Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l. 8 ,  No. 6 ,  D ece m ber 201 8 , pp.  50 1 4 ~ 50 2 0   IS S N:  20 88 - 8708 ,  DOI:  10 .11 591/ ijece . v 8 i 6 . pp 50 1 4 - 50 2 0     5014       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Compari son Anal ysis of G ait Class ification  f or Hum an Moti on  Identific atio n   U si ng Embe dd ed Comp uter       Agun g Nu groho J at i,  A s tri  Noviant y, N anda  Sep tiana,   Le ni Widi a N as u tion   Depa rtment  o f  C om pute r  Engi n e eri ng,   School   of Electrical E ng in ee ring ,   Te lkom  Univer sit y ,   Indo nesia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ja n   26 , 2 01 8   Re vised  Jun   2 8 , 201 8   Accepte d  J ul   22 , 2 01 8       In  thi s  pape r,   it  will   be  discussed  about   compa rison  bet wee n  t wo  kind s   of  cl assifi ca t ion  m et hods  in  ord er  to  improve  sec u rity   s y s te m   base d  of  hum an   gai t .   Gai t  is  on e   of  biometr ic   m e thods  which  ca n   be  used   to  ide nt if y   per son .   K - Nea rest  Neig hbour  has  par a ll ell y   implemen te d  with  Supp ort  Vec to r   Mac hine   for  c la s s if y ing   hum an  g ai t  in  sam e  basi c   s y stem.  Gen eral l y ,   s y s te m  has  bee n  buil t  u sing  Histogram  and  Princi pa l  Com ponent   Anal y sis  for  gai t  det e ct ion  and  it s   fea tur e  ex tra c ti o n.   The n ,   th e  resu lt   of  th e  sim ula tion  show ed   tha t  K - Nea r est  Neighbour   is  slower  in  proc ess ing  and  le ss   accura t e  tha n   Support  Vec tor   Mac hine i n   gait  cl assifi ca t ion.   Ke yw or d:   Gait  Reco gn it ion   Hu m an  Moti on  Identific at io n   K - Near e st Nei ghbour   Suppor t  V ect or Mac hin e   Copyright   ©   201 8 Instit ute of   Ad v ance d  Engi ne eri ng  and  Sc ie n ce .    Al l   rights  reserv ed .   Corres pond in g  Aut h or :   Agu ng Nu groho  Jat i ,    Dep a rtm ent o f C om pu te r  E ng i neer i ng,    School  of Elec tric al  Engineer ing ,   Tel kom   Un ive rsity ,   Jl. Tele kom un ikasi Te ru sa n   B uah   Ba tu,  Ban dung, 4 0257 ,  I ndonesi a .   Em a il :  agu ngnj @ te lko m un ive rsity .ac.id       1.   INTROD U CTION   Ever y  sin gle  pe rson  in  the  w or l d  has  uniq ue   featur es  wh ic h  is  diff e ren t  f ro m   oth ers.   I n  eng i neer i ng,   it   can  be  us e d  as  a   key  f or  identific at io n  or  in   sec ur it y  s yst e m .  Gen e ra ll y,  it ’s  cal le d  as  bi om et ric  syst e m .   Ma ny  i m ple m entat ion   of   biom et ric   syst e m   us e  pa rt  of  hu m an  body,  but   it ’s  sti ll   ver y  rar e  bio m et ric  syst e m   us e  hu m an  m otion.  Mo st  of  them ,  m ai nly  us ed   face   r ecognit ion  s uc h  as  t o  def i ne   ge nd e r  of  hum an   identific at ion   [ 1].  So   in  this  pa per,  it   will   be  disscuse d  a bout   m et ho ds   f or   i den ti fyi n g  hu m an  featur e  ba sed  on  hu m an  m otion   especial ly  u sin g hu m an  gait.   Gait   is  def ined   as  the  way  an  ind ivid ual  org anism   walk,   in cl ud in g  hum an.   And  eve ry  hum an  has  a  un i qu e  gait  as  a  beh a vio ral  char act e risti c  wh ic h  is  diff e r ent  from   each  oth er .  