A-151
SISTEM PENGENALAN GESTURE TANGAN UNTUK KENDALI GERAK MOBILE ROBOT BERBASIS PENGOLAHAN CITRA 123
Sutarno1, Rossi Passarella2, Bobby Arga3
Jurusan Sistem Komputer, Fakultas Ilmu Komputer Univesitas Sriwijaya 123 Jl. Raya Palembang-Prabumulih Km 32 Ogan Ilir 30662, Sumatera Selatan, Indonesia Telp: 0711-580069 e-mail:
[email protected],
[email protected],
[email protected] Abstract-Implementation of hand gesture recognition system for navigation of mobile robots using Bluetooth communication media apply image processing techniques is presented. The preprocessing image of the camera capture is resized, and color space conversion from RGB (red, green, blue) to HSV (hue, saturation, value), then segmentation process is performed to remove the background and get a hand gesture object. Feature extraction using methods Convexity Hull Defect to get the point finger tips, calculate the moment and the Centre of Gravity (CoG), then look for the angle parameter finger tips and the Euclidean distance, itโs using the process of pattern recognition hand gestures. The test results of the system obtained on hand gesture recognition accuracy rate of 80.4%, or there is an error amounting to 19.6 %. In implementation systems show mobile robot navigation system is good enough to control the distance of more than 15 meters. Keywords: Gesture, control, HSV, Convexity Hull Defect, Euclidean Distance
I. PENDAHULUAN Saat ini perkembangan teknologi dan informasi berjalan sangat cepat, hal ini karena keinginan manusia yang ingin terus membuat semua aktivitasnya menjadi lebih mudah dan efektif. Salah satu kemajuan teknologi komputer saat ini adalah bidang computer vision. Computer vision merupakan sebuah proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, pengenalan pola dan membuat keputusan. Computer vision mengambil konsep cara kerja mata manusia dengan menangkap objek atau citra yang dilihat, lalu mengirimkan informasi tentang objek atau citra tersebut ke otak dan mengambil sebuah keputusan terhadap objek tersebut [1]. Pengenalan objek atau citra yang menggabungkan konsep cara kerja mata tersebut pada sebuah sistem, mendorong pengembangan sistem otomasi komputer dalam mengenali objek atau citra, diantaranya adalah sistem pengenalan gesture tangan [2]. 1,2 Dosen Jurusan Sistem Komputer Fakultas Ilmu Komputer Univesitas Sriwijaya, Jl. Raya Palembang-Prabumulih Km. 32 Ogan Ilir 30662, Sumatrera Selatan, Indonesia. Telp. 0711580069 e-mail:
[email protected];
[email protected] 3 Mahasiswa Jurusan Sistem Komputer Fakultas Ilmu Komputer Univesitas Sriwijaya, Jl. Raya Palembang-Prabumulih Km. 32 Ogan Ilir 30662, Sumatrera Selatan, Indonesia. Telp. 0711-58006 e-mail:
[email protected]
Perkembangan teknologi kontrol robot yang semakin maju pesat dari pergerakan robot yang dikontrol manusia dari jarak dekat, kemudian dapat dikontrol dari jarak jauh menggunakan joystick atau remote control dengan media kabel. Selanjutnya digantikan dengan media gelombang radio, hingga saat ini kendali robot dikembangkan menggunakan perintah manusia secara langsung, salah satunya menggunakan gesture tangan. Manusia lebih terbiasa berinteraksi menggunakan suara, posisi tubuh dan gesture (gerakan) tangan, penggunaan gesture tangan ini lebih mudah dilakukan karena lebih alami dan interaktif serta proses pembelajaran yang relatif lebih singkat. Gesture adalah bentuk komunikasi non-verbal dengan aksi tubuh yang mengkomunikasikan pesan-pesan tertentu, sebagai pengganti ucapan. Sistem pengenalan gesture tangan terus berkembangan, terutama untuk menggantikan peran perangkat masukan seperti mouse, keyboard dan joystick yang digunakan pada interaksi manusia dengan komputer, namum perangkat ini memiliki kelemahan diantaranya tidak alami bagi manusia dan jarak pengontrolan masih cukup