Electrical Engineering: Tugas UAS

Referensi :

UAS 1 : Topological Mapping and Navigation Based on Visual SLAM Maps oleh Fabian Blöchliger, Marius Fehr

Autonomous Mobile Robot Intrinsic Navigation Based on Visual Topological Map oleh Wei Shih

UAS 2 : Analisa Perbandingan kinerja metode klasifikasi support vector machine untuk mengenali kedipan mata berdasarkan signal EOG oleh Ahmad Yunus

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Soal 1 : Navigasi Otonom Berdasarkan Peta Topologi Visual

2. Soal 2 :klasifikasi Data Sinyal EOG untuk Pengendalian Kursi Roda Menggunakan Algoritma Support Vector Machine (SVM)

1. Soal 1 : Navigasi Otonom Berdasarkan Peta Topologi Visual [back]
>Navigasi adalah suatu teknik untuk menentukan kedudukan dan arah lintasan perjalan secara tepat, atau navigasi adalah suatu kegiatan mengontrol arah perjalanan baik di peta maupun di medan sebenarnya dengan tepat hingga sampai tujuan.

K-Nearest Neighbor (KNN)

K-Nearest Neighbor merupakan salah satu metode yang digunakan dalam klasifikasi. Prinsip kerja KNN adalah dengan mengelompokkan data baru berdasarkan jarak ke beberapa data k tetangga terdekat (neighbor) dalam data pelatihan. Nilai k yang terbaik untuk algoritma ini tergantung pada data, secara umum nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Teknik cross validasi digunakan untuk mencari nilai k yang optimal dalam mencari parameter terbaik dalam sebuah model. Jarak Euclidean menurut McAndrew (2004) digunakan untuk menghitung jarak antara dua vektor yang berfungsi menguji ukuran yang bisa digunakan sebagai interpretasi kedekatan jarak antara dua obyek yang direpresentasikan dalam persamaan.

Langkah-langkah Kerja KNN

Tentukan parameter K
Hitung jarak antara data baru yang ditanyakan dengan seluruh sampel data pelatihan
Urutkan seluruh jarak berdasarkan jarak minimum dan tetapkan persekitaran (tetangga terdekat) sesuai dengan nilai K
Sesuaikan klasifikasi dari kategori B dengan persekitaran yang telah ditetapkan
Gunakan kelas dengan jumlah terbanyak sebagai dasar menentukan kelas dari data baru yang ditanyakan.

Animasi cara kerja KNN :

Navigasi Otonom Berdasarkan Peta Topologi Visual

Data set yang digunakan :

Program Matlab :

Prinsip Kerja :

Pertama dilakukan pembacaan data set berupa video yang telah disiapkan. Kemudian berdasarkan data set tersebut, ditentukan kelas kelas yang akan di klasifikasikan, dimana terdiri dari 4 kelas, yaitu A, B, C, dan D. Masing-masing dari kelas ini kemudian ditentukan nilai dan dimensinya. Nilai ini yang nantinya akan dijadikan pedoman dalam penentukan kelas (tetangga terdekat) berdasarkan dari prinsip kerja KNN. Kemudian output dari klasifikasi ini berupa pengelompokan dati video berdasarkan 4 kelas yang telah di tentukan.

Output :

Video Penjelasan :

2. Soal 2 :Klasifikasi Data Sinyal EOG untuk Pengendalian Kursi Roda Menggunakan Algoritma Support Vector Machine (SVM) [back]

SUPPORT VECTOR MACHINE (SVM)

Support vector machine (SVM) merupakan suatu teknik yang digunakan untuk prediksi, baik dalam kasus klasifikasi maupun regresi. Secara sederhana konsep SVM yaitu usaha untuk mencari hyperplane terbaik yang digunakan sebagai pemisah dua buah kelas pada input space. Hyperplane terbaik merupakan suatu garis yang memisahkan kelas data yang memiliki margin terbesar. Margin adalah jarak antara hyperplane tersebut dengan data terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support vector.

hyperplane klasifikasi linear SVM dinotasikan dengan :

Untuk menghitung nilai margin antara bidang pembatas menggunakan rumus jarak garis ke titik pusat dinotasikan sebagai berikut:

Untuk menyelesaikan kasus non linear, SVM dimodifikasi dengan cara memasukkan fungsi kernel. Konsep dasar dari fungsi kernel ini adalah dengan memetakan x ke ruang vektor yang berdimensi tinggi pada ruang vektor yang baru.

1. Kernel Gausian Radial Basic Function (RBF)

Fungsi ini biasanya digunakan untuk data yang sudah valid (available) dan merupakan default tools dalam SVM. Persamaan fungsi kernel RGF dapat dinotasikan dengan:

2. Kernel Polynomial

Biasanya digunakan untuk klasifikasi gambar. Persamaan kernel polynomial seperti berikut:

3. Kernel Tangen Hyperbolic (Sigmoid)

Fungsi ini sering digunakan untuk neural networks. Berikut persamaannya.

4. Kernel Linear

Merupakan fungsi kernel yang paling sederhana. Biasanya digunakan untuk klasifikasi teks. Persamaan fungsinya yaitu:

Multiclass Support Vector Machine (SVM)

1. Metode One-against-all (satu lawan semua)

2.1.1. 2. Metode One-against-one (satu lawan satu)

Support Vector Machine (SVM) digunakan pada kasus pengendalian kursi roda menggunakan sinyal gerakan mata. Pengujian yang dilakukan dengan menggunakan algoritma multiclass one vs one. Sinyal diambil menggunakan sensor EOG. Data yang diperoleh akan di kelompokkan menjadi 5, yaitu.

1. Kedip sadar untuk memulai pergerakan kursi Roda

2. Lirik Atas untuk gerakan maju

3. Lirik Bawah untuk gerakan mundur

4. Lirik Kanan untuk membuat kursi roda bergerak ke arah kanan

5. Lirik Kiri untuk membuat kursi roda bergerak ke arah kiri

Pengelompokkan data ditentukan berdasarkan beberapa variable (Feature) diantaranya,

1. Perioda sinyal Ch1

2. Periode sinyal Ch2

3. Luas sinyal Ch1

4. Luas sinyal Ch2

5. Nilai Max Ch1

6. Nilai Max Ch2

7. Nilai Min Ch1

8. Nilai Min Ch2

Fungsi hyperline didapatkan untuk memisahkan kelas. Fungsi hyperplane yang terbaik didapatkan dari data yang terdekat dengan fungsi hyperpline dengan margin yang paling besar.

Dataset yang digunakan

Data 50 responden yang sama dilakukan 5 gerakan untuk masing-masing responden, dan masing masing gerakan dilakukan pengulangan sebanyak 20 kali. Sejumlah 34 orang sebagai data latih dan 16 orang sebagai data uji. Total data dari 50 responden untuk masing – masing gerakan adalah 1000 data, dengan 5 gerakan berbeda, sehingga total data keseluruhan 5000 data. Dari 5000 data, 3400 data sebagai data latih dan 1600 sebagai data uji.

Target pengelompokkan/Outcomes

Target ini digunakan untuk pengelompokkan kelas. Pengelompokkan ini didasarkan pada hasil pengujian data latih terhadap data uji. Target ini terdiri dari 5 bagian yaitu.

a. Kedip sadar diwakilkan oleh angka 1

b. Lirik atas sadar diwakilkan oleh angka 2

c. Lirik Bawah diwakilkan oleh angka 3

d. Lirik Kanan diwakilkan oleh angka 4

e. Lihat kiri diwakilkan oleh angka 5

Langkah 1. Masukkan Dataset dan Target Pada Program