download presentasi pemakalah
TRANSCRIPT
![Page 1: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/1.jpg)
Pengenalan Hand Gesture DinamisMenggunakan JST Metode
Pembelajaran Backpropagation
SEMINASIK FMIPA UGM 2013
Yuan Lukito, Agus Harjoko
![Page 2: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/2.jpg)
Hand Gesture
• Gerakan anggota tubuh (tangan) yang memilikiinformasi (Wu dan Huang, 1999)
• Kelebihan penggunaan gesture dibandingperangkat mekanis (Wu dan Huang, 1999):• Lebih alami
• Lebih mudah dilakukan (dan dipelajari)
• Lebih interaktif
• Lebih banyak variasi
• Dua macam hand gesture:• Hand gesture statis
• Hand gesture dinamis
![Page 3: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/3.jpg)
Pengenalan Hand Gesture
• Hand gesture yang dilakukan dianggap sebagaisuatu perintah yang harus dilakukan oleh komputer
• Jumlah perintah yang harus dilakukan komputerbisa lebih dari 1• Komputer harus dapat mengenali hand gesture apa yang
dilakukan dan menerjemahkannya menjadi perintah
• Pengenalan hand gesture terdiri dari dua tahap, yaitu tahap akuisisi dan tahap pengenalan (Wu danHuang, 1999)
![Page 4: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/4.jpg)
Pengenalan Hand Gesture
Proses Akuisisi
Proses Pengenalan
Hasil Pengenalan(Perintah yang akan dijalankan)
![Page 5: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/5.jpg)
Diagram Alir Sistem
![Page 6: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/6.jpg)
Proses Akuisisi
• Mendapatkan hand gesture yang akan dikenali
• Pada penelitian ini ciri (features) yang diambiladalah bentuk lintasan dari pergerakan tangan
![Page 7: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/7.jpg)
Bentuk Lintasan
![Page 8: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/8.jpg)
Diagram Alir Proses Akuisisi
![Page 9: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/9.jpg)
Diagram Alir Pemrosesan Awal
![Page 10: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/10.jpg)
Rekonstruksi lintasan
![Page 11: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/11.jpg)
Rekonstruksi lintasan (normalisasi)
![Page 12: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/12.jpg)
Lowpass Filter
𝑋 = 𝑐𝑢𝑟𝑟𝑒𝑛𝑡𝑋 ∗ 𝑓𝑖𝑙𝑡𝑒𝑟 + (𝑙𝑎𝑠𝑡𝑋 ∗ 1 − 𝑓𝑖𝑙𝑡𝑒𝑟 )
𝑌 = 𝑐𝑢𝑟𝑟𝑒𝑛𝑡𝑌 ∗ 𝑓𝑖𝑙𝑡𝑒𝑟 + (𝑙𝑎𝑠𝑡𝑌 ∗ 1 − 𝑓𝑖𝑙𝑡𝑒𝑟 )
𝑓𝑖𝑙𝑡𝑒𝑟 = 0.3
Besarnya perubahan Nilai sebelumnya
![Page 13: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/13.jpg)
Lowpass Filter
Tanpa lowpass filter Dengan lowpass filter
![Page 14: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/14.jpg)
Hasil Proses Akuisisi
![Page 15: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/15.jpg)
Jaringan Syaraf Tiruan
900 neuron 11 neuron
![Page 16: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/16.jpg)
Parameter Backpropagation
Parameter Nilai
Learning rate 0.1
Momentum 0.9
Error maksimum (RMSE) 0.01 (1%)
Neuron input 900 neurons
Neuron output 11 neurons
Hidden neuron 20, 40, 60, 80, 100, 120
Maksimum epoch 3000 epoch
![Page 17: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/17.jpg)
Pengujian
• Pengujian Akuisisi• Mengukur tingkat keberhasilan akuisisi
• Dihitung dari perbandingan jumlah hand gesture yang berhasil diakuisisi dengan jumlah hand gesture keseluruhan yang diujicobakan
• Pengujian Pengenalan• Mengukur tingkat akurasi pengenalan
• Dihitung dari banyaknya hand gesture yang berhasildikenali dibandingkan dengan jumlah hand gesture keseluruhan yang diujicobakan
![Page 18: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/18.jpg)
Parameter Pengujian Akuisisi
![Page 19: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/19.jpg)
Data Uji Akuisisi
• Rekaman video hand gesture dalam kondisipencahayaan ruangan dan jarak yang berbeda
Contoh data uji
![Page 20: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/20.jpg)
Hasil Pengujian Akuisisi
Hasil terbaik dari kondisi pencahayaan terang danjarak 50-60 cm, tingkat keberhasilan 96.97%
![Page 21: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/21.jpg)
Parameter Pengujian Pengenalan
Tiga macam ukuran citra hasil normalisasi
![Page 22: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/22.jpg)
Data Uji Pengenalan
• Rekaman video berisi 88 hand gesture (11 jenis, masing-masing 8) direkam dalam kondisipencahayaan terang dan jarak 50-60 cm
• Jaringan syaraf tiruan dilatih dengan 330 data pelatihan dan 550 data pelatihan untuk melihatpengaruh jumlah data pelatihan terhadap tingkatakurasi pengenalan
![Page 23: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/23.jpg)
Hasil Uji Akurasi (330 data pelatihan)
Akurasi tertinggi88.10% denganukuran citranormalisasi30x30 pixel dan120 hidden neuron
![Page 24: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/24.jpg)
Hasil Uji Akurasi (550 data pelatihan)
Akurasi tertinggi95.24% denganukuran citranormalisasi30x30 pixel dan120 hidden neuron
![Page 25: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/25.jpg)
Pengaruh Jumlah data pelatihan
![Page 26: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/26.jpg)
Kesimpulan
• Keberhasilan proses akuisisi terbaik sebesar 96.97% pada ruangan pencahayaan terang dan jarak 50-60 cm
• Ukuran citra normalisasi yang menghasilkan tingkatakurasi pengenalan tertinggi adalah 30x30 pixel.
• Tingkat akurasi pengenalan tertinggi sebesar95.24% dengan ukuran citra normalisasi 30x30 pixel dan 120 hidden neuron
• Penambahan data pelatihan dari 330 menjadi 550 meningkatkan tingkat akurasi pengenalan
![Page 27: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/27.jpg)
Saran
• Perlu dikembangkan metode akuisisi yang lebihbaik untuk meningkatkan tingkat keberhasilanakuisisi hand gesture
• Waktu pelatihan jaringan syaraf tiruan denganalgoritma backpropagation dapat dipersingkatdengan menggunakan algoritma genetika
• Proses pengenalan hand gesture dapatmenggunakan algoritma lainnya seperti Support Vector Machine, Random Forest atau algoritmalainnya
![Page 28: Download Presentasi Pemakalah](https://reader031.vdocuments.site/reader031/viewer/2022021508/586a232e1a28ab063d8b97be/html5/thumbnails/28.jpg)
Terima kasihYuan Lukito
SEMINASIK FMIPA UGM 2013