,
TUGAS AKHIR (609502A)
KLASIFIKASI GERAKAN PADA SARUNG TANGAN
PENERJEMAH BAHASA ISYARAT DENGAN MENGGUNAKAN
METODE NEURAL NETWORK
MUHAMMAD ARIFAN LIZAMANIHI
NRP. 0915040060
DOSEN PEMBIMBING Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., MT.
II MUNADHIF, S.ST., MT.
PROGRAM STUDI TEKNIK OTOMASI
JURUSAN TEKNIK KELISTRIKAN KAPAL
POLITEKNIK PERKAPALAN NEGERI SURABAYA
SURABAYA
2019
i
TUGAS AKHIR (609502A)
KLASIFIKASI GERAKAN PADA SARUNG TANGAN PENERJEMAH BAHASA ISYARAT DENGAN MENGGUNAKAN METODE NEURAL NETWORK
MUHAMMAD ARIFAN LIZAMANIHI NRP. 0915040060
DOSEN PEMBIMBING: Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., MT. II MUNADHIF, S.ST., MT.
PROGRAM STUDI TEKNIK OTOMASI JURUSAN TEKNIK KELISTRIKAN KAPAL POLITEKNIK PERKAPALAN NEGERI SURABAYA SURABAYA 2019
ii
Halaman ini sengaja dikosongkan
iii
iv
Halaman ini sengaja dikosongkan
v
vi
Halaman ini sengaja dikosongkan
vii
KATA PENGANTAR
Alhamdulillahirobbil‘alaamiin, puji syukur kehadirat Allah SWT.
Sesungguhnya tiada daya dan upaya kecuali atas pertolongan-Mu ya Rabb.
Sholawat dan salam selalu tercurah kepada baginda Muhammad SAW yang telah
mengajarkan akhlak yang mulia, sehingga pada saat ini penulis dapat
menyelesaikan tugas akhir yang menjadi salah satu syarat mutlak untuk
menyelesaikan program studi Teknik Otomasi jenjang Diploma-4 Politeknik
Perkapalan Negeri Surabaya.
Dengan segala kerendahan hati, penulis menyadari bahwa dalam
menyelesaikan tugas akhir ini tidak lepas dari peran berbagai pihak yang telah
memberikan bantuan baik dari segi materi maupun moral, motivasi, serta semangat
yang tiada hentinya. Dalam kesempatan ini penulis ingin mengucapkan terima kasih
yang tak terhingga, khususnya kepada:
1. Segenap keluarga yang selalu senantiasa berkenan dalam memotivasi dan
mendoakan segala kelancaran dalam menjalani kehidupan kampus selama
empat tahun ini.
2. Bapak Ir. Eko Julianto, M.Sc., FRINA selaku Direktur Politeknik
Perkapalan Negeri Surabaya.
3. Bapak Mohammad Basuki Rahmad, ST., MT. selaku Ketua Jurusan Teknik
Kelistrikan Kapal PPNS yang telah mengarahkan dan membantu penulis
untuk segera menyelesaikan jenjang pendidikan D4 di Teknik Otomasi
PPNS
4. Bapak Dr. Eng. Mohammad Abu Jami’in, S.T., MT. selaku Dosen
Pembimbing I atas segala ilmu yang telah ditularkan, pembinaan, serta
motivasi yang tiada henti selama penyusunan Tugas Akhir ini.
5. Bapak Ii Munadhif, S.ST., MT. selaku Dosen Pembimbing II atas segala
ilmu yang telah ditularkan, pembinaan, serta motivasi yang tiada henti
selama penyusunan Tugas Akhir ini.
6. Seluruh Staff, Dosen, dan Karyawan Politeknik Perkapalan Negeri
Surabaya.
viii
7. Seluruh Dosen Jurusan Teknik Kelistrikan Kapal PPNS yang telah
memberikan ilmu dan bimbingannya selama penulis melaksanakan studi.
8. Seluruh Keluarga Mahasiswa Politeknik Perkapalan Negeri Surabaya yang
telah berkenan berbagai kisah selama empat tahun ini.
9. Rekan-rekan Kabinet Garda Bahari yang telah menjadi ruang pelepas tawa
dan segala curhatan.
10. Rekan-rekan Keluarga Teknik Otomasi 2015, beserta semua sub-group di
dalamnya, yang telah menjadi teman sekaligus pengusik rasa letih dan bosan
selama perkuliahan.
Penulis menyadari tugas akhir ini masih banyak kekurangan, oleh karena
itu kritik dan saran sangat diharapkan demi kesempurnaan tugas akhir ini. Penyusun
berharap semoga tugas akhir ini dapat bermanfaat bagi semua pihak.
Akhir kata, penulis mengucapkan banyak terimakasih kepada semua pihak
yang telah banyak membantu, semoga Allah SWT selalu melimpahkan rahmat pada
kita semua. Aamiin.
Penulis,
Muhammad Arifan Lizamanihi
ix
KLASIFIKASI GERAKAN PADA SARUNG TANGAN
PENERJEMAH BAHASA ISYARAT DENGAN
MENGGUNAKAN METODE NEURAL NETWORK
Muhammad Arifan Lizamanihi
ABSTRAK
Bahasa Isyarat Indonesia (BISINDO) adalah sistem bahasa yang
dikembangkan langsung oleh para penyandang tunarungu atau tunawicara.
Meskipun telah ditemukan bahasa isyarat bagi penyandang tunarungu dan
tunawicara, bahasa isyarat masih memiliki kekurangan ketika digunakan
kepada orang yang belum pernah belajar bahasa isyarat sebelumnya. Untuk
menjawab permasalahan tersebut, maka dilakukan penelitian untuk
mengembangkan sebuah perangkat berupa sarung tangan yang mampu
menerjemahkan bahasa isyarat dengan keluaran berupa suara pada perangkat
berbasis Android. Perangkat yang dimaksud adalah berupa sarung tangan yang
menggunakan sepuluh buah sensor flex dan dua buah sensor GY 521. Setelah
mendapatkan data, data sensor kemudian di-traning dan diklasifikasikan
menggunakan metode neural network. Hasil klasifikasi akan dikirim menuju
aplikasi berbasis Android dengan keluaran suara dari perangkat. Hasil
klasifikasi dengan menggunakan metode neural network memiliki beberapa
variasi hasil. Dari 20 kata percobaan, neural network hanya mampu
mengklasifikasikan tiga kata secara sempurna, yakni kata “saya”, “bertemu”
dan “indah”. Selain tiga kata tersebut, masing-masing kata mendapatkan
persentase keberhasilan yang bervariasi. Hasil terendah didapatkan ketika
melakukan pengujian terhadap kata “ibu’ dan kata “kakak”. Kata “ibu” dan kata
“kakak” sama-sama mendapatkan persentase keberhasilan sebesar 20 % dengan
tingkat error sebesar 80 %. Proses klasifikasi membutuhkan juga membutuhkan
delay sebesar 0,7 s untuk mengirimkan data hasil klasifikasi.
Kata kunci: BISINDO, sarung Tangan, sensor flex, sensor GY521, neural
network
x
Halaman ini sengaja dikosongkan
xi
GESTURE CLASSIFICATION ON SIGN LANGUAGE
TRANSLATOR GLOVES USING THE NEURAL NETWORK
METHOD.
Muhammad Arifan Lizamanihi
ABSTRACT
Indonesian Sign Language (BISINDO) is language system developed directly
by persons with hearing impairment or speech impairment. Although sign language
has been found for people who are deaf, sign language still has disadvantages when
it is used for people who have never learned sign language before. To answer this
problem, study was conducted to develop device in the form of gloves that can
translate sign language with sound output on Android-based device. The device in
question is a glove that uses ten flex sensors and two GY 521 sensors. After getting
the data, the sensor data is then traned and classified using the Neural Network
Method. Classification results will be sent to an Android-based application with
voice output from the device. The classification results using the Neural Network
method have several variations of results. Of the 20 experimental words, Neural
Network is only able to classify three words perfectly, namely the words "I", "meet"
and "beautiful". In addition to these three words, each word gets a varying
percentage of success. The lowest results are obtained when testing the words
"mother" and the word "sister". The word "mother" and the word "sister" both get
a percentage of success of 20% with an error rate of 80%. The classification
process also requires a delay of 0.7 s to send the classification data.
Keywords: BISINDO, gloves, flex sensor, GY521 sensor, neural network
xii
Halaman ini sengaja dikosongkan
xiii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
HALAMAN PENGESAHAN ................................................................................ iii
PERNYATAAN BEBAS PLAGIAT ...................................................................... v
KATA PENGANTAR .......................................................................................... vii
ABSTRAK ............................................................................................................. ix
ABSTRACT ............................................................................................................. xi
DAFTAR ISI ........................................................................................................ xiii
DAFTAR GAMBAR .......................................................................................... xvii
DAFTAR TABEL ................................................................................................ xxi
BAB 1 PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 3
1.3 Tujuan ...................................................................................................... 3
1.4 Manfaat .................................................................................................... 3
1.5 Batasan Masalah ...................................................................................... 3
BAB 2 TINJAUAN PUSTAKA ............................................................................. 5
2.1 Penelitian Sebelumnya ............................................................................ 5
2.2 Metode yang Digunakan .......................................................................... 6
2.2.1 Jaringan Saraf Buatan (Neural Network) .......................................... 6
2.3 Software yang Digunakan ........................................................................ 8
2.3.1 Arduino IDE ...................................................................................... 8
2.3.2 Android Studio ................................................................................... 8
2.3.3 Matlab ................................................................................................ 9
2.4 Sensor dan Aktuator .............................................................................. 10
xiv
2.4.1 Sensor MPU6050 Modul GY-521 .................................................... 10
2.4.2 Sensor Flex ....................................................................................... 11
2.5 Kontroler ................................................................................................ 12
2.5.1 Arduino Nano ................................................................................... 12
2.5.2 Arduino Mega2560 .......................................................................... 13
2.6 Komponen Komunikasi ......................................................................... 14
2.6.1 Modul Transceiver NRF24L01 ........................................................ 14
2.6.2 Modul Buetooth HC-05 .................................................................... 14
BAB 3 METODOLOGI PENELITIAN ................................................................ 17
3.1 Studi Literatur ........................................................................................ 18
3.2 Analisis Kebutuhan Sistem .................................................................... 18
3.3 Perancangan Sistem ............................................................................... 19
3.3.1 Diagram Blok Sistem ....................................................................... 19
3.3.2 Flowchart Sistem ............................................................................. 22
3.4 Perancangan Mekanik ............................................................................ 23
3.5 Perancangan Hardware .......................................................................... 25
3.6 Perancangan Software ............................................................................ 27
3.7 Pengambilan Data Sampel ..................................................................... 28
3.8 Neural Network ...................................................................................... 34
3.8.1 Arsitektur Neural Network................................................................ 34
3.8.2 Training Neural Network .................................................................. 35
BAB 4 HASIL DAN PEMBAHASAN ................................................................. 37
4.1 PERCOBAAN HARDWARE ................................................................. 37
4.1.1 Percobaan Sensor GY 521 .............................................................. 37
4.2 REALISASI HARDWARE ................................................................... 40
4.3 TRAINING DATA ............................................................................... 41
xv
4.3.1 Persiapan Data Sampel .................................................................. 41
4.3.2 Persiapan Matriks Output .............................................................. 41
4.3.2 Training Neural Network ............................................................... 42
4.4 PENGUJIAN ....................................................................................... 44
BAB 5 KESIMPULAN DAN SARAN................................................................. 57
5.1 Kesimpulan .......................................................................................... 57
5.2 Saran .................................................................................................... 57
DAFTAR PUSTAKA ........................................................................................... 59
LAMPIRAN 1 ....................................................................................................... 61
LAMPIRAN 2 ....................................................................................................... 63
LAMPIRAN 3 ....................................................................................................... 65
LAMPIRAN 4 ....................................................................................................... 67
LAMPIRAN 5 ....................................................................................................... 69
LAMPIRAN 6 ....................................................................................................... 71
LAMPIRAN 7 ....................................................................................................... 73
LAMPIRAN 8 ....................................................................................................... 75
LAMPIRAN 9 ....................................................................................................... 77
LAMPIRAN 10 ..................................................................................................... 79
LAMPIRAN 11 ..................................................................................................... 81
LAMPIRAN 12 ..................................................................................................... 83
LAMPIRAN 13 ..................................................................................................... 85
LAMPIRAN 14 ..................................................................................................... 87
LAMPIRAN 15 ..................................................................................................... 89
LAMPIRAN 16 ..................................................................................................... 91
LAMPIRAN 17 ..................................................................................................... 93
LAMPIRAN 18 ..................................................................................................... 95
xvi
LAMPIRAN 19 ..................................................................................................... 97
LAMPIRAN 20 ..................................................................................................... 99
xvii
DAFTAR GAMBAR
Gambar 2.1 Arsitektur Neural Network ................................................................ 6
Gambar 2.2 Antarmuka Arduino IDE ................................................................... 8
Gambar 2.3 Antarmuka Android Studio ............................................................... 9
Gambar 2.4 Antarmuka Awal dari Matlab ............................................................ 9
Gambar 2.5 MPU6050 Modul GY-521 .............................................................. 11
Gambar 2.6 Sensor Flex ...................................................................................... 12
Gambar 2.7 Rangkaian Pembagi Tegangan ........................................................ 12
Gambar 2.8 Arduino Nano .................................................................................. 13
Gambar 2.9 Arduino Mega2560 ......................................................................... 13
