Studi Klasifikasi Gerakan Semaphore menggunakan Fuzzy Mamdani dari Data IMU Sensor
DOI:
https://doi.org/10.52985/insyst.v5i1.263Keywords:
Fuzzy mamdani, semaphore, sensor inersialAbstract
Sering dijumpai di komunikasi antar kapal dan dikepramukaan penggunaan bendera semaphore untuk media komunikasi jarak jauh. Pembelajaran semaphore umumnya dilakukan secara manual dan menggunakan pendeteksian dengan citra digital. Namun keduanya memiliki keterbatasan yaitu ketersediaan tenaga ahli/tutor dan permasalahan pencahayaan. Mengingat pentingnya semaphore untuk komunikasi jarak jauh maka ahli semaphore memerlukan guidance system yang dapat menilai gerakan latihan. Penelitian ini menggunakan fuzzy logic dengan mamdani inference system. Metode yang digunakan adalah memasang sensor inersial pada kedua pergelangan tangan untuk mendapatkan data sudut gerakan tangan. Sensor inersial yang digunakan menghasilkan tiga sudut orientasi yaitu roll, pitch, dan yaw; namun dalam penelitian ini digunakan sudut roll. Gerakan semaphore pada penelitian ini berporos hanya pada satu sumbu sehingga data sudut roll yang digunakan untuk analisis. Sensor inersial secara nirkabel memberikan data ke komputer yang telah berisi perangkat lunak fuzzy system. Pada dasarnya gerakan semaphore memiliki delapan titik sudut, namun dalam penelitian ini telah ditemukan metode baru menggunakan lima area untuk mengelompokkan sudut kedua tangan. Pengelompokan pada lima area bermanfaat untuk penciptaan rule fuzzy. Output fuzzy berupa skor sesuai atau tidak sesuai. Eksperimen menggunakan lima orang subjek yang diminta melakukan delapan karakter yang mewakili huruf A-Z, dan spasi. Hasil pengujian menunjukkan sistem berhasil mendeteksi gerakan dengan akurasi 67.5%. Hasil umpan balik analisis menunjukkan bahwa kedepannya diperlukan sebuah sensor yang dapat mendeteksi kemiringan torso untuk mengkompensasi postur tubuh yang kurang tegak saat subjek melakukan eksperimen.
References
E. Padmalatha, S. Sailekya, R. Ravinder Reddy, C. Anil Krishna, and K. Divyarsha, “Sign language recognition,” Int. J. Recent Technol. Eng., vol. 8, no. 3, pp. 2128–2137, 2019, doi: 10.35940/ijrte.C4565.098319.
S. P. Goswami, A. R. Ggr, and K. Sharma, “Introduction of indian sign language in inclusive education,” Disabil. CBR Incl. Dev., vol. 30, no. 4, pp. 96–110, 2019, doi: 10.5463/dcid.v30i4.796.
M. Porta-Lorenzo, M. Vázquez-Enríquez, A. Pérez-Pérez, J. L. Alba-Castro, and L. Docío-Fernández, “Facial Motion Analysis beyond Emotional Expressions,” Sensors, vol. 22, no. 10, 2022, doi: 10.3390/s22103839.
R. C. Chen, W. E. Manongga, and C. Dewi, “Recursive Feature Elimination for Improving Learning Points on Hand-Sign Recognition,” Futur. Internet, vol. 14, no. 12, pp. 1–18, 2022, doi: 10.3390/fi14120352.
R. H. Abiyev, M. Arslan, and J. B. Idoko, “Sign language translation using deep convolutional neural networks,” KSII Trans. Internet Inf. Syst., vol. 14, no. 2, pp. 631–653, 2020, doi: 10.3837/tiis.2020.02.009.
T. Juliatmojo and E. Ariwibowo, “Pembelajaran Sandi Morse Dan Sandi Semaphore Dalam Bentuk Simulasi Berbasis Multimedia,” J. Sarj. Tek. Inform., vol. 1, no. 1, pp. 129–139, 2013.
R. Aisuwarya, N. Alfitri, and H. Wahyudi, “Sistem Penerjemah Sandi Semaphore Menggunakan Sensor Kinect dengan Pengenalan Pola Delapan Titik,” in Seminar Nasional Sains dan Teknologi, 2017, pp. 1–6.
M. Fuad and E. Prasetya, “Pengenalan Gestur Semaphore Menggunakan Sensor Kinect,” in Seminar Nasional Aplikasi Teknologi Informasi, 2014, pp. 266–270.
T. N. Budimartono, R. B. Widodo, and P. L. T. Irawan, “Perancangan Aplikasi Realtime Berbasis Desktop dengan Sensor IMU pada Klasifikasi Gerakan Semaphore Menggunakan Metode CNN,” Pros. Semin. Nas. Univ. Ma Chung, pp. 75–88, 2022.
K. A. Spenkov, O. R. Nikitin, I. E. Zhigalov, I. R. Dubov, and A. D. Pozdnyakov, “Using Image Processing to Improve Semaphore Communication,” IOP Conf. Ser. Mater. Sci. Eng., vol. 862, no. 5, pp. 1–6, 2020, doi: 10.1088/1757-899X/862/5/052021.
A. Wirawan and A. Azhari, “Implementasi Metode Fuzzy-Mamdani untuk Menentukan Jenis Ikan Konsumsi Air Tawar Berdasarkan Karakteristik Lahan Budidaya Perikanan,” Bimipa, vol. 24, no. 1, pp. 29–38, 2014.
J. C. Guzmán, I. Miramontes, P. Melin, and G. Prado-Arechiga, “Optimal genetic design of type-1 and interval type-2 fuzzy systems for blood pressure level classification,” Axioms, vol. 8, no. 1, 2019, doi: 10.3390/axioms8010008.
F. Es-Sabery, A. Hair, J. Qadir, B. Sainz-De-Abajo, B. Garcia-Zapirain, and I. Torre-DIez, “Sentence-Level Classification Using Parallel Fuzzy Deep Learning Classifier,” IEEE Access, vol. 9, pp. 17943–17985, 2021, doi: 10.1109/ACCESS.2021.3053917.
M. Khayamnia, M. Yazdchi, A. Heidari, and M. Foroughipour, “Diagnosis of common headaches using hybrid expert-based systems,” J. Med. Signals Sens., vol. 9, no. 3, pp. 174–180, 2019, doi: 10.4103/jmss.JMSS_47_18.
A. N. Kumar, C. Sanjay, and M. Chakravarthy, “A single-end directional relaying scheme for double-circuit transmission line using fuzzy expert system,” Complex Intell. Syst., vol. 6, no. 2, pp. 335–346, 2020, doi: 10.1007/s40747-020-00131-w.
H. R. Mohammed and Z. M. Hussain, “Hybrid mamdani fuzzy rules and convolutional neural networks for analysis and identification of animal images,” Computation, vol. 9, no. 3, 2021, doi: 10.3390/computation9030035.
S. Kusumadewi and H. Purnomo, Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu, 2004.
C. Curnow and E. Emmy, Visual Signaling [EBook #43515]. Signal Corps United States Army, 2013. [Online]. Available: https://www.gutenberg.org/files/43515/43515-h/43515-h.htm
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 INSYST: Journal of Intelligent System and Computation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