It  de pe nd s  on  w ei ght ,  le g’ s  le ng th  a nd  siz e,  an d  postu re  of   body  [ 2 ] .  St ud yi ng  gait  co m bin es  m or e  than  a  s ubj e ct ,  li ke  m edical   st ud ie s ,  ps yc holo gy, bi ology, a nd m ot ion  a naly sis [ 3 ] . I t st r ongly p r ov e s that  gait c an be  us e d  in  bi om e tric s syst em .   To  rec ognize  a nd   cl assify   the   hu m an  gait,  there  a re  tw o  ki nd   of   a ppr oac h.   Fir st  one,  it ’s  base d  on   m ot ion   a naly sis  w hich  nee ds   at te ntion   of   w ho le   hum an  body  m ov em ent.  To  ease  t hese  m et ho ds,  we   c an  us e  captu red im age  o f  hum an  sil houttes.  Sec ond, it ’s  base d o n  f eat ur e a ppr oac h wh ic h  on ly   ne eds  to  p ay  att ention  in  the  sp esi fic   par t  of   hum an  body,  es pec ia ll y  the  m ov ing   par t  li ke  knees  an d  hing es  [ 4] ,   [5 ] .  In  oth er  researc h, it ’s  s ai d  that t her e t wo app ro ac h o f gait  an al ysi s, spati al  f eat ure  and tem po ral f eat ur e a naly sis [ 6 ].   Com par ing   t he   or i gin al   hu m an  body  m od el   with  sim ulatio n  m od el   of  ga it   featur e  ca n  be  us e d  t o  know  so m eone’s  gait  cha rac te risti c.  Si m ul at ion   m od el   con ta in s  a  gait  cy cl e  wh ic h  is   a  per io dic  co nd it io n  from   a  fo ot  ste pp i ng  in  a   gro und  unti l  ano t her   t urns.  T he  cy cl e  is  di vid e d  int o  tw o  par t s  of  c onditi on,   w hic h  are  cal le d  sta nc e  and   s wing.  A  sta nce  is  des cribe d  w hen   only   a  fo ot  ste ppin g  in  a  gro und,  an d  swi ng   def i nes  wh e n  a  fo ot swi ng in g  i n  th e ai r.   Ge ner al ly , a c yc le  co ns ist s  of 60% sta nce  and 40%  sw i ng  [ 7 ].   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N:  20 88 - 8708     Compari son A na ly sis  of  Ga it   Cl as sif ic ation  f or   Hum an M otion   I den ti fi cation  …   ( Ag ung  Nug r oho Jati )   5015   It  need s  s om e   ste ps   base d  on   i m age  pr oces sing   f or  identi fyi ng   hu m an  ga it .  First,  m oti on   m us t  be   est i m at ed  in  a  lot  of  nu m ber  in  a n  area   an d  m us t  be  li m i te d  by  hum an  anatom ic   con st raint  in  hiera rc hical   m od el .  It’s  nee ded   t o  extr act   the  fix ed  hu m an  bo dy  par am et ers.   I n  th e  next   ste p,   the  f orm   of   hum an  gait  will   be  analy zed  by  us in g  ed ge  sha rpness  to  repr esentat e  le gs   area.  He uri sti c  m od el   is  us ed  to  est i m at e  the  per i od   and   will   be  co m par ed  w it h  uniq ue  f or m   of   gait  cy cl e  as  sh o w n  in  Fi gur e  1  [8 ] .  A nd  th e  la st,  that  un i qu e  f or m   will  b e  recog nized by cl assifi cat ion  m et ho ds. T o  ease,  w e  c an use  HOG a nd PC A for e xtr act ing   gait feat ur e .           Figure  1.  Peri odic   gait cy cl e  [ 8 ]       Histo gr am   of   Gr a dient  ( HOG)  is  a n  al go rithm   wh ic h  is  use d  t o  detect   th e  sp esi fic  obj e ct   in  a n  sta ti c   i m age.  HOG  util iz es  colour   changin g  of  each  pi xel  with  oth e rs  in  th e  dig it al   i m ag e  and   well - kn own  as   gr a dient  [ 9 ] .  