DETEKSI GERAKAN KEDIPAN MATA SEBAGAI PEMILIHAN KARAKTER DAN PENDETEKSIAN ERROR PADA VIRTUAL KEYBOARD MENGGUNAKAN SENSOR ELECTROOCULOGRAPHY DENGAN METODE K-NEAREST NEIGHBOR UNTUK PENYANDANG DISABILITAS

Novi, Putri (2021) DETEKSI GERAKAN KEDIPAN MATA SEBAGAI PEMILIHAN KARAKTER DAN PENDETEKSIAN ERROR PADA VIRTUAL KEYBOARD MENGGUNAKAN SENSOR ELECTROOCULOGRAPHY DENGAN METODE K-NEAREST NEIGHBOR UNTUK PENYANDANG DISABILITAS. Diploma thesis, Universitas Andalas.

Preview	Text (Cover dan Abstrak) Abstrak.pdf - Published Version Download (87kB) | Preview
Preview	Text (Bab I Pendahuluan) Bab I.pdf - Published Version Download (245kB) | Preview
Preview	Text (Bab V Kesimpulan dan Saran) Bab V.pdf - Published Version Download (47kB) | Preview
Preview	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (365kB) | Preview
	Text (Skripsi full text) Full Laporan Tugas Akhir (Novi Putri_1610952023).pdf - Published Version Restricted to Repository staff only Download (27MB)

Abstract

Penyandang disabilitas yang mengalami gangguan syaraf motorik kasar, motorik halus dan kemampuan berbicara memiliki kesulitan untuk berkomunikasi. Salah satu solusi untuk mengatasi kesulitan berkomunikasi pada penyandang disabilitas adalah menggunakan virtual keyboard dengan memanfaatkan aktivitas mata. Virtual keyboard yang telah dirancang pada penelitian terdahulu hanya menggunakan aktivitas mata lirikan ke atas, bawah, kiri, kanan dan kedip sadar. Kedipan mata sering kali menjadi error ketika melakukan pengetikan pada virtual keyboard, akan tetapi penelitian mengenai ini masih minim dilakukan. Maka dari itu, dilakukan penelitian pendeteksian kedip sadar, kedip tidak sadar, kedip kiri dan kedip kanan dengan memanfaatkan sinyal electrooculography (EOG). Gerakan kedip tidak sadar, kedip kiri dan kedip kanan digunakan sebagai pendeteksian error agar tidak mengganggu penggunaan virtual keyboard serta kedip sadar digunakan sebagai pemilihan karakter pada virtual keyboard. Data kedipan mata diklasifikasikan menggunakan metode K-Nearest Neighbor (KNN) agar dapat mengenali jenis sinyal berdasarkan luas dan amplitudonya. Data kedipan mata terdiri atas 2000 data latih dan 2000 data uji. Hasil pengujian data kedipan mata menggunakan metode KNN mendapatkan akurasi 95,35% dengan nilai tetangganya adalah 7. Gerakan lirikan dan kedipan mata digunakan untuk mengendalikan virtual keyboard. Hasil pengujian data lirikan dan kedipan mata menggunakan metode KNN adalah 91,25% dengan jumlah tetangganya adalah 3. Pada penelitian ini juga dilakukan pengujian terhadap 16 kata sebagai uji performansi virtual keyboard yang terdiri atas beberapa sinyal aktivitas mata, didapatkan tingkat keberhasilan gerakan sebesar 90,75%.

Actions (login required)

View Item