Jurnal Pengenalan Tari Sigeh Pengunten [PDF]

Citation preview

PENGENALAN POSE TARI SIGEH PENGUNTEN MENGGUNAKAN METODE HIDDEN MARKOV MODEL (HMM) Abdul Halim



Jurusan Informatika, Universitas Bandar lampung (UBL) Jl. Pagar Alam Bandar Lampung, Lampung. Di daerah Lampung banyak sekali jenis-jenis tarian tradisional salah satunya yaitu tari Sigeh Pengunten. Tari Sigeh Pengunten (siger penguntin) merupakan salah satu tari kreasi baru dari daerah Lampung. Tari ini merupakan pengembangan dari Tari Sembah yang merupakan tari tradisi asli masyarakat Lampung. Namun seiring perkembangan teknologi dan globalisasi budaya modern yang berkembang pesat pada saat ini, budaya tradisional khususnya tarian Sigeh Pengunten mulai kurang diminati oleh generasi sekarang, dikarenakan perkembangan budaya modern saat ini mulai muncul tarian-tarian yang lebih banyak digemari oleh generasi sekarang, contohnya adalah break dance, hip-hop dan lainlain. Untuk mengatasi permasalahan tersebut kami mencoba melakukan penelitian untuk memadukan perkembangan teknologi modern dengan budaya tradisional yaitu mengembangkan suatu Aplikasi “Pengenalan Tari Sigeh Pengunten Menggunkan Metode Hidden Markov Model”. Cara kerja dari sub-modul HMM ini sendiri yaitu dengan menggunakan urutan vektor gerak tari yang dikuantisasi agar menjadi urutan vektor yang diskrit. Urutan vektor diskrit ini dapat digunakan sebagai proses pembelajaran (learning) pengenalan pola. Urutan vektor diskrit ini pula dapat dilakukan labelling dan threshold kemiripan untuk proses klasifikasi gerak tari, sehingga menghasilkan gerak tari yang sudah dikenali dan fungsi probabilitas gerak tari.



lampung kepulauan sumatra, memiliki budaya dan adat istiadat yang beragam seperti upacara adat, seni pertunjukan, seni kerajinan, dan seni pertunjukan lainnya yang tumbuh dari masyarakat pendatang.



Kata Kunce : Tari Sigeh Pengunten, Markov Model, labelling dan threshold.



esensial dari tari ini merupakan bentuk penghormatan kepada para tamu undangan yang hadir. Dalam tari ini, para penari mengekspresikan hal tersebut dalam rangkaian gerakan yang luwes, ramah, dan penuh kehangatan. Proses lahirnya tari sigeh pengunten tak lepas dari realitas budaya Lampung yang terdikotomi menjadi Pepadun dan Peminggir. Kedua adat yang memiliki kekhasan tersendiri sama-sama merasa paling layak merepresentasikan Lampung. Tari Sigeh Pengunten merupakan sintesis dari dua indentitas kebudayaan yang ada di Lampung. Tari ini menyerap gerak tarian baik dari adat Pepadun maupun adat



I.



PENDAHULUAN



Budaya adalah suatu cara hidup yang berkembang dan dimiliki bersama oleh sebuah kelompok orang dan diwarisi dari generasi ke generasi secara turun temurun serta merupakan cerminan suatu bangsa yang dapat menjaga budaya asli bangsanya (Alpian, 1997:46), berbicara mengenai budaya tidak pernah lepas dari pertunjukan dan seni rupa. Di daerah



Namun, keberadaan seni pertunjukan di Lampung memang masih kurang nampak, mengingat seni pertunjukan di Lampung dikarenakan tenggelam oleh kebesaran upacara adat Lampung. Masyarakat Lampung justru merasa akrab dengan upacara adat seperti begawi (kerja adat) yang melibatkan banyak orang termasuk tokoh adat dan masyarakat (Mustika, 2012:21). Di daerah Lampung banyak sekali jenis-jenis tarian tradisional salah satunya yaitu tari Sigeh Pengunten. Tari Sigeh Pengunten (siger penguntin) merupakan salah satu tari kreasi baru dari daerah Lampung. Tari ini merupakan pengembangan dari Tari Sembah yang merupakan tari tradisi asli masyarakat Lampung. Melalui Peraturan Daerah, tarisigeh pengunten diresmikan sebagai tarian Lampung dalam penyambuta tamupenting. Koreografi tari ini juga mengambil unsur dari berbagai tari tradisional Lampung untuk merepresentasikan budaya Lampung yang beragam. Tari sembah telah umum ditampilkan sebagai bagian dari ritual penyambutan tamu dalam acara-acara resmi seperti prosesi pernikahan. Tari ini menggambarkan ekspresi kegembiraan atas kedatangan para tamu undangan. Selain itu, makna