Gambar 2.10 Modul Transceiver NRF24L01 ....................................................... 14
Gambar 2.11 Modul Bluetooth HC-05.................................................................. 15
Gambar 3.1 Alur Metodologi Penelitian ............................................................. 17
Gambar 3.2 Diagram Blok Sistem ...................................................................... 20
Gambar 3.3 Diagram Blok Sensor Flex .............................................................. 20
Gambar 3.4 Diagram Blok Sensor GY 521 ........................................................ 21
Gambar 3.5 Flowchart Sistem ............................................................................ 22
Gambar 3.6 Perancangan Mekanik Tampak Atas ............................................... 23
Gambar 3.7 Perancangan Mekanik Tampak Samping ........................................ 24
Gambar 3.8 Perancangan MekanikTampak Bawah ............................................ 24
Gambar 3.9 Perancangan Hardware ................................................................... 25
Gambar 3.10 Perancangan Wiring pada Sarung Tangan .................................... 26
Gambar 3.11 Perancangan Hardware pada Arduino Mega2560 HC-05 .............. 27
Gambar 3.12 Perancangan Hardware pada Arduino Mega2560 NRF24L01 ....... 27
Gambar 3.13 Aplikasi Berbasis Android .............................................................. 28
Gambar 3.14 Gerakan Isyarat Tangan Kata “Saya” ............................................. 29
xviii
Gambar 3.15 Gerakan Isyarat Tangan Kata “Kamu” ............................................ 29
Gambar 3.16 Gerakan Isyarat Tangan Kata “Bapak” ............................................ 29
Gambar 3.17 Gerakan Isyarat Tangan Kata “Ibu” ................................................ 29
Gambar3.18 Gerakan Isyarat Tangan Kata “Adik” ............................................... 30
Gambar 3.19 Gerakan Isyarat Tangan Kata “Kakak” ........................................... 30
Gambar 3.20 Gerakan Isyarat Tangan Kata “Makan” ........................................... 30
Gambar 3.21 Gerakan Isyarat Tangan Kata “Minum” .......................................... 30
Gambar 3.22 Gerakan Isyarat Tangan Kata “Tidur” ............................................. 31
Gambar 3.23 Gerakan Isyarat Tangan Kata “Coba” ............................................. 31
Gambar 3.24 Gerakan Isyarat Tangan Kata “Benar” ............................................ 31
Gambar 3.25 Gerakan Isyarat Tangan Kata “Bertemu” ........................................ 31
Gambar 3.26 Gerakan Isyarat Tangan Kata “Apa” ............................................... 32
Gambar 3.27 Gerakan Isyarat Tangan Kata “Maaf” ............................................. 32
Gambar 3.28 Gerakan Isyarat Tangan Kata “Hari Ini” ......................................... 32
Gambar 3.29 Gerakan Isyarat Tangan Kata “Nanti” ............................................. 32
Gambar 3.30 Gerakan Isyarat Tangan Kata “Telepon” ......................................... 33
Gambar 3.31 Gerakan Isyarat Tangan Kata “Halo” .............................................. 33
Gambar 3.32 Gerakan Isyarat Tangan Kata “Indah” ............................................. 33
Gambar 3.33 Gerakan Isyarat Tangan Kata “Sekarang” ....................................... 33
Gambar 3.34 Arsitektur Neural Network Gerakan Satu Tangan ........................... 34
Gambar 3.35 Arsitektur Neural Network Gerakan Dua Tangan ........................... 34
Gambar 4.1 Tampilan Lengkap Sarung Tangan .................................................... 40
Gambar 4.2 Tampilan Sensor Flex pada Sarung Tangan ...................................... 40
Gambar 4.3 Tampilan Sensor GY 521 pada Sarung Tangan ................................ 40
Gambar 4.4 Training Data Satu Tangan ........................................................................ 42
Gambar 4.5 Performa Neural Network Data Satu Tangan ............................................. 42
xix
Gambar 4.6 Training Data Dua Tangan .........................................................................43
Gambar 4.7 Performa Neural Network Data Dua Tangan ..............................................43
Gambar 4.8 Grafik Tingkat Keberhasilan Pengujian klasifikasi.......................................54
xx
Halaman ini sengaja dikosongkan
xxi
DAFTAR TABEL
Tabel 1.1 Tabel Daftar Bahasa Isyarat BISINDO ................................................... 4
Tabel 2.1 Spesifikasi MPU6050 GY-521 ............................................................. 10
Tabel 2.2 Spesifikasi Sensor Flex ......................................................................... 11
Tabel 2.3 Spesifikasi Arduino Nano ..................................................................... 12
Tabel 2.5 Spesifikasi Modul Tranceiver NRF24L01 ............................................ 14
Tabel 3.1 Tabel Kebutuhan Hardware Sistem ...................................................... 19
Tabel 4.1 Percobaan GY 521 Sudut 40° ............................................................... 37
Tabel 4.2 Percobaan GY 521 Sudut 40° (Lanjutan) ............................................. 38
Tabel 4.3 Percobaan GY 521 Sudut 60° ............................................................... 38
Tabel 4.4 Percobaan GY 521 Sudut 60° (Lanjutan) ............................................. 39
Tabel 4.5 Percobaan GY 521 Sudut 80° ............................................................... 39
Tabel 4.6 Tabel Matriks Output Klasifikasi .......................................................... 41
Tabel 4.7 Tabel Matrik Output Klasifikasi (Lanjutan) ......................................... 42
Tabel 4.8 Tabel Hasil Pengujian Kata “Saya” ...................................................... 44
Tabel 4.9 Tabel Hasil Pengujian Kata “Kamu” .................................................... 45
Tabel 4.10 Tabel Hasil Pengujian Kata “Bapak” .................................................. 45
Tabel 4.11 Tabel Hasil Pengujian Kata “Ibu” ....................................................... 46
Tabel 4.12 Tabel Hasil Pengujian Kata “Makan” ................................................. 46
Tabel 4.13 Tabel Hasil Pengujian Kata “Minum” ................................................ 47
Tabel 4.14 Tabel Hasil Pengujian Kata “Adik” .................................................... 47
Tabel 4.15 Tabel Hasil Pengujian Kata “Kakak”.................................................. 48
Tabel 4.16 Tabel Hasil Pengujian Kata “Tidur” .................................................. 48
Tabel 4.17 Tabel Hasil Pengujian Kata “Coba”.................................................... 49
Tabel 4.18 Tabel Hasil Pengujian Kata “Benar” .................................................. 49
Tabel 4.19 Tabel Hasil Pengujian Kata “Bertemu” .............................................. 50
xxii
Tabel 4.20 Tabel Hasil Pengujian Kata “Apa” ...................................................... 50
Tabel 4.21 Tabel Hasil Pengujian Kata “Maaf” .................................................... 51
Tabel 4.22 Tabel Hasil Pengujian Kata “Hari Ini” ................................................ 51
Tabel 4.23 Tabel Hasil Pengujian Kata “Nanti”.................................................... 52
Tabel 4.24 Tabel Hasil Pengujian Kata “Telepon” ............................................... 52
Tabel 4.25 Tabel Hasil Pengujian Kata “Halo” ..................................................... 53
Tabel 4.26 Tabel Hasil Pengujian Kata “Indah” ................................................... 53
Tabel 4.27 Tabel Hasil Pengujian Kata “Sekarang”.............................................. 54
Tabel 4.28 Tabel Hasil Pengujian Delay pada Program M-File............................ 55
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Bahasa merupakan sistem lambang bunyi berartikulasi yang bersifat
sewenang-wenang dan konvensional yang dipakai sebagai alat komunikasi
untuk melahirkan perasaan dan pikiran (Kamus Besar Bahasa Indonesia, 2008:
119). Pada dasarnya bahasa lahir dari keseharian dan budaya yang ada pada
suatu kelompok masyarakat. Semakin berkembangnya budaya masyarakat,
maka semakin berkembang pula bahasa yang mereka miliki. Fitriyanti dan
Rochmah (2013: 1) membagi secara umum komunikasi menjadi dua, yaitu
komunikasi verbal dan komunikasi nonverbal. Komunikasi verbal merupakan
proses komunikasi melalui bahasa dan kata-kata yang diucapkan. Sedangkan
komunikasi nonverbal ialah penyampaian arti (pesan) tanpa kata-kata yang
tercermin pada bahasa tubuh dan intonasi verbal. Contoh komunikasi
nonverbal ialah menggunakan gerak isyarat, bahasa tubuh, ekspresi wajah, dan
kontak mata.
Selayaknya komunikasi pada penjelasan di atas. Bahasa juga dibagi
menjadi dua, yakni bahasa verbal dan nonverbal. Bahasa verbal merupakan
jenis bahasa yang biasa kita ucapkan di kehidupan sehari-hari. Lain halnya
dengan bahasa nonverbal, bahasa ini biasanya digunakan oleh orang-orang
yang mengalami gangguan pada pendengaran mereka (tunarungu) dan orang-
orang yang mengalami gangguan pada kemampuan berbicara (tunawicara).
Orang-orang tunarungu dan tunawicara pada umumnya menggunakan bahasa
isyarat dalam berkomunikasi. Menurut Kamus Besar Bahasa Indonesia, bahasa
isyarat adalah bahasa yang menggunakan isyarat (gerakan tangan, kepala,
badan dan sebagainya), khusus diciptakan untuk tunarungu, tunawicara,
tunanetra, dan sebagainya. Salah satu bahasa isyarat yang digunakan di
Indonesia adalah bahasa isyarat Indonesia (BISINDO).
BISINDO merupakan salah satu bahasa isyarat yang banyak digunakan
di Indonesia. BISINDO merupakan bahasa isyarat asli yang diciptakan sendiri
oleh penyandang tunarungu. BISINDO dikembangkan berdasarkan budaya dan
2
karakter komunikasi tunarungu Indonesia(Nuryazid, 2016). Karena BISINDO
ini dikembangkan langsung oleh penyandang tunarungu atau tunawicara,
dengan demikian BISINDO ini cenderung lebih natural untuk digunakan oleh
penyandang tunarungu dan tunawicara.
Meskipun telah ditemukan bahasa isyarat bagi penyandang tunarungu
dan tunawicara untuk saling berkomunikasi dengan satu sama lain, tetapi
bahasa isyarat masih memiliki kekurangan ketika digunakan kepada orang
yang belum pernah menggunakan atau belajar bahasa iyarat sebelumnya,
khususnya bagi orang-orang yang dapat mendengar dan berbicara. Bagi orang-
orang yang dapat mendengar dan berbicara, belajar bahasa isyarat bukanlah
menjadi suatu keharusan, karena mereka cukup menggunakan bahasa sehari-
hari untuk berkomunikasi dengan satu sama lain. Namun, lain halnya ketika
orang-orang normal harus berkomunikasi dengan orang-orang tunarungu dan
tunawicara, orang-orang normal harus mengerti terlebih dahulu bahasa isyarat
yang mereka gunakan untuk dapat berkomunikasi dengan baik. Hal ini
tentunya menjadi penghalang bagi ketiganya, terutama dalam hal berbagi
informasi dan pengalaman.
Perkembangan teknologi yang pesat seharusnya dapat menunjang semua
aspek dalam kehidupan, tidak terkecuali permasalahan komunikasi antara
orang-orang normal dengan orang-orang tunarungu dan tunawicara, khususnya
lewat gawai berbasis teknologi yang sudah banyak digunakan oleh masyarakat.
Dengan adanya pengembangan sebuah perangkat dan piranti lunak yang
terintegrasi satu sama lain, nantinya penyandang tunarungu, penyandang
tunawicara dan orang-orang normal mampu berkomunikasi secara lancar guna
bertukar informasi atau sekedar berbagi pengalaman.
Dari permasalahan tersebut maka dilakukan penelitian terhadap
perangkat berupa sarung tangan berbasis mikrokontroler dengan menerapkan
metode Neural Network untuk mengklasifikasikan gerakan isyarat tangan pada
Bahasa Isyarat Indonesia (BISINDO).
3
1.2 Rumusan Masalah
Rumusan masalah pada penelitian ini antara lain:
1. Bagaimana kinerja metode Neural Network pada klasifikasi pola gerakan
pada sarung tangan penerjemah bahasa isyarat berbasis mikrokontroler ?
2. Bagaimana kinerja program M-File pada software Matlab yang digunakan
?
1.3 Tujuan
Tujuan dari penelitian ini antara lain:
1. Mengetahui kinerja metode Neural Network pada klasifikasi pola gerakan
pada sarung tangan penerjemah bahasa isyarat berbasis mikrokontroler
2. Mengetahui kinerja program M-File pada software Matlab yang digunakan.
1.4 Manfaat
Manfaat dari penelitian ini adalah:
1. Memberikan ruang komunikasi bagi para penyandang tunarungu dan
tunawicara kepada orang-orang normal.
2. Memberikan referensi terkait inovasi dalam bidang Teknik Otomasi,
khususnya dalam bidang sosial.
1.5 Batasan Masalah
Batasan masalah dalam penelitian ini antara lain:
1. Penelitian ini berfokus pada klasifikasi dengan menggunakan metone
Neural Network
2. Data yang diambil adalah data input analog keluaran sensor flex dan data
yaw, pitch, dan roll dari keluaran sensor GY 521
3. Produk dari penelitian ini bersifat prototype, sehingga peneliti masih
mengimplementasikan metode menggunakan bantuan personal computer
(laptop).
4. Bahasa Isyarat BISINDO yang akan digunakan sebagai objek penelitian
berjumlah 20 isyarat, dengan rincian :
4
Tabel 1.1 Tabel Daftar Bahasa Isyarat BISINDO
No Bahasa Isyarat No Bahasa Isyarat
1. Saya 11. Benar
2. Kamu 12. Bertemu
3. Bapak 13. Apa
4. Ibu 14. Maaf
5. Adik 15. Hari Ini
6. Kakak 16. Nanti
7. Makan 17. Telepon
8. Minum 18. Halo
9. Tidur 19. Indah
10. Coba 20. Sekarang
5
BAB 2
TINJAUAN PUSTAKA
Pada bab ini menjelaskan tentang tinjauan pustaka yang di gunakan untuk
mempermudah dalam menyelesaikan tugas akhir ini. Berisi penjelasan tentang
penelitian yang pernah dilakukan, metode yang digunakan, hardware dan software
yang digunakan. Penjelasan tentang tinjauan pustaka pada bab ini akan di jelaskan
secara berurutan.
2.1 Penelitian Sebelumnya
Sebenarnya perangkat sarung tangan penerjemah isyarat ini bukanlah hal
baru. Di beberapa negara maju dan berkembang penelitian tentang sarung
tangan bahasa isyarat ini sudah banyak dilakukan menggunakan bahasa isyarat
yang berkembang di daerah tersebut. Sebagai contoh pada tahun 2016 Abhijith
Bhaskaran K bersama ketiga rekannya dari Amrita University membuat sarung
tangan penerjemah Bahasa Isyarat India atau yang biasa disebut dengan Indian
Sign Language (ISL) menggunakan sensor flex dan IMU sensor. Penelitian ini
berhasil mengklasifikasikan empat kata ISL dengan menggunakan kontroler
berupa Rasberry Pi.
Penelitian yang lain dilakukan oleh José Emiliano López-Noriega di
Mexico. Penelitian ini menerjemahkan karakter huruf dalam bahasa isyarat
menggunakan metode neural network. Penelitian ini menggunakan 5DT Glove
yang biasa digunakan untuk membuat animasi motion graphic. Pada penelitian
ini, training neural network menggunakan tiga metode yang berbeda dengan
hasil yang berbeda-beda pula. Percobaan dilakukan dengan menulis kalimat
“Hello World” menggunakan sarung tangan penerjemah isyarat menggunakan
bantuan program antarmuka ada PC. Saat menggunakan Back propagation
trained network, sistem menghasilkan 1 error penulisan dan satu kali
backspace dan penulisan ulang serta membutuhkan waktu sebesar 26,3 detik.
Pada saat menggunakan Quick propagation trained network, sistem tidak
menghasilkan kesalahan sama sekali dan membutuhkan waktu sebesar 19,2
detik. Dan pada saat menggunakan Manhattan propagation trained network,
6
sistem menghasilkan tiga kesalahan penulisan dan beberapa backspace dan
penulisan ulang serta membutuhkan waktu sebesar 38,8 detik.
Di Indonesia sendiri, beberapa peneliti telah mengembangkan perangkat
ini. Salah satunya adalah Nehemia Sugianto yang juga seorang dosen Jurusan
Teknik Informatika Fakultas Industri Kreatif Universitas Ciputra. Beliau
bersama rekannya mengembangkan perangkat penerjemah bahasa isyarat
menggunakan sensor kinect dengan metode neural network. Penelitian ini
menghasilkan tingkat kesalahan sebesar 15 persen. Hal ini diakibatkan oleh
sistem tidak dapat mengenali beberapa huruf secara maksimal karena
kemiripan huruf tersebut dengan huruf yang lain.