dekat [3]. Sistem pengenalan gesture tangan mengimplementasikan cara kerja sistem penglihatan dan pengenalan yang melibatkan mata manusia sebagai sensor yang merekam objek berupa gesture tangan dan kemudian mengirim informasi ke otak untuk diproses sehingga menghasilkan sebuah output [4]. Penggunaan gesture tangan untuk mengendalikan robot dibagi menjadi dua tahap, yaitu tahap akuisisi gesture tangan dan tahap pengenalan [5]. Penelitian lain pengendalian mobile robot berbasis webcam menggunakan perintah isyarat tangan, menggunakan metode ruang warna hue, saturation, value (HSV) dan template matching, hasilnya cukup baik dalam pengenalan gesture tangan namun jarak kontrol masih terbatas hingga 1,3 meter [6]. Studi literatur tentang interaksi visual dari gesture tangan dalam kontek perannya dalam interaksi manusia dan komputer. Gesture tangan dapat diimplementasikan untuk aplikasi bahasa isyarat, rehabilitasi medis, vitual reality, dan games. Efisiensi pembangunan interaksi manusia dan komputer sangat penting dalam sistem pengenalan gesture. Banyak aplikasi dibangun dari sistem pengenalan gesture mulai dari pengenalan bahasa isyarat, control robot, virtual reality, dan games. Beberapa algoritma digunakan dalam pengenalan gestur meliputi hidden markov model, fuzzy clustering [7]. Penelitian ini mengimplementasikan sistem pengenalan gesture tangan dengan teknik pengolahan citra pada kontrol gerak mobile robot dengan media bluethooth.
A-152 II. METODE PENELITIAN Perancangan sistem yang dilakukan melalui beberapa tahapan yang dilakukan mengikuti kerangka kerja (framework) yang telah dirancang. Tahap pertama yang harus dilakukan adalah perumusan masalahan dan menyusun hipotesa. Selanjutnya melakukan studi pustaka sebagai dasar teori untuk mendukung pemecahan permasalahan secara teoritis. Tahap kedua merancang perangkat keras (hardware) dan perangkat lunak (software). Pada perancangan software terdiri atas perancangan algoritma program pengenalan gesture tangan dan algoritma navigasi pergerakan mobile robot menggunakan software Proteus dan compiler Microsoft Visual Studio 2010. Sedangkan perancangan hardware terdiri atas prototype mobile robot, dan sistem navigasi dengan media komunikasi bluetooth. Tahap ketiga adalah pengujian software pengenalan gesture tangan dan navigasi dimulai dari proses akuisisi citra dan pengolahan citra, berupa: - Penentuan bentuk gesture, akuisisi citra gesture tangan; - Pra pengolahan citra berupa operasi: resizing, konversi HSV, dan segmentasi; - Proses ekstraksi ciri berupa: penentuan titik-titik deffect dan hull, menghitung center of gravity (CoG); - Pengenalan pola gesture tangan, menghitung jarak euclidean antara titik-titik deffect dan hull dengan centrel of gravity; - Navigasi mobile robot dengan pengaturan nilai PWM (Pulse Width Modulation) pada motor. Tahap keempat merupakan integrasi software dan hardware, melakukan pengambilan data untuk proses pengujian, validasi dan analisa dari percobaan yang telah dilakukan. Tahap kelima adalah menarik kesimpulan dari apa yang telah dilakukan. Adapun bagan dari kerangka kerja (framework) tersebut dapat dilihat pada Gbr. 1. Mulai Permasalahan, Hipotesa, Tinjauan Pustaka Konsep Perancangan
Perancangan Hardware Navigasi dan Komunikasi
Prototype Mobile Robot
Pengujian Hardware Integrasi Software dan Hardware
Perancangan Software Pengolahan Citra Akuisisi Citra, Pra Pengolahan, Ekstraksi Ciri dan Pengenalan Pola
Instruksi dikirimkan dari komputer ke mikrokontroler pada mobile robot melalui media komunikasi bluetooth. Selanjutnya mikrokontroler mengirimkan instruksi ke driver motor untuk menggerakkan mobile robot sehingga bergerak sesuai dengan instruksi tersebut. Untuk melihat lebih jelas alur dari kerja sub-sistem ini dapat dilihat blok diagram sistem pada Gbr. 2.
