Penerapan Backpropagation ANN dalam Pengenalan Gesture Pukulan Tenis Menggunakan Gear VR Controller pada Unity Game Engine
| Main Author: | Fawwaz Putranto, Luthfi |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/193567/1/LUTHFI%20FAWWAZ%20PUTRANTO.pdf http://repository.ub.ac.id/id/eprint/193567/ |
Daftar Isi:
- Permainan simulasi tenis adalah salah satu permainan dengan genre permainan olahraga dan sub genre simulasi. Untuk menciptakan suatu pengalaman bermain tenis yang realistis dapat menggunakan teknologi virtual reality. Virtual reality (VR) adalah teknologi yang membuat pengguna dapat berinteraksi dengan lingkungan yang disimulasikan oleh komputer. Pada saat ini, sudah ada beraneka ragam permainan tenis berbasis VR pada beraneka ragam platform. Permainan tenis berbasis VR dengan third person view akan lebih nyaman dimainkan oleh user, karena tenis memiliki gerakan-gerakan dinamis yang berpotensi menyebebkan VR sickness apabila diaplikasikan menggunakan mode first person view. Namun, apabila permainan tenis dilakukan menggunakan third person view, real-time control sulit diaplikasikan, karena terbatasnya pengelihatan user terhadap karakter yang dimainkan. Oleh karena itu, metode pengenalan gesture dapat digunakan sebagai control dalam permainan, misalnya pengenalan gesture pada pukulan tenis. Permainan tenis berbasis VR juga lebih baik diaplikasikan pada platform mobile, karena platform mobile memilki mobilitas yang tinggi. Untuk dapat membuat sistem pengenalan gesture pada mobile VR sistem harus dapat mengenali inputan user yang berasal dari 3DOF Controller yaitu, raw, pitch, dan roll. Oleh karena itu, peneliti memilih metode Backpropagation ANN untuk mengenali gesture yang berasal dari 3DOF Metode Backpropagation ANN dipilih karena memiliki akurasi hampir 100% dalam pengenalan gesture pada penelitian sebelumnya. Pada penelitian ini, 4 jenis pukulan tenis (Lob, Forehand, Smash, Backhand) digunakan sebagai objek penelitian. Hasil penelitian diuji menggunakan teknik cross validation yang menggunakan 80% data sebagai data latih dan 20% data sebagai data uji. Hasil dari penelitian ini adalah penggunaan 0,8 learning rate, 0,05 batas error, 20 neuron input, 5 neuron hidden, dan 4 neuron output akan menghasilkan nilai akurasi 100% dengan jumlah pelatihan yang lebih singkat