2.2 Metode yang Digunakan
Dalam Tugas Akhir ini, peneliti menggunakan metode Path Planning
Algorithm untuk menemukan titik-titik lintasan pada gambar yang dianalisis.
Selain metode tersebut terdapat lagi beberapa metode penunjang yang
digunakan oleh peneliti agar hasil yang diraih sesuai dengan yang diharapkan.
Berikut ini dijelaskan uraian tenteng metode-metode yang digunakan oleh
peneliti.
2.2.1 Jaringan Saraf Buatan (Neural Network)
Neural network adalah model yang terinspirasi oleh bagaimana
neuron dalam otak manusia bekerja. Tiap neuron pada otak manusia
saling berhubungan dan informasi mengalir dari setiap neuron tersebut.
(Sena, 2017). Arsitertur Neural Network dapat dilihat pada Gambar 2.1
Gambar 2.1 Arsitektur Neural Network (Sena, 2017)
Aritektur seperti gambar di atas, biasanya disebut dengan Multi
Layer Perceptron (MLP). Pada Gambar 2.1 neural network terdiri atas
7
tiga buah neuron input dan satu buah node output. Diantara input dan
output terdapat dua buah hidden layer yamg masing-masing terdiri dari
empat buah neuron. Setiap neuron pada MLP saling berhubungan yang
ditandai dengan tanda panah pada gambar diatas. Tiap koneksi memiliki
weight yang nantinya nilai dari tiap weight akan berbeda-beda. Hidden
layer dan output layer memiliki tambahan “input” yang biasa disebut
dengan bias (Tidak disebutkan pada gambar diatas). Hasil dari operasi ini
akan dijadikan parameter dari activation function yang akan dijadikan
output dari neuron tersebut(Sena, 2017).
Activation function adalah suatu fungsi yang akan menentukan
apakah sebuah neuron aktif atau tidak. Untuk menentukannya, besar dari
weighted sum akan sangat mempengaruhinya. Setiap neuron pada Neural
Network pasti memiliki Activation function di akhir prosesnya, jadi
setelah nilai masukan dikalikan dengan bobot dan di tambahkan dengan
bias, barulah activation function dapat digunakan. Secara umum
activation function dibagi menjadi dua, yaitu linear activation function
dan non-linear activation function. Penggunaan dari activation function
ini tergantung dari jenis data atau jenis permasalahan yang sedang
dihadapi. Sebagai contoh activation function yang sering digunakan
dalam neural network, antara lain :
1. Sigmoid
𝑆(𝑥) =1
1−𝑒−𝑥 (2.1)
x = nilai weighted sum
2. Softmax
𝑓(𝑥) =𝑒𝑥𝑖
∑ 𝑒(𝑥𝑗)𝑗
(2.2)
x = nilai weighted sum
3. Tansig
𝑆(𝑥) =2
1+𝑒−2𝑥 − 1 (2.3)
x = nilai weighted sum
8
2.3 Software yang Digunakan
Pada tugas akhir ini peneliti menggunakan beberapa oftware antara lain:
2.3.1 Arduino IDE
Arduino IDE (Arduino Integrated Development Environment)
adalah sebuah piranti lunak yang dikembangkan secara langsung oleh
Arduino Software. Piranti ini digunakan untuk menulis program
terstruktur berbasis C atau C++ guna mengontrol perangkat Arduino.
Arduino IDE ini termasuk ke dalam piranti lunak open source yang dapat
diunduh secara gratis di internet. Antarmuka Arduino IDE dapat dilihat
pada Gambar 2.2.
Gambar 2.2 Antarmuka Arduino IDE (en.wikipedia.org, 2018)
Dalam penelitian ini, Arduino IDE digunakan untuk menulis
program pembacaan sensor, program komunikasi serial antara Arduino
Mega250 dan PC, dan program komunikasi antara Arduino Nano dan
Arduino Mega 2560, serta program komunikasi antara Arduino Mega
2560 dan juga perangkat android.
2.3.2 Android Studio
Android Studio adalah piranti lunak yang dikembangkan oleh
Google LLC, dimana dengan menggunakan Android studio kita dapat
mengembangkan, menguji, dan mempublikasikan hasil dari piranti lunak
android yang kita kembangkan. Secara umum, bahasa yang digunakan
dalam mengembangkan piranti lunak android adalah XML dan Java.
Namun, seiring berkembangnya jaman, saat ini Google telah
mengambangkan bahasa baru yang memang khusus digunakan untuk
mengembangkan piranti lunak android. Bahasa tersebut adalah Kotlin.
9
Secara umum, antarmuka dari aplikasi Android Studio dapat dilihat pada
Gambar 2.3.
Gambar 2.3 Antarmuka Android Studio (developer.android.com, n.d.)
Dalam penelitian ini, Android Studio digunakan untuk membuat
aplikasi berbasis Android yang nantinya akan berkomunikasi dengan
Arduino Mega 2560 lewat komunikasi bluetooth untuk mengeluarkan
output berupa suara dan text saat sarung tangan digunakan.
2.3.3 Matlab
Matlab (Matrix Laboratory) adalah Software yang dikembangkan
langsung untuk tujuan pengolahan data numerik dan komputasi ilmiah.
Dalam mengolah data dan melakukan komputasi Matlab menggunakan
bahasa pemrograman C, C++, dan Java. Di era modern ini penggunaan
Matlab ini menjadi bervariatif. Salah satunya penggunaan Matlab dalam
berbagai topik terkait Machine Learning. Di dalam Matlab terdapat
beberapa fungsi dan toolbox yang dapat memudahkan manusia dalam
melakukan komputasi berkaitan dengan Machine Learning ini. Salah satu
Antarmuka awal Matlab dapat dilihat pada Gambar 2.4.
Gambar 2.4 Antarmuka Awal dari Matlab
10
Dalam penelitian ini, Matlab digunakan sebagai IDE untuk menulis
program berkaitan dengan metode Neural Network, mulai dari training
sampel sampai pada tahap evaluasi program.
2.4 Sensor dan Aktuator
Dalam Tugas Akhir ini, peneliti menggunakan sensor dan aktuator antara
lain:
2.4.1 Sensor MPU6050 Modul GY521
MPU-6050 GY521 Module adalah sebuah modul berinti MPU-
6050 yang merupakan 6 axis Motion Processing Unit dengan
penambahan regulator tegangan dan beberapa komponen pelengkap
lainnya yang membuat modul ini siap dipakai dengan tegangan supply
sebesar 3-5VDC. Modul ini memiliki interface I2C yang dapat
disambungkan langsung ke MCU yang memiliki fasilitas I2C. Sensor
MPU-6050 berisi sebuah MEMS Accelerometer dan sebuah MEMS
Gyro yang saling terintegrasi. Sensor ini sangat akurat dengan fasilitas
hardware internal 16 bit ADC untuk setiap kanalnya. Sensor ini akan
menangkap nilai kanal axis X, Y dan Z bersamaan dalam satu
waktu(Indo-ware, n.d.). Spesifikasi dari modul GY521 dapat dilihat pada
table 2.1.
Tabel 2.1. Spesifikasi MPU6050 GY521 (InvenSense Inc., 2013).
Spesifikasi Keterangan
Measuring range -180°- 1°
Resolution 0.01°
Measurement accuracy 1
Repetability 1
Frequency respone 100 Hz (115200 bps)
Operating voltage 35 V
Working current 15mA
Operating temperature -20°-8°
Storage temperature -40°-1°
Size 11.5mm x 15.5mm
11
Dalam Tugas Akhir ini, penggunaan sensor MPU6050 Modul
GY521 digunakan untuk menentukan posisi dan gerakan tangan saat
berkomunikasi menggunakan bahasa isyarat. Tampilan dari sensor
MPU6050 Modul GY521 dapat dilihat pada Gambar 2.5.
Gambar 2.5 MPU6050 Modul GY521 (indo-ware.com, n.d)
2.4.2 Sensor Flex
Sebuah sensor flex sederhana dengan panjang 2,2 ". Ketika sensor
dilipat, resistansi pada sensor meningkat. Teknologi yang dipatenkan
oleh Spectra Symbol - mereka mengklaim sensor ini digunakan dalam
Nintendo Power Glove asli. Resistensi sensor flex berubah ketika
bantalan logam berada di bagian luar tikungan. (Sparkfun, n.d.)
Sensor flex memiliki tinggi 0,43 mm dan panjang yang bervariasi.
Untuk spesifikasi lebih lanjut dari sensor flex ini dapat dilihat pada Tabel
2.2 Secara umum keluaran dari sensor ini adalah hambatan. Besar
hambatan sensor ini berbanding lurus dengan kelengkungan sensor.
Apabila sudut kelengkungan sensor semakin besar maka resisrtansi dari
sensor flex ini akan semakin besar pula. Begitu juga sebaliknya.
Tabel 2.2. Spesifikasi Sensor Flex (Spectrasymbol, 2014).
Spesifikasi Keterangan
Life Cycle > 1 juta
Temperature Range -35°C to 80°C
Flat Resistance 10K Ohms ± 30%
Bend Resistance Min 2 x 10K Ohms ± 30%
Dalam Tugas Akhir ini, peneliti menggunakan sensor flex untuk
mendeteksi gerakan jari pengguna saat menggunakan bahasa isyarat.
Tampilan sensor flex dapat dilihat pada Gambar 2.6.
12
Gambar 2.6 Sensor Flex (Sparkfun, n.d.)
Untuk mendapatkan nilai dari sensor flex ini, salah satu kaki dari
sensor flex ini harus dihubungkan terlebih dahulu dengan resistor sebesar
4k7 ohm seperti rangkaian pada Gambar 2.7.
Gambar 2.7 Rangkaian Pembagi Tegangan (abisabrina.wordpress.com, 2013.)
Apabila meninjau dari rangkaian pada Gambar 2.7, maka dapar
diperoleh rumus pembagi tegangan seperti
𝑉1 = 𝑅1
𝑅1+𝑅2 × 𝑉𝑖𝑛 (2.)
V1 = Tegangan pada R1 R2 = Resistansi 2
R1 = Resistansi 1 Vin = Tegangan Masukan
2.5 Kontroler
Dalam tugas akhir ini peneliti menggunakan kontroler sebagai berikut:
2.5.1 Arduino Nano
Arduino Nano adalah papan pengembangan mikrokontroller yang
berbasis Arduino dengan menggunakan chip ATmega328. Spesifikasi
dari Arduino Nano ini dapat dilihat pada tabel 2.3. Board ini memiliki
pin I/O yang cukup banyak, sejumlah 14 buah digital I/O pin (6 pin
diantaranya adalah PWM), 8 pin analog input, 1 pin UART (serial port
hardware). Arduino Nano dilengkapi dengan sebuah oscillator 16 Mhz,
13
sebuah port Mini USB, dan tombol reset. Tampilan dari Arduino Nano
dapat dilihat pada Gambar 2.7.
Gambar 2.7 Arduino Nano (Arduino.cc, 2018)
Tabel 2.3. Spesifikasi Arduino Nano (arduino.cc, 2018)
Processor ATmega328P
Operating Voltage 5 V
Input Voltage 7-9 V
Digital I/O Pins 14 (6 PWM)
Analog Input Pins 8 Pin
Flash Memory 32 KB
SRAM 2 KB
EEPROM 1 KB
CLOCK SPEED: 16 MH
USB Mini
UART 1
2.5.2 Arduino Mega 2560
Arduino Mega 2560 adalah papan pengembangan mikrokontroller
yang berbasis Arduino dengan menggunakan chip ATMega 2560.
Spesifikasi dari Arduino Mega 2560 ini dapat dilihat pada tabel 2.4.
Board ini memiliki pin I/O yang cukup banyak, sejumlah 54 buah digital
I/O pin (15 pin diantaranya adalah PWM), 16 pin analog input, 4 pin
UART (serial port hardware). Arduino Mega 2560 dilengkapi dengan
sebuah oscillator 16 Mhz, sebuah port USB, dan tombol reset. Board ini
sudah sangat lengkap, karena memiliki segala sesuatu yang dibutuhkan
untuk sebuah mikrokontroller. Tampilan dari Arduino Mega 2560 dapat
dilihat pada Gambar 2.8.
Gambar 2.8. Arduino Mega 2560 (Arduino.cc, 2018)
14
2.6 Komponen Komunikasi
Dalam tugas akhir ini peneliti menggunakan komponen komunikasi
sebagai berikut:
2.6.1 Modul Transceiver NRF24L01
Modul NRF24L01 adalah sebuah modul komunikasi yang
bertujuan untuk menghubungkan antara kontroler yang satu dengan yang
lain. Modul ini menggunakan gelombang RF 2,4 GHz. Spesifikasi dari
Modul NRF24L01 ini dapat dilihat pada Tabel 2.5. Dalam tugas akhir
ini, peneliti menggunakan Modul NRF24L01 untuk mengirimkan nilai
dari pembacaan Sensor Flex dan Modul MPU6050 GY521 menuju
Kontroler yang dihubungkan langsung ke PC. Data yang telah dikirim
akan diolah lebih lanjut. Tampilan dari Modul Transceiver NRF24L01
dapat dilihat pada Gambar 2.9.
Gambar 2.9 Modul Transceiver NRF24L01 (indo-ware, n.d.)
Tabel 2.5. Spesifikasi Modul Transceiver NRF24L01 (indo-ware, n.d.)
Processor ATMega 2560
Operating Voltage 1,9 – 3,6 V
Input Voltage 3,3 V
Transmitting Rate +7dB
Receiving Sensitivity -90dB
Transmission Range 250 m in open area
Dimension 15 x 29 mm
2.6.2 Modul Bluetooth HC-05
Modul HC-05 adalah modul bluetooth dengan versi bluetooth 2.0.
Modul jenis ini dapat digunakan sebagai master atau sebagai slave. Mode
master dan mode slave ini dapat diatur dengan mudah melalui AT-
COMMAND yang telah disediakan. HC-05 bekerja pada tegangan
optimal sebesar 3,4 V. Modul ini dapat dihubungkan dengan berbagai
15
perangkat yang mempunyai bluetooth adapter, seperti laptop, perangkat
smartphone, dsb. Tampilan dari Modul Bluetooth HC-05 dapat dilihat
pada Gambar 2.10.
Gambar 2.10 Modul Bluetooth HC-05 (www.indiamart.com)
16
Halaman ini sengaja dikosongkan
17
BAB 3
METODOLOGI PENELITIAN
Dibawah ini merupakan flowchart diagram Tugas Akhir yang
digunakan :
Gambar 3.1 Alur Metodologi Tugas Akhir
Gambar 3.1 merupakan flowchart diagram Tugas Akhir. Flowchart
diagram Tugas Akhir ini meliputi studi literatur, analisis kebutuhan sistem,
perencanaan sistem, perancangan mekanik perancangan hardware, dan
perancangan software. Studi literatur merupakan referensi serta literatur yang
berkaitan dengan Tugas Akhir dan terdapat pada Bab II. Analisis kebutuhan
sistem proses dalam merancang sistem dengan memperhitungkan kebutuhan
Apakah sudah
sesuai dengan
tujuan ?
