Analisis Sistem ANALISIS DAN PERANCANGAN SISTEM

26 Tabel 3.6. Detail Testing Dataset Percobaan Kedua lanjutan Jenis video Banyak video Ukuran video minimum byte Ukuran video maksimum byte Gerakan tangan atas-bawah 27 89.300 226.000 Gerakan tangan bawah-atas 26 88.700 183.000

3.2. Analisis Sistem

Metode yang diajukan penulis untuk pengenalan gerakan tangan manusia terdiri dari beberapa proses. Proses-proses yang akan dilakukan adalah sebagai berikut: pengambilan gerakan tangan manusia menggunakan kamera; pegelompokkan video gerakan tangan sesuai dengan jenis gerakan tangan yang ada; 80 dari setiap kelompok video akan digunakan sebagai training dataset dan 20 sisanya akan digunakan sebagai testing dataset; setiap video gerakan tangan kemudian dipisahkan menjadi beberapa frame gambar; ukuran setiap gambar terlebih dahulu dikecilkan menggunakan algoritma nearest neighbor; proses grayscalling dilakukan untuk setiap gambar; proses frame differencing dilakukan pada setiap gambar dengan gambar pertama sebagai pembeda; empat gambar akan dipilih dari kumpulan gambar yang telah melalui proses frame differencing dan pada keempat gambar tersebut kemudian dilakukan proses PCA; DNN dilatih menggunakan training dataset; DNN yang telah dilatih kemudian diuji menggunakan testing dataset; DNN kemudian dapat digunakan untuk mengenali gerakan tangan manusia; hasil pengenalan gerakan tangan akan diimplementasikan untuk mengendalikan aplikasi file explorer, music player, video player , slideshow dan PDF reader. Arsitektur umum yang mendeskripsikan metodologi pada penelitian ini ditunjukkan pada Gambar 3.1. Universitas Sumatera Utara 27 Testing Dataset Pre Processing Perkecil ukuran gambar menggunakan Nearest Neighbour Grayscaling Training Dataset Deep Neural Network yang sudah dilatih Hasil pengenalan Deep Neural Network Pengambilan gerakan tangan melalui kamera Pisahkan video gerakan tangan yang direkam menjadi beberapa frame gambar Frame Differencing File explorer, music player, video player, slideshow dan PDF reader Implementation Principal Component Analysis Gambar 3.1. Arsitektur Umum 3.2.1. Pemisahan video gerakan tangan menjadi beberapa frame gambar Sebuah video pada dasarnya terdiri atas beberapa gambar. Dengan demikian, setiap video gerakan tangan yang telah direkam harus dipisahkan terlebih dahulu menjadi beberapa frame gambar sebelum digunakan sebagai input untuk DNN. 3.2.2. Perkecil ukuran gambar menggunakan algoritma neareset neighbor Ukuran setiap gambar dikecilkan menjadi 50 x 23 menggunakan algoritma nearest neighbor yang telah dibahas pada bagian 2.1. Adapun tujuan dari pengecilan ukuran gambar adalah untuk mengurangi jumlah parameter yang akan digunakan sebagai input pada DNN sehingga dapat mempercepat proses pelatihan. Universitas Sumatera Utara 28 3.2.3. Grayscaling Setelah ukuran gambar dikecilkan, dilakukan proses grayscaling pada gambar. Grayscalling adalah proses mengubah citra berwarna menjadi citra keabuan. Piksel gambar yang pada awalnya terdiri atas RGB Red Green Blue akan diubah menjadi satu nilai gray melalui proses grayscaling dengan menggunakan persamaan 2.1. Proses grayscaling juga bertujuan untuk mengurangi jumlah parameter yang akan digunakan oleh DNN sehingga dapat mempercepat proses pelatihan. 3.2.4. Frame differencing Frame differencing akan dilakukan pada setiap frame gambar yang telah melalui setiap proses sebelumnya menggunakan persamaan 2.4. Proses frame differencing dilakukan untuk setiap gambar dengan gambar pertama sebagai pembeda, dengan tujuan untuk menyederhanakan gambar-gambar yang ada dengan menghilangkan background yang tidak relevan. Dari kumpulan gambar yang telah melalui proses frame differencing dipilih empat gambar. Pemilihan empat gambar dilakukan dengan selang gambar sebanyak total gambar yang telah melalui proses frame differencing dibagi dengan lima untuk tiga gambar pertama dan untuk gambar keempat yang dipilih yakni gambar dengan indeks paling akhir dari total gambar yang telah melalui proses frame differencing, dimana gambar pertama yang telah melalui proses frame differencing tidak diambil karena gambar pertama berwarna hitam. Hal ini disebabkan karena gambar yang dilakukan frame differencing dengan gambar itu sendiri tidak memiliki perbedaan sehingga hasil frame differencing berwarna hitam sepenuhnya. 