KLASIFIKASI KODALY HAND SIGN UNTUK ROBOT ANGKLUNG MENGGUNAKAN SUPPORT VECTOR MACHINE

Fikri Ramadhan, Muhammad Ichwan

Abstract


Angklung merupakan alat musik tradisional asal Jawa Barat yang perlu dilestarikan untuk menjaga warisan budaya Indonesia. Penelitian ini bertujuan membangun sistem robot angklung yang dikontrol oleh pose tangan sesuai aturan kodaly hand sign hanya dengan webcam bawaan laptop dengan menggunakan hand landmark detection mediapipe. Untuk klasifikasi pose tangan menggunakan algoritma Support Vector Machine (SVM). Model Support Vector Machine (SVM) dilatih dengan kernel linear dan kernel RBF dan parameter C dengan rentang 0.001, 0.01, 0.1, 1, 10, dan 100, dan dievaluasi dengan menggunakan metrik akurasi dan F1-score. Jumlah dataset yang digunakan untuk training sebanyak 1600 data dan jumlah dataset yang digunakan untuk evaluasi sebanyak 4800 data dari tiga orang partisipan. Hasil penelitian menunjukkan bahwa kernel RBF dengan parameter C=0.1 memiliki kinerja terbaik dengan akurasi sebesar 90,1% dan macro average F1-score sebesar 89,8%. Hasil pemodelan tersebut digunakan pada sistem robot angklung yang dibangun dengan berbasis mikrokontroler Arduino Mega 2560. Sistem yang dibangun mampu mengenali pose tangan sesuai aturan kodaly hand sign dari pengguna secara real-time.

Keywords


Angklung; kodaly hand sign; Mediapipe; Support Vector Machine

Full Text:

PDF

References


A. D. S. A. Ningsih, Alifiya, M. N. I. Putri, and Q. D. Darussani, “Perkembangan Alat Musik Tradisional Angklung,” Gudang J. Multidisiplin Ilmu, vol. 2, pp. 208–217, 2024.

Selvi Listyaningsih, Yatim Riyanto, and Muhammad Turhan Yani, “Pengaruh Media Angklung Interaktif terhadap Revitalisasi Motivasi Belajar Siswa SD di Masa Pandemi,” EDUKASIA J. Pendidik. dan Pembelajaran, vol. 4, no. 1, pp. 137–148, 2023, doi: 10.62775/edukasia.v4i1.231.

M. Croassacipto, M. Ichwan, and D. B. Utami, “Tone Classification Matches Kodàly Handsign with the K-Nearest Neighbor Method at Leap Motion Controller,” Int. J. Inf. Commun. Technol., vol. 5, no. 2, p. 40, 2020, doi: 10.21108/ijoict.2019.52.283.

Arpita Halder and Akshit Tayade, “Real-time Vernacular Sign Language Recognition using MediaPipe and Machine Learning,” Int. J. Res. Publ. Rev., vol. 2, no. 5, pp. 9–17, 2021, [Online]. Available: www.ijrpr.com

L. Chandwani et al., “Gesture based Sign Language Recognition system using Mediapipe,” 2023, [Online]. Available: https://doi.org/10.21203/rs.3.rs-3106646/v1

K. Km and S. Nr, “Recognization of Hand Gestures Using Mediapipe Hands,” Int. Res. J. Mod. Eng. Technol. Sci., no. 06, pp. 2582–5208, 2022, [Online]. Available: www.irjmets.com

K. A. AHMAD, D. C. SILPANI, and K. YOSHIDA, “Hand Gesture Recognition by Hand Landmark Classification,” Int. Symp. Affect. Sci. Eng., vol. ISASE2022, no. 0, pp. 1–4, 2022, doi: 10.5057/isase.2022-c000026.

F. Zhang et al., “MediaPipe Hands: On-device Real-time Hand Tracking,” 2020, [Online]. Available: http://arxiv.org/abs/2006.10214

D. Safryda Putri and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi Pospay Dengan Algoritma Support Vector Machine,” J. Ilm. Inform., vol. 11, no. 01, pp. 32–40, 2023, doi: 10.33884/jif.v11i01.6611.

I. Monika Parapat and M. Tanzil Furqon, “Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3163–3169, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

R. Nanda, E. Haerani, S. K. Gusti, and S. Ramadhani, “Klasifikasi Berita Menggunakan Metode Support Vector Machine,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 2, pp. 269–278, 2022, doi: 10.32672/jnkti.v5i2.4193.

D. Rahmadini, N. Diana, F. Salsabila, A. Kunaefi, and D. Rolliawati, “Analisis Peramalan Harga Penutupan Saham PT . Telekomunikasi Indonesia dengan Support Vector Machine ( SVM ),” vol. 11, no. 1, pp. 22–33, 2024.

R. H. Dananjaya, S. Sutrisno, and F. A. Wellianto, “Akurasi Penggunaan Metode Support Vector Machine Dalam Prediksi Penurunan Pondasi Tiang,” Matriks Tek. Sipil, vol. 10, no. 3, p. 298, 2022, doi: 10.20961/mateksi.v10i3.64519.

S. D. Wahyuni and R. H. Kusumodestoni, “Optimalisasi Algoritma Support Vector Machine (SVM) Dalam Klasifikasi Kejadian Data Stunting,” Bull. Inf. Technol., vol. 5, no. 2, pp. 56–64, 2024, doi: 10.47065/bit.v5i2.1247.

A. Mathur and G. M. Foody, “Multiclass and binary SVM classification: Implications for training and classification users,” IEEE Geosci. Remote Sens. Lett., vol. 5, no. 2, pp. 241–245, 2008, doi: 10.1109/LGRS.2008.915597.

A. N. Arifah, J. Suprijadi, and I. Ginanjar, “Klasifikasi Rumpun Jabatan ASN Berdasarkan Riwayat Pelatihan Menggunakan Multiclass Support Vector Machine,” J. Stat. Teor. dan Apl., vol. 1, no. 1, pp. 191–197, 2022, [Online]. Available: http://prosiding.statistics.unpad.ac.id

A. Cardova and A. Hermawan, “Implementasi Metode LSTM Untuk Mengklasifikasi Berita Palsu Pada PolitiFact,” J. Fasilkom, vol. 13, no. 3, pp. 471–479, 2023, doi: 10.37859/jf.v13i3.6175.

Dania Siregar, Faroh Ladayya, Naufal Zhafran Albaqi, and Bintang Mahesa Wardana, “Penerapan Metode Support Vector Machines (SVM) dan Metode Naïve Bayes Classifier (NBC) dalam Analisis Sentimen Publik terhadap Konsep Child-free di Media Sosial Twitter,” J. Stat. dan Apl., vol. 7, no. 1, pp. 93–104, 2023, doi: 10.21009/jsa.07109.




DOI: https://doi.org/10.29100/jipi.v11i1.7379

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
STKIP PGRI Tulungagung

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipi@stkippgritulungagung.ac.id

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.