PENGENALAN AKTIVITAS MANUSIA MENGGUNAKAN REDUCED KERNEL EXTREME LEARNING MACHINE UNTUK MANAJEMEN BERAT BADAN

Untuk manajemen berat badan yang baik, seseorang harus mampu menyesuaikan jumlah kalori yang dibakar dengan yang dikonsumsinya. Permasalahan yang dihadapi adalah ketidakmampuan untuk menghitung jumlah tersebut. Banyak aplikasi saat ini yang dapat membantu menghitung dan salah satunya menerapkan Human Activity Recognition menggunakan wearable dan smartphone sensors. Penelitian ini memiliki 3 fokus utama yaitu akurasi, kemampuan real-time dan ketahanan. Ini memunculkan permasalahan baru yaitu kesulitan dalam menentukan algoritma klasifikasi yang dapat mencakup ketiganya. Metodologi yang digunakan untuk pengembangan adalah metodologi waterfall. Sistem dibuat menggunakan algoritma Reduced Kernel Extreme Learning Machine untuk mendeteksi aktivitas fisik manusia yang nantinya digunakan untuk perhitungan kalori yang dibakar. Tahap pengujian dilakukan melalui unit-testing dan pengujian algoritma menggunakan dataset 5 aktivitas berjumlah 300 data yang diekstrak ke dalam 56 feature, kemudian dilakukan 10-fold cross validation untuk mendapatkan nilai akurasi, precision, recall, f1 score, training time dan testing time dari 6 algoritma yakni RKELM, ELM, KELM, library SVM, RF dan KNN. Berdasarkan hasil pengujian 10-fold yang dilakukan 10 kali dengan re-shuffle dataset setiap kalinya, didapatkan kesimpulan bahwa RKELM unggul di nilai akurasi yaitu 97.53%, precision 97.71% dan f1 score 97.37% dibandingkan algoritma lainnya. Namun terdapat kelemahan pada waktu training time yakni 0.06s dan testing time yakni 0.007s.