Peminggir menjadi satu kesatuan yang harmonis dan dapat diterima masyarakat luas. Salah satu ciri dalam tari sigeh pengunten yang merupakan unsur asli dari Tari Sembah adalah aksesori yang dikenakan para penari. Sesuai namanya, aksesori utama yang digunakan adalah siger – mahkota berwarna emas yang telah menjadi identitas daerah Lampung. Aksesori lain yang digunakan pada jemari tangan penari sigeh pengunten adalah tanggai, yaitu penutup jari berbentuk kerucut berwarna emas. Selain kedua aksesori tadi, penari sigeh pengunten juga mengenakan papan jajar, gelang kano, gelang burung, kalung buah jukum, dan pending. Tari Sigeh Penguten merupakan tari kelompok putri yang penarinya berjumlah ganjil (5,7,9 dan seterusnya). Selain jumlah penari, ada aspek lain yang menjadi ciri utama tari ini yang tidak terdapat pada tari-tari tradisi lainnya yang ada di daerah Lampung yaitu properti tepak. Tepak adalah kotak berwarna keemasan yang dibawa oleh salah seorang penari yang posisinya berada paling depan. Properti ini berisi daun sirih yang akan diberikan pada salah seorang tamu yang dianggap mewakili seluruh tamu yang hadir. (www.indonesiakaya.com) Dalam penelitian kali ini penulis akan membahas beberapa frase-frase dalam tarian Sigeh Penguten dengan data-data yang kita ambil menggunakan kamera kinect v2. Dengan kamera kinect v2 dapat mengambil sejumlah 25 sendi atau join pada tubuh manusia. Dari join tersebut kita dapat mengambil join sudutnya dengan menggunakan perhitungan matematika. Setelah kita hitung, kita implementasikan kedalam skeleton blender. Berdasarkan latar belakang diatas maka penulis melakukan penelitian dalam penyusunan tugas akhir yang berjudul “ PENGENALAN FRASE TARI SIGEH PENGUNTEN MENGGUNKAN METODE HIDDEN MARKOV MODEL”, Hidden Markov Model adalah finite-state automata probabilistik, dimana transisi antara state satu dengan state yang lain diatur menggunakan fungsi peluang. Dalam setiap transisi,state ‘memancarkan’ sebuah output dengan peluang tertentu. Pancaran output tersebut dapat berupa simbol diskrit atau nilai kontinyu multidimensi. Dalam proses markov, peluang transisi diasumsikan hanya bergantung pada transisi sebelumnya (biasanya satu), dan dapatdimodelkan sebagai rantai Markov. Cara kerja dari sub-modul HMM ini sendiri yaitu dengan menggunakan



urutan vektor gerak tari yang dikuantisasi agar menjadi urutan vektor yang diskrit. Urutan vektor diskrit ini dapat digunakan sebagai proses pembelajaran (learning) pengenalan pola. Urutan vektor diskrit ini pula dapat dilakukan labelling dan threshold kemiripan untuk proses klasifikasi gerak tari, sehingga menghasilkan gerak tari yang sudah dikenali dan fungsi probabilitas gerak tari. II. LANDASAN TEORI A. Kinematic Dalam fisika, kinematika adalah cabang dari mekanika klasik yang membahas gerak benda dan sistem benda tanpa mempersoalkan gaya penyebab gerakan. Kata kinematika dicetuskan oleh fisikawan Perancis A.M. Ampère cinématique yang ia ambil dari Yunani Kuno κίνημα, kinema (gerak), diturunkan dari κινεῖν, kinein. Hal terakhir ini berbeda dari dinamika atau sering disebut dengan Kinetika, yang mempersoalkan gaya yang memengaruhi gerakan. B.



Kinect Pada tanggal 21 februari, 2011 microsoft mengumumkan bahwa mereka akan merilis nonkomersial kinect software development kit ( sdk ) untuk windows. Lalu pada tanggal 16 juni 2011 microsoft merilis untuk winndows 7 di 12 negara. Software ini menyediakan kemampuan kinect untuk pengembang dan membangun aplikasi dengan c ++ , c # , atau visual basic dengan menggunakan microsoft visual studio 2010 dan mencakup fitur berikut: 1.



