Instrumen Penelitian Pendahuluan Layar Sentuh Vir

23

3.4 Instrumen Penelitian

Penelitian ini menggunakan perangkat berikut: 1. Laptop ASUS N43S, Intel Core I5, RAM 4 GBytes, Harddisk 750 GBytes, Windows 7 64 bit. 2. Python 2.66, SciPy, Image, PyGame, Numpy 3. Dataset Multi-modal Gesture Recognition 2013, dataset ini diperuntukkan untuk riset, penggunaannya tidak memerlukan izin khusus, hanya menambahkan Escalera et.al 2013 pada referensi. Universitas Sumatera Utara

4.1 Pendahuluan

Pengujian hasil pertam memberikan hasil akhi gambar gerak isyarat. backpropagation.

4.2 Layar Sentuh Vir

Gambar 4.1 memperlih merah dan hijau sebaga Selain data gera yang merepresentasika menggambarkan jarak dilakukan. BAB IV HASIL DAN PEMBAHASAN tama dicoba pada aplikasi layar sentuh virtua hir berupa data teks yang berisi data koordinat rat. Setelah itu pengujian dilanjutkan terha Virtual rlihatkan cuplikan gerak isyarat “chevuoi”, gam agai pembeda tangan kanan dan kiri. Gambar 4.1 Layar sentuh virtual”chevuoi” erakan dilihat dari sisi depan partisipan, terdapa ikan gerakan bila dilihat dari sisi kiri dan k ak tangan kiri dan kanan dari HipCenter selam rtual, layar sentuh dapat at gerak isyarat dan data rhadap neural network gambaran garis berwarna apat juga layar tambahan kanan partisipan yang lama urutan gerak isyarat Universitas Sumatera Utara Gambar 4.2 m sudah memenuhi spesif Dari ujicoba dite virtual mengalami dist kiri dan ke kanan pad dan ke belakang tidak membuat posisi layar s posisi pergerakan pa menyesuaikan posisi HipCenter. Hasil akhir terdistorsi karena pe memperlihatkan hasil partisipan. 25 menunjukkan gerak isyarat “basta”. Dari sisi esifikasi yang diinginkan pada bab sebelumnya. Gambar 4.2 Layar sentuh virtual ”basta” ditemukan beberapa data `gerakan yang tergam istorsi. Distorsi ini disebabkan oleh perpindaha ada saat gerak isyarat dilakukan. Perpindahan dak mendistorsi data. Solusi untuk distorsi da r sentuh menjadi lebih dinamis, berpindah sesu partisipan ke kanan dan ke kiri. Hal in i koordinat kiri atas layar berpindah sesuai hirnya terlihat seperti gambar 4.3, sebelah kir pergerakan partisipan ke arah kiri. Gam sil saat posisi layar virtual telah disesuaika 25 isi aplikasi layar sentuh ya. ambar pada layar sentuh ahan posisi partisipan ke an pergerakan ke depan i data ini adalah dengan suai dengan perpindahan ini dilakukan dengan ai perpindahan skeleton kiri gambar terlihat data ambar sebelah kanan ikan dengan pergerakan Universitas Sumatera Utara Sampai dengan namun masih harus di 35x60. Hal ini dilaku seragam dan kecil seh .4.4 memperlihatkan po 26 Gambar 4.3 Mengatasi distorsi data an keadaan ini, data koordinat untuk gerak is dilakukan penyesuaian bentuk data menjadi p kukan agar data koordinat yang dihasilkan m ehingga mempercepat proses pembelajaran ne pola matriks pada gerakan “BASTA”. Gambar 4.4 Gerak isyarat pola matriks 26 isyarat sudah diperoleh, i pola matriks berukuran memiliki ukuran yang neural network. Gambar Universitas Sumatera Utara Koordinat-koor disalin menjadi file d merupakan representas Gambar 4.5 Pe File teks yan pembentukan pola pe gambar data di dalam f Format teks ya gerakan berisi 3 basris dengan nama sisi tanga berurut sampai akhir ba 27 ordinat matriks yang berisi nilai sesuai uru e data teks, termasuk data layar tambahan tasi bentuk data 3D. Penggalan isi data file teks untuk gerak isyarat ang dihasilkan berisi data koordinat yan pembelajaran dan pengujian, gambar 4.5 m file teks pertama untuk gerak isyarat “VIENIQ yang terdapat pada file hasil dari aplikasi laya ris teks, baris pertama adalah nama jenis geraka ngan misalnya ‘Kanan’ dilanjutkan dengan nila r baris, seperti yang terlihat pada gambar 4.6. x Jenis Gerak Isyarat z Tangan y Gambar 4.6 Detail isi teks 27 rutan gerak selanjutnya n kiri dan kanan yang rat ”VIENIQUI” ang dibutuhkan untuk menunjukkan cuplikan IQUI”: layar sentuh untuk setiap kan, baris kedua dimulai ilai koordinat x, y dan z Universitas Sumatera Utara 28 28 Dari data teks yang dihasilkan oleh aplikasi layar sentuh virtual, dilakukan proses perubahan menjadi data gambar sesuai kebutuhan pelatihan dan pengujian neural network. Teknik yang digunakan adalah dengan membaca format teks ke dalam list di memori, dilanjutkan dengan pembersihan duplikasi data. Duplikasi data sering terjadi saat pencuplikan data dilakukan, hal ini disebabkan oleh posisi tangan pada frame berjalan masih di koordinat yang sama dengan posisi tangan pada frame sebelumnya. Gambar 4.7 Duplikasi data Setelah data pada list bersih dari duplikasi, dilakukan proses pengisian pixel yang kosong di antara 2 koordinat dengan cara membangun list baru hasil pemrosesan list sebelumnya menggunakan algoritma Bresenham. Hasil list selanjutnya dikonversi menjadi gambar berukuran 35x60 yang merepresentasikan urutan gerak isyarat sejak awal hingga akhir gerakan. Diagram proses konversi dari data teks menjadi gambar dapat dilihat pada gambar 4.8. Gambar 4.8 Proses mengubah data teks menjadi file gambar Universitas Sumatera Utara 29 29 Dengan selesainya pembuatan gambar gerak isyarat ini, maka proses pembelajaran neural network backpropagation dapat dimulai. Gambar 4.9 menunjukkan contoh hasil penggambaran dari gerak isyarat “BASTA” yang berjumlah 20 gerakan. BASTA Gambar 4.9 Sekumpulan data gambar untuk gerak isyarat “BASTA”

4.3 Pengujian Neural Network