu bentuk S, bentuk Z, triangle

dan trapezoid. Grafik harus memiliki nilai derajat

keanggotan minimal 0 dan maksimal 1.

• Label : definisi linguistic dari setiap membership

function.

Logika Fuzzy...

Proses fuzzy (Fuzzy processing)

• Merupakan proses untuk mengolah input data

setelah proses fuzzifikasi (hasil definisi dari

membership function) menjadi sebuah output.

• Rule evaluation : pengevaluasian membership

rule yang telah dibuat.

• Fuzzy outcome calculation. Penghitungan nilai

outcome fuzzy

Logika Fuzzy...

Proses Defuzifikasi (defuzzification)

• Proses untuk mengembalikan nilai derajat

keanggotaan dari hasil Fuzzy processing ke

dalam bentuk nilai output yang sebenarnya

• Menggunakan metode Fuzzy Sazonov

Naive-Bayesian... • Menggunakan teori Bayes dengan menghitung

peluang dari suatu kelas dari masing masing

kelompok atribut yang ada dan menentukan

kelas mana yang memiliki peluang paling

optimal

• Hasil hipotesa atau sebuah kejadian (H) dapat

diprediksi berdasarkan pengalaman (E) yang

bisa diobservasi

𝑃 𝐻 𝐸 = 𝑃(𝐸|𝐻)𝑃(𝐻)

𝑃(𝐸)

• Data metode klasifikasi Naive-Bayesian dapat

dilatih (data training).

Naive-Bayesian...

• 𝑃𝑟𝑖𝑜𝑟 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 (RED) =Jumlah objek RED

Jumlah seluruh objek

• 𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 X (RED) =Jumlah RED dalam hampiran X

Jumlah kasus RED

• Posterior probability X (RED) = 𝑃𝑟𝑖𝑜𝑟 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 RED

𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 X pada RED

Perhitungan Jumlah Data Tiap Class Yang

Masuk Dalam Lingkup Data Baru [17]

Naive-Bayesian...

Laplace estimator adalah teknik penghalusan

pada input tertentu supaya nilai likehood terhadap

suatu class tidak bulat 0

Weighted input digunakan untuk menjadikan

nilai input tertentu sebagai nilai yang prioritas

pembandingannya lebih tinggi daripada input lain.

PERANCANGAN PERANGKAT LUNAK

Arsitektur Sistem...

1

32

4

ServerAplikasi

Web

5

Pengumpulan data sensor

Mobil radio control

Perangkat Android dan built in sensor

Use Case Sistem...

Ya State != driving Mencari level manuver

Hasil klasifikasi ditemukan

Tidak

Hasil = state + level Hasil = state

Pencarian Hasil Klasifikasi...

LOW HIGH

Gyroscope x (pitch ) 0.0 – 1.9 1.7 – 10.0z (yaw ) 0.0 – 2.6 2.4 – 10.0

Accelerometer x 0.0 – 2.0 1.0 – 10.0y 0.0 - 3.0 2.0 – 10.0

SENSOR SUMBUMEMBERSHIP RANGE (rad/s)

Berjalan (driving ) 0.0 - 5.0Drifting 4.5 - 8.0

Tabrakan (bumping ) 7.5 - 10.0

MANUVER MEMBERSHIP RANGE (rad/s)

Low 0.0 - 5.0Medium 4.5 - 8.0

High 7.5 - 10.0Very High 9.0 - 15.0

LEVEL MANUVER MEMBERSHIP RANGE (rad/s)

Membership Range (Logika Fuzzy)...

Smartphone

Fuzifikasi state dan level manuver

Data sensor accelerometer dan

gyroscope hasil windows sampling dan

overlapping

Defuzifikasi state manuver

Pengolahan fuzzy state manuver

dengan membership rule

Fuzzy variable terdefinisi

Derajat nilai keanggotaan tiap rule pada state manuver

terdefinisi

Nilai defuzifikasi level manuver

terdefinisi

Nilai defuzifikasi state manuver

terdefinisi

Klasifikasi nilai defuzifikasi state

manuver State klasifikasi manuver

terdefinisi

Pengolahan fuzzy level manuver

beresiko dengan membership rule

Defuzifikasi level manuver beresiko

Penggabungan state dan level

manuver

Derajat nilai keanggotaan tiap rule pada level manuver

terdefinisi

State dan level manuver

terdefinisi

Klasifikasi nilai defuzifikasi state

manuver

Level klasifikasi manuver terdefinisi

Diagram Alir

Logika Fuzzy

Class driving

Class bumping

Class drifting

Data Training State

Class low

Class medium

Class high

Data Training Level

Class very high

&

Data Training (Naive Bayesian)...

Smartphone

Pembacaan data train

Data sensor accelerometer dan

gyroscope hasil windows sampling dan

overlapping

Penghitungan nilai prior

Pengambilan Data sensor accelerometer dan gyroscope hasil

windows sampling dan overlapping

Status SD card adalah mounted

Data train terbaca

Nilai posterior terdefinisi

Nilai prior terdefinisi

Penghitungan nilai sensor dengan

weighted input dan Laplace estimator

Nilai input baru terdefinisi

Penghitungan nilai likelihood

Penghitungan nilai posterior

Pencarian class dengan nilai

posterior terbesar

Nilai likelihood terdefinisi

State manuver terdedinisi

Diagram Alir

Naive

Bayesian

0

0,5

1

1,5

2

2,5

3

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

gyroscope x gyroscope z

accelerometer x accelerometer x

Driving

0

1

2

3

4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15



Bumping 0

5

10

15

1 2 3 4 5 6 7 8 9 10 11 12



Drifting

Grafik Kondisi

Manuver...