3.2.5. Principal Component Analysis PCA Empat gambar frame differencing yang telah dipilih kemudian akan dilakukan proses PCA sesuai dengan langkah-langkah yang telah dibahas pada bagian 2.4. Proses PCA diterapkan dengan tujuan untuk mengurangi dimensionalitas jumlah piksel dari empat gambar yang dipilih sehingga dapat mempercepat proses pelatihan. Hasil pengurangan dimensionalitas untuk percobaan pertama dengan enam gerakan tangan tangan yaitu dari jumlah piksel sebesar 4600 dikurangi menjadi 523 sedangkan untuk percobaan kedua dengan empat gerakan tangan yaitu dari jumlah piksel 4600 menjadi 365. Setiap parameter operasi yang digunakan PCA pada data pelatihan akan Universitas Sumatera Utara 29 disimpan karena pada data pengujian serta data baru akan menggunakan parameter operasi yang sama pada data pelatihan. 3.2.6. Implementasi Deep Neural Network Training dataset dan testing dataset yang telah melalui seluruh pre-proses akan digunakan untuk melatih dan menguji Deep Neural Network DNN. DNN yang diimplementasikan merupakan Feed-forward Neural Network dan dilatih menggunakan metode backpropagation. Langkah-langkah yang dilakukan pada metode backpropagation dapat dilihat pada bagian 2.7. Adapun parameter pelatihan yang digunakan untuk DNN pada percobaan dengan enam jenis gerakan tangan pada penelitian ini dapat dilihat pada Tabel 3.7 dan parameter pelatihan untuk percobaan dengan empat jenis gerakan tangan pada penelitian ini dapat dilihat pada Tabel 3.8. Tabel 3.7. Nilai Parameter DNN pada Percobaan dengan Enam Gerakan Tangan Parameter Nomor percobaan 1 2 3 4 5 Banyak neuron pada input layer 523 523 523 523 523 Banyak neuron pada output layer 6 6 6 6 6 Banyak hidden layer 2 2 3 3 4 Banyak neuron pada hidden layer pertama 250 300 200 300 300 Banyak neuron pada hidden layer kedua 50 50 100 150 150 Banyak neuron pada hidden layer ketiga - - 50 75 100 Banyak neuron pada hidden layer keempat - - - - 75 Learning rate 0,01 0,01 0,01 0,01 0,01 Momentum rate 0,0 0,0 0,0 0,0 0,0 Maksimum Epoch 1000 1000 1000 1000 1000 Target error 0,01 0,01 0,01 0,01 0,01 Universitas Sumatera Utara 30 Tabel 3.8. Nilai Parameter DNN pada Percobaan dengan Empat Gerakan Tangan Parameter Nomor percobaan 1 2 3 4 5 Banyak neuron pada input layer 365 365 365 365 365 Banyak neuron pada output layer 4 4 4 4 4 Banyak hidden layer 2 2 3 3 4 Banyak neuron pada hidden layer pertama 250 300 200 300 300 Banyak neuron pada hidden layer kedua 50 50 100 150 150 Banyak neuron pada hidden layer ketiga - - 50 75 100 Banyak neuron pada hidden layer keempat - - - - 75 Learning rate 0,01 0,01 0,01 0,01 0,01 Momentum rate 0,0 0,0 0,0 0,0 0,0 Maksimum Epoch 100 100 100 100 100 Target error 0,01 0,01 0,01 0,01 0,01 Output yang diharapkan pada pelatihan DNN untuk setiap gerakan tangan pada percobaan dengan enam jenis gerakan tangan dapat dilihat pada Tabel 3.9. Node pertama pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah kiri ke kanan. Node kedua pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah kanan ke kiri. Node ketiga pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah atas ke bawah. Node keempat pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah bawah ke atas. Node kelima pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah belakang ke depan. Node keenam pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah depan ke belakang. Universitas Sumatera Utara 31 Tabel 3.9. Target Output untuk Setiap Jenis Gerakan Tangan pada Percobaan dengan Enam Gerakan Tangan Jenis gerakan tangan Node 1 2 3 4 5 6 Gerakan tangan dari kiri ke kanan 1 Gerakan tangan dari kanan ke kiri 1 Gerakan tangan dari atas ke bawah 1 Gerakan tangan dari bawah ke atas 1 Gerakan tangan dari belakang ke depan 1 Gerakan tangan dari depan ke belakang 1 Output yang diharapkan pada pelatihan DNN untuk setiap gerakan tangan pada percobaan dengan empat jenis gerakan tangan dapat dilihat pada Tabel 3.10. Node pertama pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah kiri ke kanan. Node kedua pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah kanan ke kiri. Node ketiga pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah atas ke bawah. Node keempat pada output layer menunjukkan apakah gerakan tangan merupakan gerakan tangan dari arah bawah ke atas. Tabel 3.10. Target Output untuk Setiap Jenis Gerakan Tangan pada Percobaan dengan Empat Gerakan Tangan Jenis gerakan tangan Node 1 2 3 4 Gerakan tangan dari kiri ke kanan 1 Gerakan tangan dari kanan ke kiri 1 Gerakan tangan dari atas ke bawah 1 Gerakan tangan dari bawah ke atas 1

3.3. Perancangan Sistem