RANCANG BANGUN PROTOTYPE SISTEM...
Transcript of 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
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.
“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”
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 ?
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.
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.
Arsitektur Sistem...
1
32
4
ServerAplikasi
Web
5
Pengumpulan data sensor
Mobil radio control
Perangkat Android dan built in sensor
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
gyroscope x gyroscope z
accelerometer x accelerometer x
Bumping 0
5
10
15
1 2 3 4 5 6 7 8 9 10 11 12
gyroscope x gyroscope z
accelerometer x accelerometer x
Drifting
Grafik Kondisi
Manuver...
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...
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 ...
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 %
Uji Coba Akurasi dengan Nilai
Threshold 2...
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 %
Uji Coba Akurasi dengan Nilai
Threshold 4...
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
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...