Deteksi gerakan salat dari data accelerometer pada Smartband menggunakan Recurrent Neural Network (RNN)

Hadiyansah, Rizal (2024) Deteksi gerakan salat dari data accelerometer pada Smartband menggunakan Recurrent Neural Network (RNN). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (71kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (150kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (123kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (180kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (199kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (531kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (7MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (128kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (171kB) | Request a copy

Abstract

Minimnya pemanfaatan teknologi wearable di bidang keagamaan, khususnya untuk mendukung praktik salat, menjadi latar belakang penelitian ini. Hal ini mendorong pengembangan sistem pendeteksi gerakan salat menggunakan data akselerometer dari smartband. Penelitian ini bertujuan untuk menerapkan algoritma Recurrent Neural Network (RNN) dalam mendeteksi gerakan salat dan mengevaluasi kinerjanya. Data akselerometer dikumpulkan dari perangkat Xiaomi Mi Band 5 melalui aplikasi ‘sholat-ml’ yang dikembangkan khusus untuk penelitian ini. Data tersebut kemudian dipersiapkan melalui tahap pembersihan, penyeimbangan, dan transformasi data sebelum digunakan untuk melatih tiga model RNN, yaitu Bidirectional LSTM, LSTM, dan GRU. Model-model tersebut dievaluasi dengan berbagai metrik di berbagai ukuran jendela (window size) dan diuji kinerjanya secara real-time pada perangkat ponsel. Hasil penelitian menunjukkan bahwa model GRU yang hanya berukuran 89.53 KB dengan ukuran jendela 30 dan post-processing Majority Voting dengan threshold 3 memberikan kinerja paling optimal, dengan menunjukkan akurasi 95,38% pada evaluasi kasus nyata dan tingkat fluktuasi 9,09% bahkan sampai 3,23% di threshold 4 melampaui model BLSTM dan LSTM.

Actions (login required)

View Item