Perancangan Hardware
Perancangan Software
Selesai
A BMulai
Studi Literatur
Analisis Kebutuhan
Sistem
Perancangan Mekanik
Perancangan Sistem
A B
18
yang diperlukan. Perencanaan sistem meliputi diagram blok sistem, dan
flowchart sistem. Perancangan mekanik berisi rencana desain sarung tangan
dan penempatan sensor yang dilampirkan dari sisi atas, samping dan bawah.
Perancangan hardware berisi gambaran umum susunan hardware yang akan
digunakan dan wiring system yang akan dipasang pada hardware. Perancangan
software berisi rancangan kasar dari interface android yang akan dibuat.
3.1 Studi Literatur
Tahap ini adalah tahap awal peneliti dalam melakaukan penelitian.
Secara umum, tahap ini dibagi menjadi dua, yakni
1. Identifikasi Masalah
Permasalahan yang diangkat oleh peneliti dalam penelitian ini adalah
masalah komunikasi antara orang-orang normal dan para penyandang
tunarungu dan tunawicara sekaligus pengembangan alat bantu komunikasi
bagi para penyandang tunarungu dan tunawicara.
2. Studi Literatur
Pada tahap ini, peneliti melakukan pemahaman terhadap konsep,
teknologi dan teori yang berkaitan dengan penelitian ini. Peneliti mencari
beberapa literatur yang dapat dijadikan landasan teoritis untuk menunjang
dasar pemahaman, sehingga penelitian ini dapat berjalan dengan baik.
3.2 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem merupakan proses dalam merancang sistem
dengan memperhitungkan kebutuhan yang diperlukan. Pada tahapan ini
dilakukan analisis terhadap data yang dibutuhkan. Selain itu juga dilakukan
analisis tentang teknologi yang dibutuhkan untuk membangun sistem ini.
Setelah menentukan beberapa hal di atas, peneliti menyusun daftar komponen
yang mampu menunjang aspek-aspek yang telah di tentukan di atas. Berikut
adalah teknologi yang dibutuhkan untuk membangun sistem :
19
Tabel 3.1 Tabel Kebutuhan Hardware Sistem
No Nama Barang Jumlah
1 Arduino Nano 2 Buah
2 Arduino Mega 2560 1 Buah
3 Modul NRF24L01 3 Buah
4 Sensor Flex 10 Buah
5 Sensor MPU6050 + GY521 2 Buah
6 Modul Bluetooth HC-05 1 Buah
7 Personal Computer 1 Buah
3.3 Perancangan Sistem
Setelah mengetahui kebutuhan sistem, dasar-dasar ilmu serta teknologi
yang akan digunakan, maka langkah selanjutnya adalah melakukan
perancangan dari sistem yang akan dikembangkan. Pada Tugas Akhir ini
perencanaan sistem meliputi diagram blok sistem, perancangan hardware,
perancangan mekanik.
3.3.1 Diagram Blok Sistem
Penempatan sensor ini dibagi menjadi 2, yaitu lima sensor flex dan
satu sensor MPU6050 GY521 di tangan kanan dan lima sensor flex dan
satu sensor MPU6050 GY521 di tangan kiri. Masing-masing hasil
pembacaan sensor dikirimkan menggunakan komunikasi NRF24L01
dari Arduino Nano pada masing-masing tangan menuju Arduino Mega
2560. Arduino Mega 2560 saling berkomunikasi dengan PC untuk
melakukan klasifikasi data gerakan bahasa isyarat menggunakan metode
Neural Network. Proses klasifikasi dilakukan dengan banuan software
MATLAB. Pada MATLAB terdapat program M-File yang berisikan
Neural Network. Neural Network yang berfungsi penuh dalam proses
klasifikasi. Keluaran klasifikasi adalah kode angka yang mewakili dari
setiap gerakan yang di ujikan. Hasil dari klasifikasi kemudian akan
dikirim menggunakan komunikasi bluetooth menuju perangkat Android.
Perangkat Android kemudian akan mengeluarkan suara sesuai hasil
klasifikasi.
20
Secara umum proses klasifikasi gerakan bahasa isyarat dapat di
lihat pada Gambar 3.2.
Gambar 3.2 Diagram Blok Sistem
Gambar 3.2 menunjukkan diagram blok sistem yang dirancang
menggunakan dua jenis sensor yaitu sepuluh sensor flex dan dua sensor
MPU6050 GY521.
Apabila ditinjau dari masing-masing sensor diagram blok dapat
dilihat pada Gambar 3.3 dan Gambar 3.4
Neural Network Android
Sarung Tangan
Penerjemah
Isyarat
Input
Resistansi
Output
Suara dari
Android
Sensor Flex
+-
Gambar 3.3 Diagram Blok Sensor Flex
Sensor Flex Tangan
Kanan
(Sensor ini digunakan
untuk mendeteksi
kelengkungan jari pada
tangan kanan saat
menggunakan bahasa
isyarat)
Sensor Flex Tangan
Kiri
(Sensor ini digunakan
untuk mendeteksi
kelengkungan jari pada
tangan kiri saat
menggunakan bahasa
isyarat)
Sensor MPU6050
GY521 Tangan kanan
(Sensor ini digunakan
untuk mendeteksi posisi
dan gerakan telapak
tangan kanan saat
melakukan bahasa
isyarat)
Sensor MPU6050
GY521 Tangan Kiri
(Sensor ini digunakan
untuk mendeteksi posisi
dan gerakan telapak
tangan kiri saat
melakukan bahasa
isyarat)
Arduino Nano Tangan
Kanan
(Perangkat ini digunakan
untuk menerima data
sensor pada tangan kanan
dan mengimkannya
menuju Arduino
Mega2560)
Arduino Nano Tangan
Kiri
(Perangkat ini digunakan
untuk menerima data
sensor pada tangan kiri
dan mengimkannya
menuju Arduino
Mega2560)
Personal Computer
(Perangkat ini membantu
Arduino Mega2560 dalam
mengklasifikasikan data
sensor setelah data
dikirim)
Arduino Mega2560
(Perangkat ini digunakan
untuk menerima data
sensor MPU6050 GY521
pada tangan kanan dan
mengimkannya menuju
Arduino Mega2560)
Android
(Perangkat ini digunakan
untuk mengeluarkan
keluaran berupa text dan
suara)
NRF24L01
NRF24L01
Serial
HC-05
21
Pada Gambar 3.3 dapat dilihat bahwanya nilai input untuk sensor
flex merupakan nilai resistansi. Nilai resistansi ini tidak langsung bisa
diambil, melainkan harus disambungkan dengan rangkaian pembagi
tegangan sehingga bisa dibaca oleh arduino. Setelah nilai bisa terbaca,
selanjutnya adalah mengklasifikasikan menggunakan metode Neural
Network. Proses klasifikasi dilakukan dengan banuan software
MATLAB. Pada MATLAB terdapat program M-File yang berisikan
Neural Network. Neural Network yang berfungsi penuh dalam proses
klasifikasi. Setelah berhasil diklasifikasikan, perangkat android
kemudian akan mengeluarkan output berupa suara sesuai hasil
klasifikasi.
Neural Network Android
Sarung Tangan
Penerjemah
Isyarat
Input
Yaw, Pitch, Roll
Output
Suara dari
Android
GY 521
+-
Gambar 3.4 Diagram Blok Sensor GY 521
Sama halnya seperti Gambar 3.3, pada Gambar 3.4 Dapat dilihat
bahwanya nilai input untuk sensor GY 521 merupakan yaw, pitch, dan
roll. Nilai yaw, pitch, dan roll ini diperoleh dari hasil proses pengolahan
nilai sumbu x, sumbu y dan sumbu z dari Gyroscope pada sensor GY
521. Setelah nilai yaw, pitch, dan roll sudah didapatkan, selanjutnya
adalah mengklasifikasikan menggunakan metode Neural Network.
Proses klasifikasi dilakukan dengan banuan software MATLAB. Pada
MATLAB terdapat program M-File yang berisikan Neural Network.
Neural Network yang berfungsi penuh dalam proses klasifikasi. Setelah
berhasil diklasifikasikan, perangkat android kemudian akan
mengeluarkan output berupa suara sesuai hasil klasifikasi.
22
3.3.2 Flowchart Sistem
Flowchart diagram dari sistem yang akan dibuat dapat dilihat
pada Gambar 3.5 dibawah ini.
Gambar 3.5 Flowchart Sistem
23
Sistem dimulai ketika gerakan isyarat tangan dilakukan. Setelah
melakukan gerakan isyarat tangan, sensor flex dan sensor MPU6050
GY521 akan membaca kelengkungan jari, gerakan tangan, dan posisi
tangan. Apabila sensor tidak membaca adanya perubahan maka proses
kembali pada melakukan gerakan isyarat tangan. Namun, apabila sensor
mendeteksi adanya perubahan, maka data sensor akan dikirimkan pada
kontroler untuk dilakukan proses klasifikasi menggunakan metode
Neural Network. Apabila pada tahap klasifikasi ditemukan pola yang
cocok, maka sistem akan mengeluarkan output berupa suara dan text, dan
sistem akan selesai.
3.4 Perancangan Mekanik
Dibawah ini merupakan gambar perancangan hardware yang akan
digunakan pada penelitian ini. Rancangan mekanik dari sarung tangan
penerjemah bahasa isyarat ini dapat dilihat pada Gambar 3.6, Gambar 3.7, dan
Gambar 3.8.
Gambar 3.6 Perancangan Mekanik Tampak Atas
MPU5060
GY521
Kontrol box
berisi Arduino
Nano
Kontrol box
berisi Arduino
Nano
24
Gambar 3.7 Perancangan Mekanik Tampak Samping
Gambar 3.8 Perancangan Mekanik Tampak Bawah
Setelah perancangan hardware selesai, maka selanjutnya adalah
merancang rangkaian integrasi antara sensor, kontroler, dan perangkat
komunikasi yang akan digunakan. Berikut adalah perancangan wiring sensor,
kontroler dan perangkat komunikasi yang akan digunakan sebagai perangkat
utama dalam menerjemahkan bahasa isyarat pada penelitian ini.
Kontrol box
berisi Arduino
Nano
25
3.5 Perancangan Hardware
Pada bagian ini, penulis akan memaparkan tentang jenis hardware apa
saja yang akan digunakan dalam penelitian ini. Hardware tersebut dapat dilihat
pada Gambar 3.9.
Arduino Nano Arduino NanoMPU6050 GY521MPU6050 GY521
Sensor Flex Sensor Flex
NRF24L01 NRF24L01
Arduino Mega 2650
HC-05
Laptop
APP ANDROID
Gambar 3.9 Perancangan Hardware
26
Pada penelitian ini, peneliti menggunakan dua buah Arduino Nano yang
digunakan untuk mendeteksi perubahan posisi jari dan gerakan telapak tangan
menggunakan dua buah jenis sensor yang di pasang pada masing-masing
tangan. Sensor ini adalah lima buah sensor flex dan satu buah modul sensor
MPU6050 GY521. Pada Arduino Nano juga dipasang masing-masing satu
buah modul komunikasi wireless NRF24L01 yang berfungsi untuk
mengirimkan data sensor yang telah dibaca kepada Arduino Mega 2560 yang
juga telah dipasang modul komunikasi wireless NRF24L01. Arduino Mega
2560 yang terkoneksi dengan PC melakukan proses klasifikasi. Setelah
didapatkan hasil klasifikasi, Arduino Mega 2560 mengirim hasil klasifikasi
menuju perangkat Android menggunakan Modul Bluetooth HC-05.
Pada bagian ini, penulis juga merancang wiring yang akan digunakan
untuk membuat rancang bangun perangkat sarung tangan penerjemah bahasa
isyarat ini. Rancangan wiring dapat di lihat pada Gambar 3.10, Gambar 3.11,
dan Gambar 3.12.
Gambar 3.10 Perancangan Wiring pada Sarung Tangan
27
Gambar 3.11 Perancangan Wiring pada Arduino Mega 2560 HC-05
Gambar 3.12 Perancangan Wiring pada Arduino Mega 2560 NRF24L01
3.6 Perancangan Software
Pada bagian ini akan ditampilkan perencanaan software yang akan
digunakan pada penelitian ini. Software ini akan dijalankan pada perangkat
Android. Software ini dirancang dengan menggunaka Android Studio. Untuk
membangun software ini, peneliti menggunakan bahasa pomrograman Java
dan juga XML. Software ini nantinya akan menjadi antarmuka untuk
menampilkan terjemahan dari isyarat tangan berupa text dan sekaligus juga
mengeluarkan suara dari terjemahan isyarat tangan tersebut. Program suara
pada arduino memandaatkan teknologi text to speech sehingga penggunaannya
dapat fleksibel tanpa harus merekam keluaran suara satu per satu.
28
Secara umum, rancangan tampilan software berbasis Android dapat
dilihat pada Gambar 3.13.
Gambar 3.13 Perancangan Aplikasi Berbasis Androi
3.7 Pengambilan Data Sampel
Data sampel didapatkan dengan cara melakukan trial pada sarung tangan
penerjemah bahasa isyarat sekaligus merekam data sensor yang telah telah
terkumpul di Arduino Mega 2560. Terdapat 20 gerakan bahasa isyarat
BISINDO yang harus dilakukan pada saat pengambilan data dan masing-
masing gerakan bahasa isyarat BISINDO harus di ulangi sebanyak 20 kali,
sehingga secara keseluruhan didapatkan 400 data sampel. Setelah terkumpul
400 data, data-data tersebut kemudian dikelompokkan menjadi dua kelompok
data. Kelompok data pertama adalah kelompok data grakan satu tangan, dan
kelompok data kedua merupakan kelompok data gerakan dua tangan Berikut
adalah 20 daftar gerakan bahasa isyarat yang akan digunakan pada penelitian
ini.
29
Gambar 3.14 Gerakan Isyarat Tangan Kata “Saya”
8
Gambar 3.15 Gerakan Isyarat Tangan Kata “Kamu”
Gambar 3.16 Gerakan Isyarat Tangan Kata “Bapak”
Gambar 3.17 Gerakan Isyarat Tangan Kata “Ibu”
30
Gambar 3.18 Gerakan Isyarat Tangan Kata “Adik”
Gambar 3.19 Gerakan Isyarat Tangan Kata “Kakak”
Gambar 3.20 Gerakan Isyarat Tangan Kata “Makan”
Gambar 3.21 Gerakan Isyarat Tangan Kata “Minum”
31
Gambar 3.22 Gerakan Isyarat Tangan Kata “Tidur”
Gambar 3.23 Gerakan Isyarat Tangan Kata “Coba”
Gambar 3.24 Gerakan Isyarat Tangan Kata “Benar”
Gambar 3.25 Gerakan Isyarat Tangan Kata “Bertemu”
32
Gambar 3.26 Gerakan Isyarat Tangan Kata “Apa”
Gambar 3.27 Gerakan Isyarat Tangan Kata “Maaf”
Gambar 3.28 Gerakan Isyarat Tangan Kata “Hari Ini”
Gambar 3.29 Gerakan Isyarat Tangan Kata “Nanti”
33
Gambar 3.30 Gerakan Isyarat Tangan Kata “Telepon”
Gambar 3.31 Gerakan Isyarat Tangan Kata “Halo”
Gambar 3.32 Gerakan Isyarat Tangan Kata “Indah”
Gambar 3.33 Gerakan Isyarat Tangan Kata “Sekarang”
Data sampel yang dimaksud terdiri dari sepuluh data sensor flex, tiga nilai axis
pada sensor accelerometer, dan tiga axis pada sensor gyroscope dan pada
kedua tangan. Setelah terkumpul 400 data sampel, maka akan dilakukan proses
training untuk menemukan nilai bobot dan bias.
