Pembangunan Perangkat Pendeteksi Jenis Gerakan Raket Bulu Tangkis Dengan Algoritma KNN dan SVM
DOI:
https://doi.org/10.34148/teknika.v9i2.291Keywords:
bulu tangkis, acceleromater, gyroscope, klasifikasi, k-nearest neighbor, support vector machineAbstract
Internet of Things (IoT) dapat diaplikasikan untuk banyak bidang, salah satunya pada latihan olahraga bulu tangkis. Pada olahraga bulu tangkis, terutama bagi pemain pemula mengalami kesulitan untuk mengetahui apakah gerakan yang dilakukan sudah benar atau belum. Pada penelitian ini, dibangun sebuah embedded system yang dipasang pada raket yang berfungsi mengambil data gerakan pukulan. Data pukulan ini dikirim ke sebuah perangkat lunak yang dapat mendeteksi jenis gerakan raket bulu tangkis. Embedded system terdiri dari Arduino dan sensor accelerometer dan gyroscope. Data pukulan disimpan ke dalam basis data melalui web service. Perangkat lunak dibangun dengan memanfaatkan prinsip pembelajaran mesin terarah yaitu klasifikasi. Algoritma klasifikasi yang digunakan adalah algoritma k-Nearest Neighbor dan membandingkan hasilnya dengan algoritma lain yaitu Support Vector Machine. Pengujian dilakukan dengan mengumpulkan data latih yang digunakan oleh algoritma klasifikasi untuk memprediksi gerakan. Kinerja dari kedua algoritma klasifikasi diukur dan dibandingkan. Dari hasil pengujian, maka disimpulkan bahwa algoritma Support Vector Machine menghasilkan kinerja yang lebih baik dari k-Nearest Neighbor dalam mendeteksi gerakan raket. Selain itu kinerja algoritma Support Vector Machine yang lebih baik tersebut dihasilkan dengan data latih yang lebih sedikit dibandingkan k-Nearest Neighbor.
Downloads
References
Anik, A.I. & Hassan, M. (2016). Activity Recognition of a Badminton Game Through Accelerometer and Gyroscope. Bangladesh: Islamic University of Technology Department of Computer Science and Engineering (CSE).
Rusydi. (2015). Local Euler angle pattern recognition for smash and backhand in badminton based on arm position. Procedia Manufacturing, Vol. 3, pp. 898-903.
Ravi, N., Dandekar, N., Mysore, P. & Littman, M. (2005). Activity Recognition from Accelerometer Data. AAAI, Vol. 3, pp. 1541-1546.
Pardo, L.B., Perez, D.B. & Uruñuela, C.O. (2019). Detection of Tennis Activities withWearable Sensors. Sensors, Vol. 19.
Kamiyama, T., Kameda, Y., Ohta, Y. & Kitahara, I. (2017). Improvement of Badminton-Player Tracking Applying Image Pixel Compensation. ITE Transactions on Media Technology and Applications, Vol. 5(2), pp. 36-41.
Rahmad, N.A., Sufri, N.A.J., Muzamil, N.H. & As’ari, M.A. (2019). Badminton Player Detection Using Faster Region Convolutional Neural Network. Indonesian Journal of Electrical Engineering and Computer Science, Vol. 14, pp. 1330-1335.
Hastuti, P. (2009). Buku Panduan Cabang Olahraga Bulutangkis Special Olympics 1st edition. Jakarta: Pengurus Pusat Special Olympics Indonesia.
Permana, R.M. (2017). Pengembangan Media Pembelajaran Sensor dan Transduser Berbasis PC dengan Menggunakan Sensor-Sensor pada Smartphone Android. Yogyakarta: Lumbung Pustaka Universitas Negeri Yogyakarta.
Immersa Lab. (2018). Pengertian Gyroscope dan Cara Kerjanya [Online]. Diakses dari: https://www.immersa-lab.com/pengertian-gyroscope-dan-cara-kerjanya.htm/ pada tanggal 15 September 2019.
Dey, A. (2016). Machine Learning Algorithms: A Review. International Journal of Computer Science and Information Technologies (IJCSIT), Vol. 7(3), pp. 1174-1179.
Ang, J., Mirzal, A., Haron, H. & Hamed, H.N.A. (2015). Supervised, Unsupervised, and Semi-Supervised Feature Selection: a Review on Gene Selection. IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol. 13.
Delany, P.C., Jane, S. (2020). k-Nearest Neighbour Classifiers: 2nd Edition. arXiv.
Pratama, A., Wihandika, R. & Ratnawati, D.E. (2018). Implementasi Algoritma Support Vector Machine (SVM) untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 2, pp. 1704-1708.
