ABSTRAKSI: Pada beberapa tahun ini deteksi gerakan tangan manusia menjadi topik yang menarik untuk diteliti, banyak manfaat yang bisa didapat dari topik ini salah satunya digunakan sebagai interaksi manusia dan komputer agar menjadi lebih natural. Untuk mendeteksi gerakan tangan diperlukan sistem yang dapat mengatasai masalah waktu dan akurasi dalam mengenali sebuah gerakan dan postur tangan yang mempunyai banyak bentuk. Oleh karena itu dibutuhkan metode yang sesuai untuk permasalahan tersebut.
Pada tugas akhir ini akan diimplementasikan metode hidden markov model dan support vector machine untuk gerakan tangan. Inputan berupa video yang diambil menggunakan webcam, gambar akan diambil pada waktu tertentu, gambar akan disegmentasi berdasarkan warna sarung tangan yang berwarna hijau kemudian hasil segmentasi diekstraksi ciri menggunakan grid region calculation, ciri ini nantinya akan diklasifikasikan sebagai postur tangan tertentu menggunakan SVM, kemudian dari serangkaian gambar yang diambil akan dikenali sebagai gerakan tertentu menggunakan HMM. Sistem yang dibangun dapat mengenali 9 jenis gerakan yang dilakukan pada saat pengujian menggunakan 270 video dengan akurasi 83.33%. Model SVM menggunakan kernel RBF dengan nilai C = 21.25 dan �� = 21 dan model HMM menggunakan parallel-left-right dengan jumlah hidden state sebanyak 3.
Kata Kunci : deteksi tangan, HMM-SVM, SVM, HMM, deteksi gerakan, HMM, SVM, pengenalan gerakanABSTRACT: In recent years, hand motion recognition has been widely researched throughout the world, this topic have so many benefits. One of them is to provide natural human and computer interaction. Robust system is needed to predict hand movement and hand posture which has many form accurately. Therefore, it needs an appropriate method for this problem.
In this final project, hidden markov model and support vector machine are implemented to recognize hand motion. In specific time interval, an image is taken from a movement using webcam to form a sequence of images. Then, those images are segemented based on green gloves. The important features of the segmented images are extracted from the result. Then, the features are used for hand recognition with SVM classification. After the sequential images are classified into postures by SVM, they are classified by HMM into specific motion type. This system can recognize 9 types of hand motion that have been tested with 270 video with 83.33% accuracy. SVM model use kernel RBF with C = 21.25 and �� = 21, at the same time HMM model uses parallel-left-right with 3 hidden states.
Keyword: motion detection, motion recognition, hand detection, HMM, SVM, SVM-HMM, HMM, SVM, motion recognition, hand gesture