Input
Camera (gesture tangan)
Proses
PC - Resizing, HSV - Segmentasi - Hull Defect - Center of Gravity - Eucludien Distance
Mikrokontroller - Driver Motor - PWM
Output
- Motor Servo - Motor DC Navigasi - Bluetooth
Gbr. 2 Blok diagram sistem
III. TINJAUAN PUSTAKA A. Gesture Tangan Gesture adalah gerak atau pose tubuh merupakan suatu bentuk komunikasi non-verbal dengan aksi tubuh yg terlihat mengkomunikasikan pesan tertentu, baik sebagai pengganti wicara atau bersamaan dan paralel dengan kata-kata. Gesture mengikutkan pergerakan dari tangan, wajah, atau bagian lain dari tubuh [7]. Kinesika adalah bidang yang menelaah gesture, suatu istilah yang diciptakan seorang perintis studi bahasa nonverbal, Ray L. Birdwhistell dalam Body Talk (1987). Kinesika adalah pesan non verbal yang dituangkan dalam bentuk bahasa isyarat tubuh atau anggota tubuh. Penggagasan studi mengenai kinesik Ray Birdwhistel, yang menggunakan linguistik sebagai model bagi studi kinesik [8]. Gesture tangan merupakan bagian tubuh yang paling sering digunakan untuk mengekspresikan emosi, persahabatan dengan berjabat tangan dan ketidaksenangan dengen menyentuh bagian tertentu dari tubuh sendiri B. Pengolahan Citra Pengolahan citra adalah pemrosesan citra, khususnya menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain [9]. Proses terbentuknya sebuah citra tergambar pada Gbr. 3.
Pengujian Software Pengujian, Validasi Data Analisa, Kesimpulan Selesai
Gbr. 1 Kerangka kerja (framework) sistem
Gbr. 3 Proses pembentukan citra
A-153 Gbr. 3 memperlihatkan proses pembentukan citra. Sumber cahaya menyinari permukaan objek. Jumlah pancaran (iluminasi) cahaya yang diterima objek pada koodinat (x, y) adalah i (x, y). Objek memantulkan cahaya yang diterimanya dengan derajat pantulan r (x, y). Hasil kali antara i (x, y) dan r (x, y) menyatakan intensitas cahaya pada koordinat (x, y) yang ditangkap oleh sensor visual pada sistem optik [11]. Jadi, ๐(๐ฅ, ๐ฆ) = ๐(๐ฅ, ๐ฆ) โ ๐(๐ฅ, ๐ฆ) โฆ
(1)
Citra digital yang berukuran N x M lazim dinyatakan dengan matriks yang berukuran N baris dan M kolom sebagai dapat dilihat pada Gbr. 4 berikut: ๐(0,0) ๐(0,1) โฏ ๐(1,0) ๐(1,1) โฏ ๐(๐ฅ, ๐ฆ) โ โฎ โฎ โฎ ๐(๐ โ 1,0) ๐(๐ โ 1,1) โฆ
๐ = max(๐, ๐, ๐) ๐=
0 ๐๐๐ (๐, ๐, ๐) ๐โ ๐
0 60๐ฅ(๐ โ ๐) ๐๐ฅ๐ (๐ โ ๐) ๐ป= โจ 60๐ฅ 2 + ๐๐ฅ๐ โช (๐ โ ๐) โช โฉ60๐ฅ 4 + ๐๐ฅ๐ โง โช โช
๐ป = ๐ป + 360
โฆ
(5)
โฆ
(6)
โฆ
(7)
โฆ
(8)
๐๐๐๐ ๐ = 0 ๐๐๐๐ ๐ > 0 ๐๐๐๐ ๐ = 0 ๐๐๐๐ ๐ = ๐ ๐๐๐๐ ๐ = ๐ ๐๐๐๐ ๐ = ๐ ๐๐๐๐ ๐ป < 0
๐(0, ๐) ๐(1, ๐) โฎ ๐(๐ โ 1, ๐ โ 1)
D. Segmentasi Citra Segmentasi citra merupakan suatu metode citra digital yang dapat membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan Gbr. 4 Matrik citra ukuran M x N piksel-piksel tetangganya[14]. Segmentasi dideskripsikan sebagai proses analogi terhadap Berdasarkan pada Gbr. 4 indeks baris (i) dan indeks kolom proses pemisahan latar depan dan latar belakang. Semakin (j) menyatakan suatu koordinat titik pada citra, sedangkan f (i, besar ukuran citra dan sebaran histogram yang semakin j) merupakan intensitas (derajat keabuan) pada titik (i, j). merata, waktu iterasi yang dibutuhkan untuk proses Perbaikan kualitas citra adalah proses mendapatkan citra segmentasi citra akan semakin lama. Segmentasi akan yang lebih mudah diinterpretasikan. Secara matematis dapat mengubah suatu citra masukan yang kompleks menjadi citra diartikan sebagai proses mengubah citra f (x, y) menjadi fโ (x, yang lebih sederhana sehingga memudahkan untuk melakukan y) sehingga ciri-ciri pada f (x, y) lebih ditonjolkan [10]. analisis[10]. 