Wh il e  P rincipa l  Co m po ne nt  An al ysi s  (P C A )   is  us e d  to  ide ntify  the  patte r n  an d  e xpress  t hem   to   the  ot her   form   in  or der   t o  s how  t he  diff e re nces  a nd  the  si m il arities.  PCA  is  oft en   us e d   as  featu re  ex tract io n  m et ho d  [ 10 ].   I nd ee d,  PC A  ha s  eve r  been  use d  t o  e xtract  t he  featur e s  f r om   chest  X - ray   i m age  an d  prov i ded  m or e than   95%  accu racy [ 11 ] .   In   this  pa per,  will   be  fo cu se d  only   in  cl ass ific at ion   m e tho ds.  The  cl assi ficat ion   m et ho ds   ha ve  bee n  com par ed  in  this  pa per   a re   K - near e st  N ei ghbour  ( KNN)   a nd   Sup port  V ect or   M achine  (SVM) .  This   com par ison   is   need e d  f or   our  fu t ur e  wor k  in  im ple m e ntati on   of   Hum an  Id e ntific at ion   Syst em   b ased  on   e m bed de d  c om pu te r.   The   s yst e m   accuracy  in  the  m ai n  pro blem   of   gai t  recogn it io n.   Be sides,  it ’s  ne eded  to   know  ho w  m u ch  res ources  use d  f or   c om puta ti on .  S VM  is  chosen  beca us e  the  c on ce pt  of   m ulti cl as s  one   againts  on e  c an  dec rease  t he  cl assifi cat ion   e rro r  [ 2 ] .  On   t he  ot her   hand,   K NN   is   a  si m ple  m eth od  i n  cl assifi cat ion   wh ic h  us e s  th e  con ce pt  of  le arn i ng   by  an al og y  an d  on l y  cl assifi es  based   on  m os t  m at ched  featur e s [1 2 ].   This  pa pe r  will   b e  di vid e d  int o  f our  sect io ns  wh ic h  in  the  first,  disc us se d  a bout  the  re vie w  of  hum an  gait,  the   m ai n   f ocu s   of  t he  discuss i on,  a nd  s om e  of   relat ed  w orks .  In  the  sec ond  s ect ion ,   sho wn  of  t he   te chn iq ues   use d  i n  the   re sear ch.  The   re su lt   will   be   prov i ded  in   the   sec ti on   fou r.   A nd  in  t he  la st,   w il l  be  pr ese nted  the  c on cl us io n  a nd t he fut ur e  w ork of t he researc h.       2.   RESEA R CH MET HO D   In  ge ne ral,  gait  ide ntific at ion   process   can   be  descr i bed  as   f ol lows .   Ge ne ral  Pr oc ess  Desig n   as   s how n  Figure  2.   Im age  aqc uisit ion   i s  the  fir st  ste p  to  get  dig it al   im age.  I n  this  s te p,   cam era  will   captur e  vid e o  an d  div ide s  into  f r a m es.  Fr am es  will   be  entere d  in to  ne xt  ste p,   cal le d  prep r ocessin g.   In   pre  processin g,   i m ages   will   be  proces sed  to  inc reas e  i m age  qu al it y,  no ise   re duc ti on ,  tra ns f orm   the  i m age  into  ot her   f orm at,   an d  determ ine  the  par t  will   be  ob s er ved.  The   pr oc esses  are   sta rt  ro m   gr a ysc al ing ,  thre s ho l ding,  bac kgr ound  su bst racti on, cl os in g, an d  se gm entat ion .   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec   &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   50 1 4   -   50 2 0   5016       Figure  2. Ge ne ral Process  D e sign       Feat ur e   ext rac ti on   is  pro pos ed  to   get  th e   i m po rtant  i nfo rm ation s  from   the  im age  to   de fine  t he  diff e re nces  f orm   oth ers.   