Sensor Visual untuk Deteksi Posisi Jari dan Tangan

Sensor Visual untuk Deteksi Posisi Jari dan Tangan Anjar Triyoko1, Balza Achmad2, Nazrul Effendy3 1,2,3

Jurusan Teknik Fisika FT UGM Jl. Grafika 2 Yogyakarta 55281 INDONESIA 1

[email protected] 2 [email protected] 3 [email protected]

INTISARI Intisari — Aplikasi teknologi pengenalan gesture tangan manusia telah banyak digunakan dalam berbagai bidang, salah satunya diterapkan dalam bidang robotika.Pada penelitian ini dirancang sebuah sistem sensor visual untuk deteksi posisi jari dan tangan manusia. Parameter utama yang diukur pada sistem ini adalah posisi jari dan tangan. Masukan data yang diolah berupa citra dan video tangan yang berasal dari sebuah kamera yang diposisikan tegak lurus terhadap tangan. Ujung jari dan pergelangan tangan diberi penanda warna yang berbeda untuk mempermudah deteksi posisi jari dan tangan. Segmentasi penanda ujung jari dilakukan dengan metode pengambangan (threseholding) pada citra. Kemudian dilakukan identifikasi titik berat penanda warna pada citra biner hasil pengambangan. Informasi semua titik berat ujung jari dengan penanda pergelangan jari digunakan untuk membentuk fitur jari tangan. Panjang vektor masing - masing jari dan besar sudut antar vektor jari pada saat terbuka menjadi referensi untuk menentukan nilai rasio panjang vektor jari dan rasio besar sudut antar vektor jari. Nilai tersebut menjadi variabel utama yang digunakan untuk merepresentasikan posisi jari pada saat jari dan tangan bergerak. Pengujian sistem dilakukan dengan menggunakan sampel data yang telah divariasikan tingkat pencahayaan, jarak antara tangan dan kamera, serta bentuk tangan yang digunakan. Dari hasil pengujian tersebut diketahui variasi tingkat pencahayaan lebih berpengaruh terhadap performa sistem dari pada variasi jarak, dengan jarak antara kamera dan tangan tidak lebih dari 1 m. Keberhasilan sistem dalam mendeteksi ujung jari dan tangan mencapai angka sebesar 94,5%, sedangkan kemampuan sistem dalam merepresentasikan posisi jari dan tangan sebesar 86,74%. Kata kunci— telerobotic, tangan robot, sensor visual, pengolahan citra, deteksi posisi jari dan tangan, pengambangan

I. LATAR BELAKANG Dalam bidang robotika, tujuan penerapan teknologi pengenalan gesture tangan manusia adalah untuk menciptakan sebuah sistem robotik yang mampu meniru pergerakan jari dan tangan manusia, sehingga dapat membantu manusia untuk melakukan berbagai hal yang tidak bisa dilakukan manusia secara langsung. Salah satu pengembangan dalam bidang robotika yang berkaitan dengan hal ini adalah bidang telerobotic. Telerobotic adalah salah satu cabang bidang robotika yang menggabungkan antara sistem pengendalian jarak jauh robot (teleoperation) dengan sistem pengolahan citra nirkabel (telepresence) [1] . Teknologi pengenalan gesture tangan manusia dapat digunakan dalam sistem tersebut dengan menawarkan pengendalian tangan robot yang lebih natural dan intuitif. Metode yang telah dikembangkan untuk dapat mengenali gesture tangan sangat beragam. Dalam penerapannya untuk pengendalian tangan robot, salah satu metode yang digunakan adalah menggunakan sarung tangan data (data glove). Metode ini memberikan kemudahan serta hasil yang cukup presisi dalam hal mengidentifikasi pergerakan jari. Akan tetapi,

diperlukan biaya yang cukup besar untuk membuatnya serta keterbatasan pengguna karena ukuran tangan harus sesuai dengan sarung tangan yang digunakan. Berdasarkan penjelasan di atas, maka diperlukan metode lain yang lebih fleksibel untuk digunakan dan juga lebih murah. Metode lain yang saat ini banyak dikembangkan dalam teknologi pengenalan gesture tangan adalah metode berbasis sensor visual. Metode ini memanfaatkan sensor visual (kamera) serta pengolahan data citra pada komputer secara numeris. Metode ini sebenarnya sudah banyak digunakan dalam berbagai bidang Human Computer Interaction (HCI), karena kenyamanannya dan fleksibilitas pengunaannya. Namun, dalam bidang telerobotic penggunaan metode berbasis sensor visual masih terbatas, karena tingkat ketelitian dan akurasinya yang belum sebaik metode yang telah disebutkan sebelumnya. Pada penelitian ini, dirancang sebuah sistem sensor visual yang digunakan untuk mendeteksi posisi jari dan tangan. Masukan citra tangan berasal dari sebuah kamera digital. Ujung jari dan pergelangan tangan diberi penanda warna untuk mempermudah analisis pengolahan citra dan meningkatkan akurasi perhitungan parameter deteksi posisi

