KENDALI KURSI RODA MEMANFAATKAN GESTUR TANGAN MENGGUNAKAN SENSOR LEAP MOTION DENGAN METODE K-NEAREST NEIGHBORS UNTUK MENGATASI KESALAHAN TRANSISI PERGERAKAN TANGAN

Dede, Ismail (2024) KENDALI KURSI RODA MEMANFAATKAN GESTUR TANGAN MENGGUNAKAN SENSOR LEAP MOTION DENGAN METODE K-NEAREST NEIGHBORS UNTUK MENGATASI KESALAHAN TRANSISI PERGERAKAN TANGAN. Diploma thesis, Universitas Andalas.

	Text (Cover dan Abstrak) cover - abstrak.pdf - Published Version Download (106kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Published Version Download (46kB)
	Text (Bab V Penutup) Bab V Kesimpulan dan Saran.pdf - Published Version Download (34kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (114kB)
	Text (Skripsi Full text) Laporan TA_Dede Ismail-ttd.pdf - Published Version Restricted to Repository staff only Download (5MB)

Abstract

Disabilitas merupakan suatu kondisi seseorang yang mengalami keterbatasan yang dapat menyebabkan tidak bisa beraktivitas secara normal. Salah satunya disabilitas fisik menghambat mobilisasi sehari-hari yang dapat dibantu dengan kursi roda. Kursi roda elektrik dengan kendali joystick memiliki kelemahan bagi pengguna pasca stroke. Inovasi pengendalian kursi roda menggunakan sensor Leap motion yang mendeteksi gestur tangan tanpa jari lengkap dapat dijadikan solusi alternatifnya. Pada penelitian ini pengendalian kursi roda dengan sensor Leap motion menggunakan metode K-Nearest Neighbors (KNN) untuk meminimalisir kesalahan klasifikasi gerak saat transisi gestur tangan. Metode KNN mengklasifikasikan data berdasarkan jarak antar data menggunakan persamaan Euclidean distance. Hasil percobaan pada kursi menunjukkan akurasi pengenalan gestur tangan sebesar 97,78% dari pengujian dengan 15 responden dan 225 percobaan. Pengujian kendali kursi roda menunjukkan rata-rata waktu tempuh 67,54 detik dengan waktu tercepat 60 detik dan waktu terlama 75 detik. Penelitian ini dalam pengenalan gestur tangan dengan KNN memiliki akurasi tinggi, mampu meminimalisir kesalahan klasifikasi gestur, dan mengatasi masalah transisi gerakan sehingga sesuai dengan instruksi pengguna. Penelitian ini juga membuktikan bahwa akurasi pengenalan gestur secara real-time lebih baik dari penelitian sebelumnya, mencapai 97,78%. Implementasi ini meningkatkan kenyamanan pengguna kursi roda dan menyempurnakan penelitian sebelumnya.

Actions (login required)

View Item