Cover
PUBLIC karya Abstrak dan Abstract
PUBLIC karya
Lembar Pengesahan
Terbatas karya
» ITB
Terbatas karya
» ITB
Daftar Isi
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB I
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB II
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB III
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB VI
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB V
Terbatas karya
» ITB
Terbatas karya
» ITB
Sensor Kinect dapat digunakan dalam dunia robotik untuk menggerakan lengan
robot agar didapatkan interaksi antara manusia dan robot yang lebih natural. Sensor
Kinect mampu mendeteksi tubuh manusia dengan memetakan sendi-sendi tubuh
yang disebut skeletal tracking. Data skeletal tracking terdiri dari 20 data joint yang
posisinya disimpan dalam koordinat 3D. Meskipun data skeletal tracking memiliki
akurasi yang cukup baik, seringkali terdapat noise berupa jitter data atau lonjakan
data yang tidak diinginkan. Noise yang terdapat pada data skeletal tracking diatasi
dengan proses filtering. Algoritma filter yang banyak digunakan dalam melakukan
smoothing terhadap data Kinect adalah Kalman Filter. Selain mengaplikasikan
algoritma KF, penelitian ini juga akan membandingkan hasil estimasi KF dan EKF.
Penelitian dimulai dengan merancang karakteristik filter berupa variabel state
vector dan parameter R dan Q untuk masing-masing algoritma KF dan EKF. Setelah
ditemukan nilai R dan Q, kedua filter diterapkan ke joint untuk dua jenis pose, pose
statis dan dinamis. Pada pose statis, tingkat akurasi dan smoothnes diperoleh dari
nilai rata-rata MAE dan SE (KF 0.012461 dan 0.000148, EKF 0.009157 dan
0.000063, Kinect 0.01238 dan 0.00018). Dari hasil perhitungan, didapatkan bahwa
performa EKF lebih baik dengan nilai MAE dan SE yang lebih rendah daripada KF
dan Kinect. Sementara itu, implementasi EKF pada pose dinamis dianalisis secara
grafis karena tidak ada database yang dapat digunakan sebagai nilai referensi. Hasil
EKF pada pose dinamis berpotensi mereduksi syarat data posisi untuk identifikasi
gesture. Uji coba kombinasi R dan Q dilakukan untuk melihat pengaruh perbedaan
R dan Q pada pose statis dan dinamis. Dalam uji coba ini, didapatkan nilai
parameter terbaik untuk Q adalah 10-6
dan R adalah 10-4
. Hasil estimasi filter dari
kedua pose menunjukkan adanya pengurangan terhadap noise berupa jitter data
pada data posisi joint Kinect dengan tetap mempertahankan data gesture.