Pengenalan Isyarat Tangan Untuk Kata-Kata Pengendali Smart Home Menggunakan KNN
| Main Author: | Putranto, MarquelDwi |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/147505/1/Dwi_Putranto_125150219111001_SKRIPSI.pdf http://repository.ub.ac.id/147505/ |
Daftar Isi:
- Masyarakat tunarungu pada umumnya menggunakan bahasa isyarat sebagai alat komunikasi utama. Bahasa isyarat mengutamakan komunikasi visual. Pengguna bahasa ini menggunakan orientasi, bentuk dan gerakan tangan, lengan, tubuh, serta ekspresi wajah untuk mengungkapkan ekpresi mereka. Namun komunikasi menggunakan bahasa isyarat masih kurang dipahami oleh lawan komunikasinya. Untuk mengatasi keterbatasan komunikasi tersebut perlu adanya suatu sistem yang dapat mendeteksi bahasa isyarat yang digunakan sehingga kaum Tuli dengan masyarakat umum dapat berkomunikasi dengan lancar. Untuk menyelesaikan dalam penelitian ini, digunakan kamera DSLR sebagai alat bantu menangkap gambar dari tangan pengguna. Teknik yang digunakan adalah dengan mengambil gambar, mengekstrak bentuk dari tangan tersebut, kemudian mengklasifikasinya. Untuk mencari letak tangan dari gambar yang dihasilkan. Kemudian untuk mengekstrak bentuk tangan digunakan skin detection. Setelah bentuk tangan ini didapatkan, maka gambar biner bentuk tangan ini diklasifikasikan berdasarkan kumpulan gambar-gambar isyarat tangan yang digunakan sebagai data training. Algoritma klasifikasi yang digunakan penulis adalah algoritma K-NN. Dengan mengintegrasikan sistem pengenalan bahasa isyarat ke smart home, pengguna sistem khususnya tuna rungu dapat mengatur fungsionalitas rumah pintar (smart home) dengan bahasa isyarat. Sehingga pengaturan terhadap barang elektronik di rumah menjadi mudah dan efektif sesuai dengan keinginan pengguna. Sistem ini mampu mengenali 11 isyarat huruf tangan yang terdiri dari buka, tutup, AC dan seterusnya dari 66 isyarat yang ditargetkan. Rata-rata akurasi yang dihasilkan sistem ini adalah 80 %. Nilai akurasi ini dapat bervariasi tergantung dari konsisteni data training yang dihasilkan.