1) Skin Detection C. Sistem Ruang Warna HSV (Hue, Saturation, Value) Deteksi warna kulit adalah proses menemukan pixel yang Model HSV menunjukan ruang warna dalam bentuk tiga berwarna kulit manusia dari suatu gambar atau video. Proses komponen utama yaitu hue, saturation, dan value (brightness). ini biasanya digunakan sebagai langkah untuk mendeteksi Hue adalah sudut dari 0 sampai 360 derajat. Hue menunjukan wajah ataupun anggota badan manusia dalam suatu citra [14]. jenis atau corak warna dalam spektrum warna. Merah, kuning, Warna dan teksture kulit menjadi isyarat utama untuk ungu, dll menunjukan hue. Saturasi dari suatu warna adalah menyimpulkan berbagai aspek budaya, seperti menjadi ukuran seberapa besar kemurnian dari warna tersebut [11]. indikasi ras, kesehatan, usia, kekayaan, kecantikan, dll. Oleh Sedangkan value atau brightness yaitu ukuran seberapa besar karena itu telah banyak dilakukan penelitian yang difokuskan kecerahan dari suatu warna atau seberapa besar cahaya datang pada deteksi kulit dalam suatu citra digital [14]. dari suatu warna yang bernilai 0 sampai 100%. Suatu warna 2) Ruang Warna Persepsi dan Skin Detection dengan nilai value 100% akan tampak cerah dan nilai value 0 Ruang warna persepsi seperti HSI, HSV/HSB, dan HSL akan tampak gelap[12]. Untuk dapat diproses menjadi model juga telah populer dalam mendeteksi warna kulit. Ruang warna HSV, citra RGB harus dikonversi ke model warna HSV. warna ini memisahkan tiga komponen hue (H), saturasi (S) Model warna HSV merupakan bentuk transformasi non linier dan kecerahan (I, V atau L). Ruang warna HSV adalah dari model warna RGB. Perhitungan konversi RGB menjadi deformasi ruang warna kubus RGB yang dipetakan melalui HSV menggunakan Pers. (2), (3) dan (4) dibawah ini[13]. transformasi nonlinear. Keuntungan ruang warna ini dalam mendeteksi warna kulit adalah memungkinkan pengguna 3(๐บ โ ๐ต) ๐ป = ๐ก๐๐ โฆ (2) secara intuitif menentukan batas kelas warna kulit dalam hal (๐
โ ๐บ) + (๐
โ ๐ต) warna dan saturasi. Saat I, V atau L memberikan informasi min(๐
, ๐บ, ๐ต) kecerahan [15] ๐ =1โ โฆ (3) ๐ ๐
+๐บ+๐ต ๐= 3
โฆ
(4)
Pada persamaan diatas, apabila S = 0, maka H tidak dapat ditentukan. Untuk itu diperlukan normalisasi RGB terlebih dahulu. Dengan memanfaatkan nilai R, G dan B yang telah dinormalisasi maka didapatkan transformasi persamaan RGB ke HSV sebagai pada Pers. (5) hingga Pers. (8) berikut :
E. Convexity Hull Defect Convexity merupakan ilmu bidang geometri. Ada beberapa metode dalam mencari convexity hull defect pada suatu deret poin, salah satunya metode graham convex hull [16]. Dalam penerapannya ada beberapa tahap, yaitu: 1. Mencari poin yang berposisi paling kiri atau paling bawah dari deretan poin.
