STUDI KLASIFIKASI GERAK DUDUK-BERDIRI DENGAN ALGORITMA TRANSFORMER

Abstract

Gerakan Sit-to-Stand (STS) merupakan aktivitas fungsional penting yang sering digunakan untuk mengevaluasi kemampuan mobilitas dan keseimbangan, khususnya pada kelompok lanjut usia. Informasi mengenai fase-fase gerakan STS diperlukan untuk mendukung pengembangan sistem pemantauan dan alat bantu mobilitas yang lebih aman. Penelitian ini mengusulkan penggunaan algoritma Transformer untuk mengklasifikasikan empat fase gerakan STS, yaitu Sit, Flexion, Extension, dan Stand, berdasarkan data sensor Inertial Measurement Unit (IMU). Data dikumpulkan dari delapan partisipan menggunakan dua sensor IMU yang dipasang pada korpus sterni dan tibia dengan frekuensi pengambilan data 100 Hz. Dataset terdiri atas 32.000 sampel dengan empat fitur utama berupa nilai roll dan pitch dari kedua sensor. Sebelum proses pelatihan, data melalui tahapan preprocessing yang meliputi penanganan missing value, winsorization, normalisasi min-max, encoding label, dan pembentukan data sekuensial menggunakan metode sliding window sepanjang 30 timestep. Model Transformer dikembangkan menggunakan TensorFlow dan dievaluasi menggunakan metode 10-Fold Stratified Cross Validation. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 94%, meningkat signifikan dibandingkan pendekatan Artificial Neural Network (ANN) berbasis Multi-Layer Perceptron yang sebelumnya dengan akurasi 72%. Temuan ini menunjukkan bahwa mekanisme Self-Attention pada Transformer efektif dalam menangkap dependensi temporal data sensor sehingga mampu meningkatkan performa klasifikasi fase gerakan duduk-berdiri