klasifikasi gerakan pada sarung tangan ...repository.ppns.ac.id/2442/1/0915040060 - muhammad...

,

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

iv


vi


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


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


xi

GESTURE CLASSIFICATION ON SIGN LANGUAGE

TRANSLATOR GLOVES USING THE NEURAL NETWORK

METHOD.


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


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


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 4.4 Percobaan GY 521 Sudut 60° (Lanjutan) ............................................. 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)


3. Tansig

𝑆(𝑥) =2

1+𝑒−2𝑥 − 1 (2.3)


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


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


untuk mendeteksi

kelengkungan jari pada

tangan kiri saat

menggunakan bahasa

isyarat)

Sensor MPU6050

GY521 Tangan kanan


untuk mendeteksi posisi

dan gerakan telapak

tangan kanan saat

melakukan bahasa

isyarat)

Sensor MPU6050

GY521 Tangan Kiri


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


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


untuk menerima data

sensor MPU6050 GY521

pada tangan kanan dan

mengimkannya menuju

Arduino Mega2560)

Android


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


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)


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



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)


10 60,6 60 1




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


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”


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”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “kamu”,


error sebesar 20 %.

46

Tabel 4.11 Tabel Hasil Pengujian Klasifikasi Kata “Ibu”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “ibu”,


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”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “makan”,


error yang cukup besar, yakni sebesar 40 %.

47

Tabel 4.13 Tabel Hasil Pengujian Klasifikasi Kata “Minum”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “minum”,


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “adik”,


error sebesar 10 %.

48

Tabel 4.15 Tabel Hasil Pengujian Klasifikasi Kata “Kakak”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “kakak”,


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”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “tidur”,


error sebesar 20 %.

49

Tabel 4.17 Tabel Hasil Pengujian Kata “Coba”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “coba”,


error sebesar 40 %.

Tabel 4.18 Tabel Hasil Pengujian Kata “Benar”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “benar”,


error sebesar 20 %.

50

Tabel 4.19 Tabel Hasil Pengujian Kata “Bertemu”


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


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”,


error sebesar 30 %.

51

Tabel 4.21 Tabel Hasil Pengujian Kata “Maaf”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “maaf”,


error sebesar 50 %.

Tabel 4.22 Tabel Hasil Pengujian Kata “Hari Ini”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “hari ini”,


error sebesar 10 %.

52

Tabel 4.23 Tabel Hasil Pengujian Kata “Nanti”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “nanti”,


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “telepon”,


error sebesar 40 %.

53

Tabel 4.25 Tabel Hasil Pengujian Kata “Halo”


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


Setelah dilakukan pengujian klasifikasi terhadap keluaran kata “Halo”,


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


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”


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


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






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


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


https://www.arduino.cc/en/Main/ArduinoBoardNano


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.

https://www.arduino.cc/en/products.compare

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

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


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 :






F = SudutYaw GY 521



64


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 :






F = SudutYaw GY 521



66


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 :






F = SudutYaw GY 521



68


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 :






F = SudutYaw GY 521



70


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 :






F = SudutYaw GY 521



72


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 :






F = SudutYaw GY 521



74


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 :






F = SudutYaw GY 521



76


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


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 :






F = SudutYaw GY 521



80


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 :






F = SudutYaw GY 521



82


83

LAMPIRAN 12

DATA SAMPEL KATA “BERTEMU”


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 :






84


85

LAMPIRAN 13

DATA SAMPEL KATA “APA”


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 :






86


87

LAMPIRAN 14

DATA SAMPEL KATA “MAAF”


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 :






88


89

LAMPIRAN 15

DATA SAMPEL KATA “HARI INI”


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 :






90


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 :






F = SudutYaw GY 521



92


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 :






F = SudutYaw GY 521



94


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 :






F = SudutYaw GY 521



96


97

LAMPIRAN 19

DATA SAMPEL KATA “INDAH”


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 :






98


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 :






F = SudutYaw GY 521



klasifikasi gerakan pada sarung tangan ...repository.ppns.ac.id/2442/1/0915040060 - muhammad...

Documents