Subscribe Us

~Orang Bisa ~ Kenapa Kita Tidak?~

Machine Learning


Referensi : Mustofa, Ahmad Habibil. 2019. Kontrol Gerak Robot Menggunakan Hand Gesture Recognition Berbasis Neural Network Backpropagation. Diss. Universitas Islam Negeri Maulana Malik Ibrahim.

http://etheses.uin-malang.ac.id/31096/1/14650080.pdf


1. Judul [Kembali]
Kontrol Gerak Robot Menggunakan Hand Gesture Recognition Berbasis Neural Network Backprogation

2. Abstrak [Kembali]
Kendali gerak robot dengan gestur tangan berbentuk glove. Menggunakan sensor MEMS (Accelerometer dan gyroscope). Dengan klasifikasi perintah diam, maju, mundur, belok kiri dan belok kanan. Dengan 10 kali uji coba  dan hasil pengenalan seluruh gesture 82,8%.

3. Landasan Teori [Kembali]

Pendekatan Hand gesture recognition dibagi 2: (1) Pendekatan berbasis visual (Vision Based Approach) dan (2) Pendekatan berbasis Sensor (Sensor Based Approach). Pendekatan berbasis sensor menggunakan gyroscope. Permasalahan pada gyroscope yg memiliki triple axis, yaitu dapat mengukur pada tiga sumbu x, y, z(positif searah jarum jam, negatif berlawanan jarum jam). Nilai tsb dimanipulasi utk mengetahui posisi benda pada 3D. Posisi tersebut umumnya disebut yaw, pitch and roll. Saat sensor bekerja, ketiga sumbu tersebut menunjukkan nilai positif dan negatif secara bersamaan. Sehingga nilai pembacaan sensor gyroscope dinamis saat pembacaan realtime. Sehingga perlu klasifikasi agar posisi dikenali.

Gyroscope untuk mengukur laju rotasi pada sumbu yang ditentukan atau mengukur sudut yang diputar.

Sensor Gyroscope MPU 6050

gyroscope atau Gyro adalah perangkat untuk mengukur atau mempertahankan orientasi, dengan prinsip ketetapan momentum sudut. Didalamnya terdapat sebuah roda berputar dengan piringan didalamya yang tetap stabil



Data dari sensor diolah dengan neural networ untuk Backpropagation untuk mengenal jenis gerakan yang akan digunakan sebagai sistem kendali robot.

Gyroscope memiliki keluaran berupa kecepatan sudut dari arah 3 sumbu yaitu: sumbu x yang nantinya akan menjadi sudut phi ( kanan dan kiri ), sumbu y nantinya menjadi sudut theta ( atas dan bawah ), dan sumbu z nantinya menjadi sudut psi ( depan dan belakang ).

Berisi MEMS (micro electro mechanical systems) accelerometer dam MEMS gyroscope dalam 1 chip. Menangkap saluran x, y, dan z secara bersamaan. Berisi perangkat keras konversi analog ke digital.

4. Metodologi Penelitian [Kembali]

HASIL

1. Kalibrasi








2. Neural Network training

Parameter:
- jumlah data latih (n)
- input layer (w, x, y, z)
- hidden layer (z)
- output layer (y)
- learning rate : 0.01
- momentum 0,9
- nilai awal 0,5
- batas nilai error 0.001

3. Training NN



4. Klasifikasi NN


















 
5. Percobaan [Kembali]
Percobaan pada matlab dengan ketentuan menggunakan 4 input layar yaitu W, X, Y, Z dengan satu output. dimana untuk outpu diberikan nilai 0 untuk posisi diam, 0.3 untuk posisi maju, 0.5 posisi mundur, 0.7 posisi belok kiri, dan 0.9 posisi belok kanan.


Data hasil pecobaan aktual dengan menggunakan sensor gyroscope kita jadikan sebagai data latih. dimana dari masing-masing data ini kita ambil sebanyak 10 data yang nantinya akan kita jadikan sebagai data latih. jadi, total data latih yang akan kita gunakan adalah sebanyak 50 data.

data latih ini akan masukkan pada matlab.
pada menu common windows kita ketikkan "nntool"
maka akan muncul tampilan
lalu kita masukkan data yang sudah kita pilih sebagai data latih. dan pada data networks kita lakukan pengaturan supaya mendapatkan hasil yang maksimal.
selanjutnya kita lakukan train data. sehingga kita mendapatkan hasil regresi
langkah selanjutnya kita masukkan data uji. dan kita lakukan simulasi terhadap data uji
sehingga kita mendapatkan output
hasil output ini kita sesuaikan dengan data aktual kita dan kita dapatkan perbandingan terhadap metode backprogation ini.
hasil perbandingannya :


6. Kesimpulan dan Saran [Kembali]
Pendekatan berbasis sensor menggunakan gyroscope. Kendali gerak robot dengan gestur tangan berbentuk glove. Menggunakan sensor MEMS (Accelerometer dan gyroscope). Dengan klasifikasi perintah diam, maju, mundur, belok kiri dan belok kanan. 

Saran: mencoba dengan menggunakan mengganti tipe jaringan dan training function.
Hasil saran. dengan mengganti tipe jaringan dan training function didapatkan tipe jaringan yang paling cocok untuk data ini adalah tipe casade dan training function yang paling cocok adalah jenis SCG.

7. Video [Kembali]
 
Video Percobaan menggunakan Neural Network Backpropagation



Video teori jaringan syaraf tiruan



Video teori Backpropagation


Perbaikkan saran

Percobaan saran oleh kelompok lain ( Lara Adrosa Marjuita )



8. Daftar pustaka [Kembali]
[1] Simanjuntak, Novan Parmonangan, 2012, Aplikasi Fuzzy Logic Controller pada Pengontrolan Lampu Lalu Lintas, [pdf],(http://informatika.stei.itb.ac.id/~rinaldi.munir/MetNum/2011-2012/
Makalah2012/MakalahIF4058-2012-002.pdf, diakses tanggal 27 November 2013).
[2] Munir, Rinaldi, 2012, Fuzzy Logic dengan Menggunakan MATLAB, [pdf],(http://informatika.stei.itb.ac.id/~rinaldi.munir/MetNum/2011-2012/Fuzzy%20dengan%20Matlab.pdf, diakses tanggal 27 November 2013).
[3] Sofiyanti, Sevi, 2004, Simulasi Pengaturan Lampu Lalu Lintas Menggunakan Logika Fuzzy, [pdf], (elib.unikom.ac.id, diakses tanggal 27 November 2013).
[4] Rahmat Taufik, Supriyono, Sukarman, 2008, Rancang Bangun Simulator Kendali Lampu Lalu Lintas Dengan Logika Fuzzy Berbasis Mikrokontroler, [pdf], (http://jurnal.sttn-batan.ac.id/wp-content/uploads/2008/12/48_SDMIV_Rahmattaufik459-466.pdf, diakses tanggal 27 November
2013).
[5] Elfitri, Ayu Rahayu, 2012, Paduan Menulis Jurnal Ilmiah,[online], (edukasi.kompas.com, diakses tanggal 13 Desember 2013).
[6] Akhmadi, Heru, 2008, Penulisan Referensi atau Daftar Pustaka pada Thesis atau Laporan Ilmiah Lainnya, [online],
(muhammadheru.blogspot.com/2008/09/penulisan-referensidaftar-pustaka-pada.html, diakses tanggal 13 Desember
2013)
 

9. download file [Kembali]