34
3.8 Neural Network
3.8.1 Arsitektur Neural Network
Dalam penelitian ini, terdapat dua Neural Network yang dipakai
dalam proses klasifikasi. Pembagian ini disesuaikan dengan kelompok
data yang telah disiapkan sebelumnya, yaitu kelompok data gerakan satu
tangan dan kelompok data gerakan dua tangan. Data yang telah disusun
menjadi dua kelompok kemudian dijalankan pada masing masing Neural
Netwok. Arsitektur yang dipakai pada penelitian ini dapat dilihat pada
Gambar 3.34 Dan Gambar 3.35.
Gambar 3.34 Arsitektur Neural Network Gerakan Satu Tangan
Gambar 3.35 Arsitektur Neural Network Gerakan Dua Tangan
Masing-masing arsitektur memiliki satu buah hidden layer yang
berisi 16 neuron. Pada hidden layer fungsi aktivasi yang dipakai adalah
tansig dan pada output layer fungsi aktivasi yang dipakai adalah softmax
Tansig
2/(1+exp(-2*n))-1 (1)
Softmax
𝑓(𝑥) =𝑒𝑥𝑖
∑ 𝑒(𝑥𝑗)𝑗
( 2)
35
3.8.2 Training Neural Network
Proses training dilakukan setelah didapatkan 400 data sampel.
Proses ini terdiri dari persiapan data dan proses training data. Pada tahap
persiapan data, data ditulis kembali dalam bentuk matriks sehingga
mudah untuk diolah dalam proses training. Selain itu, data yang telah
terkumpul nantinya juga akan dipisah menjadi dua kelompok data, yakni
kelompok data dengan input 8 buah dan kelompok data dengan input 16
buah. Kelompok data dengan input 8 buah akan menjadi sampel data
untuk gerakan satu tangan, sedangkan data dengan input 16 buah akan
menjadi sampel data untuk gerakan dua tangan. Proses training
dilakukan dengan menjalankan program training menggunakan nilai
input dan output, sehingga nantinya didapatkan nilai bobot dan bias baru
yang mampu menghasilkan outputan klasifikasi yang akurat.
36
Halaman ini sengaja dikosongkan
37
BAB IV
PEMBAHASAN
4.1 PERCOBAAN HARDWARE
Hardware yang akan digunakan dalam penelitian ini akan diuji coba
terlebih dahulu dengan menggunakan metode metode tertentu. Hasil dari
percobaan tersebut akan digunakan untuk menghitung tingkat error dari
sebuah sensor.
4.1.1 Percobaan Sensor GY 521
Percobaan Sensor GY 521 ini dilakukan dengan menggunakan
metode sebagai berikut :
1. Menghubungkan Pin GY 521 dengan konfigurasi sebagai berikut:
VCC GY 521 = Pin 5 V GND GY 521 = Pin GND
SDA GY 521 = Pin SDA SCL GY 521 = Pin SCL
AD0 GY 521 = Pin 3,3 V
2. Menyiapkan sudut sampel untuk percobaan. Sudut sampel terdiri
dari sudut 40°, 60°, 80°.
3. Membandingkan sudut sampel dengan pembanding berupa busur
derajat
4. Menghitung nilai error yang dihasilkan.
Berikut adalah tabel percobaan Sensor GY 521.
Tabel 4.1 Percobaan GY 521 Sudut 40°
No. Sudut Sensor (°) Sudut Busur (°) Error (%)
1. 39,6 40 1
2. 39,6 40 1
3. 41,5 40 3,75
4. 40,3 40 0,75
38
Tabel 4.2 Percobaan GY 521 Sudut 40° (Lanjutan)
No. Sudut Sensor (°) Sudut Busur (°) Error (%)
5. 39,6 40 1
6. 41,2 40 3
7. 40,8 40 2
8. 41,2 40 3
9. 41,2 40 3
10 41,6 40 4
Rata-Rata Error (%) 2,25
Tabel 4.3 Percobaan GY 521 Sudut 60°
No. Sudut Sensor (°) Sudut Busur (°) Error (%)
1. 60,7 60 1,17
2. 60,4 60 0,67
3. 59,5 60 0,83
4. 59,4 60 1
5. 59,6 60 0,67
6. 60,5 60 0,83
7. 60,3 60 0,5
8. 60,4 60 0,67
9. 60,5 60 0,83
39
Tabel 4.4 Percobaan GY 521 Sudut 60° (Lanjutan)
No. Sudut Sensor (°) Sudut Busur (°) Error (%)
10 60,6 60 1
Rata-Rata Error (%) 0,817
Tabel 4.5 Percobaan GY 521 Sudut 80°
No. Sudut Sensor (°) Sudut Busur (°) Error (%)
1. 76,7 80 4,125
2. 76,7 80 4,125
3. 76,5 80 4,375
4. 77,8 80 2,75
5. 76,2 80 4,75
6. 80,3 80 0,375
7. 79,7 80 0,375
8. 80,4 80 0,5
9. 80,3 80 0,375
10. 79,4 80 0,75
Rata-Rata Error (%) 2,25
Setelah dilakukan pengujian terhadap sensor GY 521, Diperoleh
hasil rata-rata error pada pengujian pembacaan sudut 40° adalah sebesar
2,25 %. Pada pengujian pembacaan sudut 60° didapatkan rata-rata error
sebesar 0,817 %. Dan untuk pengujian pembacaan sudut 80° didapatkan
rata-rata error sebesar 2,25 %. Dari tiga pengujian tersebut maka
didapatkan rata-rata error sebesar 1,77 %
40
4.2 REALISASI HARDWARE
Gambar dari hardware yang telah dibuat untuk penelitian ini dapat dilihat
pada Gambar 4.1, Gambar 4.2, dan Gambar 4.3.
Gambar 4.1 Tampilan Lengkap Sarung Tangan
Gambar 4.2 Tampilan Sensor Flex pada Sarung Tangan
Gambar 4.3 Tampilan Sensor GY 521 pada Sarung Tangan
41
4. 3 TRAINING DATA
Proses training dilakukan dalam dua tahapan yaitu pengambilan sampel
data dan proses training
4.3.1 Persiapan Sampel Data
Pengambilan sampel dilakukan dengan cara menjalankan secara
realtime menggunakan dua perangkat sarung tangan (kanan dan kiri) yang
telah dibuat. Data yang telah diperoleh dari dua perangkat sarung tangan ini
kemudian akan di kirimkan melalui komunikasi radio menuju perangkat
penerima. Perangkat penerima inilah yang akan menampilkan data sensor
yang telah terkumpul. Data sampel yang akan dipakai dalam penelitian ini
berjumlah 400 data dengan rincian, masing masing gerakan tangan memiliki
20 sampel data.
4.3.2 Persiapan Matriks Output
Matrik output harus dibuat dari susunan bilangan biner yang
diletakkan sesuai urutan nomor klasifikasi. Baris pada matriks merupakan
sampel dan kolom matriks merupakan nomor klasifikasi. Pemaparan
tentang nomor klasifikasi akan dijelaskan pada Tabel 4.10
Tabel 4.6 Tabel Matrik Output Klasifikasi
No Klasifikasi Matrik
1 Saya [1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
2 Kamu [0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
3 Bapak [0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
4 Ibu [0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
5 Adik [0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
6 Kakak [0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
7 Makan [0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0]
8 Minum [0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0]
9 Tidur [0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0]
10 Coba [0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0]
11 Benar [0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0]
12 Bertemu [0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0]
13 Apa [0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0]
14 Maaf [0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0]
15 Hari Ini [0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0]
16 Nanti [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0]
17 Telepon [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0]
18 Halo [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0]
42
Tabel 4.7 Tabel Matrik Output Klasifikasi (Lanjutan)
No. Klasifikasi Matrik
19. Indah [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0]
20. Sekarang [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]
4.3.2 Training Neural Network
Training Neural Network berfungsi untuk mencari nilai bobot dan
bias sehingga proses klasifikasi dapat berjalan dengan maksimal. Sesuai
Gambar 3.34 dan Gambar 3.35 tentang Arsitektur Neural Network, aktivasi
fungsi yang dipakai adalah fungsi tansig dan fungsi softmax. Proses training
dibantu dengan toolbox Neural Net Pattern Recognition Matlab. Proses
Training dilakukan dengan menggunakan 16 neuron pada masing masing
hidden layer Hasil training gerakan satu tangan dapat dilihat pada Gambar
4.4, dan hasil training gerakan dua tangan dapat dilihat pada Gambar 4.6.
Gambar 4.4 Training Data Satu Tangan
Gambar 4.5 Performa Neural Network Data Satu Tangan
43
Berdasarkan Gambar 4.4 dan Gambar 4.5 Dapat disimpulkan bahwa
dengan konfigurasi tersebut diperoleh hasil performa sebesar 4.3905 pada
tahap proses training, 19.824608566659920 pada tahap validasi dan,
19.887751196234326 pada tahap test. Proses training berhenti pada epochs ke-
97.
Gambar 4.6 Training Data Dua Tangan
Gambar 4.7 Performa Neural Network Data Dua Tangan
Berdasarkan Gambar 4.6 dan Gambar 4.7 Dapat disimpulkan bahwa
dengan konfigurasi tersebut diperoleh hasil performa sebesar
2.88272377967363 pada tahap proses training, 27.4498664959214 pada tahap
validasi dan, 27.4395828013545 pada tahap test. Proses training berhenti pada
epochs ke-24. Setelah proses training
44
4.4 PENGUJIAN
Setelah melalui proses training, selanjutnya menggunakan neural
network untuk melakukan klasifikasi terhadap input yang akan dikirim oleh
perangkat sarung tangan. Data yang dikirim oleh perangkat sarung tangan akan
diubah formatnya menjadi bentuk matriks. Data yang masuk juga akan
memasuki tahap seleksi. Apabila panjang data melebihi 24 karakter maka
sistem akan menjalankan fungsi klasifikasi dua tangan, sedangkan apabila
kurang dari 24 maka sistem akan menjalankan fungsi klasifikasi gerakan satu
tangan.
Untuk melakukan pengujian, mula-mula semua perangkat dihubungkan
dan dinyalakan satu persatu. Selanjutnya adalah mengetes apakah semua
koneksi nirkabel terhubung dengan baik. Apabila semua perangkat sudah
terkoneksi maka saatnya melakukan pengujian.
Pengujian dilakukan dengan cara melakukan semua gerakan secara
bergantian. Masing-masing gerakan akan diulang sebanyak sepuluh kali.
Setelah melakukan satu gerakan, maka akan diamati dua respon. Respon
pertama adalah keluaran dari proses klasifikasi, dan respon yang kedua adalah
respon suara dari perangkat arduino.Kedua respon tersebut kemudian akan
dicatat dan dihitung tingkat error-nya.
Tabel 4.8Tabel Hasil Pengujian Klasifikasi Kata “Saya”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Saya 100
2 Saya 100
3 Saya 100
4 Saya 100
5 Saya 100
6 Saya 100
7 Saya 100
8 Saya 100
9 Saya 100
10 Saya 100
Rata-Rata Persentase Keberhasilan(%) 100
45
Setelah dilakukan pengujian klasifikasi terhadap kata “saya”, diperoleh
hasil berupa persentase keberhasilan sebesar 100 % dengan persentase error
sebesar 0 %.
Tabel 4.9 Tabel Hasil Pengujian Klasifikasi Kata “Kamu”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Kamu 100
2 Kamu 100
3 Bapak 0
4 Kamu 100
5 Kamu 100
6 Bapak 0
7 Kamu 100
8 Kamu 100
9 Kamu 100
10 Kamu 100
Rata-Rata Persentase Keberhasilan (%) 80
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “kamu”,
diperoleh hasil berupa persentase keberhasilan sebesar 80 % dengan persentase
error sebesar 20 %.
Tabel 4.10 Tabel Hasil Pengujian Klasifikasi Kata “Bapak”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Bapak 100
2 Makan 0
3 Bapak 100
4 Bapak 100
5 Makan 0
6 Bapak 100
7 Bapak 100
8 Nanti 0
9 Benar 0
10 Bapak 100
Rata-Rata Persentase Keberhasilan (%) 60
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “kamu”,
diperoleh hasil berupa persentase keberhasilan sebesar 80 % dengan persentase
error sebesar 20 %.
46
Tabel 4.11 Tabel Hasil Pengujian Klasifikasi Kata “Ibu”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Minum 0
2 Minum 0
3 Ibu 100
4 Ibu 100
5 Minum 0
6 Minum 0
7 Minum 0
8 Minum 0
9 Minum 0
10 Minum 0
Rata-Rata Persentase Keberhasilan (%) 20
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “ibu”,
diperoleh hasil berupa persentase keberhasilan sebesar 20 % dengan persentase
error yang besar, yakni sebesar 80 %. Hal ini diakibatkan oleh kata “ibu”
memiliki persamaan dengan kata “minum’. Persamaan yang dimaksud adalah
gerakan menggenggam tangan, sehingga susah diklasifikasi.
Tabel 4.12 Tabel Hasil Pengujian Klasifikasi Kata “Makan”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Makan 100
2 Telepon 0
3 Makan 100
4 Nanti 0
5 Makan 100
6 Makan 100
7 Makan 100
8 Bapak 0
9 Makan 100
10 Kakak 0
Rata-Rata Persentase Keberhasilan (%) 60
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “makan”,
diperoleh hasil berupa persentase keberhasilan sebesar 60 % dengan persentase
error yang cukup besar, yakni sebesar 40 %.
47
Tabel 4.13 Tabel Hasil Pengujian Klasifikasi Kata “Minum”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Minum 100
2 Minum 100
3 Coba 0
4 Minum 100
5 Minum 100
6 Minum 100
7 Minum 100
8 Minum 100
9 Minum 100
10 Coba 0
Rata-Rata Persentase Keberhasilan (%) 80
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “minum”,
diperoleh hasil berupa persentase keberhasilan sebesar 80 % dengan persentase
error sebesar 20 %.
Tabel 4.14 Tabel Hasil Pengujian Klasifikasi Kata “Adik”
No Keluran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Adik 100
2 Adik 100
3 Adik 100
4 Adik 100
5 Adik 100
6 Adik 100
7 Adik 100
8 Adik 100
9 Kakak 0
10 Adik 100
Rata-Rata Persentase Keberhasilan (%) 90
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “adik”,
diperoleh hasil berupa persentase keberhasilan sebesar 90 % dengan persentase
error sebesar 10 %.
