Penggunaan hand gesture untuk berinteraksi dengan komputer memiliki beberapa kelebihan dibanding perangkat masukan konvensional seperti mouse atau keyboard. Untuk itu perlu dikembangkan sebuah sistem yang dapat mengenali hand gesture yang kemudian ditranslasikan menjadi perintah yang harus dijalankan oleh komputer. Penelitian mengenai pengenalan hand gesture dinamis secara real-time masih banyak mengalami kendala di beberapa bagian, antara lain proses pelacakan posisi tangan dan metode pengenalan yang digunakan sehingga tingkat akurasi pengenalan masih belum maksimal. Metode yang dikembangkan terdiri dari tiga proses utama yaitu akuisisi, pelatihan dan identifikasi. Proses akuisisi hand gesture terdiri dari segmentasi, dilasi, erosi, convex hull dan convexity defect untuk mendapatkan bentuk dan posisi tangan yang dilakukan terus menerus. Kumpulan posisi tangan kemudian diproses dan dinormalisasi menjadi citra yang kemudian digunakan dalam proses pelatihan dan identifikasi. Proses pelatihan dilakukan dengan metode backpropagation dengan parameter jumlah neuron yang bervariasi. Proses identifikasi dilakukan dengan memasukkan data uji ke dalam jaringan syaraf tiruan yang telah dilatih untuk kemudian dihitung keluaran yang dihasilkan. Keluaran tersebut kemudian diinterpretasikan sebagai perintah yang harus dijalankan oleh komputer. Dari pengujian didapatkan tingkat keberhasilan akuisisi sebesar 96,97% pada ruangan dengan pencahayaan terang dan jarak ke webcam antara 50-60 cm. Tingkat akurasi pengenalan terbaik adalah 95,24% dengan ukuran citra normalisasi 30x30 pixel. Ukuran citra normalisasi 30x30 pixel memberikan tingkat akurasi tertinggi dibanding ukuran lain yang diujikan. Penambahan data pelatihan dari 330 menjadi 550 secara keseluruhan meningkatkan rata-rata akurasi sistem dari 78,04% menjadi 88,96%.

The use of hand gestures to interact with a computer has multiple advantages over conventional input devices such as mouse or keyboard. Thus, it is necessary to develop a system that can recognize hand gestures and translated into a command to be executed by a computer. Many researches for recognizing hand gestures in real time still face challenges from hand position tracking problem and discoveries of optimum recognition method is needed. The developed system consists of acquisition, training and recognition process. Acquisition process is achieved using steps in digital image processing such as segmentation, dilation and erotion, convex hull and convexity defect to continuously estimate hand position and acquire hand movement path. Hand position coordinates is processed and normalized into image for training and identification. Training process uses backpropagation algorithm with hidden layer’s neuron count as varied parameters. Recognition result acquired from output of trained artificial neural network and interpreted into command for computer. In the experiments, the developed system has 96.97% success rate on hand gesture acquisition process if conducted at bright lighting room and between 50 and 60 cm from the webcam. Highest recognition rate acquired is 95.24% with 30x30 pixel normalized image size. Normalized image with 30x30 pixel size gives higher recognition rate than other size. Increasing training data from 330 to 550 improves average recognition rate from 78.04% to 88.96%.

Kata Kunci : gerakan tangan, pengenalan pola, propagasi balik