Halim, Abdul Rahman (2019) Sistem Pengaturan Nyala Lampu Berbasis Gerakan Tangan Melalui Wearable Device Dengan Metode K-Nearest Neighbor. Sarjana thesis, Universitas Brawijaya.
Abstract
Teknologi pengenalan gerakan memungkinkan suatu sistem untuk mengenali gerakan yang dilakukan pada bagian tubuh manusia dengan menggunakan kamera, suara dan sensor. Bagian tubuh manusia yang dapat digunakan sebagai indikator antara lain sepeti, tangan, kaki, kepala, dan lain lain. Pada penelitian ini dibangun sebuah sistem yang dapat melakukan klasifikasi dari gerakan tangan dengan menggunakan sensor MPU6050 pada wearable device yang digunakan pada tangan dengan menggunakan metode klasifikasi K-Nearest Neighbor. Metode klasifikasi K-Nearest Neighbor digunakan dalam penelitian ini karena memiliki kecepatan pengolahaan data yang cepat dalam melakukan klasifikasi. Data uji didapatkan melalui wearable device yang memiliki perangkat untuk melakukan pembacaan data sensor akselerometer, kemudian dikirim menggunakan modul nirkabel RF24 kepada Arduino Uno sebagai perangkat penerima untuk dilakukan proses klasifikasi gerakan dan menampilkan hasil klasifikasi pada kondisi lampu LED. Dari hasil pengujian yang dilakukan, didapatkan hasil akurasi pengenalan gerakan sebesar 100% pada gerakan tangan melambai ke atas untuk menyalakan lampu, 100% pada gerakan tangan melambai ke kiri untuk meredupkan lampu, dan 100% pada gerakan tangan ke bawah untuk mematikan lampu. Selain itu dilakukan pengujian waktu komputasi untuk melakukan klasifikasi gerakan dengan metode K-Nearest Neighbor pada penelitian ini. Hasil pengujian mendapatkan waktu komputasi rata – rata sebesar 94,3 milisecond pada 30 pengujian gerakan atau 10 pengujian pada 3 jenis gerakan.
English Abstract
Movement recognition technology allows a system to recognize movements performed on the human body using a camera, sounds, and sensors. Parts of the human body that can be used as indicators include, for example, hands, feet, head, etc. In this study a system was developed that could classify hand movements using the MPU6050 sensor on wearable devices used on the hand using the K-Nearest Neighbor classification method. The K-Nearest Neighbor classification method is used in this study, because it has a fast data processing speed in classifying. The test data is obtained through wearable devices that have a device to read accelerometer sensor data, then sending data using RF24 wireless module to Arduino Uno as the receiving device to do the movement classification process and display the classification results in the LED light conditions. From the results of the tests performed, the accuracy of movement recognition of 100% on the waving hand movements upwards to turn on the light, 100% on the waving hand movements to the left to dim the lights, and 100% on the hand movements down to turn off the lights. In addition, computational time testing was carried out to perform movement classifications using the K-Nearest Neighbor method in this study. The test results get an average computation time of 94.3 milliseconds in 30 motion tests or 10 tests on 3 types of movements.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/603/051907795 |
| Uncontrolled Keywords: | akselerometer, gerakan tangan, klasifikasi gerakan tangan, k-nearest neighbor, wearable device, accelerometer, hand movement, hand movement classification, k-nearest neighbor, wearable device |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.4 Computer pattern recognition > 006.45 Accoustical pattern recognition |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 24 Aug 2020 07:25 |
| Last Modified: | 19 Oct 2021 06:12 |
| URI: | http://repository.ub.ac.id/id/eprint/173981 |
Preview |
Text
Abdul Rahman Halim.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |