Grey Literature
Perancangan Aplikasi Gesture Recognition dengan Metode Hidden Markov Model Menggunakan Depth Sensor
Aplikasi Gesture Recognition sebagai pembaca gerak tangan sangatlah diminati untuk menjadi topik penelitian di Indonesia akhir-akhir ini. Ada 3 hardware (perangkat) yang mereka kenalkan yaitu webcam, sarung tangan dan kamera kinect. Masing-masing perangkat memiliki kelebihan dan kelemahan yang berbeda. Dari hasil literature review yang dilakukan oleh peneliti menyatakan bahwa kamera kinect adalah perangkat yang paling sesuai dengan topik diatas. Fitur depth sensor dari kamera kinect mampu mengenali dan melacak gerak tubuh pengguna dengan baik. Dengan metode Hidden Markov Model (HMM) sebagai pengenalan gesture, dihasilkan tingkat akurasi pengenalan yang tinggi. Hal ini menjadi pertimbangan penggunaan metode HMM dalam perancangan aplikasi gesture recognition sebagai pembacaan gerakan tangan menjadi kata.
Sistem yang akan dibuat terdiri dari hardware berupa kamera kinect dan komputer yang akan menampilkan hasil deteksi gerakan ke display yang telah disediakan. Sistem dimulai dengan menentukan gerakan tangan yang akan dibaca oleh kamera kinect pada koordinat XY. Dalam penelitian ini digunakan 4 (empat) gerakan yaitu; Berdiri, Pergi, Melingkar dan Melambai. Metode HMM akan mendefinisikan gerakan tersebut dari dataset yang telah ditentukan. Selanjutnya pengguna akan memeragakan salah satu gerakan tersebut di depan kamera kinect dengan terlebih dahulu mengangkat tangan kiri sebagai tanda switch on system, sebaliknya ketika tangan kiri diturunkan maka sistem akan menyatakan off dan output dari gerakan sudah terdefinisi di layar monitor.
Hasil pengambilan dan analisa data menunjukkan bahwa sistem mampu melakukan pengenalan gesture dengan tingkat akurasi pengenalan sebesar 90.83%.
16/UIB/T21/0002 | Reference Room | Tersedia |
Tidak tersedia versi lain