Deteksi kelompok pada data lintasan pejalan kaki

Abstract

Trajectory adalah jalur yang terbentuk dari pergerakan entitas di suatu ruang lingkup dalam jangka waktu tertentu. Entitas adalah suatu objek atau subjek yang dapat bergerak. Data trajectory dapat dikumpulkan dengan menggunakan alat-alat pelacak seperti GPS dan satelit. Dari data yang terkumpul, kita bisa mendapatkan berbagai informasi, salah satunya adalah informasi mengenai entitas yang bergerak secara berkelompok. Terdapat banyak cara mendefinisikan kelompok dari kumpulan trajectory, beberapa diantaranya adalah: flocks, convoys, swarms, crews, dan groups. Pada penelitian ini, dipilih definisi pengelompokan crews untuk diimplementasikan pada kasus pejalan kaki. Pada definisi crews, pengelompokkan entitas dilakukan dengan cara melihat kesamaan interaksi antar entitas dan dinamika yang mirip. Kesamaan interaksi antar entitas memiliki arti sebagai pengaruh antara satu entitas dengan entitas lainnya. Sebagai contoh, terdapat dua orang berjalan berdekatan selama lima menit. Secara umum mereka berdua akan dianggap saling mengenal. Dinamika yang mirip berartikan suatu perubahan pada pergerakan entitas-entitas yang mirip. Sebagai contoh, terdapat 30 orang berjalan bersamaan ke arah pintu masuk suatu restoran. Secara umum, seluruh orang tersebut dapat dianggap sebagai pengunjung restoran. Pengelompokan crews dilakukan dengan menggunakan model pohon keputusan. Pada pohon keputusan dilakukan pembagian kelompok berdasarkan parameter pembagi terbaik. Parameter pembagi yang digunakan adalah: azimuth, perpindahan, posisi, jarak azimuth, rasio jarak, rasio tortuositas, dan rasio kecepatan. Setelah diimplementasikan, eksperimen dilakukan pada data pejalan kaki. Eksperimen awal menujukkan pengelompokkan pejalan kaki yang kurang baik: terbentuknya kelompok-kelompok yang berjalan berlawanan arah, dan banyaknya hasil pengelompokan yang menjadi subset kelompok lain. jadi dilakukan upaya untuk meningkatkan kualitas pengelompokan, misalnya: mencoba untuk menambahkan parameter pembagi baru yang bernama rata-rata jarak, menentukan nilai batas dari setiap parameter, melakukan penghapusan child node kanan untuk beberapa parameter, penentuan parameter yang pasti digunakan untuk membagi pohon keputusan pada level-level awal, dan membuang kelompok-kelompok yang menjadi subset. Setelah itu dilakukan Eksperimen kembali. Evaluasi dilakukan dengan dua cara, secara kuantitatif menggunakan precision, recall, f1-score, dan accuracy. Evaluasi kualitatif dilakukan dengan melakukan pengamatan pada video yang berisi hasil visualisasi trajectory dan pengelompokkan. Hasil evaluasi menunjukkan peningkatan, nilai f1-score yang dihasilkan berada pada kisaran 0.3 s.d. 0.7.