Klasifikasi Data Deteksi Jatuh Menggunakan Machine Learning Dengan Algoritma Adaptive Boosting (adaboost)

Abstract

Jatuh merupakan kecelakaan utama yang sering terjadi pada lanjut usia. Faktor penyebab terjadinya jatuh terdiri dari faktor intrinsik yang berhubungan dengan kondisi kesehatan dan faktor ekstrinsik yang berhubungan dengan kondisi lingkungan. Pada penelitian ini akan dilakukan klasifikasi yang terdiri dari 8 indikasi yaitu berdiri normal, duduk normal, tidur normal, naik tangga, turun tangga, jatuh kedepan, jatuh kebelakang dan jatuh kesamping. Mikrokontroler berupa Arduino serta sensor MPU-6050 sebagai accelerometer. Data yang didapat diklasifikasikan menggunakan Orange Data Mining. Metode klasifikasi yang digunakan yaitu Algoritma Adaptive Boosting (AdaBoost). AdaBoost merupakan metode boosting yang mampu menyeimbangkan kelas dengan memberikan bobot pada tingkat error klasifikasi. Data diklasifikasi pada 5 kondisi perbandingan rasio antara data training dan data testing yaitu 10%:90%, 20%:80%, 30%:70%, 40%:60% dan 50%:50%. Hasil klasifikasi berupa analisis performansi yang akan dibandingkan dengan 2 algoritma ensemble method berbasis metode tree lainnya yaitu Random Forest (RF) dan Gradient Boosting (GB). Hasil analisis perbandingan menggunakan AdaBoost didapatkan akurasi terbaik sebesar 100% pada rasio 50%:50%. Hasil perbandingan 3 klasifikasi antara AdaBoost, RF dan GB didapatkan hasil Adaboost sebagai model yang terbaik dengan nilai akurasi tertinggi di 4 rasio yaitu 97,5% pada rasio 20%:80%, 98,7% pada rasio 30%:70%, 99,3% pada rasio 40%:60% dan 100% pada rasio 50%:50%. Kata kunci : Deteksi jatuh, MPU-6050, Klasifikasi, Machine Learning, Orange Data Mining, AdaBoost.