Prediksi lintasan pergerakan pejalan kaki dengan menggunakan Long Short Term Memory (LSTM)

Abstract

Bergerak merupakan suatu hal yang pasti dilakukan oleh semua makhluk hidup, mulai dari manusia, hewan, sampai dengan tumbuhan. Ketika suatu entitas bergerak, maka biasanya entitas tersebut akan membentuk sebuah lintasan. Lintasan ini bisa didapatkan dengan menggunakan teknologi seperti misalnya GPS (Global Positioning System), Argos-Doppler, maupun dari rekaman video yang berasal dari kamera pengawas. Lintasan ini biasanya direpresentasikan sebagai pasangan antara titik dan waktu yang terurut secara menaik berdasarkan waktu (p0, t0), (p1, t1), ..., (pn, tn) dimana setiap pasangan titik dan waktu (pi, ti) melambangkan posisi dari entitas (x, y) pada waktu ke i. Karena perkembangan teknologi semakin pesat, data mengenai lintasan ini juga semakin mudah untuk didapatkan, sehingga banyak peneliti yang tertarik untuk melakukan penelitian mengenai lintasan. Terdapat beberapa penelitian terkait lintasan seperti misalnya segmentasi lintasan, analisis risiko penyebaran flu burung, dan lain–lain. Salah satu penelitian yang cukup populer yaitu penelitian mengenai prediksi lintasan pergerakan. Masalah prediksi lintasan pergerakan manusia merupakan masalah dimana kita harus dapat memperkirakan posisi pergerakan dari seseorang berdasarkan beberapa hal seperti posisi lampau (histori) dari orang tersebut, intensi atau tujuan yang ingin dicapai oleh manusia itu sendiri, maupun pengaruh dari orang–orang lain yang ada di sekitarnya. Pada penelitian ini, dibuatlah sebuah model deep learning GAN (Generative Adversarial Network) yang disusun oleh LSTM (Long Short Term Memory) untuk melakukan prediksi lintasan pergerakan. Model deep learning ini dibangun menggunakan referensi model yang dibuat pada penelitian Social GAN. Fitur–fitur yang dimasukkan ke dalam model ini dianalisis sedemikian rupa sehingga hanya fitur–fitur penting saja yang dimasukkan ke dalam model ini. Dalam penelitian ini juga, dirancang sebuah model untuk menangkap interaksi sosial atau yang biasa disebut dengan pooling. Lalu performa antara model yang dirancang pada penelitian ini, dengan model Social GAN dibandingkan. Hasil eksperimen menunjukkan bahwa model yang dibangun sudah memiliki performa yang cukup baik. Model yang dibuat ini juga diuji pada beberapa kelompok dataset, baik yang memiliki tingkat kepadatan yang cukup tinggi maupun yang tidak, untuk melihat performa dari hasil prediksi yang dilakukan oleh model. Dalam penelitian ini, digunakan dua kelompok dataset yaitu dataset ETH dan UCY serta dataset Vittorio Emanuelle II Gallery. Dataset yang digunakan berisi koordinat (x, y) dari setiap orang yang berasal dari rekaman video kamera pengawas pada suatu lokasi tertentu. Evaluasi model dilakukan secara kualitatif dan juga kuantitatif. Untuk evaluasi secara kuantitatif, hasilnya sudah cukup baik karena error yang dihasilkan sudah lebih kecil jika dibandingkan dengan model Social GAN dengan ADE sebesar 0.21m dan FDE sebesar 0.40m. Berdasarkan evaluasi kualitatif, hasil prediksi yang dilakukan oleh model juga sudah cukup baik jika dilihat berdasarkan histori yang diamati selama masa observasi.