Fuzzy Clustering untuk Vector Quantization pada Hidden Markov Models di dalam Proses Pengenalan Gerakan

  • Intan Nurma Yulita Universitas Padjadjaran
  • Erick Paulus Universitas Padjadjaran

Abstrak

Pengenalan gerakan telah banyak dipelajari sampai sekarang karena penerapannya telah banyak diimplementasikan di berbagai aspek. Salah satu tantangan dalam pengenalan gerakan ini adalah representasi data dalam bentuk urutan. Untuk dapat menghasilkan model pada pengenalan gerakan, metode yang digunakan harus dapat menangani sifat sekuensial pada data. Hidden Markov Models adalah salah satu metode yang paling banyak digunakan untuk mengatasi tantangan ini. Tapi sebelum dimodelkan dengan menggunakan Hidden Markov Modela, data input harus diubah menjadi data observasi agar sesuai dengan spesifikasi yang dibutuhkan dari Hidden Markov Models. Proses ini dilakukan melalui Vector Quantization namun banyak implementasi menerapkannya dengan menggunakan Hard Clustering. Jenis Clustering ini memiliki risiko tinggi untuk kehilangan informasi selama proses pembentukan pusat cluster. Oleh karena itu, dalam penelitian ini mengusulkan penggunaan Fuzzy Clustering untuk Vector Quantization. Dari hasil yang diperoleh, diketahui bahwa Fuzzy Clustering lebih baik daripada Hard Clustering untuk Vector Quantization pada Hidden Markov Models dalam pengenalan gerakan. Dengan demikian, Fuzzy Clustering direkomendasikan sebagai proses untuk kuantisasi pada Hidden Markov Models untuk pengakuan gerakan.

Referensi

[1]. M. Elmezain, A. Al-hamadi, A hidden Markov model- based isolated and meaningful hand gesture recognition, In Proceeding of World Academy of Science, Technology, Engineeering and Technology (2008) 394– 401.
[2]. C. Spampinato, S. Palazzo, Hidden Markov models for detecting anomalous fish trajectories in underwater footage, 2012 IEEE International Workshop on Machine Learning for Signal Processing.
[3]. B. Cooper, M. Lipsitch, The analysis of hospital infection data using hidden Markov models, Biostatistics 5.2 (1995) 223–237.
[4]. B.-J. Yoon, Hidden Markov models and their applications in biological sequence analysis, Current Genomics 10 (2009) 402–415.
[5]. A. G. et. al., Hidden conditional random fields for phone classification, Interspeech (2005) 1117–1120
[6]. Y. L. et. al., Implementation of the fuzzy c-means Clustering algorithm in meteorological data, International Journal of Database Theory and Application (2013) 1–13
[7]. J. C. Dunn (1973): "A Fuzzy Relative of the ISODA T A Process and Its Use in Detecting Compact W ellSeparated Clusters", Journal of Cybernetics 3: 3257
[8]. J. C. Bezdek (1981): "Pattern Recognition with Fuzzy Objective Function Algoritms", Plenum Press, New York
[9]. MacKay , David (2003). "Chapter 20. An Example Inference Task: Clustering" (PDF). Information Theory , Inference and Learning Algorithms. Cambridge University Press. pp. 284–292. ISBN 0- 521642981. MR 2012999.
[10]. Hamerly , Greg. "Making kmeans even faster". citeseerx. ist. psu. edu. Retrieved 20151210.
[11]. Wagner, P. K. ; PERES, S. M. ; Madeo, R. C. B. ; Lima, C. A. M. ; Freitas, F. A. . Gesture Unit Segmentation Using Spatial-Temporal Information and Machine Learning. In: 27th Florida Artificial Intelligence Research Society Conference (FLAIRS), 2014, Pensacola Beach.
Diterbitkan
2017-01-31
##submission.howToCite##
YULITA, Intan Nurma; PAULUS, Erick. Fuzzy Clustering untuk Vector Quantization pada Hidden Markov Models di dalam Proses Pengenalan Gerakan. Jurnal Teknik Informatika, [S.l.], v. 9, n. 1, p. 8-12, jan. 2017. Tersedia pada: <https://jurnal.diplomainformatika.or.id/teknikinformatika/article/view/10>. Tanggal Akses: 19 juni 2018