48
Tabel 4.15 Tabel Hasil Pengujian Klasifikasi Kata “Kakak”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Halo 0
2 Kakak 100
3 Halo 0
4 Halo 0
5 Sekarang 0
6 Halo 0
7 Nanti 0
8 Halo 0
9 Kakak 0
10 Coba 100
Rata-Rata Persentase Keberhasilan (%) 20
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “kakak”,
diperoleh hasil berupa persentase keberhasilan sebesar 20 % dengan persentase
error yang besar, yakni sebesar 80 %. Hal ini diakibatkan oleh kata “kakak”
memiliki persamaan dengan kata “halo”, kata “nanti”, dan kata “coba”.
Persamaan yang dimaksud adalah gerakan meluruskan jari-jari tangan,
sehingga susah diklasifikasi.
Tabel 4.16 Tabel Hasil Pengujian Klasifikasi Kata “Tidur”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Tidur 100
2 Tidur 100
3 Tidur 100
4 Tidur 100
5 Tidur 100
6 Tidur 100
7 Tidur 100
8 Tidur 100
9 Apa 0
10 Apa 0
Rata-Rata Persentase Keberhasilan (%) 80
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “tidur”,
diperoleh hasil berupa persentase keberhasilan sebesar 80 % dengan persentase
error sebesar 20 %.
49
Tabel 4.17 Tabel Hasil Pengujian Kata “Coba”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Coba 100
2 Coba 100
3 Coba 100
4 Bapak 0
5 Bapak 0
6 Bapak 0
7 Bapak 0
8 Coba 100
9 Coba 100
10 Coba 100
Rata-Rata Persentase Keberhasilan (%) 60
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “coba”,
diperoleh hasil berupa persentase keberhasilan sebesar 60 % dengan persentase
error sebesar 40 %.
Tabel 4.18 Tabel Hasil Pengujian Kata “Benar”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Benar 100
2 Benar 100
3 Benar 100
4 Benar 100
5 Benar 100
6 Benar 100
7 Benar 100
8 Saya 0
9 Benar 100
10 Makan 0
Rata-Rata Persentase Keberhasilan (%) 80
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “benar”,
diperoleh hasil berupa persentase keberhasilan sebesar 80 % dengan persentase
error sebesar 20 %.
50
Tabel 4.19 Tabel Hasil Pengujian Kata “Bertemu”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Bertemu 100
2 Bertemu 100
3 Bertemu 100
4 Bertemu 100
5 Bertemu 100
6 Bertemu 100
7 Bertemu 100
8 Bertemu 100
9 Bertemu 100
10 Bertemu 100
Rata-Rata Persentase Keberhasilan (%) 100
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata
“bertemu”, diperoleh hasil berupa persentase keberhasilan sebesar 100 %
dengan persentase error sebesar 0 %.
Tabel 4.20 Tabel Hasil Pengujian Kata “Apa”
No Gerakan Pembacaan Eror Klasifikasi(%)
1 Apa 100
2 Apa 100
3 Apa 100
4 Apa 100
5 Apa 100
6 Apa 100
7 Indah 0
8 Apa 100
9 Indah 0
10 Indah 0
Jumlah Eror (%) 70
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “apa”,
diperoleh hasil berupa persentase keberhasilan sebesar 70 % dengan persentase
error sebesar 30 %.
51
Tabel 4.21 Tabel Hasil Pengujian Kata “Maaf”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Maaf 100
2 Apa 0
3 Apa 0
4 Maaf 100
5 Apa 0
6 Maaf 100
7 Apa 0
8 Maaf 100
9 Apa 0
10 Maaf 100
Rata-Rata Persentase Keberhasilan (%) 50
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “maaf”,
diperoleh hasil berupa persentase keberhasilan sebesar 50 % dengan persentase
error sebesar 50 %.
Tabel 4.22 Tabel Hasil Pengujian Kata “Hari Ini”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Hari Ini 100
2 Hari Ini 100
3 Hari Ini 100
4 Hari Ini 100
5 Hari Ini 100
6 Hari Ini 100
7 Hari Ini 100
8 Hari Ini 100
9 Apa 0
10 Hari Ini 100
Rata-Rata Persentase Keberhasilan (%) 90
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “hari ini”,
diperoleh hasil berupa persentase keberhasilan sebesar 90 % dengan persentase
error sebesar 10 %.
52
Tabel 4.23 Tabel Hasil Pengujian Kata “Nanti”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Nanti 100
2 Kakak 0
3 Nanti 100
4 Halo 0
5 Kakak 0
6 Coba 0
7 Halo 0
8 Nanti 100
9 Nanti 100
10 Halo 0
Rata-Rata Persentase Keberhasilan (%) 40
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “nanti”,
diperoleh hasil berupa persentase keberhasilan sebesar 40 % dengan persentase
error yang cukup besar, yakni sebesar 60 %. Hal ini diakibatkan oleh kata
“nanti” memiliki persamaan dengan kata “halo”, kata “kakak” dan kata “coba”.
Persamaan yang dimaksud adalah gerakan meluruskan jari-jari tangan,
sehingga susah diklasifikasi.
Tabel 4.24 Tabel Hasil Pengujian Kata “Telepon”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan(%)
1 Telepon 100
2 Telepon 100
3 Telepon 100
4 Nanti 0
5 Telepon 100
6 Benar 0
7 Telepon 100
8 Nanti 0
9 Telepon 100
10 Nanti 0
Rata-Rata Persentase Keberhasilan (%) 60
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “telepon”,
diperoleh hasil berupa persentase keberhasilan sebesar 60 % dengan persentase
error sebesar 40 %.
53
Tabel 4.25 Tabel Hasil Pengujian Kata “Halo”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Halo 100
2 Kakak 0
3 Halo 100
4 Halo 100
5 Coba 0
6 Halo 100
7 Halo 100
8 Halo 100
9 Halo 100
10 Halo 100
Rata-Rata Persentase Keberhasilan (%) 80
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “Halo”,
diperoleh hasil berupa persentase keberhasilan sebesar 80 % dengan persentase
error sebesar 20 %.
Tabel 4.26 Tabel Hasil Pengujian Kata “Indah”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan(%)
1 Indah 100
2 Indah 100
3 Indah 100
4 Indah 100
5 Indah 100
6 Indah 100
7 Indah 100
8 Indah 100
9 Indah 100
10 Indah 100
Rata-Rata Persentase Keberhasilan (%) 100
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “indah”,
diperoleh hasil berupa persentase keberhasilan sebesar 100 % dengan
persentase error sebesar 0 %.
54
Tabel 4.27 Tabel Hasil Pengujian Kata “Sekarang”
No Keluaran Klasifikasi Gerakan Persentase Keberhasilan (%)
1 Sekarang 100
2 Sekarang 100
3 Sekarang 100
4 Sekarang 100
5 Bapak 0
6 Sekarang 100
7 Sekarang 100
8 Sekarang 100
9 Sekarang 100
10 Sekarang 100
Rata-Rata Persentase Keberhasilan (%) 90
Setelah dilakukan pengujian klasifikasi terhadap keluaran kata
“sekarang”, diperoleh hasil berupa persentase keberhasilan sebesar 90 %
dengan persentase error sebesar 10 %.
Rekapitulasi persentase keberhasilan pengujian klasifikasi dapat dilihat
pada Gambar 4.8.
Gambar 4.8 Grafik Tingkat Keberhasilan Pengujian klasifikasi
100
80
60
20
60
80
90
20
80
60
80
100
70
50
90
40
60
80
100
90
0
20
40
60
80
100
120
1
Saya Kamu Bapak Ibu Makan Minum Adik
Kakak Tidur Coba Benar Bertemu Apa Maaf
Hari Ini Nanti Telepon Halo Indah Sekarang
55
Selain pengujian klasifikasi, terdapat pula pengujian untuk menentukan
delay pada program M-File pada matlab. Delay ini bertujuan untuk
memberikan sela bagi program untuk mengirimkan hasil klasifikasi menuju
perangkat perangkat android. Hasil pengambilan data dapat dilihat pada Tabel
4.28.
Tabel 4.28 Tabel Hasil Pengujian Delay pada Program M-File
No Delay (s) Kondisi Pengiriman
1 0,1 Tidak terkirim
2 0,2 Tidak terkirim
3 0,3 Tidak terkirim
4 0,4 Tidak terkirim
5 0,5 Tidak terkirim
6 0,6 Tidak terkirim
7 0,7 Terkirim
8 0,8 Terkirim
9 0,9 Terkirim
10 1 Terkirim
Berdasarkan Tabel 4.28 diperoleh kesimpulan bahwa lama delay yang paling
cepat bagi program M-File untuk mengirimkan hasil klasifikasi adalah sebesar
0,7 s.
56
Halaman ini sengaja dikosongkan
57
BAB V
KESIMPULAN DAN SARAN
Tahap ini merupakan bagian akhir dari proses pengerjaan tugas akhir ini. Pada
tahap ini pula akan dipaparkan kesimpulan dari penelitian dan pengujian yang telah
dilakukan. Dan terdapat juga beberapa saran yang dapat dijadikan acuan untuk
penelitian selanjutnya.
5.1 Kesimpulan
Dari pengujian yang telah dilakukan pada tugas akhir ini, maka dapat
disimpulkan bahwa :
1. Hasil klasifikasi dengan menggunakan metode Neural Network memiliki
beberapa variasi hasil. Dari 20 kata percobaan, Neural Network hanya
mampu mengklasifikasikan tiga kata secara sempurna, yakni kata “saya”,
“bertemu” dan “indah”. Selain tiga kata tersebut, masing-masing kata
mendapatkan persentase keberhasilan yang bervariasi. Hasil terendah
didapatkan ketika melakukan pengujian terhadap kata “ibu’ dan kata
“kakak”. Kata “ibu” dan kata “kakak” sama-sama mendapatkan persentase
keberhasilan sebesar 20 % dengan tingkat error sebesar 80 %.
2. Program M-File pada aplikasi Matlab dapat berjalan dengan baik apabila
ditambahkan waktu delay. Waktu delay yang paling optimal adalah sebesar
0,7 s.
5.2 Saran
Dari pengujian yang telah dilakuakan dalam penelitian ini, maka terdapat
beberapa hal yang dapat di perhatikan dan ditingkatkan kembali untuk
penelitian selanjutnya, beberapa hal tersebut adalah :
1. Menambahkan beberapa aspek tambahan seperti perubahan posisi tangan
terhadap sumbu x, y, dan z dan beberapa aspek lain yang dibutuhkan dalam
meningkatkan kinerja proses pengklasifikasian.
2. Dalam penelitian ini, perangkat masih memiliki kekurangan yakni, ukuran
tangan pengguna masih sangat berpengaruh besar pada resistansi sensor
flex, sehingga apabila digunakan oleh orang dengan ukuran tangan berbeda
maka nilai resistansi dan ADC yang akan masuk pada proses klasifikasi
akan berbeda pula. Hal ini tentunya akan membuat proses klasifikasi
58
menjadi lebih sulit untuk dilakukan. Sarannya adalah dengan merancang
ulang mekanik dan program sensor flex supaya perangkat dapat digunakan
secara universal pada semua orang.
3. Peningkatan desain dan program aplikasi berbasis android dinilai akan
meningkatkan performa dari sistem ini. Pengembangannya dapat berfokus
pada pengaturan text to speech yang digunakan, sehingga pengguna aplikasi
dapat mengatur tipe suara yang ingin digunakan.
59
DAFTAR PUSTAKA
AbiSabrina. (n.d). AbiSabrina.Retrieved Agustus 6, 2019, from
https://abisabrina.wordpress.com/2013/11/22/prinsip-kerja-rangkaian-
pembagi-tegangan/
Arduino. (2018). Arduino. Retrieved Desember 29, 2018, from
https://store.arduino.cc/usa/arduino-mega-2560-rev3
Arduino. (2018). Arduino. Retrieved Desember 28, 2018, from
https://www.arduino.cc/en/Main/ArduinoBoardNano
Arduino. (2018). Arduino. Retrieved Desember 28, 2018, from
https://www.arduino.cc/en/products.compare
Indo-ware. (n.d.). Indo-ware. Retrieved Desember 28, 2018, from http://www.indo-
ware.com/produk-2838-gy521-mpu6050-module-3-axis-gyro--3-axis-
accelerometer.html
Indo-ware. (n.d.). Indo-ware. Retrieved Desember 29, 2018, from
https://www.indo-ware.com/produk-2885-nrf24l01-modul.html
InvenSense Inc. (2013). MPU-6000 and MPU-6050 Produc Specification (3.4 ed.).
Sunnyvale, U.S.A: InvenSense Inc.
Google. (n.d). Android Developer. Retrieved Desember 29, 2018, from
https://developer.android.com/studio.
J. E. López-Noriega, M. I. Fernández-Valladares and V. Uc-Cetina, "Glove-based
sign language recognition solution to assist communication for deaf
users," 2014 11th International Conference on Electrical Engineering,
Computing Science and Automatic Control (CCE), Campeche, 2014, pp. 1-
6.
K. A. Bhaskaran, A. G. Nair, K. D. Ram, K. Ananthanarayanan and H. R. N.
Vardhan, "Smart gloves for hand gesture recognition: Sign language to
speech conversion system," 2016 International Conference on Robotics
and Automation for Humanitarian Applications (RAHA), Kollam, 2016, pp.
1-6.
60
KBBI, 2016. Kamus Besar Bahasa Indonesia (KBBI).[Online]
Available at: http://kbbi.web.id/pusat,
[Diakses 28 Desember 2018].
MICRON. (n.d). Indiamart. Retrieved Desember 29, 2018, from
https://www.indiamart.com/proddetail/bluetooth-module-hc-05-
12392814812.html.
Nuryazid. (2016). PENGEMBANGAN APLIKASI KAMUS BAHASA ISYARAT
INDONESIA (BISINDO) DENGAN MENGINTEGRASIKAN CLOUD
VIDEO BERBASIS ANDROID). Semarang: Universitas Negeri Semarang.
Rochmah, Nur Alfiyatur dan Nur Fitriyanti. (2013). Proses Komunikasi Verbal dan
Non Verbal. Surabaya: UIN Sunan Ampel.
Sena, Samuel. (2017). Medium. Retrieved Desember 29, 2018, from
https://medium.com/@samuelsena/pengenalan-deep-learning-
8fbb7d8028ac
Sparkfun. (n.d.). Sparkfun. Retrieved Desember 28, 2018, from
https://www.sparkfun.com/products/10264
Spectrasymbol Corp. (2014). FLEX SENSOR FS. Salt Lake City, UTAH:
Spectrasymbol Corp.
Sugianto, Nehemia & Samopa, Febriliyan. (2015). Analisa Manfaat Dan
Penerimaan Terhadap Implementasi Bahasa Isyarat Indonesia Pada Latar
Belakang Komplek Menggunakan Kinect Dan Jaringan Syaraf Tiruan
(Studi Kasus : SLB Karya Mulia 1). Jurnal Informatika dan Sistem
Informasi (JUISI). 01. 56.
