Penerapan Backpropagation ANN dalam Pengenalan Gesture Pukulan Tenis Menggunakan Gear VR Controller pada Unity Game Engine

Fawwaz Putranto, Luthfi (2020) Penerapan Backpropagation ANN dalam Pengenalan Gesture Pukulan Tenis Menggunakan Gear VR Controller pada Unity Game Engine. Sarjana thesis, Universitas Brawijaya.

Abstract

Permainan simulasi tenis adalah salah satu permainan dengan genre permainan olahraga dan sub genre simulasi. Untuk menciptakan suatu pengalaman bermain tenis yang realistis dapat menggunakan teknologi virtual reality. Virtual reality (VR) adalah teknologi yang membuat pengguna dapat berinteraksi dengan lingkungan yang disimulasikan oleh komputer. Pada saat ini, sudah ada beraneka ragam permainan tenis berbasis VR pada beraneka ragam platform. Permainan tenis berbasis VR dengan third person view akan lebih nyaman dimainkan oleh user, karena tenis memiliki gerakan-gerakan dinamis yang berpotensi menyebebkan VR sickness apabila diaplikasikan menggunakan mode first person view. Namun, apabila permainan tenis dilakukan menggunakan third person view, real-time control sulit diaplikasikan, karena terbatasnya pengelihatan user terhadap karakter yang dimainkan. Oleh karena itu, metode pengenalan gesture dapat digunakan sebagai control dalam permainan, misalnya pengenalan gesture pada pukulan tenis. Permainan tenis berbasis VR juga lebih baik diaplikasikan pada platform mobile, karena platform mobile memilki mobilitas yang tinggi. Untuk dapat membuat sistem pengenalan gesture pada mobile VR sistem harus dapat mengenali inputan user yang berasal dari 3DOF Controller yaitu, raw, pitch, dan roll. Oleh karena itu, peneliti memilih metode Backpropagation ANN untuk mengenali gesture yang berasal dari 3DOF Metode Backpropagation ANN dipilih karena memiliki akurasi hampir 100% dalam pengenalan gesture pada penelitian sebelumnya. Pada penelitian ini, 4 jenis pukulan tenis (Lob, Forehand, Smash, Backhand) digunakan sebagai objek penelitian. Hasil penelitian diuji menggunakan teknik cross validation yang menggunakan 80% data sebagai data latih dan 20% data sebagai data uji. Hasil dari penelitian ini adalah penggunaan 0,8 learning rate, 0,05 batas error, 20 neuron input, 5 neuron hidden, dan 4 neuron output akan menghasilkan nilai akurasi 100% dengan jumlah pelatihan yang lebih singkat

English Abstract

Tennis simulation is a game with sports game as genre and simulation as sub genre. To create a realistic tennis experience, Virtual Reality technology can be used. Virtual reality (VR) is a technology that allows users to interact with a computer simulated environment. At this time, there are already a variety of VR- based tennis games on a variety of platforms. VR-based tennis games with third person view will be more comfortable to be played by users, because tennis has dynamic movements that have the potential to cause VR sickness when applied using the first person view mode. However, when playing tennis using a third person view, real-time control is difficult to apply, due to the limited user vision of the character. Therefore, gesture recognition methods can be used as a control in the game, such as gesture recognition in tennis. VR-based tennis games are also better applied to mobile platforms, because mobile platforms have high mobility. To be able to create a gesture recognition system on mobile VR the system must be able to recognize user input coming from the 3DOF Contoller namely, raw, pitch, and roll. Therefore, researchers chose the Backpropagation ANN method to recognize gestures originating from 3DOF. The Backpropagation ANN method was chosen because it has almost 100% accuracy in gesture recognition in previous studies. In this study, 4 types of tennis shots (Lob, Forehand, Smash, Backhand) were used as research objects. The results of the study were tested using a cross validation technique that uses 80% of data as training data and 20% of data as test data. The results of this study are the use of 0.8 learning rate, 0.05 error limit, 20 input neurons, 5 hidden neurons, and 4 output neurons will produce an accuracy value of 100% with a shorter amount of training.

Item Type:	Thesis (Sarjana)
Identification Number:	0520150232
Uncontrolled Keywords:	Tenis, Virtual Reality, Backpropagation Artificial Neural Network, 3DOF, Gear VR, Android, Unity, Quaternion, Gesture Recognitio
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Unnamed user with username nova
Date Deposited:	25 Aug 2022 03:05
Last Modified:	25 Aug 2022 03:05
URI:	http://repository.ub.ac.id/id/eprint/193567

Text (DALAM MASA EMBARGO) LUTHFI FAWWAZ PUTRANTO.pdf Restricted to Registered users only until 31 December 2023. Download (4MB)

Actions (login required)

View Item