A-154 2. Mengurutkan deret poin berdasarkan arah jarum jam atau lawan arah jarum jam. 3. Menentukan hull dan defect. Deret poin yang telah diurutkan ditentukan hull dan defectnya dengan mengecek arah 3 poin pertama. Apabila arah 3 poin tersebut berbelok ke kanan CW, maka poin kedua merupakan defect begitu sebaliknya. Apabila CCW menghasilkan nilai > 0, maka poin kedua merupakan hull dan jika CCW menghasilkan nilai < 0 maka poin kedua merupakan defect. E. Moment dan Center of Gravity Moment merupakan karakteristik dari titik kontur yang dihitung dengan mengintegrasikan seluruh piksel dari titik kontur. Momen biasanya digunakan untuk memandingkan dua titik kontur [17]. Sedangkan Center of Gravity (CoG) adalah titik tengah objek yang terdeteksi dari citra hasil ekstraksi fitur. F. Euclidean Distance Jarak Euclidean atau Euclidean metrik adalah jarak antara dua buah nilai. Misalkan P dan Q adalah kumpulan panjang garis [17], dimana P = (p1,p2,p3,...,pn) dan Q = (q1,q2,q3,โฆ,qn), maka euclideannya ditunjukan pada Pers. 9 berikut. ๐(๐, ๐) = =
(๐ โ ๐ โ
)
+(๐ โ ๐
(๐ โ ๐ )
)
+ โฆ + (๐ โ ๐
โฆ
100%. Hsail kalibrasi nilai hue, saturation, dan value dapat dilihat pada Gbr. 6 berikut ini.
Gbr. 6 Kalibrasi HSV pada Citra Gesture Tangan
C. Pengenalan Pola Gesture Tangan Bentuk-bentuk pola gesture tangan yang digunakan adalah jempol (thumb), telunjuk (index), tengah (middle), manis (ring), kelingking (little) dan pergerakan atau instruksi navigasi pada mobile robot dapat dilihat pada Tabel 1 berikut ini. TABEL I BENTUK-BENTUK POLA GESTURE TANGAN
)
(9)
IV. HASIL DAN ANALISA Setelah dilakukan integrasi software dan hardware, maka dilakukan proses pengujian terhadap algoritma yang digunakan. Selanjutnya dilakukan analisis dan penarikan kesimpulan A. Hardware dan Software Pengujian sistem dilakukan di dalam dan di luar ruangan. Aplikasi bahasa pemograman adalah bahasa C# menggunakan library OpenCV. Sedangkan hardware yang digunakan adalah PC processor Intel(R) Core i5, RAM 4 GB, Hardisk 500 GB, Operating System Windows 7, WebCam 1,2 Megapixel dan Modul mobile robot. Protitipe mobile robot yang dirancang dapat dilihat pada Gbr. 6.