jari tangan. Dengan cara tersebut, sistem ini dapat memberikan hasil representasi jari yang akurat dan teliti. II. STUDI PUSTAKA Pada tahun 2012, Chaudhary [1] melakukan penelitian untuk mengenali gesture tangan manusia menggunakan perangkat lunak Matlab. Citra tangan yang diambil menggunakan kamera tunggal dengan kondisi tangan tanpa penanda warna dan latar belakang berwarna homogen. Metode segmentasi yang digunakan meliputi konversi citra RGB menjadi HSV, pengambangan (thresholding), deteksi ujung jari, dan penentuan fitur jari tangan. Pada tahun 2013, Ashwini [2] juga telah melakukan penelitian untuk mengenali gesture tangan manusia. Penelitian tersebut menggunakan bahasa C dan library OpenCV. Metode pengenalan yang digunakan adalah deteksi tepi (edge detection) pada citra, dan segmentasi pengambangan (thresholding). Identifikasi jari dilakukan dengan menganalisis fitur kecembungan (convexity) pada kontur citra tangan. Pada tahun 2010, Mahtarmi [3] telah melakukan penelitian untuk mengetahui tingkat akurasi tracking tangan berbasis algoritma Pyramidal Lucas-Canade. Dia menggunakan penanda warna homogen pada setiap jari dan telapak tangan citra yang diambil dari frame video kamera. Pengujian dilakukan dengan memvariasikan warna penanda yaitu merah, hijau, dan biru. Untuk meningkatkan akurasi, dilakukan reidentifikasi titik kontur pananda warna pada saat frame ke n dalam video citra tangan yang diproses. Hasilnya akurasi tracking bisa mencapai angka 91,17% untuk setiap warna marker.

2) Bahan Penelitian Bahan yang digunakan dalam penelitian tugas akhir ini adalah citra tangan manusia dengan penanda warna ujung jari. Citra digital tangan manusia yang digunakan berupa video berformat .mp4 dengan resolusi 640 x 480 pixel. Pada ujung jari dan telapak tangan diberikan 6 penanda berwarna berbeda. B. Tata Laksana Penelitian Langkah – langkah yang dilakukan dalam penelitian ini adalah : 1. Studi literatur mengenai sistem pengolahan citra untuk pengenalan gesture tangan manusia. 2. Pengambilan data citra tangan. 3. Perancangan algoritma program identifikasi pola posisi jari dan tangan, dan program kalibrasi citra. 4. Penyusunan program kalibrasi citra dan program utama. 5. Pengujian program dan evaluasi program. 6. Analisis hasil pengujian performansi program identifikasi pola posisi jari. Langkah – langkah tersebut digambarkan pada diagram alir pada Gambar 3. C. Pengambilan Data Pada pengambilan data ini variasi yang dipilih adalah jarak antara tangan dengan kamera ( l ), dan kuat pencahayaan ruangan ( E ). Variasi jarak tangan dengan kamera yaitu 0,5 m dan 1 m. Variasi kuat pencahayaan yaitu pencahayaan rendah, sedang dan pencahayaan tinggi. Variasi yang ditunjukan pada Tabel 1. Tabel 1 Variasi pengambilan data

III. PELAKSANAAN PENELITIAN

Variasi

Kuat Pencahayaan (E) (Lumen / m2 atau lux)

A. Alat dan Bahan Penelitian 1) Alat Penelitian Alat – alat yang digunakan dalam penelitian ini adalah : 1. Perangkat Keras a. Personal Computer dengan spesifikasi : sistem operasi Windows 7 Ultimate SP-1 32-bit, Intel(R) Core(TM) 2 Duo E7500 @2,93GHz, RAM 2,00 GB. b. Kamera digital Sony DSC-W350 dengan spesifikasi: resolusi maksimum 14,1 MP, resolusi video VGA (640 x 480) 30 fps. 2. Perangkat Lunak a. Visual C++ 2008 Express Edition b. OpenCV 2.4.5 c. Microsoft Office 2010 d. Adobe Photoshop 3. Lain – lain a. Penanda warna ujung jari. b. Tripod kamera c. Luxmeter

