Rancang bangun sistem kontrol gestur tubuh pada robot humanoid menggunakan Deep Learning dengan metode Convolutional Neural Network

Fadhillah, Thaariq Akmal (2025) Rancang bangun sistem kontrol gestur tubuh pada robot humanoid menggunakan Deep Learning dengan metode Convolutional Neural Network. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (293kB) | Preview
Preview	Text 2_abstrak.pdf Download (118kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (337kB) | Preview
Preview	Text 4_daftarisi.pdf Download (106kB) | Preview
Preview	Text 5_bab1.pdf Download (115kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (7MB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (12MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (88kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (134kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Interaksi antara manusia dan mesin terus berkembang, salah satunya melalui pe- ngenalan gestur tubuh sebagai bentuk komunikasi non-verbal. Gestur memiliki po- tensi besar dalam aplikasi seperti kendali perangkat, sistem asistif, hingga interaksi dengan robot. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pengenalan gestur tubuh secara langsung menggunakan metode Convolutio- nal Neural Network (CNN) berbasis citra landmark hasil visualisasi dari Media- Pipe Holistic. Titik-titik landmark tubuh, tangan, dan wajah divisualisasikan pada latar belakang hitam untuk menghasilkan citra gestur yang kontras dan seragam, ke- mudian digunakan sebagai dataset pelatihan model CNN. Sistem dibangun secara menyeluruh, mulai dari akuisisi data hingga pengiriman hasil klasifikasi ke robot humanoid melalui komunikasi serial Bluetooth dengan mikrokontroler Arduino. Model CNN yang dikembangkan menunjukkan akurasi pelatihan sebesar 99,56% dan akurasi validasi sebesar 97,94%, dengan nilai loss masing-masing 0,0187 dan 0,0630. Pengujian secara langsung menunjukkan akurasi sebesar 98,53% untuk data dalam dataset dan 94,00% untuk data di luar dataset, yang membuktikan ke- mampuan generalisasi model. Robot berhasil merespons gestur tubuh dengan ge- rakan fisik yang sesuai, seperti berjalan atau mengangkat tangan. Hasil penelitian menunjukkan bahwa pendekatan ini layak diimplementasikan dan berpotensi di- kembangkan lebih lanjut dalam sistem interaksi manusia dan robot yang adaptif.

Actions (login required)

View Item