Kesimpulan Saran KESIMPULAN DAN SARAN

BAB 5 KESIMPULAN DAN SARAN

Bab ini membahas tentang kesimpulan dari penerapan metode yang diajukan untuk mengenali gerakan tangan manusia dalam interaksi manusia-komputer dan saran untuk pengembangan yang dapat dilakukan pada penelitian selanjutnya.

5.1. Kesimpulan

Berdasarkan penerapan metode dari arsitektur umum yang dirancang untuk mengenali gerakan tangan manusia dalam interaksi manusia-komputer, didapatkan beberapa kesimpulan yakni: 1. Metode yang diajukan mampu mengenali gerakan tangan manusia untuk interaksi manusia-komputer dengan kondisi tangan tidak memegang benda apapun. 2. Tingkat akurasi pengujian tertinggi pada percobaan dengan enam jenis gerakan tangan didapatkan pada percobaan dua dengan jumlah hidden layer sebanyak dua dan jumlah hidden neuron masing-masing sebanyak 300 dan 50 yaitu sebesar 77,02. 3. Tingkat akurasi pengujian tertinggi pada percobaan dengan empat jenis gerakan tangan didapatkan pada percobaan satu dengan jumlah hidden layer sebanyak dua dan jumlah hidden neuron masing-masing sebanyak 250 dan 50 yaitu sebesar 89,72. 4. Tingkat akurasi pengujian dipengaruhi oleh jumlah hidden layer, jumlah hidden neuron dan banyak jenis gerakan tangan yang dilatih. 5. Sistem front-end pada penelitian ini mengimplementasikan DNN yang telah dilatih dengan hasil terbaik, yakni DNN pada percobaan satu dalam percobaan dengan empat jenis gerakan tangan. Universitas Sumatera Utara 56 6. Sistem front-end yang telah dibangun dapat mengendalikan beberapa aplikasi yakni file explorer untuk memilih file, Windows Media Player untuk file musik, VLC media player untuk file video, Microsoft Power Point untuk file presentasi dan Acrobat Reader DC untuk file PDF.

5.2. Saran

Saran yang dapat penulis berikan untuk pengembangan selanjutnya adalah sebagai berikut: 1. Penerapan dan penambahan teknik image processing lain dalam memproses video menjadi gambar dan kemudian menjadi parameter input yang digunakan sebagai dataset untuk melatih dan menguji DNN sehingga parameter input dapat merepresentasikan data video dengan lebih baik. 2. Penerapan metode machine learning yang lain seperti Deep Belief Network DBN, Convolutional Neural Network CNN ataupun Recurrent Neural Network RNN untuk dibandingkan dengan DNN sehingga dapat digunakan metode yang paling cocok dalam mengenali gerakan tangan manusia. 3. Menambahkan aplikasi yang dapat dikendalikan oleh sistem front-end dan jenis gerakan tangan yang dapat dikenali sehingga dapat membantu tunadaksa yang mengalami disabilitas cacat pada pergelangan tangan sampai ujung jari tangan untuk mengendalikan lebih banyak aplikasi dengan lebih banyak variasi gerakan tangan. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI