Sistem Pengontrol Presentasi Menggunakan Pengenalan Gestur Tangan Berbasis Fitur pada Contour dengan Metode Klasifikasi Support Vector Machine
| Main Authors: | Khoirul, Muhammad Hafid, Dr. Eng. Fitri Utaminingrum, S.T., M.T. |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/193381/1/0520150380-%20Muhammad%20Hafid%20Khoirul.pdf http://repository.ub.ac.id/id/eprint/193381/ |
Daftar Isi:
- Presentasi telah menjadi bagian yang tidak dapat dipisahkan dari kehidupan saat ini. Saat ini presenter masih terbatasi oleh mouse, keyboard, dan perangkat lainnya untuk mengontrol presentasi, dengan cara tersebut masih kurang efektif, efisien, dan alami. Cara lain yang dapat digunakan untuk mengontrol presentasi yaitu dengan menggunakan gerakan tangan. Dengan menggunakan gerakan tangan akan membantu proses berpikir karena gerakan tubuh dapat membantu memberikan petunjuk visual dan membuat penyampaian presentasi lebih efektif, efisien, dan alami. Sistem yang dikembangkan yaitu sistem yang dapat mengenali gestur tangan dan memberikan output berupa perintah untuk mengontrol presentasi sesuai gestur tangan yang terkenali. Untuk dapat membedakan setiap gestur tangan, sistem menggunakan fitur yang ada pada contour gestur tangan tersebut diantara yaitu hu moments, circularity, convexity, aspect ratio, rasio luas contour, rasio white pixel, dan rasio tinggi dan lebar centroid. Untuk mendapatkan contour gestur tangan yang baik dilakukan proses preprocessing seperti mengkonversi citra RGB menjadi HSV dan YCbCr, melakukan thresholding untuk mendapatkan citra biner, dan melakukan operasi erode dan dilate untuk mengurangi noise yang ada. Untuk dapat mengenali gestur tangan berdasarkan fitur contour tersebut dengan menggunakan metode klasifikasi Support Vector Machine. Output yang dikeluarkan oleh sistem yaitu berupa simulasi tekanan shortcut keyboard yang digunakan untuk mengontrol presentasi. Ada 5 gestur yang dapat dikenali sistem. Dengan menggunakan fitur contour dan SVM untuk mengenali gestur tangan, sistem mendapatkan rata-rata akurasi sebesar 88,15% dan rata-rata waktu komputasi sebesar 0,1567 detik.