Klasifikasi Penumpang Naik Dan Turun Dengan Sensor Load Cell Menggunakan Ekstraksi Fitur Dan Metode Support Vector Machine

Abstract

Abstrak Kepadatan atau overload penumpang sering kali terjadi pada bus maupun angkutan umum lainnya. Penumpang berlalu lalang naik dan dan turun bus setiap harinya. Terkait hal tersebut, berat badan manusia dapat dimanfaatkan untuk dilakukannya klasifikasi antara penumpang naik dan penumpang turun. Tugas akhir ini menggunakan algoritma Support Vector Machine beserta ekstraksi fitur untuk mengklasifikasi penumpang naik dan penumpang turun. Penelitian dilakukan dengan menggunakan 100 data berat hasil injakan penumpang pada alat yang terpasang pada pijakan pintu bus. Pembagian data latih dan data uji secara acak dengan perbandingan 80%:20%. Pada pengujian, data penumpang naik dan penumpang turun dipisah dan dikumpulkan dalam excel yang berbeda untuk diterapkan fitur ekstraksi, Adapun fitur yang digunakan yaitu Mean, Median, Standar Deviasi, Kurtosis, dan Skewness. Metode Support Vector Machine Kernel Linear berhasil mengklasifikasi data penumpang naik dan penumpang turun dengan rata-rata akurasi 90%. Kata Kunci : support vector machine, penumpang bus, ekstraksi fitur Abstract Passengers overload often occurs on buses and other public transportation. Passengers pass in and off the bus everyday. Related to this, human body weight can be used for classification between passengers get on and get off the bus. This final project, uses the Support Vector Machine algorithm along with feature extraction to classify passengers getting on and off the bus. This research was conducted using 100 weight data of passengers trampling on a device mounted on the bus door step. The training data and test data randomly distributed with ratio of 80%:20%. In the test, data of passengers get on and get off are separated and collected in different excel files to apply the extraction feature. The features used are Mean, Median, Standard Deviation, Kurtosis, and Skewness. The Support Vector Machine Linear Kernel method succeeds in classifying data of passengers get on and get off with an average accuracy of 90%. Keyword: Passengers, Bus, Internet of Things, Support Vector Machine