Wikipedia. (2015). Wikipedia. Retrieved Desember 29, 2018, from
https://en.wikipedia.org/wiki/Arduino_IDE
61
LAMPIRAN 1
DATA SAMPEL KATA “SAYA”
No A B C D E F (°) G (°) H (°)
1 2 4 4 4 2 85 83 54
2 2 4 4 4 3 85 84 51
3 2 4 4 4 3 88 87 52
4 2 4 4 4 3 88 87 52
5 2 4 4 4 3 86 85 53
6 2 4 4 4 3 88 87 52
7 2 4 4 4 3 88 87 52
8 2 4 4 4 3 86 85 52
9 2 4 4 4 3 88 88 51
10 2 4 4 4 3 89 89 53
11 2 4 4 4 2 88 88 52
12 2 4 4 4 2 88 88 52
13 2 4 4 4 2 88 88 50
14 2 4 4 4 2 87 86 52
15 2 4 4 4 2 90 90 52
16 2 4 4 4 2 88 87 54
17 2 4 4 4 2 87 87 53
18 2 4 4 4 2 90 90 54
19 2 4 4 4 2 88 87 54
20 2 4 4 4 2 85 83 55
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
62
Halaman ini sengaja dikosongkan
63
LAMPIRAN 2
DATA SAMPEL KATA “KAMU”
No A B C D E F (°) G (°) H (°)
1 2 4 1 1 1 107 119 61
2 2 4 1 1 1 107 119 60
3 2 4 1 1 1 105 118 63
4 2 4 1 1 1 104 115 61
5 2 4 2 2 2 101 113 63
6 2 4 1 1 1 99 111 66
7 2 4 2 2 2 100 111 65
8 2 4 2 2 2 103 118 66
9 2 4 2 2 2 99 111 66
10 2 4 2 2 2 100 113 66
11 2 4 2 2 2 99 109 64
12 2 4 2 2 2 95 105 70
13 2 4 2 2 2 94 99 66
14 2 4 2 2 2 94 101 68
15 2 4 2 3 2 89 89 69
16 2 4 2 2 2 90 91 71
17 2 4 2 3 2 94 100 67
18 2 4 2 2 2 91 93 67
19 2 4 2 2 2 103 120 68
20 2 4 1 1 1 106 129 69
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
64
Halaman ini sengaja dikosongkan
65
LAMPIRAN 3
DATA SAMPEL KATA “BAPAK”
No A B C D E F (°) G (°) H (°)
1 2 4 2 3 2 18 83 2
2 2 4 2 2 2 6 81 0
3 2 4 2 2 2 2 81 0
4 2 4 2 3 2 8 81 1
5 2 4 2 3 2 8 81 1
6 2 4 2 3 2 1 82 0
7 2 4 3 3 2 25 85 1
8 2 4 2 3 2 1 83 0
9 2 4 3 3 2 12 84 1
10 2 4 2 3 2 29 82 4
11 2 4 3 3 2 27 84 2
12 2 4 2 3 2 54 84 7
13 1 3 1 1 1 79 88 5
14 2 3 1 1 1 80 88 6
15 2 3 1 1 1 96 90 5
16 2 3 1 2 2 116 91 3
17 2 3 1 1 1 87 89 11
18 2 3 1 1 1 4 82 0
19 2 3 1 1 1 13 84 1
20 2 3 1 1 1 21 84 2
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
66
Halaman ini sengaja dikosongkan
67
LAMPIRAN 4
DATA SAMPEL KATA “IBU”
No A B C D E F (°) G (°) H (°)
1 2 4 4 4 2 26 9 71
2 2 4 4 3 2 26 13 64
3 2 4 4 4 2 24 11 66
4 2 4 4 3 2 25 13 62
5 2 4 4 3 2 26 15 60
6 2 4 4 3 2 26 13 63
7 2 4 4 3 2 23 12 62
8 2 4 4 4 2 28 11 68
9 2 4 4 4 2 29 10 71
10 2 4 4 3 2 24 8 71
11 2 4 4 3 2 26 12 66
12 2 4 4 4 2 22 5 76
13 2 4 3 3 2 27 7 75
14 2 4 3 3 2 27 8 74
15 2 4 4 3 3 28 7 76
16 2 4 4 4 2 27 12 66
17 2 4 4 3 2 27 7 76
18 2 4 4 3 3 28 9 72
19 2 4 4 3 2 27 8 74
20 2 4 4 3 2 27 8 73
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
68
Halaman ini sengaja dikosongkan
69
LAMPIRAN 5
DATA SAMPEL KATA “ADIK”
No A B C D E F (°) G (°) H (°)
1 2 4 4 4 2 26 9 71
2 2 4 4 3 2 26 13 64
3 2 4 4 4 2 24 11 66
4 2 4 4 3 2 25 13 62
5 2 4 4 3 2 26 15 60
6 2 4 4 3 2 26 13 63
7 2 4 4 3 2 23 12 62
8 2 4 4 4 2 28 11 68
9 2 4 4 4 2 29 10 71
10 2 4 4 3 2 24 8 71
11 2 4 4 3 2 26 12 66
12 2 4 4 4 2 22 5 76
13 2 4 3 3 2 27 7 75
14 2 4 3 3 2 27 8 74
15 2 4 4 3 3 28 7 76
16 2 4 4 4 2 27 12 66
17 2 4 4 3 2 27 7 76
18 2 4 4 3 3 28 9 72
19 2 4 4 3 2 27 8 74
20 2 4 4 3 2 27 8 73
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
70
Halaman ini sengaja dikosongkan
71
LAMPIRAN 6
DATA SAMPEL KATA “KAKAK”
No A B C D E F (°) G (°) H (°)
1 2 4 4 3 2 18 63 9
2 2 4 3 3 2 10 65 4
3 2 4 3 3 2 13 66 5
4 2 3 3 3 2 5 64 2
5 2 4 3 3 2 9 64 4
6 2 4 3 3 2 8 62 4
7 2 4 3 3 2 11 61 6
8 2 3 3 3 2 9 62 5
9 2 4 3 3 2 10 60 6
10 2 4 3 3 2 16 68 6
11 2 4 3 3 2 15 64 7
12 2 4 3 3 2 14 65 6
13 2 4 3 3 2 7 64 3
14 2 4 3 3 2 14 64 7
15 2 4 3 3 2 12 65 5
16 2 4 3 3 2 8 67 3
17 2 3 3 3 2 10 67 4
18 2 4 3 3 2 14 67 6
19 2 4 3 3 2 14 65 6
20 2 4 3 3 2 15 71 5
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
72
Halaman ini sengaja dikosongkan
73
LAMPIRAN 7
DATA SAMPEL KATA “MAKAN”
No A B C D E F (°) G (°) H (°)
1 2 3 2 2 2 45 84 5
2 2 3 2 2 2 17 82 2
3 2 3 2 2 2 23 80 4
4 2 3 2 2 2 14 75 3
5 2 3 2 2 2 24 77 5
6 2 3 2 2 2 15 75 4
7 2 4 2 3 2 15 72 5
8 2 3 2 2 2 18 73 5
9 2 4 3 3 2 16 73 4
10 2 4 3 3 2 11 71 3
11 2 3 2 3 2 19 71 6
12 2 3 2 3 2 17 71 5
13 2 4 2 3 2 18 71 6
14 2 4 2 3 2 12 69 4
15 2 3 2 3 2 13 68 5
16 2 4 2 3 2 17 72 5
17 2 3 2 3 2 9 69 3
18 2 3 2 3 2 23 72 7
19 2 3 2 3 2 15 73 4
20 2 4 2 3 2 15 69 5
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
74
Halaman ini sengaja dikosongkan
75
LAMPIRAN 8
DATA SAMPEL KATA “MINUM”
No A B C D E F (°) G (°) H (°)
1 1 2 1 1 1 301 72 333
2 1 2 1 1 1 301 67 325
3 1 2 1 1 1 301 67 325
4 1 2 1 1 1 304 68 329
5 1 2 1 1 1 298 70 326
6 1 2 1 1 1 298 68 324
7 1 2 1 1 1 310 60 326
8 1 2 1 1 1 307 62 325
9 2 2 1 1 1 306 65 329
10 1 2 1 1 1 316 62 333
11 2 2 1 1 1 319 56 330
12 2 2 1 1 1 311 64 331
13 2 2 1 1 1 317 57 329
14 2 2 1 1 1 315 57 327
15 2 2 1 1 1 313 59 328
16 2 2 1 1 1 310 61 327
17 2 2 1 1 1 313 60 329
18 1 2 1 1 1 314 62 332
19 1 2 1 1 1 312 58 326
10 1 2 1 1 1 317 57 330
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
76
Halaman ini sengaja dikosongkan
77
LAMPIRAN 9
DATA SAMPEL KATA “TIDUR”
No A B C D E F (°) G (°) H (°) I J K L M N (°) O (°) P (°)
1 2 4 4 4 3 295 81 343 3 4 4 4 2 4 54 2
2 2 4 4 4 3 303 79 343 3 4 4 4 2 1 53 1
3 2 4 4 4 3 308 77 344 3 4 4 4 2 7 57 5
4 2 4 4 4 3 302 78 342 3 4 4 4 2 8 58 4
5 2 4 4 4 3 303 80 345 3 4 4 4 2 8 56 5
6 2 4 4 4 3 303 81 347 3 4 4 4 2 0 57 0
7 2 4 4 4 3 301 82 347 3 4 4 4 2 0 57 0
8 2 4 4 4 3 297 81 344 3 4 4 4 2 4 55 3
9 2 4 4 4 3 297 81 343 3 4 4 4 2 1 55 1
10 2 4 4 4 3 302 79 343 3 4 4 4 2 0 58 0
11 2 4 4 4 3 301 81 346 3 4 4 4 2 0 56 0
12 2 4 4 4 3 286 83 337 3 4 4 4 2 4 55 2
13 2 4 4 4 3 285 84 340 3 4 4 4 2 9 53 6
14 2 4 4 4 3 294 80 340 3 4 4 4 2 3 54 2
15 2 4 4 4 3 290 82 341 3 4 4 4 2 10 54 7
16 2 4 4 4 3 288 83 340 3 4 4 4 2 8 54 5
17 2 4 4 4 3 286 83 338 3 4 4 4 2 7 54 5
18 2 4 4 4 3 285 84 340 3 4 4 4 2 2 51 2
19 2 4 4 4 3 285 84 340 3 4 4 4 2 12 51 10
20 2 4 4 4 3 287 83 340 3 4 4 4 2 1 51 0
Keterangan :
A = ADC Flex Ibu Jari Kanan F = Sudut Yaw Kanan K = ADC Flex Jari Tengah Kiri P = Sudut Roll Kiri
B = ADC Flex Telunjuk Kanan G = Sudut Pitch Kanan L = ADC Flex Jari Manis Kiri
C = ADC Flex Jari Tengah Kanan H = Sudut Roll Kanan M = ADC Flex Kelingking Kiri
D = ADC Flex Jari Manis Kanan I = ADC Flex Ibu Jari Kiri N = Sudut Yaw Kiri
E = ADC Flex Kelingking Kanan J = ADC Flex Telunjuk Kiri O = Sudut Pitch Kiri
78
Halaman ini sengaja dikosongkan
79
LAMPIRAN 10
DATA SAMPEL KATA “COBA”
No A B C D E F (°) G (°) H (°)
1 2 4 1 1 1 342 79 356
2 2 4 1 1 1 339 78 355
3 2 4 1 1 1 335 78 354
4 2 4 2 1 1 355 77 358
5 2 4 1 1 1 357 76 359
6 2 4 1 2 1 337 81 356
7 2 4 2 2 2 326 83 355
8 2 4 2 2 2 351 81 358
9 2 4 2 2 2 319 83 354
10 2 4 2 2 2 317 83 353
11 2 4 2 2 2 315 84 355
12 2 4 2 2 2 348 78 357
13 2 4 1 2 1 335 79 335
14 2 4 1 2 1 335 80 355
15 2 4 2 2 2 336 81 356
16 2 4 2 2 2 342 81 357
17 2 4 2 2 2 344 80 357
18 2 4 1 1 1 355 80 359
19 2 4 1 1 1 356 78 359
20 2 4 1 1 1 349 77 357
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
80
Halaman ini sengaja dikosongkan
81
LAMPIRAN 11
DATA SAMPEL KATA “BENAR”
No A B C D E F (°) G (°) H (°)
1 2 1 1 1 1 101 115 66
2 2 2 1 1 1 102 118 67
3 2 2 1 1 1 102 118 67
4 2 2 2 2 2 103 119 67
5 2 2 2 2 2 99 115 70
6 2 2 2 2 2 102 119 67
7 2 2 2 2 2 102 118 67
8 2 2 2 2 2 101 116 67
9 2 2 2 2 2 100 118 70
10 2 2 2 2 2 102 120 69
11 2 2 2 2 2 100 117 70
12 2 2 2 2 2 101 125 73
13 2 2 2 2 2 100 114 67
14 2 2 2 2 2 100 114 67
15 2 2 2 2 2 100 118 71
16 2 2 2 2 2 100 120 72
17 2 2 2 2 2 101 121 72
18 2 2 2 2 2 97 114 74
19 2 2 2 2 2 94 101 69
20 2 2 2 2 2 91 95 74
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
82
Halaman ini sengaja dikosongkan
83
LAMPIRAN 12
DATA SAMPEL KATA “BERTEMU”
No A B C D E F (°) G (°) H (°) I J K L M N (°) O (°) P (°)
1 2 4 2 1 1 154 105 7 2 3 1 1 0 218 100 351
2 2 4 1 1 1 128 96 8 2 3 1 1 0 217 105 347
3 2 4 1 1 1 123 95 8 2 3 1 1 0 193 112 354
4 2 4 2 1 1 131 99 10 2 3 1 1 0 190 112 355
5 2 4 2 1 1 135 98 8 2 3 1 1 0 198 110 352
6 2 4 1 1 1 127 97 9 2 3 1 1 0 198 108 353
7 2 4 1 1 1 134 99 9 2 3 1 1 0 198 110 352
8 2 4 1 1 1 144 100 7 2 4 1 1 0 206 107 350
9 2 4 1 1 1 136 99 9 2 4 2 1 0 207 107 350
10 2 4 2 1 1 129 97 9 2 3 2 1 0 201 108 352
11 2 4 1 1 1 125 97 10 2 3 2 1 0 198 108 353
12 2 4 1 1 1 129 99 11 2 4 2 1 0 198 109 353
13 2 4 1 1 1 134 100 11 2 3 2 1 0 206 108 350
14 2 4 1 1 1 128 99 11 2 3 2 2 0 207 107 351
15 2 4 1 1 1 130 99 11 2 4 2 2 0 202 109 351
16 2 4 2 1 1 133 100 10 2 4 2 2 0 202 108 352
17 2 4 1 1 1 140 100 8 2 3 2 1 0 203 107 352
18 2 4 1 1 1 142 101 9 2 4 1 1 0 196 107 354
19 2 4 1 1 1 129 97 8 2 3 1 1 0 201 108 352
20 2 4 2 2 2 131 98 9 3 4 1 1 0 189 109 356
Keterangan :
A = ADC Flex Ibu Jari Kanan F = Sudut Yaw Kanan K = ADC Flex Jari Tengah Kiri P = Sudut Roll Kiri
B = ADC Flex Telunjuk Kanan G = Sudut Pitch Kanan L = ADC Flex Jari Manis Kiri
