Penerapan Algoritma Multi-Head 1-Dimensional Convolutional Neural Network Untuk Pengenalan Aktivitas Manusia

Pratama, Muhammad Fikri Sandi (2023) Penerapan Algoritma Multi-Head 1-Dimensional Convolutional Neural Network Untuk Pengenalan Aktivitas Manusia. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000195-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Pengenalan aktivitas manusia adalah suatu bidang penelitian yang bertujuan untuk mengenali dan mengklasifikasikan aktivitas yang dilakukan oleh manusia berdasarkan data sensor yang dikumpulkan. Dataset yang digunakan dalam penelitian ini adalah UCI HAR (Human Activity Recognition), yang merupakan kumpulan data yang terdiri dari pengukuran sensor menggunakan accelerometer dan gyroscope. Aktivitas pada dataset sudah dilakukan pelabelan diantaranya: walking, walking Upstairs, walking Downstairs, sitting, standing, dan laying. Metode yang digunakan dalam penelitian ini adalah Multi-head 1-Dimensional Convolutional Neural Network (CNN). Metode ini memanfaatkan konvolusi 1 dimensi dan arsitektur jaringan saraf dengan beberapa kepala (Multi-head) untuk memproses data urutan dan mengekstraksi fitur yang relevan. Arsitektur ini memungkinkan pengenalan aktivitas manusia yang akurat dan efisien. Sebelum proses pelatihan, dilakukan pra-pemrosesan data yang mencakup pembersihan data, segmentasi data, one-hot encoding untuk mengubah label aktivitas menjadi representasi biner, dan skalasi dan normalisasi data untuk mengoptimalkan performa model. Langkah-langkah ini penting untuk memastikan kualitas data yang masuk dan mengurangi bias dalam proses pembelajaran. Hasil eksperimen yang diperoleh menunjukkan bahwa penggunaan Multi-head 1-Dimensional Convolutional Neural Network (1D-CNN) pada dataset UCI HAR dan penerapan metode pra-pemrosesan data yang mencakup pembersihan data, segmentasi data, one-hot encoding, serta skalasi dan normalisasi data, berhasil mencapai tingkat akurasi yang tinggi sebesar 98,12% dan F1-Skor 98,49%. Hasil ini menunjukkan keefektifan dan kehandalan metode yang digunakan dalam pengenalan aktivitas manusia, serta memberikan kontribusi yang signifikan dalam meningkatkan klasifikasi aktivitas manusia secara otomatis. Dengan demikian, penelitian ini memiliki potensi untuk mendukung berbagai aplikasi yang membutuhkan pemahaman dan pengenalan aktivitas manusia.
=================================================================================================================================
Based on gathered sensor data, the field of research known as "human activity identification" aims to identify and categorize human activities. The data set used in this study is UCI HAR (Human Activity Recognition), which is a collection of data consisting of sensor measurements using accelerometers and gyroscopes. Activities on the dataset have already been labeled, such as walking, walking upstairs, walking downstairs, sitting, standing, and laying.The method used in this study is the Multi-head 1-Dimensional Convolutional Neural Network. (CNN). This method uses Multi-head 1-Dimensional Convolutions Neural Network (1D-CNN) architectures to process sequence data and extract relevant features. This architecture enables accurate and efficient identification of human activity. Before the Training process, data pre-processing is carried out, which includes data cleaning, data segmentation, one-hot encoding to convert activity labels into binary representations, and data scaling and normalization to optimize model performance. These steps are important to ensure the quality of the incoming data and reduce bias in the learning process The results of the experiment showed that the use of a Multi-head 1-Dimensional Convolutional Neural Network (1D-CNN) on the UCI HAR data set and the application of data pre-processing methods that include data cleaning, data segmentation, one-hot encoding, as well as data scaling and normalization, managed to achieve a high accuracy of 98,12% and an f1-score of 98,49%. These results show the effectiveness and reliability of the methods used in the identification of human activity, as well as make a significant contribution to improving the automatic classification of human activities. Thus, this research has the potential to support a range of applications that require understanding and recognition of human activity.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Akurasi, Multi-head 1D-CNN, Pengenalan aktivitas manusia, UCI HAR, Accuracy, Human Activity Recognition, dataset
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Fikri Sandi Pratama
Date Deposited:	18 Oct 2023 08:17
Last Modified:	18 Oct 2023 08:17
URI:	http://repository.its.ac.id/id/eprint/102445

Actions (login required)

View Item