18
Kemudian perbaikan bobot dihitung menggunakan persamaan 2.16. 1
. .
.
p w
p p
x p
w
ij j
i ij
2.16
Dimana: α = konstanta yang menentukan kecepatan pembelajaran dari algoritma propagasi balik learning rate
µ = konstanta yang menentukan besar perubahan update dari bobot momentum
Update untuk setiap bobot yang terhubung dengan neuron pada hidden layer dilakukan dengan menggunakan persamaan 2.17.
1 p
w p
w p
w
ij ij
ij
2.17
4. Iterasi
Penambahan nilai perulangan p sebanyak satu dan kembali ke langkah 2 akan dilakukan apabila kriteria error belum sesuai yang diharapkan. Algoritma
pelatihan propagasi balik selesai dilakukan apabila kriteria error telah sesuai yang diharapkan.
2.8. Penelitian Terdahulu
Penelitian mengenai pengenalan gerakan tangan manusia dan metode Deep Neural Network
telah dilakukan oleh beberapa peneliti sebelumnya. Neto, et al. 2013 melakukan penelitian mengenai penempatan gerakan tangan yang statis secara real-
time dan berlanjut menggunakan metode Artificial Neural Network ANN. Penelitian
ini dilakukan dengan tujuan agar robot dapat melakukan gerakan tangan yang sama dengan gerakan tangan manusia. Bentuk gerakan yang dilatih terdiri dari gerakan yang
memiliki arti communicative dan gerakan yang tidak memiliki arti non- communicative
. Hasil penelitian menunjukkan tingkat pengenalan yang sangat baik 99,8 untuk sepuluh gerakan tangan dan 96,3 untuk tiga puluh gerakan. Selain
itu, penelitian ini juga menggunakan waktu yang singkat untuk pelatihan dan pembelajaran, memiliki kemampuan untuk mengeneralisasi dan kemampuan untuk
mengoperasikan secara independen dari kondisi di sekitar lingkungan. Tang, et al. 2013 melakukan penelitian mengenai pengenalan postur tangan yang
statis secara real-time menggunakan perangkat Kinect. Penelitian ini menggunakan
Universitas Sumatera Utara
19
algoritma skin color model dan depth model untuk deteksi tangan, algoritma kalman untuk melacak tangan hand tracking serta mengimplementasikan DNN yakni Deep
Belief Network DBN dan Convolutional Neural Network CNN untuk mengenal
postur tangan. Hasil penelitian ini menunjukkan performa yang baik akurasi menggunakan DBN: 98,063 dan CNN: 93,995 dalam pendeteksian dan pelacakan
tangan, dapat mengatasi masalah terhalangnya tangan serta dapat megenal postur tangan dengan sangat cepat dan real-time. Namun, metode deteksi tangan yang
digunakan masih bergantung pada data warna dan kedalaman sehingga akurasi bergantung pada konten dan pencahayaan gambar.
Erhan, et al. 2014 mengajukan metode untuk melakukan pelacakan lokasi objek pada suatu gambar dan memprediksi beberapa kotak penanda pada satu waktu.
Metode yang digunakan adalah Deep Multi Box yang mengimplementasikan Deep Convolutional Neural Network
sebagai basis ekstraksi fitur dan model pembelajaran untuk memprediksi lokasi kotak penanda. Adapun rata-rata akurasi yang didapatkan
untuk deteksi adalah 58,48 dan untuk klasifikasi adalah 77,29, dengan jumlah window
yang digunakan 1-25. Ramjan, et al. 2014 melakukan penelitian mengenai pengenalan dan
pendeteksian gerakan tangan dinamis secara real-time menggunakan interaksi manusia dan komputer. Adapun proses yang dilakukan adalah penangkapan gambar
dari video, ekstrasi objek yang terdapat di tangan pada background gambar yang tertangkap serta penggunaan kamera web untuk menelusuri gerakan objek. Objek
yang tertangkap kemudian diproses dengan blurring, grayscaling, HSV Hue Saturation Value
model, dan blob detection. Setelah proses-proses tersebut dilakukan, gambar akan dicocokkan dengan gambar yang tersimpan dalam database untuk
menentukan gerakan. Melalui penelitian ini, interaksi yang melibatkan penambahan tulisan baru, pengontrolan media seperti pemutar musik, slide presentasi, photo viewer
dan operasi pada PC dapat dilakukan. Chairunnisa 2015 melakukan penelitian tentang pengenalan gerakan tangan
manusia yang statis dengan mengimplementasikan teknik-teknik computer vision, Hs- CbCr
HueSaturation-ChromaBlueChromaRed untuk mendeteksi warna kulit dan teknik average background untuk mengatasi masalah background. Penelitian ini
menunjukkan bahwa dengan kondisi tangan kosong dan latar belakang yang kompleks melalui kamera web sudah dapat mengendalikan aplikasi pengolah presentasi,
Universitas Sumatera Utara
20
pemutar musik, pemutar video dan PDF reader. Selain itu, tingkat akurasi 96,87 dalam mengenali gerakan tangan manusia dengan syarat kondisi pencahayaan yang
baik juga dicapai. Molchanov, et al. 2015 meneliti mengenai pengenalan gerakan tangan secara
dinamis pada saat mengemudi mobil dengan menggunakan metode Convolutional Neural Network
CNN. Penelitian ini menggunakan dataset dari Vision for Intelligent Vehicles and Applications
VIVA. Hasil dari penelitian ini mencapai tingkat akurasi 77,5 untuk klasifikasi. Rangkuman penelitian terdahulu dapat dilihat pada Tabel 2.1.