No 1 2 3 4 5
Pola Gesture Tangan Telunjuk (index) Jempol (thumb) Kelingking (little) Jempol (thumb), kelingking (little) Jempol (thumb), telunjuk (index), tengah (middle), manis (ring), kelingking (little)
Pergerakan Navigasi Maju Belok Kanan Belok Kiri Mundur Berhenti
Hasil pengujian pengenalan polanya untuk intruksi navigasi dapat dilihat pada Gbr. 7 berikut ini.
a
b
c
d
e Gbr. 5 Prototipe mobil robot
B. Segmentasi Gesture Tangan Proses ini diawali dengan menentukan nilai batas atas dan batas bawah nilai komponen hue, saturation dan , value dari kulit tangan setelah melalui proses pra pengolahan sebelumnya. Hasil kalibrasi diperoleh nilai hue min 0 dan max 227, saturation min 15 % dan max 100%, value min 5% dan max
Gbr. 7 (a) Instruksi robot maju, (b) instruksi belok kanan, (c) instruksi belok kiri, (d) instruksi berhenti, dan (e) Instruksi mundur
Pengujian euclidean distance dan sudut finger tips pada tiap pola navigasi yang ditunjukkan pada tabel II, diperoleh nilai jarak euclidean distance efektif yang bernilai > 180 pixel, serta didapat juga nilai sudut finger tips pada masing-masing pola gesture tangan.
A-155 TABEL II NILAI MAKSIMUN, MINIMUM SUDUT FINGER TIPS DAN JARAK EUCLIDEAN GESTURE TANGAN Sudut Finger Tips (o) 0 - 40 40 - 60 60 - 80 80 - 130 130 - 215
No 1 2 3 4 5
Jarak Euclidean Rata-rata (pixel) 206,1843835 234,0683661 242,4706168 222,7285343 187,4886663
Gesture Tangan Little Ring Middle Index Thumb
Berdasarkan data Tabel II, jika nilai euclidean distance kurang dari 180 pixel dan tidak termasuk dalam nilai efektif sudut finger tips maka pola tersebut dianggap unknown atau bukan termasuk dalam pola gesture tangan. Dari hasi pengujian pengenalan 5 (lima) gesture tangan sebagai instruksi navigasi, dengan masing-masing gesture diuji sebanyak 100 kali, sehingga total 500 kali pengujian diperoleh nilai persentase error rata-rata sebesar 19,6 persen. Rincian hasil pengujian dapat dilihat pada tabel III berikut ini. TABEL III HASIL PENGUJIAN NAVIGASI MOBILE ROBOT DENGAN GESTURE TANGAN No
Pergerakan Navigasi
1 2 3 4 5
Maju Kiri Kanan Mundur Berhenti Rata-rata
Persentase Error Rata-rata (%) 16 16 16 20 30 19,6
Berdasarkan data diatas nilai error tertinggi ditunjukkan pada pola gesture mundur dengan 2 jari yakni jempol (thumb), kelingking (little) sebesar 20 persen dan pola gesture berhenti dengan 5 jari yakni jempol (thumb), telunjuk (index), tengah (middle), manis (ring), kelingking (little) sebesar 30 persen. Hal ini dikarenakan pola gesture tersebut melibatkan lebih dari 1 jari tangan, maka paremater verifikasinya juga lebih dari satu nilai. Sehingga untuk mereduksi nilai error sebaiknya digunakan pola gesture yang hanya menggunakan 1 jari tangan. V. KESIMPULAN Berdasarkan hasil pengujian dan analisa yang dilakukan yang didapat maka dapat dismpulkan bahwa : 1. Paramater yang dipakai untuk pengenalan pola gensture adalah sudut finger tips dan jarak euclidean. 2. Pengujian navigasi robot menggunakan algoritma convexity hull defect untuk navigasi maju, mundur, belok kiri, belok kanan dan stop menghasilkan nilai rata-rata persentase kesalahan masing-masing sebesar 19,6 persen. 3. Kesalahan atau error yang terjadi disebabkan pemilihan gesture yang kurang tepat atau terlalu kompleks dengan melibatkan lebih dari 1 jari, sehingga parameter sudut finger tips dan jarak euclidean untuk verifikasi gesture menjadi lebih banyak dan peluang errornya lebih tinggi. 4. Hasil pengujian pergerakan navigasi robot secara keseluruhan dapat berjalan dengan baik.