T o  e xtract  them ,  Pr incipal   Com po nen t  A naly sis  ( PCA)   is  us e d  i n  this  resea rch.   PCA,  wh ic h  fir st  wa s  introd uce d  by   Pearson  (19 01)  a nd  H otell in g  ( 1933) ,  is  de sign e d  to  c olle ct   the  uniq ue  f eat ur es   from   the  i m age  [1 3 ] .  The  un iqu e  feat ur e s  can  be  fou nd   by   transfor m ing  the  i m age  fr om   hig h  dim ension al   data  into  lo w  on e .  It’s  ob ta i ned   from   a  set  trai nin g  data  of   the  im age  [1 4 ].   T o  sim pli fy  the  pro blem ,  each   acqu i red im age  w as  rezise d  in to   80 x80 pixel  i m age.  PCA   ste ps   will  b e  pro vid e d  in  the   T a ble  1  bel ow.       Table  1.   PCA  Pr oc esses  f or   F eat ur e E xtracti on   No   Step   An n o tatio n   1   Matr ic es   Ad ju st m e n t   To trans f o r m  the t r ain in g  datas et into  m a tri ces (64 0 0 x 2 4 0 ),  then  calculate  t h e  m ean  (64 0 0 x 1 )  an d   g et adju sted  data (64 0 0 x 2 4 0 ).   240 , 6400 2 , 6400 1 , 6400 2 , 2 1 , 2 240 , 1 2 , 1 1 , 1 ... ... ... ... ... ... ... ... ... ... ... ... u u u u u u u u u   2   Co v ariance M at ric es  Calcu latio n   Calcu latio n  of  Co v ariance bas ed  on  giv en  f o r m u las :     Mean   2 4 0 1 1 , 1 k k u m u      ,  wh e re  u is av era g e vecto r,  and   m is n u m b e r  o f   m a tri ces.     Da ta Adju st   = ( u - u )   6 4 0 0 2 1 u u u u     Co v ariance  m at rix   Co v = da ta No rma l T * d a ta No rm a l   An d  r esu lt is cov ar ian ce  m at rix with   ( 2 4 0 x 2 4 0 )   sized .   3   E ig en v ecto r  an d E ig en v alu es   Calcu latio n   E ig en vector (64 0 0 x 2 4 0 )  an d eig en va lu es   (1x 2 4 0 )  f ro m   co v ariance  m atric es.   4   Princip le Co m p o n en t   Extractio n   Eigen vector is so rted b ased  on eig en v a lu es f ro m  hig h est to  lowes t .  Fo r  clas sif icatio n  is  u sed  24 0  PC ( Princip al Co m p o n en t)       Re su lt   data  from   featur e  e xt racti on   was   use d  t o  cl assify   an d  rec ogniz e  gait  a nd  it s  owne r.  A s   exp la ine d  befo re,  m ai n  fo cus   in  this  researc h  is  the  com par iso n  betwe en  SV M  an d  K N N  f or   cl assifi c at ion   and ide ntific at ion m et ho d.   H oweve r, t hey s ha red sam e d at a an d  te ste d by t he  sam e scenari os .     2.1.  Sup po r t Vect or M achi ne ( S V M) f or Gait  C l as sif ficat i on   SV M  will   def i ne  the   di visor  betwee n  tw o  ki nd   of  cl asses  in  the  i nput  s pa ce  know n  as  hype rlane.   Hype rlane  ca n  be  fi nd   out  by   cal culat e  it s  m arg in  a nd   fin d  m axi m u m   va lue.  T her e  is  s upport  vector   def i ne d  a s  cl os est   data   fo r  eac h  cl ass .  It  can  be  us e d  ke rn el   a pproach  to  get  the m .  Ker nel  is  def ine d  as  f un ct ion   f or   m app in g data f eat ur e  from  the origin  d im ension into  o t her fe at ur e  with  high est  d im ension   [ 1 5 ].   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N:  20 88 - 8708     Compari son A na ly sis  of  Ga it   Cl as sif ic ation  f or   Hum an M otion   I den ti fi cation  …   ( Ag ung  Nug r oho Jati )   5017   Ther e   are  t wo   kind  of  S VM  f un ct io ns   i n  cl a ssific at io n.   