Tabel 2.1. Penelitian Terdahulu No.
Peneliti Tahun
Metode Keterangan
1 Neto, et al.
2013 Artificial Neural
Network ANN
Pengenalan gerakan tangan statis
Fungsi: agar robot dapat melakukan gerakan
tangan manusia secara statis
Waktu pelatihan dan pembelajaran yang
singkat Akurasi untuk sepuluh
gerakan tangan 99,8 dan untuk tiga puluh
gerakan tangan 96,3
2 Tang, et al.
2013 Pendeteksian
tangan: Color skin model
dan depth model Pelacakan tangan:
Kalman Pengenalan postur
tangan: DBN
dan CNN Pengenalan postur
tangan secara real time Akurasi:
DBN: 98,063 CNN
: 93,995 Waktu pengenalan rata-
rata: DBN
: 0,000899 detik CNN
: 0,001165 detik Metode deteksi tangan
bergantung pada data warna dan kedalaman
3 Ramjan, et al.
2014 Ekstrasi fitur:
Blob detection Pengenalan:
Templatepattern matching
Pengenalan gerakan tangan dinamis
Fungsi: interaksi untuk penambahan tulisan
baru, pengontrolan media dan operasi pada
PC
Waktu pemrosesan
Universitas Sumatera Utara
21
Tabel 2.1. Penelitian Terdahulu lanjutan No.
Peneliti Tahun
Metode Keterangan
cukup lama terutama pada proses template
matching Terdapat kemungkinan
gambar yang ditangkap tidak cocok dengan
gambar yang tersimpan dalam database
4 Erhan, et al.
2014 Deep Multi Box
Pelacakan lokasi objek pada sebuah gambar dan
ditandai dengan sebuah kotak
Akurasi rata-rata untuk deteksi: 58,48
Akurasi rata-rata untuk klasifikasi: 77,29
5 Chairunnisa
2015 Hs-CbCr
, average background
Pengenalan gerakan tangan statis
Fungsi: pengontrolan aplikasi pemutar musik,
pengolah presentasi, pemutar video dan PDF
reader
Akurasi: 96,87 6
Molchanov, et al.
2015 Convolutional
Neural Network Pengenalan gerakan
tangan dinamis pada saat mengemudi mobil
Menggunakan dataset Vision for Intelligent
Vehicles and Applications
VIVA Tingkat akurasi untuk
klasifikasi: 77,5 Perbedaan penelitian yang dilakukan dengan penelitian terdahulu adalah penelitian
ini berfokus pada pengenalan gerakan tangan manusia yang terdiri dari enam yaitu gerakan tangan dari kiri ke kanan, dari kanan ke kiri, dari atas ke bawah, dari bawah
ke atas, dari depan ke belakang dan dari belakang ke depan. Kemudian, hasil pengenalan gerakan tangan manusia akan digunakan untuk mengendalikan beberapa
aplikasi komputer. Adapun metode yang diimplementasikan dalam penelitian ini, yakni:
Universitas Sumatera Utara
22
Melakukan beberapa tahap preprocessing untuk mengurangi parameter input dimana bertujuan untuk mempercepat proses pelatihan dan pengenalan gerakan
tangan. Adapun tahap pre-processing yang dilakukan yaitu:
-
pemisahan video gerakan tangan menjadi beberapa frame gambar,
-
setiap frame gambar diperkecil dengan algoritma nearest neighbour,
-
setiap frame gambar dilakukan proses grayscaling, -
setiap frame gambar dilakukan proses frame differencing dengan gambar pertama,
- empat gambar akan dipilih dari kumpulan gambar yang telah melalui proses
frame differencing ,
- proses Principal Component Analysis PCA dilakukan pada empat gambar
yang telah dipilih. Menggunakan metode Deep Neural Network untuk mengenali gerakan tangan
manusia.
Universitas Sumatera Utara
BAB 1 PENDAHULUAN