UCAPAN TERIMA KASIH Karya ilmiah ini merupakan publikasi hasil penelitian penulis pada program hibah penelitian โSains Teknologi dan Seni (SATEKs)โ Univesitas Sriwajaya tahun 2015 dengan sumber pendanaan dari dana DIPA Universitas. Untuk itu penulis mengucapkan terima kasih atas pendanaan yang diberikan pada penelitian ini. Demikan juga dengan fasilitas laboratorium Otomasi Industri, Fakultas Ilmu Komputer Unsri serta anggota tim peneliti. REFERENSI [1] G.P. Moreda, M.A. Muรฑoz, M. Ruiz-Altisent, A. Perdigones, 2012, Shape determination of horticultural produce using two-dimensional computer vision, Journal of Food Engineering, Volume 108, Issue 2, Pages 245261. [2] Wu, Y., Huang, T. S., 1999, Vision Based Gesture Recognition: A Review, Lecture Notes in Computer Science: Gesture-Based Communication in HumanComputer Interaction, Springer Berlin, and Heidelberg. [3] Manresa, C., Varona, J., Mas, R. dan Perales, F. J., 1999, Real-Time Hand Tracking and Gesture Recognition for Human-Computer Interaction, J. Electronic Letters on Computer Vision and Image Analysis, 2, 1-7. [4] Kurata, T., Okuma, T., Kourogi, M. dan Sakaue, K., 2001, The Hand Mouse: GMM Hand-color Classification and Mean Shift Tracking, Prosiding IEEE ICCV Workshop on RATFGRTS, Vancouver. [5] Tara, R. Y., Centroid Distance Fourier Description for Shape-Based Hand Gesture Recognition In Mobile Robot Teleoperation, 2012, Tesis, Magister Teknologi Informasi, Universitas Gadjah Mada, Yogyakarta. [6] Andriessen, Daniel Richard., Harianto, Madha Christian Wibowo, 2012. Pengendalian Mobile Robot Berbasis Webcam Menggunakan Perintah Isyarat Tangan, Jcones-Journal Of Control And Network Systems. [7] Sunyoto, Andi., Agus Harjoko, 2014. Review Teknik, Teknologi, Metodologi dan Implementasi Pengenalan Gestur Tangan Berbasis Visi, Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Yogyakarta. [8] Kim, H., dan Felner, D.W., 2004, โInteraction with hand gesture for a back projection wallโ, CGI โ04: Computer Graphics International, IEEE Computer Society, Washigton, USA, 2004. [9] Kadir, Abdul., Adhi Susanto, 2013, Teori dan Aplikasi Pengolahan Citra, Penerbit Andi, Yogyakarta. [10] Munir, Rinaldi., 2004. Pengolahan Citra Digital dengan pendekatan Algoritmik, Penerbit Informatika, Bandung. [11] Putra, Darma, 2010, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta. [12] GonzaleRafael C, WoodRichard E, 2007. Digital Image Processing Third Edition. Pearson International Edition. [13] Vezhnevets, Vladimir, Vassili Sazonov, and Alla Andreeva, 2003, A survey on pixel-based skin color detection techniques. Proc. Graphicon. Vol. 3. [14] Elgammal, Ahmed, Crystal Muang, and Dunxu Hu, 2009, Skin detection-a short tutorial. Encyclopedia of Biometrics. [15] Kusumadewi, Sri. 2003. Artificial Intelligence: Teknik
A-156 dan Aplikasinya. Graha Ilmu. Yogyakarta. [16] R. L. Graham, 1972, โAn efficient algorith for determining the convex hull of a finite planar set,โ Information Processing Letters, vol. 1, no. 4. pp. 132โ 133. [17] Deza, Michel M., and Elena Deza, 2009, Encyclopedia of distances. Springer. London New York.