Th e  first  is  nee de d  to  def i ne  the   cl asses  by   us in g  trai ning p r ocess .  It’ s p urp os e  is  t o  fi nd  w  (w ei gh t ),  b  ( bias ),   a nd  s upport  m achine  f ro m   each  cl ass .  Th e n  in  the  te sti ng   proces s,  pa ram e te rs  w hich  have  been   obta ine d  f ro m   trai ning  pro cess  incl ude  in  the   cal c ul at ion   as in pu t t o  m ake d eci sio n func ti on .       (1)     Sign  val ue  fro m   pr ocesses  a bove  is   the  re su lt   f ro m   te sted   data  [ 1 6 ].   R efering  t o  the   trai ning  proces s,  it s  i m ple m entat io n  us es  Ga us si an  kernel  a nd  Sygm a  value   6000.   I n  t he   previ ou s   res earch ,  it   s hows   t he   m axi m u m   acc ur acy   with  opti m u m   co m pu ta ti on   tim e.  As  we  know   that  ke rn el   ty pe  us ed  is  ver y  i m po rtant  for   al l of  syst em  p erfor m ance.     2.2. K - Ne arest Neig hb ou r  ( KNN) f or  G ai t  Cl as sific at i on   K - Near e st  Nei ghbour  (KN N)  is  well - known   super vise d  le a rn i ng  al gorith m ,  wh ic h  cl ass ifie s  obj e ct s   base d  on   the  m ajo rity   cl ass  of   feat ur es  f r om   k  a m ou nt  of   cl os est   neig hbou r.   K NN   is  base d  on   le ar ni ng   by   analo gy  co nce pt,  w he re  le ar ning  data  a re  descr i bed  by  n  dim ension al   nu m erical   at t rib utes.  Eac h  of   t hem   represe nts  a  point  i n  n  dim ensio nal  s pace .  E uclidean   distance  form ula   is  use d  to  ca lc ulate   the  dis ta nce   betwee n qu e ry  data an d  le a rn i ng d at a  [ 1 2] ,   [ 17 ] ,   [ 18 ].     n i i i e u c q p Q P D 1 2 ) ( ,   (2)     KNN  cl assifi c at ion   accu racy   dep e nds  on  s i m i la rity   m eas ur em ent  us age   and   value  of  k.   Be f ore   i m ple m entat io n,   ha ve  been  t est ed  s om e  vari nace  of  k  i n  orde r  to   get   the   best  acc uracy .   They  a re  1,  3,   5,  7.   And for  im plem entat ion , use d k=1 beca us e   this val ue has  b est  acc ur acy .       3.   RESU LT S   A ND AN ALYSIS   In   this  sect io n,  it   is  exp la ined   the  resu lt s  of  te sti ng   sce nar i os.  The  par am eter s  w hich  is  m easur e d  a nd   analy zed a re sy stem  accur at ion, c om pu ta ti on  ti m e, light d e ped e ncy  for  ac cur at io n, an d d ist ance of cam era.     3.1. Sys tem  Acc ura cy   Ba sed  on  prev iou s  sect ion,  t her e  are  t wo  ty pe  of  cl assifi cat ion   m et ho ds.  T hey  are  Suppo rt  Vect or   Ma chine  (SV M)  an d  K - Nea rest  N ei ghbo ur  ( KNN).  In  S V M,  it   has   be en   chosen   so m e  va riables  value ,  sigm a   6000  with  Gaussi an  kernel.  T hen,  in   K N N  m et ho d   t her e ’s   giv e n  k= 1  f or  cl assifi cat ion .  It’s  base d  on  the  no n  real  tim e  te stin g  f or  each   m et hod  in   or der  to  ta ke   the   be st  perf or m ance  f or   e ach   cl assifi cat ion   m et hod.   Com par ison o f  KNN an d SV M Acc ur at io n   as sho wn in Fi gure  3.           Figure  3. Com par is on of  K N N   a nd S VM Ac cur at io n       In   t he  fig ur e  a bove,  sho wn  that  cl assifi cat ion  us i ng  S VM   was  m or e  acc ur at e  t han  K N N.   