Variasi 1 Variasi 2 Variasi 3 Variasi 4 Variasi 5 Variasi 6 Variasi 7 Variasi 8 Variasi 9 Variasi 10

15,5 - 24,5 (sedang) 15,5 - 24,5 (sedang) 350 – 545 (tinggi) 350 – 545 (tinggi) 4,6 – 7,7 (rendah) 4,6 – 7,7 (rendah) 20,2 – 31,4 (sedang) 20,2 – 31,4 (sedang) 100,1 – 156,5 (tinggi) 100,1 – 156,5 (tinggi)

Jarak tangan kamera (l) (meter) 0,5 1 0,5 1 0,5 1 0,5 1 0,5 1

D. Perancangan Algoritma Program Dalam penelitian tugas akhir ini disusun 2 program yaitu program kalibrasi dan program utama. Program kalibrasi digunakan untuk menentukan batas nilai channel warna pada citra untuk keperluan pengambangan (thresholding) pada program utama, sedangkan program utama adalah program yang digunakan untuk menentukan keadaan posisi jari dan tangan serta simulasinya. Kedua program tersebut dirancang

berdasarkan flowchart yang ditunjukan pada Gambar 6 dan Gambar 5.

pengujian deteksi posisi tangan dan jari (pengujian citra bergerak), serta pengujian identifikasi keadaan posisi jari. Pengujian II mewakili pengujian akhir program secara keseluruhan.

Mulai Atur nilai batas HSV pengambangan Citra

Ambil Citra / file video

Pengambanga n Citra HSV

Ada data citra/frame ?

Tidak

Tampilkan citra/ frame biner

Ya Ekstraksi citra / frame

Blob ditemukan?

Tampilkan Citra/ Frame Video

Tida k

Ya Konversi Citra RGB menjadi HSV

Selesai

Gbr.5 Diagram alir program kalibrasi

Mulai

Input citra / frame video

Gbr.3 Diagram alir penelitian E. Pengujian Pengujian dilakukan untuk mengetahui tingkat keberhasilan program dalam menjalankan fungsinya. Parameter yang menunjukan program telah berhasil menjalankan fungsinya antara lain : 1. Program mampu memuat citra masukan, dan berhasil mengidentifikasi penanda ujung jari pada citra tersebut. 2. Program mampu menghitung panjang vektor, sudut, dan parameter kuantitatif lainnya sehingga pada akhirnya mampu memberikan hasil persentase bukaan posisi jari terhadap telapak tangan sebagai representasi keadaan posisi jari. Untuk mendapatkan hasil pengujian yang lebih baik, dilakukan 2 pengujian secara terpisah, yaitu Pengujian I dan Pengujian II. Pengujian I terdiri dari pengujian deteksi posisi tangan dan jari (pengujian citra terotasi dan pengujian citra bergerak), dimana hasilnya digunakan untuk menyempurnakan program,sedangkan Pengujian II terdiri dari

Ada data citra / frame?

Tidak

Ya Segmentasi citra / frame video

Penentuan fitur jari tangan

Identifikasi keadaan posisi jari tangan

Selesai

Gbr.6 Diagram alir algoritma program utama

IV. HASIL DAN PEMBAHASAN A. Hasil Pengambilan Data Data yang digunakan dalam penelitian tugas akhir ini berupa video citra tangan dengan penanda warna jari. Secara keseluruhan terdapat 10 data video yang digunakan dalam penelitian ini. Pengambilan data dilakukan dengan memvariasikan jarak tangan terhadap kamera, dan kuat pencahayaan. B. Hasil Perancangan Algoritma Program 1) Memuat Citra Program kalibrasi dan program utama pada prinsipnya memiliki algoritma yang sama di awal rangkaian keseluruhan program yaitu memuat citra dan menampilkannya. Untuk masukan data berupa file video diperlukan algoritma untuk mengekstraksi frame pada data video sehingga frame tersebut dapat diolah sesuai dengan fungsi program. Citra hasil ekstraksi inilah yang kemudian akan diolah oleh program. 2) Segmentasi Citra Fungsi utama dari segmentasi citra adalah untuk memisahkan penanda ujung jari terhadap komponen lain pada citra/frame yang akan diproses. Oleh karena itu, langkah ini menjadi langkah yang fundamental dan akan sangat mempengaruhi hasil pengolahan citra berikutnya. Jika satu penanda jari atau lebih tidak bisa disegmentasi dengan baik, maka model tangan yang didapat juga tidak akan sempurna, sehingga hasil pengenalan posisi jari tidak akan memberikan hasil yang benar. Citra tangan yang berformat RGB harus dikonversi terlebih dahulu menjadi citra berformat HSV. Contoh hasil konversi citra tangan ditunjukan pada Gambar 8.