2.



3.



4.



Perekaman depth data, color camera sensor, dan perekaman suara pada microfone. Pelacakan Skeletal: Kemampuan untuk melacak skeleton dari satu atau dua orang yang bergerak dalam sudut pandang sensor kinect. Kemampuan Audio: Kemampuan pemprosesan Audio cukup canggih dengan pengidentifikasian sumber suara dan integrasi dengan Windows speech recognition API. Contoh kode dan Dokumentasi.



Pada bulan Maret 2012, Craig Eisler, manajer umum dari Kinect for Windows, mengatakan bahwa hampir 350 perusahaan yang bekerja dengan Microsoft pada software Kinect for Windows. a. Versi 1.5 Pada bulan Maret 2012, Microsoft mengumumkan bahwa versi berikutnya dari sKinect for Windows SDK akan tersedia pada bulan Mei 2012. Kinect for Windows 1.5 dirilis pada 21 Mei 2012. Ia menambahkan fitur baru,



dukungan untuk banyak bahasa baru dan debutnya di lebih dari 19 negara. b.



c.



C.



Versi 1.6, 1.7 dan 1.8 Kinect untuk Windows SDK telah diperbarui beberapa kali dari generasi sebelumnya, dengan versi 1.6 dirilis 8 Oktober 2012, versi 1.7 dirilis 18 Maret 2013, dan versi 1.8 dirilis 17 September 2013. versi 2 Generasi kedua Kinect for Windows, berdasarkan teknologi yang sama inti sebagai Kinect untuk Xbox One, termasuk sensor baru, pertama kali dirilis pada tahun 2014.



(Gambar 2.4 Kinect V2) CSV (Comma Separated Value)



Format CSV merupakan salah satu format yang digunakan dalam standar file ASCII. Format ini menggunakan tanda koma (,) sebagai pemisah antara satu elemen dengan yang lainnya. Format penulisan data CSV bisa dipisahkan dengan menggunakan koma (,) atau titik koma (;). Yang kita perlu lakukan hanyalah menyisipkan tanda titik koma di antara data-data yang ada. Dan kita bisa lakukan dengan find and replace. Biasanya dengan shortcut ctrl+H. tapi terlebih dahulu kita bersihkan data-data yang tidak kita perlukan. Contoh penulisan : “Setsuna”,”Gundam00”,”20” “Lockon”,”Cherudim”,”25” “Allelujah”,”Arios”,”23” “Tieria”,”Seravee”,”22” Keuntungan menyimpan data dalam bentuk CSV Format file CSV memiliki tingkat kompabilitas yang cukup tinggi, karena hampir semua program pengolahan data sudah mendukung format CSV, seperti Microsoft Office, Notepad, UltraEdit, MySql, Oracle, OpenOffice, vim, dll. Karena kompabillitas yang tinggi ini, seringkali format CSV dijadikan standar dalam pengolahan data. D.



Robot Nao



Nao adalah robot humanoid berukuran sedang yang otonom dan dapat diprogram,



yang dikembangkan oleh Aldebaran Robotics, sebuah perusahaan startup dari Perancis yang berkantor pusat di Paris. Proyek Nao diluncurkan pada tahun 2004. Pada tanggal 15 Agustus 2007 Nao menggantikan robot anjing milik Sony yaitu Aibo sebagai robot yang digunakan dalam kompetisi Liga Platform Standar (LPS) pada Piala dunia sepak bola robot (Robocup), suatu kompetisi robotika internasional. Nao sudah digunakan dalam RoboCup 2008 dan 2009, dan NaoV3R terpilih sebagai platform untuk LPS pada RoboCup 2010. Nao edisi akademis tersedia untuk universitas dan laboratorium untuk kepentingan riset dan pendidikan, dan diproyeksikan untuk didistribusikan kepada publik tahun 2011. Pada bulan Oktober 2010, University of Tokyo membeli 30 Nao robots untuk Nakamura Lab mereka, dengan harapan untuk mengembangkan robot tersebut menjadi asisten laboratorium yang aktif. Pada musim panas tahun 2010, Nao membuat berita global dengan melakukan rutin tarian yang disinkronisasi dalam acara Shanghai Expo di Cina. Di bulan Desember 2010, robot Nao mampu mendemonstrasikan rutin komedi, dan versi terkini yang telah dirilis memiliki fitur sculpted arms dam motor yang telah dikembangkan. Nao juga sudah hadir di Indonesia bersamaan dengan dibukanya World Robotic Explorer, rumah robot pertama di dunia yang didirikan di Jakarta tanggal 11 Desember 2010. Nao edisi Robocup mempunyai 21 Derajat kebebasan (DOF), sementara edisi akademis memiliki 25 DOF, karena dibangun dengan dua tangan yang memiliki kemampuan mencengkeram. Namun, angka 25 untuk DOF secara teknis menyesatkan, karena setiap kaki memiliki poros gerakan "HipYawPitch" yang berjumlah 1 DOF untuk panggul. Semua versi Nao memiliki fitur satuan pengukuran inersia an empat sensor ultrasonik yang menjaga stabilitas Nao. Nao juga memiliki fitur sistem multimedia yang powerful,