T he  te sti ng   was  done  by  usi ng   118  data,  and   us e d  6  cl a sses.  S VM  be c a m e  m or e  accu rate  beca us e  it   cl assifi ed  by  find i ng  best  hype rlane  to  div i de  data  a nd   base d  on  “ m ul ti cl ass  on e  againts  one”  c on ce pt.  Wh il e  KNN  only   us e d  k= 1  wh ic h  m eans it o nly com par es  w it h  le ss  am ou nt  of  neig hbour hood  data.   * ) ( b x x a y x f i i i Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec   &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   50 1 4   -   50 2 0   5018   3.2. C omp u t ati on  Ti me   Com pu ta ti on   ti m e  analy sis  was  perf or m ed  in  order  to  know  the  ave rage  of  processi ng   ti m e.  Be sides ,   it ’s  need e d  to   com par e  between   S VM  an d  K NN   wh at ’ s  faster  in  pr oc ess.  This  m e asur em ent  us e d  sam e   conditi on   with   pr evi ous  te st  wh ic h  was  use d  sigm a  60 00   and   Gau s sia n  kernel  for  SVM ,  and   k= 1  f or  KNN.  The res ult i s shown   i n  Fi gure  4   belo w.           Figure  4. Com par is on of  K N N  a nd S VM C om pu ta ti on  Ti m e       SV M  giv es   fa ste r  res ult  tha n  K NN  beca us e   in  S VM  on ly   process es  vec tor,  w hile  K N N  c om par es  so m e  neighb our  data  t o  fi nd  sim il arities.  SV M  needs  a ver a ge  17, 9  s  to  com pu te   t hem ,  and  K N N   nee ds   aver a ge 2 2,51  s.     3. 3.   Li gh t  D e p endenc y   In   orde r  to  a na ly ze  the  li gh t  eff ect   in  proc essing,  this  te s t  was  pro pose d.   T he  te st  us e s  six  cl asses   com e  fr om   si x  pe rs on   gait.   Each  cl ass  use s  fou rthy  tr ai nn in g  data  and   ei gh t  te st  data.  T he  res ul t  on ly  represe nt  the   r eal   tim e  te sti n g ,   m eans  com e  f ro m   ei gh t  t est   data.   Cl assifi cat ion   m et ho d  par am et ers  sti ll   use   sam e  with  oth e r  te st.  For  S V M  sti ll   us e  Ga us sia n  Ke r nel  with  6000  si gm a,  wh il e  K N N  us es  k= 1.   A ccur at io n  in  Day  Ligh t  Me asur em ent   as  sh ow n  in  F igure  5.     Acc ur at io n  in  Ni ght  Ligh t  Me as ur em ent   as  sh own  in  Figure  6.           Figure  5. Acc urat ion i n Day L igh t M eas ur em ent       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N:  20 88 - 8708     Compari son A na ly sis  of  Ga it   Cl as sif ic ation  f or   Hum an M otion   I den ti fi cation  …   ( Ag ung  Nug r oho Jati )   5019       Figure  6. Acc urat ion i n Nig ht  Ligh t M eas ur e m ent       Ba sed  on  t he  te st,  it ’s  sho wn   that  ge ner al ly   higher  l um inance  will   decr eas e  the  accu racy.   The  high e r   li gh t  intensit y   will   m ake  the  data  ha ve  m or e  no ise   th an  no rm al   con diti on.  Be si de s,  la m p  will   pro du c e   sh a dows. It m akes i n  the  n i gh t , accuracy  is  de crease.     3.4.  E ff ec t of  Ca m era  Posi tion s   In  this  te st,   kn own  t hat  po sit i on  an d  distac e  of  cam era  fro m   the  obj ect   in flue nced  the   a ccur acy .   It’ s  cause d  by  patte rn   of   capt ur e d  fr am es.  Cl os er  obj ect   f ro m   the  ca m era  c auses  capt ur e d  i m age  con ta in  le ss   backg rou nd  but  not  fu ll   obje ct   in  the   f ra m e.  