Gbr. 7 Contoh hasil konversi frame RGB ke HSV Citra hasil konversi tersebut, kemudian diproses untuk diambangkan. Nilai batas pengambangan untuk segmentasi setiap penanda jari pada citra didapatkan dengan menggunakan program kalibrasi yang telah dirancang. 3) Penentuan Fitur Jari dan Tangan Citra biner yang dihasilkan oleh fungsi pengambangan, kemudian dijadikan sebagai acuan utama untuk menentukan lokasi penanda ujung jari dan titik referensi pada citra. Penentuan lokasi ujung jari dan titik referensi dilakukan dengan cara mengidentifikasi titik berat dari masing – masing blob penanda ujung jari pada citra biner. Tabel 2 menunjukan salah satu hasil representasi fitur tangan oleh program utama.Titik berat setiap penanda jari dihubungkan dengan titik referensi sehingga membentuk garis

– garis vektor jari. Lalu program melakukan perhitungan panjang vektor dan sudut antar vektor, sehingga secara detail diperoleh informasi mengenai koordinat titik berat masing – masing penanda ujung jari, panjang vektor, dan sudut vektor antar jari. 4) Menerjemahkan Keadaan Posisi Jari Bagian terakhir dari rangkaian algoritma program utama adalah menerjemahkan keadaan posisi jari berdasarkan parameter panjang vektor jari dan sudut antar vektor jari. Informasi nilai kedua parameter tersebut kemudian diolah untuk mendapatkan parameter rasio panjang vektor jari dan rasio sudut antar vektor jari. Kedua nilai tersebutlah yang kemudian digunakan untuk memperoleh nilai persentase posisi jari terhadap telapak tangan. Sebelum melakukan perancangan program pada bagian algoritma ini, dilakukan sebuah pengujian sederhana menggunakan sampel frame dari data variasi 1, variasi 2, variasi 3, dan variasi 4 khusus untuk gerakan menutupnya masing – masing jari. Pengujian ini dilakukan untuk mengetahui bagaimana pola perubahan panjang vektor jari, dan pola perubahan sudut antar vektor jari pada saat jari menutup dan membuka kembali seperti semula. Data yang diperoleh dari pengujian ini adalah data panjang vektor jari dan besar sudut antar vektor jari. Dari semua data yang diperoleh dari pengujian, diperoleh beberapa informasi, yaitu : 1. Terdapat pola yang konsisten pada perubahan nilai panjang vektor jari yang dibentuk oleh pergerakan jari dari 4 kali percobaan. Pada percobaan diketahui bahwa panjang vektor setiap jari ketika menutup selalu berkurang. Hal tersebut ditunjukan dengan pergerakan garis pada grafik yang menurun. Rasio panjang vektor semula dengan panjang vektor ketika menutup ditunjukan pada Tabel 3. 2. Perubahan nilai besar sudut antar vektor tidak begitu signifikan dipengaruhi oleh pergerakan jari. 3. Perubahan signifikan terlihat pada sudut yang dibentuk oleh ibu jari dan jari kelingking.. Sudut terkecil rata – rata yang dibentuk mencapai 9,68° dan sudut terbesar rata – rata sebesar 84,2°. Rasio perubahan sudut dari kondisi normal terhadap sudut ketika jari menutup sebesar 0,11. Oleh karena itu, dapat disimpulkan pergerakan ibu jari berkaitan langsung dengan perubahan besar sudut antara ibu jari dengan jari kelingking. Data rasio panjang vektor jari (selain data vektor ibu jari) pada Tabel 3 dan rasio sudut ibu jari – kelingking digunakan sebagai acuan rasio minimal pada saat jari tertutup. Ketika jari terbuka penuh, rasio maksimal yang digunakan bernilai 1. Untuk mempermudah penyampaian informasi keadaan posisi jari, parameter tersebut diubah menjadi skala persentase (persenv[n]) dengan pada Persamaan 1. (1) Untuk meningkatkan akurasi representasi posisi jari tersebut, jangkauan persentase bukaan jari dibatasi dengan

resolusi sebesar 25%. Diagram yang menjelaskan representasi ini ditunjukan pada Gambar 7. Posisi jari dinyatakan dalam lima jangkauan posisi jari jika memenuhi syarat pada Persamaan 2. Tabel 2 Contoh representasi fitur jari tangan dan informasi data yang diperoleh.