termasuk empat mikrophone, dua speaker dan dua kamera CMOS, empat sintesis textto-speech, lokalisasi suara dan pengenalan wajah dan bentuk, dan variasi kemampuan lainnya.



Algoritma Backward bergerak secara mundur. Nilai probabilitas pada setiap langkah observasi digunakan dalam perhitungan selanjutnya. b.



Penarikan Kesimpulan, Pengertian dari operasi inference dalam Hidden Markov Model adalah penarikan kesimpulan berdasarkan asumsi yang diperoleh dari nilai probabilitas observasi yang didapat sebelumnya pada operasi evaluasi. Operasi ini juga sering kali digunakan untuk mencari nilai optimum. Masalah ini dapat diselesaikan dengan Algoritma Viterbi. Algoritma Viterbi adalah sebuah algoritma pemrograman dinamis yang berfungsi untuk menemukan urutan statement yang disembunyikan. Dalam hal ini Algoritma Viterbi erat kaitannya dengan Algoritma Forward.



c.



Pembelajaran, Pengertian dari operasi learning dalam Hidden Markov Modela adalah melatih parameter HMM jika diberikan dataset barisan-barisan tertentu agar dapat menemukan himpunan transisi state yang paling mungkin beserta probabilitas outputnya. Untuk menyelesaikan permasalahan learning, digunakan algoritma Baum-Welch. Algoritma ini secara umum berfungsi untuk menentukan nilai harapan dan maksimalisasi.Algoritma ini mempunyai dua langkah dalam penyelesaian masalah, yaitu: 1. Menghitung nilai probabilitas forward dan backward untuk setiap statement. 2. Menentukan frekuensi dari pasangan transisi emisi dan membaginya dengan nilai probabilitas semua observasi.



(Gambar : Robot Nao)



E. Hidden Markov Model HMM merupakan model statistik dimana suatu sistem yang dimodelkan diasumsikan sebagai markov proses dengan dengan kondisi yang tidak terobservasi. Dalam Markov Model biasanya setiap keadaan dapat terlihat langsung oleh pengamat. Oleh karena itu, kemungkinan dari transisi antar kondisi menjadi satu-satunya parameter teramati. Dalam HMM, keadaan tidak terlihat secara langsung. Tetapi output yang bergantung terhadap keadaan tersebut terlihat. Setiap kondisi memiliki distribusi kemungkinan disetiap output yang mungkin. Oleh karena itu, urutan langkah yang dibuat oleh HMM memberikan suatu informasi tentang urutan dari keadaan. Perlu dipahami, bahwa sifat hidden ‘tersembuyi’ menunjuk kepada kondisi langkah yang dilewati model, bukan kepada parameter dari model tersebut. Walaupun parameter model diketahui, model tersebut tetap tersembunyi. Ada tiga permasalahan khusus yang dapat diselesaikan oleh metode Hidden Markov Model. Diantaranya : 1. Evaluasi (Evaluation) 2. Penarikan kesimpulan (Inference) 3. Pembelajaran (Learning) a.



Evaluasi, Pengertian dari operasi evaluasi dalam Hidden Markov Model adalah pehitungan probabilitas dari urutan nilai observasi yang di berikan oleh Hidden Markov Model. Masalah ini dapat diselesaikan dengan Algoritma Forward dan Backward. Adapun perbedaan algoritma Forward dan Backward adalah pada runutan observasi dari nilai probabilitasnya. Algoritma Forward seperti namanya bergerak maju, dengan observasi sesuai dengan urutan, dan sebaliknya



Gambar : Representasi Parameter HMM Keterangan x : kondisi a : kemungkinan keadaan transisi y : observasi yang mungkin b : kemungkinan output III.