W hile  fur ther  distance   m akes  the  obje ct   in  the   f ra m e  siz ed  sm a ll er.  So ,  it   needs  op ti m u m   distance . Res ul t can b e  desc ri bed in t he gra phic  b el ow.           Figure  5. Acc urat ion i n Day L igh t M eas ur em ent       4.   CONCL US I O N   Ba sed  on  the  i m ple m entat ion ,  te sti ng,  a nd  a naly sis  can  c onstr ucted  so m e  co nclusi on s   of  the   stu dy.    Ov e rall ,  S VM    is  bette r   tha n  KNN  for  cl ass ify ing   hum an  m ot ion   by  usi ng  gait  of  the m .  It  can  be   s how n  i n  accuracy,  c ompu ta ti on  tim e,  and   s om e  eff ect   of   cha ng e d  c onditi on  p aram et ers.   Alto ugh,  hu m an  identific at ion  by  us i ng  gait   has  t oo  m any  con st raints  to  be   co ns ide red.  Act ually   in  im ple m entat io n,   it   need s   m or e  par am et ers  to  m ake b et te r  ac cur acy .   In   the  f ur t her   sta ge  of   stu dy,   the  resu lt   fro m   this  stud y  c an  be  co ns ide r ed  to  be  im pl e m ented  in  sing le  boar d  co m pu te r,  su ch  a s r asp berrr y pi,  p cd uino board , b eagle bone,  e tc  as a s ecur it y  m on it or in g  syst e m .   It  can  be  integ r at ed  to  our  m ov em ent  pr edict ion   syst em   wh ic h  has  bette r  r esult  in  accura cy   [1 9].  Alth ough,  it   needs m or e m e asur em ent, es pe ci al ly  in  resou rce all ocati on a nd m anag em ent.     Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec   &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   50 1 4   -   50 2 0   5020   REFERE NCE S   [1]   M . J .   Bara ni ,   K .   Faez ,   F .   Jalili .  “ Im ple m ent at ion  of  Gabo r  Filt ers  Com bine d  with  Bina r y   Fe at ure s  for  Gend er   Rec ognition ” .  Inte rnational   Jo urnal  of  El ec tri cal   and  Compu te r  Engi nee ring   ( IJE CE) .   Vol   4  (1)  :  108 - 115 .   Februa r y   2014 .   [2]   Darm a  Putra. Biom et ric s S y s te m .   Yog y ak art a :  A ndi  Publisher .   20 09.   [3]   Anil  Jain,   Ruud  Boll e,   Shara t h   Pankat i.   “ Biom et ric s  Personal  Ide nti fi cation  in  Networke d  Socie t y ” .   Kluwer   Aca demic   Publishers.   [4]   David  Pos t.   G ai t   Anal y sis Re v iew .   Dow nloa ded   from   ww w.nd . edu/ ~dpos t/ IntS y st /re port1 . pdf.   20 06.   [5]   Chira s  Ben  Abd el kad er,   Ross   G.  Cutl er,   d an  Larr y   S.  Dav is.  “ Gait   Re cogni t io n  using  Im age   Self  Sim il ia ri t y ” .  Hindawi  Publish ing  Corpora ti on.   2004.   [6]   Zha ng  Zha ox ia n g,   Maodi  Hu,  Yunhong  W ang.   “ A  survey   of  Ad vanc es  in  Biom et ri c  Gait   Re cog nit ion ” .  Journal .   China :  Be iha ng   Univer sit y .   [7]   Spence r,   N . M.   “ Pos e  Inva ria n t  Gait   Ana l y s is  and  Rec onst ruc ti on ” .   Fa cul t y   of  Engi ne ering,  Scie n ce   an d   Mathe m at i cs,   Sc hool  of El ec tron i cs  and  Com put er   Scie n ce,  Univ er sit y   of  South amton.   2005 .   [8]   Nash,  J.M.,  Ca r t er,   J . N.,  and   M. S.,   Nixon .   “ D y n amic  fe at ur e  ext r ac t ion  v i a  the  ve loc ity   tr houg h   tr ansform ” .   Pat te r n  Rec ognition  Le t t ers .   