Gbr.8 Diagram persentase bukaan jari terhadap telapak tangan

No

Nama Jari

Titik

Titik

Berat

Berat

(x,y)

Baru (x,y)

Panjang Vektor

Sudut Antar Jari ( ° )

Jari (pixel)

1

Kelingking

145, 213 -133, -220

257,0

2

Manis

196, 145

-82, -288

299,4

3

Tengah

232, 112

-46, -321

324,2

4

Telunjuk

328, 116

50, -317

320,9

5

Ibu Jari

429, 259

151, -174

230,3

Referensi

278, 433

0, 0

Kelingking –

15,2

Manis Manis –

7,7

Tengah Tengah –

17,1

Telunjuk Telunjuk – Ibu jari Ibu Jari – Kelingking

32,0 72,1

Tabel 3. Rasio panjang vektor jari ketika menutup Rasio Panjang Vektor Jari

Variasi 1

Variasi 2

Variasi 3

Variasi 4

RataRata

I

Kelingking

0,43

0,39

0,51

0,36

0,42

II

Manis

0,39

0,32

0,49

0,34

0,39

III

Tengah

0,38

0,34

0,38

0,32

0,35

IV

Telunjuk

0,41

0,37

0,44

0,38

0,40

V

Ibu jari

0,51

0,68

0,52

0,75

0,62

persenv [ i ] > 80 % persenv [ i ] > 60 % dan < 80 % persenv [ i ] > 40 % dan < 60 % persenv [ i ] > 15 % dan < 40 % persenv [ i ] < 15 % atau > 100 %

= 100 % = 75 % = 75 % = 75 % =0%

(2)

C. Pengujian Sistem 1. Pengujian Deteksi Posisi Tangan dan Jari Pengujian yang dilakukan terdiri dari dua tahapan, yaitu pengujian citra terotasi dan pengujian citra bergerak. 1) Pengujian Citra Terotasi Pengujian citra terotasi dilakukan untuk mengetahui konsistensi pengukuran program pada sebuah citra yang sama namun pada posisi yang berbeda – beda. Secara berurutan, Gambar 9 dan Gambar 10 menunjukan grafik hasil pengukuran untuk sudut antar jari dan vektor jari salah satu sampel gesture citra. Berdasarkan grafik yang ditunjukan pada Gambar 9 dan Gambar 10 dapat diketahui bahwa besar sudut dan panjang vektor jari pada berbagai variasi posisi rotasi tidak mengalami perubahan yang besar. Hal itu ditunjukan dengan ratanya komponen grafik batang pada kelompok data untuk sudut antar vektor jari dan panjang vektor. Selain itu, hal ini juga ditunjukan dengan nilai standar deviasi data yang sangat rendah, seperti yang ditunjukan pada Tabel 4. Dari tabel tersebut diketahui bahwa simpangan data hasil pengukuran sudut antar vektor jari dan panjang vektor jari rata – rata berturut – turut sebesar 0,22° dan 0,51. Angka tersebut menunjukan bahwa program mampu memberikan hasil perhitungan yang cukup konsisten walaupun citra mengalami perubahan posisi. 2) Pengujian Citra Bergerak Tujuan utama pengujian citra bergerak adalah untuk mengetahui batasan kemampuan program dalam mendeteksi ujung jari pada saat jari dan tangan bergerak. Kesalahan pada pengujian ini didefinisikan sebagai jumlah kegagalan program dalam mengidentifikasi masing – masing penanda jari. Hasil pengujian ini secara keseluruhan ditampilkan pada Tabel 5, Tabel 6, dan Tabel 7. Dari Tabel 5, Tabel 6, dan Tabel 7, dapat diketahui bahwa persentase keberhasilan berdasarkan data variasi sangat fluktuatif. Hal itu disebabkan oleh perbedaan jumlah frame dan perbedaan durasi pergerakan jari yang dilakukan di dalam

sampel data video tersebut. Akan tetapi, terdapat pola yang jelas pada kolom rerata persentase kebenaran, dimana rerata kebenaran data bagian 1, bagian 2, dan bagian 3 cenderung menurun. Hal ini terjadi karena pada data bagian 2 dan bagian 3, gesture dan pergerakan jari dan tangan yang dilakukan lebih kompleks dibandingkan dengan data bagian 1.

