Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest untuk Kendali Kursi Roda Berbasis Klasifikasi Gestur Tubuh dan Sensor Inersia

Muhammad, Farhan Pramasta (2026) Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest untuk Kendali Kursi Roda Berbasis Klasifikasi Gestur Tubuh dan Sensor Inersia. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) 01. Cover dan Abstrak.pdf - Published Version Download (119kB)
	Text (Bab I) 02. Bab I.pdf - Published Version Download (24kB)
	Text (Bab IV) 03. Bab IV.pdf - Published Version Download (4MB)
	Text (Daftar Pustaka) 04. Daftar Pustaka.pdf - Published Version Download (68kB)
	Text (Skirpsi Fulltext) 05. Skripsi Fulltext.pdf - Published Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Disabilitas fisik dapat menyebabkan keterbatasan dalam melakukan aktivitas mobilitas secara mandiri, sehingga diperlukan alat bantu yang mudah digunakan dan responsif. Salah satu alat bantu tersebut adalah kursi roda elektrik. Kursi roda elektrik konvensional masih memiliki kendala aksesibilitas karena kontrol dirancang untuk pengguna sehat, sehingga sulit digunakan oleh penyandang disabilitas berat seperti cedera tulang belakang atau stroke. Penelitian ini mengembangkan sistem kendali kursi roda berbasis klasifikasi gestur tubuh menggunakan sensor inersia (Inertial Measurement Unit/IMU) yang terdiri dari akselerometer dan giroskop untuk mendeteksi lima gerakan tubuh, yaitu diam, maju, mundur, belok kiri, dan belok kanan secara real-time. Proses klasifikasi dilakukan dengan membandingkan dua algoritma pembelajaran mesin, yaitu Support Vector Machine (SVM) dan Random Forest, guna menentukan algoritma dengan performa terbaik dalam mengenali gestur tubuh. Data gerakan direkam melalui sensor MPU-6050, kemudian diolah melalui tahap pra-pemrosesan, ekstraksi fitur, serta pembagian data latih dan data uji sebelum pelatihan model dilakukan. Hasil pengujian klasifikasi menunjukkan algoritma Random Forest memperoleh akurasi sebesar 95,33% dan presisi 95,60%, lebih tinggi dibandingkan SVM dengan akurasi 92,67% dan presisi 93,18%. Namun, pada pengujian integrasi secara real-time pada kursi roda, SVM menunjukkan akurasi kendali yang lebih tinggi, yaitu 97,78%, dibandingkan Random Forest sebesar 95,55%, yang mengindikasikan Random Forest mengalami overfitting terhadap data latih sehingga generalisasinya menurun pada kondisi real-time dan data di luar rentang latih (out-of-distribution). Selain itu, SVM memiliki rata-rata waktu pemrosesan sebesar 2,312 ms, sedangkan Random Forest sebesar 31,895 ms. Berdasarkan hasil tersebut, SVM dinilai sebagai algoritma yang lebih optimal untuk diintegrasikan ke dalam sistem kendali kursi roda berbasis gestur tubuh karena memberikan akurasi kendali yang lebih tinggi serta waktu pemrosesan yang lebih rendah dibandingkan Random Forest.

Actions (login required)

View Item