vol   18  pp   10 35 -   1047.   1997.   [9]   Fathurra hm an,   I rwan.   “ Im ple m ent at ion  of  Te x t  Dete c ti on  and  Rec ognition  b y   Us ing  Histogram  of  Orien te d  i n  Android  Plat for m ” .   Final   Proje ct .   B andung:   Sc hool  of  Elec t rical  and  Info rm atics,   Insti tut   T ek nologi   Bandung .   2012.   (unpubl ished)   [10]   Dian  Esti   Prat iwi.   “ Im ple m ent ati on  of  Face   Re co gnit ion  b y   using   (Princi pal   Com ponent   Anal y sis ) ” .   Fina l  Project.   Yog y ak art a :   El e ct ri ca l   and   Instr u m ent at ion   Program ,   Univer si ta s   Gadja h   Mad a. 2 013.   (unpubl ishe d)   [11]   Roopa  H,  As ha  T .  “ Feat ur e  Ex tr ac t ion  of  Chest   X - ra y   Im age s  an d  Anal y s is  Us ing  PC A  and  kPC A ” .  Int ernati ona l  Journal  of   Elec t rical   and   Computer  Eng ine ering   ( IJE CE) .   Vol  8  No 5.   Oc tobe r   2 018.   [12]   Wa h y u   Hid a y a t.  “ K - Nea rest  Neig hbor  Im ple m entati on   for Landsc ape   Im ag e  bas ed   on  Colour   Fea tu re  and   T ext ur e ” .  Final   Proj ec t .   B a ndung:  Insti tut   T eknol ogi   Telko m .   2007.   (unpub li shed)   [13]   J.S .   Butz er ,   A . P . H .   Butl er,   P.J .   Bones.   “ Medipix   Im agi ng  Eva l uat ion  of  Da ta se ts  with  PC A ” .   Image  and  Vi sio n   Computing  New   Zealand  IE EE In te rnational   Conf ere nce P roc ee di ngs .   2008;  23 :  1 - 6.   [14]   J.A .   Le e ,   M.  Verl e y sen.   “ Uns uper vised  Dime nsional i t y   R ed uct ion:   Overvi e w  and  Rec ent   Advanc es ” .  IEEE   Inte rnational   Jo i nt  Conf ere nce o n  Neural  N et wor ks .   2010;   1 - 8.   [15]   Ching - Chih  Sai ,   You - Zhu  Che n,   Ching - W en  Li ao .   “ Inte ra ct i ve  Emotion  Re cogni ti on  using   Support  Vec tor  Mac hine   for  Hum an - Robot  Inte rac t ion ” .  IE EE   I nte rnational   Co nfe renc e  on  Syste m,  man  and  C ybe rnet ic s .   2009 ;  407 - 412.   [16]   Yang - Guang  Li u ,   Qi  Chen ,   Rui - Z hao  Yu.  “ Ext ra ct  Candi da te s  of  Support  Vec tor  Tr ai ning  Set ” .  IEEE  Inte rnat iona l   Confe renc e  on   Mac hine Learni ng  and  Cyb erne t ic s .   2003 ;  5 :  319 9 - 3202.   [17]   J.L .   Henr y .   A .   “ K - Nea rest  Neigh bour   Method  for  Mana ging  the   E volut ion  of  a  Learni ng  Base ” .  IE EE   Inte rnationa l  Confe renc e  on   C omputati onal   Int el li g ence  and   M ult imedi a   App li c ati ons .   2001 ;  4:   357 - 361.   [18]   Zhongj ia n   Song,   Qing  W u,   Chun m ing  Xia.   “ Patte rn  rec ogn it ion   o f  Finger - Motion s  base d  on  Diffu s ioa n  Maps  and  Fuzz y   K - Nea r est   Neighbour   C la s sifie r ” .  I EE E   Int ernati onal   Confer enc e  on   Signa l Proce ss ing .   201 2;  2:   1207 - 1212.   [19]   AN   Jati ,   L .   Novam iz anti,   M . B .   Praset y o ,   A . R .   Putra.   “ Ev al ua ti o n  of  Moving  Object  Detect ion  Methods  base d  on  Gene ral  Purpos e  Single  Board  C om pute r ” .  Indon esian  Journal   of   Elec tri cal  Enginee ring  and   Co mputer  Scienc e   ( IJE ECS) .   Vol  4   (1)  :   123 - 129 .   A pril   2015 .     Evaluation Warning : The document was created with Spire.PDF for Python.