Berdasarkan hasil pengujian, dapat disimpulkan kesalahan program dalam mengidentifikasi penanda ujung jari disebabkan oleh beberapa hal yaitu : 1. 2. 3.

Perubahan level warna penanda jari karena pengaruh pencahayaan. Tersembunyinya penanda jari. Pergerakan jari yang terlalu cepat.

Pengujian ini dilakukan kembali dengan data variasi 5 – 10 dengan 3 user yang berbeda. Hasil dari pengujian tersebut ditampilkan pada Tabel 8.

Besar Sudut

90 80 70 60 50 40 30 20 10 0

0 derajat 30 derajat

Tabel 5 Hasil pengujian citra bergerak data bagian 1

90 derajat 120 derajat 180 derajat

Sudut Antar Vektor

Gbr. 9 Grafik besar sudut antar vektor jari sampel citra

Data Bagian 1 Data Variasi

Jumlah Frame Salah

Persentase Keberhasilan (%)

1

581

162

72.1

2

998

147

85.2

3

639

11

98.2

4 Rerata

514

63

87.7

683

95.75

85.8

300

Tabel 6 Hasil pengujian citra bergerak data bagian 2

250 Panjang Vektor

Jumlah Frame

200

0 derajat

150

30 derajat 90 derajat

100

Data Bagian 2 Data Variasi

120 derajat

50

180 derajat

0

Vektor Jari

Gbr. 10 Grafik panjang vektor jari sampel citra Tabel 4. Standar deviasi rata – rata data pengujian citra terotasi Rata - rata standar deviasi Parameter Uji

Sudut antar vektor jari

Panjang vektor jari

Gesture tangan 1

0,06

0,63

Gesture tangan 2

0,32

0,62

Gesture tangan 3

0,23

0,35

Gesture tangan 4

0,43

0,60

Gesture tangan 5

0,18

0,57

Rata - rata

0,24

0,56

Jumlah Frame

Jumlah Frame Salah

Persentase Keberhasilan (%)

1

904

239

73.5

2

1891

392

79.2

3

1116

248

77.7

4 Rerata

1723

228

86.

1408.5

276.75

79.3

Tabel 7 Hasil pengujian citra bergerak data bagian 3 Data Bagian 3 Data Variasi

Jumlah Frame

1

231

2 3 4 Rerata

Jumlah Frame Salah

Persentase Keberhasilan (%)

79

65.8

478

35

92.6

457

215

52.9

252

81

67.8

354.5

102.5

69.8

Tabel 8 Persentase jumlah frame benar pengujian citra bergerak berdasarkan data user. Jumlah Frame Benar (%) Data 1

Data Data 2

Data 3

User 1

98,3

85,0

97,1

93,5

User 2

99,0

89,5

89,4

92,7

User 3 Rata rata

99,8

98,0

94,4

97,4

93,6

94,5

User

99,1

90,9

Rata Rata

80.00

2,1

78.00 Jarak Dekat ( 50 cm ) Jarak Jauh ( 1 m )

Gbr. 11 Grafik persentase keberhasilan program mengidentifikasi keadaan posisi jari

Data User 2

Jarak Dekat Jarak Jauh

3,8

7,7

16,2

9,2

3,7

14,3

18,1

10,9

Pencahayaan Sedang

Jarak Dekat Jarak Jauh

10,0

8,7

18,7

12,5

11,2

9,3

18,1

12,9

Jarak Dekat Jarak Jauh

16,8

11,5

20,0

16,1

Pencahayaan Rendah

14,5

12,1

22,7

16,4

5

Pencahayaan Tinggi

6 7 8 9 10

3

Rata Rata

1

Jarak

Pencahayaan Tinggi Pencahayaan Sedang Pencahayaan Rendah

82.00

Kesalahan Identifikasi ( % )

