Perpustakaan Digital ITB

Gangguan gerak berjalan manusia dapat menjadi indikator bagi dokter bahwa pada seseorang terdapat penyakit tertentu. Penerapan machine learning sudah sering digunakan untuk membantu klasifikasi penyakit dalam bidang kedokteran. Penelitian terdahulu cenderung melakukan klasifikasi terhadap kondisi gerak berjalan sehat atau jenis penyakit tertentu. Klasifikasi otomatis tersebut memiliki kelemahan yaitu ketika model diaplikasikan untuk mengenali gangguan secara umum, model hanya dapat menentukan 2 atau beberapa jenis keadaan anomali tersebut sesuai data latihan. Maka tujuan dari penelitian ini adalah untuk mencari metode yang dapat mendeteksi gangguan gerak berjalan secara umum. Penelitian ini akan menggunakan data yang bersumber dari Inertial Measurement Unit. Data akselerasi dan kecepatan sudut yang bersumber dari sensor akan diproses dengan standarisasi dan penjajaran dengan piecewise linear length normalization. Sinyal per-siklus langkah kemudian dibandingkan nilainya terhadap garis batas untuk dihitung persentase anomali setiap siklus gerak berjalan. Data nilai anomali pada setiap siklus gerak berjalan menjadi data latihan dan pengujian pembelajaran mesin. Hasil training data dengan algoritma Random Forest pada penelitian ini menunjukkan performa deteksi gangguan gerak berjalan dengan pemanfaatan tiga IMU dengan penempatan di paha, lutut, dan metatarsal menghasilkan accuracy yaitu 96,38% dan nilai recall 95,05%. Hasil deteksi kemudian dilengkapi dengan Shapley Additive Explanation untuk mendapatkan informasi tambahan bagi dokter untuk melakukan analisis lanjutan.