TA : Hand Gesture Detection sebagai Alat Bantu Ajar Berhitung menggunakan Mediapipe dan Convolutional Neural Network secara Realtime

Nautica, Muhammad Rifki Pratama (2022) TA : Hand Gesture Detection sebagai Alat Bantu Ajar Berhitung menggunakan Mediapipe dan Convolutional Neural Network secara Realtime. Undergraduate thesis, Universitas Dinamika.

[img]
Preview
Text
18410200038-2022-UNIVERSITAS DINAMIKA.pdf - Accepted Version

Download (1MB) | Preview
[img] Text
18410200038-2022-LAMPIRAN.pdf - Accepted Version
Restricted to Repository staff only

Download (727kB)

Abstract

Pendidikan usia dini merupakan salah satu aspek penting dari kehidupan setiap orang dimana segala sesuatu yang akan dipelajari di masa depan bermula pada pendidikan pada usia dini. Dalam perkembangannya di Indonesia, terutama di masa pandemi, pendidikan di Indonesia mengalami perubahan signifikan dimana kegiatan belajar mengajar harus dilakukan secara online. Hal tersebut mengakibatkan learning loss untuk sebagian aspek penting, terlebih pada pendidikan jenjang usia dini. Keadaan learning loss menurut Guru Besar Universitas Islam Indonesia, Edy Suandi Hamid, merupakan keadaan dimana hilangnya sebagian ilmu yang diberikan dari tenaga pendidik kepada peserta didik. Salah satu mata pelajaran yang mengalami learning loss adalah pelajaran dasar berhitung pada anak usia dini. Oleh karena masalah tersebut, maka tenaga pendidik perlu untuk mencari cara agar kegiatan belajar mengajar terutama berhitung tidak terasa membosankan bagi anak-anak usia dini. Dengan menggabungkan teknologi Computer Vision, Deep Learning dan konsep belajar sambil bermain, maka dapat membantu proses belajar mengajar secara interaktif pada anak usia dini. Pada penelitian Tugas Akhir ini, penulis menggunakan implementasi framework Mediapipe dan arsitektur Convolutional Neural Network sebagai alat bantu ajar berhitung pada pendidikan usia dini secara real-time dengan metode object detection melalui deteksi bentuk gestur jari tangan. Adapun gestur jari tangan yang akan di deteksi adalah bentuk kesepuluh jari tangan. Dari pengujian yang dilakukan, performa akurasi metode Mediapipe sebesar 90,99% dan arsitektur CNN sebesar 38,67%. Untuk performa komputasi, metode Mediapipe menghasilkan frame per second sebesar 20-25 FPS sedangkan metode CNN menghasilkan frame per second sebesar 10-12 FPS.


Export Record



Statistic

IRStats Detail StatisticView more statistics

Item Type: Thesis (Undergraduate)
Additional Information: Muhammad Rifki Pratama Nautica (18410200038)
Uncontrolled Keywords: Hand Gesture Detection, Deep Learning, Mediapipe, CNN
Dewey Decimal Classification: 600 – Technology > 620 Engineering & Applied operations > 621 Applied physics
Divisions: Fakultas Teknologi dan Informatika > S1 Teknik Komputer
Depositing User: Muhammad Rifki Pratama Nautica
Date Deposited: 10 Aug 2022 14:52
Last Modified: 10 Aug 2022 14:52
THESIS ADVISORS: 1. Heri Pratikno, M.T., MTCNA., MTCRE. (NIDN : 0716117302)
2. Yosefine Triwidyastuti, M.T. (NIDN : 0729038504)
URI: http://repository.dinamika.ac.id/id/eprint/6650

Actions (login required)

View Item View Item