Pencahayaan

88.00

84.00

Tabel 9. Data persentase kesalahan pengujian identifikasi keadaan posisi jari

No

90.00

86.00

Standar Deviasi

2. Pengujian Identifikasi Keadaan Posisi Jari Pengujian identifikasi keadaan posisi jari bertujuan untuk mengetahui akurasi persentase bukaan jari hasil perhitungan program secara kualitatif. Hasil pengujian ditunjukan pada Tabel 9. Secara umum, kesalahan – kesalahan yang terjadi pada pengujian identifikasi keadaan posisi jari ini disebabkan oleh pergerakan jari yang terlalu cepat yang mengakibatkan adanya efek motion blur pada citra dan pergeseran titik referensi karena adanya noise atau kesalahan pengambangan. Namun, selain itu terdapat 2 bentuk kesalahan lain yang berkaitan dengan keterbatasan algoritma program, yaitu kesalahan perhitungan rasio vektor jari karena perubahan jarak antara tangan dan kamera, dan kesalahan perhitungan rasio sudut ibu jari dan kelingking karena pergeseran jari kelingking yang menjorok mendekati posisi ibu jari.

Variasi

92.00

Secara keseluruhan, keberhasilan program dalam mengidentifikasi keadaan posisi jari ditampilkan pada Gambar 11. Dari data pada grafik tersebut, dapat diketahui bahwa rerata keberhasilan program mengidentifikasi keadaan posisi jari adalah sebesar 86,76 %.

V. KESIMPULAN DAN SARAN A. Kesimpulan Sebuah penelitian tentang perancangan sistem pengolahan citra untuk identifikasi pola posisi jari dan tangan telah dilakukan. Berdasarkan hasil pengujian sistem diperoleh beberapa informasi berkaitan dengan performa perangkat lunak, yaitu : 1. Algoritma perangkat lunak untuk mengidentifikasi posisi jari dan tangan adalah segmentasi citra, penentuan fitur jari dan tangan, dan penerjemahan keadaan posisi jari. 2. Konsistensi perangkat lunak dalam melakukan pengukuran panjang vektor jari dan sudut antar vektor jari sudah baik. Hal itu ditunjukan dengan besar simpangan data pengukuran panjang vektor sebesar 0,50 pixel, dan sudut antar vektor sebesar 0,25°. 3. Berdasarkan hasil pengujian, perangkat lunak mampu mendeteksi posisi jari dan tangan denga persentase keberhasilan rata - rata sebesar 94,5%. Tingkat keberhasilan maksimal diperoleh ketika jarak tangan dan kamera sebesar 50 cm dan kuat pencahayaan tinggi. 4. Perangkat lunak mampu menunujukan performa maksimal dengan tingkat keberhasilan identifikasi keadaan posisi jari sebesar 90,7% ketika kuat pencahayaan ruang tinggi ( >100 lux) dan jarak antara kamera dan tangan sebesar 50 cm. 5. Rata - rata keberhasilan sistem secara keseluruhan dalam merepresentasikan keadaan posisi jari sebesar 86,7%. Jika dibandingkan dengan sistem yang telah dikembangkan sebelumnya, masih perlu adanya perbaikan lebih lanjutuntuk memperoleh performa sistem yang lebih baik. B. Saran 1. Pada penelitian berikutnya perlu diterapkan algoritma predictor / estimator seperti algoritma Kalman Filter untuk meminimalkan kesalahan perangkat lunak dalam merepresentasikan keadaan posisi jari karena keterbatasan algoritma sistem dalam mendeteksi posisi jari. 2. Metode deteksi ujung jari pada penelitian berikutnya dapat dilakukan tanpa menggunakan penanda warna. Hal ini dikarenakan penanda warna sangat sensitif terhadap pencahayaan dan pergerakan gesture tangan yang kompleks. Metode yang digunakan penelitian berikutnya

3.