UJI COBA dan EVALUASI

Smartphone HTC Sensation XE

• Android v4 (Ice Cream Sandwich),

• Prosesor: 1.5 GHz dualcore, RAM: 768MB

Radio control NQD

• Skala 1:10 tipe drifting 4WD,

• Baterai NiMH Eneloop Lite AA 6000 mAh

Ruangan 2,5m x 2,5m

• Lantai keramik,

• Dikelilingi dinding

Lingkungan Uji Coba...

Uji Coba Pendeteksian Manuver...

Uji Coba

Pendeteksian

Manuver

Drifting...

Uji Coba Pendeteksian Manuver

Bumping...

0

20

40

60

80

100

120

Fuzzy

Threshold 2

Bayesian

Threshold 2

Fuzzy

Threshold 4

Bayesian

Threshold 4

Driving Bumping Drifting

Uji Coba Akurasi Berdasarkan Variasi

Metode dan Nilai Threshold ...

Uji Coba Akurasi dengan Nilai

Threshold 2...

Dengan Logika Fuzzy :

• Driving = 0

5 x 100% = 𝟎 %

• Bumping = 7

9 x 100% = 𝟕𝟕, 𝟕 %

• Drifting = 11

11 x 100% = 𝟏𝟎𝟎 %

Dengan Naive-Bayesian :

• Driving = 2

5 x 100% = 𝟒𝟎 %

• Bumping = 9

9 x 100% = 𝟏𝟎𝟎 %

• Drifting = 10

11 x 100% = 𝟗𝟎, 𝟗 %


Threshold 2...


Threshold 4...

Dengan Logika Fuzzy :

• Driving = 3

5 x 100% = 𝟔𝟎 %

• Bumping = 0

9 x 100% = 𝟎 %

• Drifting = 11

11 x 100% = 𝟏𝟎𝟎 %

Dengan Naive-Bayesian :

• Driving = 5

5 x 100% = 𝟏𝟎𝟎 %

• Bumping = 2

9 x 100% = 𝟐𝟐, 𝟐 %

• Drifting = 10

11 x 100% = 𝟗𝟎, 𝟗 %


Threshold 4...

Uji Coba Performa Running Time

Proses Utama...

Rata-Rata Runtime Fuzzy :

2882

25 = 115,3 ms

Uji Coba Performa Running Time

Proses Utama...

Rata-Rata Runtime Ekstraksi :

974

25 = 38,96 ms

Rata-Rata Runtime Send to Server :

2288

25 = 91,52 ms

Rata Runtime Naive Bayesian :

25624

25 = 1024,96 ms

KESIMPULAN

1. Metode klasifikasi logika Fuzzy dan Naive-Bayesian

dapat digunakan untuk mendeteksi manuver pada

mobil radio control dengan sensor gyroscope dan

accelerometer pada smartphone. Manuver yang

dapat terdeteksi yaitu manuver berjalan (driving),

tabrakan (bumping), dan drifting.

2. Perangkat lunak dapat melakukan perhitungan

melalui metode logika Fuzzy serta Naive-Bayesian

dengan input nilai sensor gyroscope dan

accelerometer yang telah diolah melalui proses

sampling, overlapping, pembatasan nilai threshold,

dan konversi yang menghasilkan output hasil

klasifikasi sekaligus level manuver kendaraan.

Kesimpulan...

3. Nilai threshold 2 memiliki rata rata akurasi

keseluruhan yang lebih baik daripada nilai threshold

4. Rata rata akurasi keseluruhan nilai threshold 2

adalah 68,095%. Sedangkan untuk nilai threshold 4

adalah 62,165%.

4. Untuk nilai threshold 2, rata rata keseluruhan akurasi

dengan metode Naive-Bayesian adalah 76,96%,

lebih tinggi daripada metode Fuzzy dengan rata-

rata keseluruhan akurasi 59,23%. Pada nilai

threshold 4, rata-rata keseluruhan akurasi untuk

metode Naive-Bayesian adalah 71,03 %, lebih tinggi

8,905 poin daripada metode Fuzzy yang hanya

62,125%.

Kesimpulan...

5. Performa rata-rata running time untuk metode Naive

Bayesian yakni 1024,96 ms, lebih lama 909,66 ms

daripada metode Fuzzy yang hanya 115,3 ms. Untuk

running time proses ekstraksi dengan threshold 2

dan panjang sampling 4 adalah 38,96 ms,

sedangkan running time proses pengiriman ke server

bernilai 91,52 ms.

Kesimpulan...

1. Menggunakan teknik data filtering yang lebih baik

sehingga dapat membantu mengurangi noise data

dari sensor.

2. Menggunakan data training yang lebih efisien

sehingga hasil akhir klasifikasi Naive-Bayesian

dapat lebih akurat dengan hasil yang optimal.

3. Baterai radio control yang digunakan selalu berada

dalam keadaan prima sehingga kinerja mobil,

terutama untuk manuver drifting, dapat lebih stabil.

Saran...

Logika Fuzzy...

Rules Fuzzy Logic [14]

Tabular Matriks Fuzzy Rule [14]

Fuzzy Processing [14]

rancang bangun prototype sistem...

Documents