C = ADC Flex Jari Tengah Kanan H = Sudut Roll Kanan M = ADC Flex Kelingking Kiri
D = ADC Flex Jari Manis Kanan I = ADC Flex Ibu Jari Kiri N = Sudut Yaw Kiri
E = ADC Flex Kelingking Kanan J = ADC Flex Telunjuk Kiri O = Sudut Pitch Kiri
84
Halaman ini sengaja dikosongkan
85
LAMPIRAN 13
DATA SAMPEL KATA “APA”
No A B C D E F (°) G (°) H (°) I J K L M N (°) O (°) P (°)
1 2 4 4 4 2 161 170 64 3 3 4 4 2 203 168 295
2 2 4 4 3 2 163 169 59 3 3 4 4 2 201 171 290
3 2 4 3 3 2 163 169 58 3 3 4 4 2 198 170 297
4 2 4 4 3 2 162 170 63 3 3 4 4 2 196 175 284
5 2 4 4 3 2 163 170 61 3 3 4 4 2 197 176 281
6 2 4 4 3 2 165 171 58 3 3 4 3 2 195 174 290
7 2 3 3 3 2 163 170 61 3 3 4 3 2 196 176 282
8 2 3 3 3 2 167 171 55 3 3 4 3 2 196 175 284
9 2 3 3 3 2 167 172 57 3 3 4 3 2 195 173 292
10 2 4 3 3 2 166 170 54 3 3 4 4 2 194 173 292
11 2 3 3 3 2 166 173 63 3 3 4 3 2 193 176 285
12 2 3 3 3 2 168 171 55 3 3 4 3 2 192 175 289
13 2 4 3 3 2 168 171 53 3 3 4 3 2 193 171 300
14 2 4 3 3 2 166 168 51 3 3 4 3 2 193 171 301
15 2 3 3 3 2 166 169 52 3 3 4 3 2 194 171 298
16 2 3 3 3 2 168 173 59 3 3 4 3 2 192 173 296
17 2 3 3 3 2 168 171 52 3 3 4 3 2 190 172 304
18 2 3 3 3 2 167 172 60 3 3 4 3 2 190 173 298
19 2 3 4 3 2 166 173 63 3 3 4 3 2 191 174 295
20 2 4 3 3 2 168 174 66 3 3 4 3 2 188 175 297
Keterangan :
A = ADC Flex Ibu Jari Kanan F = Sudut Yaw Kanan K = ADC Flex Jari Tengah Kiri P = Sudut Roll Kiri
B = ADC Flex Telunjuk Kanan G = Sudut Pitch Kanan L = ADC Flex Jari Manis Kiri
C = ADC Flex Jari Tengah Kanan H = Sudut Roll Kanan M = ADC Flex Kelingking Kiri
D = ADC Flex Jari Manis Kanan I = ADC Flex Ibu Jari Kiri N = Sudut Yaw Kiri
E = ADC Flex Kelingking Kanan J = ADC Flex Telunjuk Kiri O = Sudut Pitch Kiri
86
Halaman ini sengaja dikosongkan
87
LAMPIRAN 14
DATA SAMPEL KATA “MAAF”
No A B C D E F (°) G (°) H (°) I J K L M N (°) O (°) P (°)
1 2 4 4 4 3 11 69 4 3 4 4 4 2 330 76 352
2 2 4 4 4 3 7 71 2 3 4 4 4 2 335 77 354
3 2 4 4 4 3 7 69 2 3 4 4 4 2 335 76 353
4 2 4 4 4 3 9 71 3 3 4 4 4 2 331 76 352
5 2 4 4 4 3 12 66 5 3 4 4 4 2 331 76 352
6 2 4 4 4 3 21 67 9 3 4 4 4 2 323 76 349
7 2 4 4 4 3 19 68 7 3 4 4 4 2 317 79 350
8 2 4 4 4 3 20 71 6 3 4 4 4 2 305 79 345
9 2 4 4 4 3 24 72 8 3 4 4 4 2 314 78 348
10 2 4 4 4 3 21 71 7 3 4 4 4 2 307 79 346
11 2 4 4 4 3 26 73 8 3 4 4 4 2 314 78 348
12 2 4 4 4 3 20 72 6 3 4 4 4 2 311 78 346
13 2 4 4 4 3 27 73 8 3 4 4 4 2 306 79 346
14 2 4 4 4 3 15 68 6 3 4 4 4 2 312 78 347
15 2 4 4 4 3 17 72 5 3 4 4 4 2 311 79 348
16 2 4 4 4 3 14 72 4 3 4 4 4 2 311 79 347
17 2 4 4 4 3 20 72 6 3 4 4 4 2 305 81 347
18 2 4 4 4 3 12 72 3 3 4 4 4 2 309 79 347
19 2 4 4 4 3 21 73 6 3 4 4 4 2 317 78 349
20 2 4 4 4 3 18 72 5 3 4 4 4 2 316 77 348
Keterangan :
A = ADC Flex Ibu Jari Kanan F = Sudut Yaw Kanan K = ADC Flex Jari Tengah Kiri P = Sudut Roll Kiri
B = ADC Flex Telunjuk Kanan G = Sudut Pitch Kanan L = ADC Flex Jari Manis Kiri
C = ADC Flex Jari Tengah Kanan H = Sudut Roll Kanan M = ADC Flex Kelingking Kiri
D = ADC Flex Jari Manis Kanan I = ADC Flex Ibu Jari Kiri N = Sudut Yaw Kiri
E = ADC Flex Kelingking Kanan J = ADC Flex Telunjuk Kiri O = Sudut Pitch Kiri
88
Halaman ini sengaja dikosongkan
89
LAMPIRAN 15
DATA SAMPEL KATA “HARI INI”
No A B C D E F (°) G (°) H (°) I J K L M N (°) O (°) P (°)
1 1 3 1 1 1 42 359 90 2 3 1 1 0 335 356 361
2 2 3 1 1 1 39 358 91 2 3 1 1 0 338 359 268
3 2 3 1 1 1 36 355 95 2 3 1 1 0 341 359 267
4 2 4 2 3 2 34 358 91 3 3 2 2 1 336 352 253
5 2 4 2 2 2 28 345 115 3 3 2 2 1 338 355 258
6 2 4 2 2 2 31 352 101 3 3 2 1 1 348 350 231
7 2 4 3 3 2 33 352 101 3 3 2 2 1 340 355 258
8 2 4 3 3 2 31 354 98 3 3 2 2 1 332 357 265
9 2 4 2 2 2 33 357 94 3 3 2 2 1 337 357 263
10 2 3 2 2 2 33 353 100 2 2 1 1 0 337 346 238
11 2 4 2 2 2 30 356 95 3 3 2 2 1 334 351 251
12 2 4 2 3 2 36 355 95 3 3 2 2 1 332 357 265
13 2 4 3 3 2 34 357 94 2 3 2 2 1 338 356 260
14 2 4 3 3 2 35 359 90 3 3 2 2 1 336 356 261
15 2 4 3 3 2 37 358 91 3 3 2 2 1 332 356 264
16 2 4 3 3 2 35 359 90 3 3 2 2 1 332 353 257
17 2 4 3 3 2 26 354 100 3 3 2 2 1 338 354 256
18 2 4 3 3 2 22 353 104 3 3 2 2 1 338 355 259
19 2 4 4 4 2 26 351 106 3 3 2 2 1 336 354 257
20 2 4 3 3 2 26 353 103 3 3 2 2 1 337 352 251
Keterangan :
A = ADC Flex Ibu Jari Kanan F = Sudut Yaw Kanan K = ADC Flex Jari Tengah Kiri P = Sudut Roll Kiri
B = ADC Flex Telunjuk Kanan G = Sudut Pitch Kanan L = ADC Flex Jari Manis Kiri
C = ADC Flex Jari Tengah Kanan H = Sudut Roll Kanan M = ADC Flex Kelingking Kiri
D = ADC Flex Jari Manis Kanan I = ADC Flex Ibu Jari Kiri N = Sudut Yaw Kiri
E = ADC Flex Kelingking Kanan J = ADC Flex Telunjuk Kiri O = Sudut Pitch Kiri
90
Halaman ini sengaja dikosongkan
91
LAMPIRAN 16
DATA SAMPEL KATA “NANTI”
No A B C D E F (°) G (°) H (°)
1 2 4 4 3 3 4 62 2
2 2 4 4 3 2 4 60 2
3 2 4 3 3 2 6 58 3
4 2 4 4 3 3 5 62 2
5 2 4 3 3 2 8 61 4
6 2 4 3 3 3 8 61 4
7 2 4 3 3 2 14 62 8
8 2 4 3 3 2 11 63 5
9 2 3 3 3 2 13 63 6
10 2 3 3 3 2 10 61 5
11 2 4 3 3 3 9 60 5
12 2 4 3 3 3 13 61 7
13 2 4 3 3 3 6 61 3
14 2 4 3 3 2 5 65 2
15 2 4 3 3 2 13 66 5
16 2 4 4 4 3 7 66 3
17 2 4 3 3 2 6 66 2
18 2 4 3 3 2 7 66 3
19 2 4 3 3 3 8 62 4
20 2 3 2 2 2 2 68 0
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
92
Halaman ini sengaja dikosongkan
93
LAMPIRAN 17
DATA SAMPEL KATA “TELEPON”
No A B C D E F (°) G (°) H (°)
1 2 2 1 1 3 62 49 58
2 2 2 1 1 3 57 44 57
3 2 2 1 1 3 49 38 55
4 2 2 2 2 3 43 37 50
5 2 2 2 2 3 49 41 52
6 2 2 2 2 3 52 41 55
7 2 2 2 2 3 52 43 53
8 2 2 2 2 3 49 40 54
9 2 2 2 2 3 53 41 56
10 2 2 2 2 3 48 37 56
11 2 2 2 2 3 51 41 54
12 2 2 2 2 3 56 42 58
13 2 2 2 2 3 55 45 55
14 2 2 2 2 3 51 43 52
15 2 2 2 2 3 50 43 52
16 2 2 2 2 3 50 42 52
17 2 2 2 2 3 54 44 54
18 2 2 2 2 3 50 43 51
19 2 2 2 2 3 49 40 54
20 2 2 2 2 3 44 36 53
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
94
Halaman ini sengaja dikosongkan
95
LAMPIRAN 18
DATA SAMPEL KATA “HALO”
No A B C D E F (°) G (°) H (°)
1 2 4 4 3 2 292 83 344
2 2 4 4 3 3 246 100 336
3 2 4 4 4 3 250 102 329
4 2 4 3 3 2 252 98 335
5 2 4 3 3 2 247 102 332
6 2 4 3 3 2 241 103 335
7 2 4 3 3 2 239 102 338
8 2 4 3 3 2 238 104 337
9 2 4 3 3 2 240 105 333
10 2 4 3 3 2 236 106 335
11 2 4 3 3 2 240 102 339
12 2 4 3 3 2 240 103 337
13 2 4 4 3 2 239 102 338
14 2 4 3 3 2 250 95 344
15 2 4 3 3 2 245 100 337
16 2 4 3 3 2 237 104 337
17 2 4 3 3 2 238 104 337
18 2 4 3 3 2 244 100 337
19 2 4 3 3 2 241 102 338
20 2 4 3 3 2 242 105 332
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521
96
Halaman ini sengaja dikosongkan
97
LAMPIRAN 19
DATA SAMPEL KATA “INDAH”
No A B C D E F (°) G (°) H (°) I J K L M N (°) O (°) P (°)
1 2 2 2 2 2 95 105 70 3 1 1 1 0 270 120 272
2 2 2 2 2 2 95 105 70 3 1 1 1 0 263 160 272
3 2 2 2 2 2 97 111 70 3 1 1 1 0 262 159 272
4 2 2 2 2 2 93 98 66 3 1 1 1 0 261 144 275
5 2 2 2 2 2 96 110 72 3 1 1 2 1 265 125 275
6 2 2 2 2 2 93 99 72 3 1 1 2 1 263 149 273
7 2 2 1 1 1 93 100 72 3 1 1 2 1 265 155 272
8 2 2 2 2 2 95 105 72 3 1 1 2 0 263 172 270
9 2 2 2 2 2 98 115 73 3 1 1 2 1 266 161 271
10 2 2 2 2 2 92 96 72 3 1 1 2 0 262 165 271
11 2 3 2 2 2 90 92 72 3 2 2 2 1 262 170 271
12 2 2 2 2 2 88 84 75 3 2 2 2 1 267 213 268
13 2 2 2 2 2 96 112 74 3 1 1 1 0 268 239 267
14 2 3 2 2 2 97 105 65 3 2 2 2 1 266 129 274
15 2 2 2 2 2 97 113 72 3 2 1 2 0 265 123 276
16 2 2 2 2 2 93 101 74 3 2 2 2 1 265 132 274
17 2 2 2 2 2 92 98 71 3 2 2 2 0 265 196 268
18 2 2 2 2 2 91 96 73 3 2 2 2 1 266 153 271
19 2 2 2 2 2 91 93 71 3 2 2 2 1 269 256 267
20 2 2 2 2 2 92 96 68 3 2 2 2 1 267 228 267
Keterangan :
A = ADC Flex Ibu Jari Kanan F = Sudut Yaw Kanan K = ADC Flex Jari Tengah Kiri P = Sudut Roll Kiri
B = ADC Flex Telunjuk Kanan G = Sudut Pitch Kanan L = ADC Flex Jari Manis Kiri
C = ADC Flex Jari Tengah Kanan H = Sudut Roll Kanan M = ADC Flex Kelingking Kiri
D = ADC Flex Jari Manis Kanan I = ADC Flex Ibu Jari Kiri N = Sudut Yaw Kiri
E = ADC Flex Kelingking Kanan J = ADC Flex Telunjuk Kiri O = Sudut Pitch Kiri
98
Halaman ini sengaja dikosongkan
99
LAMPIRAN 20
DATA SAMPEL KATA “SEKARANG”
No A B C D E F (°) G (°) H (°)
1 2 4 1 2 2 34 359 90
2 2 4 2 2 2 35 355 95
3 2 4 2 2 2 30 354 98
4 2 4 2 2 2 34 354 91
5 2 4 2 3 2 29 357 94
6 2 4 2 3 2 27 358 92
7 2 4 2 2 2 27 353 102
8 2 4 3 3 2 34 359 90
9 2 4 2 3 2 30 357 94
10 2 4 2 2 2 34 357 93
11 2 4 3 3 2 31 357 93
12 2 4 2 2 2 27 357 93
13 2 4 2 3 2 21 343 126
14 2 4 2 3 2 22 346 119
15 2 4 2 2 2 22 351 109
16 2 4 3 3 2 22 347 119
17 2 4 3 3 2 24 342 125
18 2 4 3 3 2 24 342 125
19 2 4 2 3 2 24 341 125
20 2 4 2 2 2 20 346 122
Keterangan :
A = ADC Flex Ibu Jari
B = ADC Flex Telunjuk
C = ADC Flex Jari Tengah
D = ADC Flex Jari Manis
E = ADC Flex Kelingking
F = SudutYaw GY 521
G = Sudut Pitch GY 521
H = Sudut Roll GY 521