4.

dapat menggunakan analisis kecembungan (convexity hull dan convexity defect) kontur pada citra biner tangan hasil pengambangan warna kulit. Dapat digunakan tipe kamera lain atau metode lain dalam memperoleh citra tangan, misalnya menggunakan kamera infrared atau multiple camera. Hal ini diperlukan untuk meningkatkan kemampuan sistem dalam mengenali gesture jari dan tangan yang lebih kompleks, misalnya representasi dalam ruang 3D. Pengujian sistem identifikasi pola posisi jari ini dapat langsung diterapkan pada sebuah instrumen tangan robot yang sebenarnya. Sehingga performa sistem tersebut dapat benar – benar diketahui dan pengembangan sistem berikutnya dapat lebih terarah. REFERENSI

[1]

[2]

[3]

[4]

[5]

[6] [7]

[8]

[9]

[10]

[11]

[12] [13] [14] [15] [16] [17]

[18]

Saad Hafiane, Yasir Salih, dan Aamir S. Malik, 3D Hand Recognition for Telerobotics Centre for Intelligent Signal and Imaging Research , Universiti Teknologi PETRONAS 31750 Tronoh, Perak, Malaysia, 2013. Wenzhen Yuan, A Novel Hand-Gesture Recognition Method Based On Finger State Projection For Control Of Robotic Hands, Dept. of Mechanical Engineering, Tsinghua University, China, 2010. John Weissmann dan Ralf Salomon, Gesture recognition for virtual reality applications using data gloves and neural networks, Department of Computer Science, University of Zurich, Sweden, 1999. Ashwini Shivatare, Poonam wagh, dan Prof. Mrs. Vidya Kurtadikar , Hand Gesture Recognition System for Image Process (IP) Gaming, Department of Computer Engineering, MMCOE, 2013. Ankit Chaudhary , Jagdish L. Raheja , dan Shekhar Raheja, Vision based Geometrical Method to find Fingers Positions in Real Time Hand Gesture Recognition, JOURNAL OF SOFTWARE, VOL. 7, NO. 4, APRIL 2012. Affan Mahtarami dan Moch. Hariadi, Tracking Ujung Jari Tangan pada Sekuen Video Untuk Pengenalan Gesture, KNSI 2010. Li, J., Su, W., Zhang, Y. dan Guo, W., Vision-based grasp planning system for dexterous hands. Proc. of the Int.Conf. on Intellligent Manipulation and Grasping, 2004. Leonardo M.Pedro dan Adilson Gonzaga, Hand Gesture Recognition for Robot Hand Teleoperation, ABCM Symposium Series in Mechatronics Vol. 5, 2012. Esteban Pe˜na Pitarch , Virtual Human Hand: Grasping Strategy and Simulation, Academic Dissertation for the Degree of PhD, Universitat Polit`ecnica de Catalunya (UPC), 2007. Affan Mahtarami dan Moch. Hariadi , Tracking Gerak Tangan Berbasis Pyramidal Lucas-Kanade, Jurusan Teknik Elektro, Fakultas Teknologi Industri, ITS Sukolilo, Surabaya, 2010. Chris Solomon dan Toby Breckon, Fundamentals of Digital Image Processing - a Practical Approach with Examples in Matlab, Wiley Blackwell, United Kingdom, 2011. Rafael C. Gonzalez dan Richard E. Woods, Digital Image Processing, Prentice Hall, United State of America, 2002. Gary Bradski dan Adrian Kaehler, Learning OpenCV, O’Reilly Media Inc., United States of America, 2008. Ian T. Young, Jan J. Gerbrands, dan Lucas J. van Villet, Fundamentals of Image Processing, Delft University of Technology, Netherland, 2007. Darma Putra, Pengolahan Citra Digital, Penerbit Andi, YogyakartaIndonesia, 2010. Rinaldi Munir, Pengolahan Citra Digital dengan Pendetakan Algoritmik, Informatika Bandung, Bandung, 2004. Raymond A.Serway dan John W. Jewett, Physics for Scientists and Engineers with Modern Physics 9th edition, BROOKS/COLE CENGAGE Learning,United States of America, 2014. Howard Anton dan Chris Rorres, Aljabar Linear Elementer Edisi Kedelapan, Penerbit Erlangga, Jakarta, 2004

[19] Aditya muhtadi, Sensor Visual Untuk Mendeteksi Keberadaan Seorang Perokok Di Dalam Ruangan, hal 19,Skripsi Jurusan Teknik Fisika, UGM, 2013. [20] OpenCV 2.4.8 Documentation, http:// docs. opencv.org, diakses 25-022014 Pukul 12.00 WIB. [21] http://en.wikipedia.org/wiki/Image_moment, diakses 25-02-2014 Pukul 11.00 WIB. [22] H.C van Assen, M.Egmout-Petersendan J.H.C.Reiber,Accurate object localization in gray level images using the center of gravity measure; accuracy versus precision, Division of Image Processing (LKEB), Department of Radiology, Leiden University Medical Center, Netherland, 2002.