Studi Penggunaan Tapis Wavelet Untuk Penghilangan Derau Sinyal Sensor Unit Pengukuran Inersia Pada Sistem Pengenalan Postur

Abstract

Abstrak Perkembangan teknologi yang sangat cepat memungkinkan untuk melakukan penelitian yang mengembangkan metode monitoring terhadap Activity Daily Living (ADL). Alat ADL monitoring terdiri dari sensor Inertial Measurement Unit (IMU) accelerometer dan gyroscope. Umumnya, alat untuk ADL monitoring adalah sensor Unit Pengukuran Inersia / Inertial Measurement Unit (IMU) accelerometer dan gyroscope. Namun, hasil perekaman sensor ADL monitoring memiliki banyak derau, sehingga untuk pengolahannya diperlukan sebuah proses penghilangan derau.. Pada tugas akhir ini dilakukan analisis penghilangan derau dengan tapis wavelet pada data sinyal. Algoritme tapis wavelet yang digunakan pada tugas akhir ini adalah Discrete Wavelet Transform (DWT). Setelah dilakukan penghilangan derau dilakukan proses klasifikasi dengan menggunakan algoritme K – Nearest Neighbor (KNN) pada data sinyal untuk mengklasifikasi data sinyal berdasarkan postur ADL tidur, berdiri dan berlari. Berdasarkan hasil pengujian penghilangan derau sinyal sensor IMU dengan metode DWT pada parameter terbaik diperoleh rata-rata nilai Signal to Noise Ratio (SNR) sebesar 45.44865 dB, rata-rata nilai Peak Signal to Noise Ratio (PSNR) sebesar 50.60809 dB dan rata-rata nilai Mean Square Error (MSE) sebesar 0.000009527. Lalu berdasarkan hasil pengujian klasifikasi dengan algoritme KNN diperoleh metode terbaik diperoleh hasil pengukuran kinerja klasifikasi dengan nilai akurasi sebesar 98.4893 %, nilai presisi sebesar 98.4914%, nilai recall sebesar 98.5079% dan nilai F1 score sebesar 98.4929%. Kata kunci: ADL, Penghilangan Derau, Tapis Wavelet, IMU, Klasifikasi Abstract The very fast development of technology makes it possible to conduct research that develops monitoring methods for Activity Daily Living (ADL). The ADL monitoring tool consists of an Inertial Measurement Unit (IMU) sensor, an accelerometer and a gyroscope. However, the results of ADL monitoring sensor recording have a lot of noise, so that for processing it requires a denoising process. In this final project, a denoising analysis was carried out with the wavelet filter algorithm on signal data. The wavelet filter algorithm used in this final project is Discrete Wavelet Transform (DWT). After denoising the classification process is carried out using the K - Nearest Neighbor (KNN) algorithm on signal data to classify signal data based on ADL sleeping, standing and running postures. Based on the results of the IMU sensor signal denoising test with the DWT method on the best parameters, the average Signal to Noise Ratio (SNR) value is 45.44865 dB, the average Peak Signal to Noise Ratio (PSNR) value is 50.60809 dB and the average Mean value Square Error (MSE) of 0.000009527. Then based on the results of classification testing with the KNN algorithm, the best method is obtained classification performance measurement results with an accuracy value of 98.4893%, a precision value of 98.4914%, a recall value of 98.5079% and an F1 score value of 98.4929%. Keywords: ADL, denoising, wavelet filter, IMU, classification