METODE PENELITIAN



Metode penelitian pada dasarnya merupakan cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu.Menurut Sugiyono 2014, Metode penelitian adalah cara ilmiah untuk mendapatkan data yang valid dengan tujuan dapat ditemukan,



dibuktikan, dan dikembangkan suatu pengetahuan sehingga pada gilirannya dapat digunakan untuk memahami, memecahkan, dan mengantisipasi masalah.



(Stakeholders) termasuk fungsi dan fitur dari sebuah sistem. C.



Analisis Kebutuhan Non-Fungsional Kebutuhan non-fungsional adalah kebutuhan yang mendeskripsikan spesifikasi kebutuhan untuk sistem. Spesifikasi kebutuhan tersebut melibatkan analalisis perangkat keras (hardware), analisis perangkat lunak (software) dan analisis pengguna (User) : 1.



Analisa perangkat Keras Pada penelitian ini dibutuhkan komponenkomponen perangkat keras yang dapat menunjang dalam pengembangan sistem pendeteksian objek. Perangkat keras yang dapat digunakan dalam perancangan tersebut, minimal mempunyai spesifikasi sebagai berikut: 1. Perangkat keras dalam implementasi ini adalah Kinect V2 2. Perangkat keras dalam perancangan aplikasi Tabel 3.1. Spesifikasi Perangkat Keras



Gambar : Flowchart Kinerja Sistem



No 1



Kebutuhan Sistem Operasi



2



Prosessor



3 4 5 6



Memori Ruang Hardisk Monitor Keyboar+Mouse



Keterangan Xp Profesional atau sesudahnya, Linux Inter Core 2 atau lebih 2 GB atau lebih 2 GB Standar 14” Standar



Gambar 3.1 dijelaskan proses kerja sistem dimana tahapan pertama adalah pengimputan data frasefrase yang sudah seleksi kemudian pengklasifikasian data yang menggunakan metode HMM untuk memulai proses learning kita memiih frase-frase yaitu yang pertama frase sembah setelah memilih frase 1 tersebut proses pengenalan data atau learning menggunakan HMM setelah selesai pengenalan data keluar output yang akan di simulatorkan ke skeleton blender, kemudian jika sudah selesai berjalan ke selanjutnya yaitu frase samber melayang dan seterusnya.



2. Analisa perangkat lunak Komponen yang tidak kalah penting selain perangkat keras adalah perangkat lunak, karena kedua komponen tersebut saling ketergantungan. Perangkat keras tidak akan berarti tanpa perangkat lunak begitu juga sebaliknya. Jadi perangkat lunak dan perangkat keras saling mendukung satu samalain. Perangkat keras hanya berfungsi jika diberikan instruksi-intruksi kepadanya.Instruksiinstruksi inilah disebut dengan perangkat lunak. Perangkat lunak yang dapat digunakan dalam perancangan Aplikasi pengenalan frase-frase minimal mempunyai spesifikasi sebagai berikut: 1. Perangkat lunak dalam implementasi :



A. Analisa kebutuhan Dalam analisis kebutuhan ini, penulis membagi kedalam beberapa kategori sebagai beriku :



Spesifikasi Perangkat Lunak Implementasi No Kebutuhan Keterangan 1 Sistem Operasi Windows atau Linux



B. Analisa Kebutuhan Fungsional Analisis kebutuhan fungsional dilakukan untuk mengetahui spesifikasi fungsi yang mampu dilakukan oleh sistem. Analisis kebutuhan adalah kebutuhan yang berasal dari pemangku kepentingan



2.



Perangkat lunak dalam perancangan Aplikasi yaitu :



Spesifikasi Perangkat Lunak perancangan No



Kebutuhan



Keterangan



1



Microsoft Visual Studio C# Enterprise Architect



2



IV.



2010, sebelum atau sesudahnya 7.5, sebelum atau sesudahnya



4.2.1



Menjalankan aplikasi sekaligus proses klasifikasi Setelah itu bias kita running atau kita jalankan softwarenya dengan mengklik kanan pada project file lalu pilih debug, kemudian pilih start new instance. Setelah itu kita tinggal menunggu proses perunningnnya.



PEMBAHASAN



A Langkah pertama adalah Membuat deskripsi data terlebih dahulu agar mudah dalam proses evaluasi, setelah itu membuat taksonomi berdasarkan dari deskripsi gerakan tersebut. Kemudian penamaan pose di buat sesuai dengan narasumber yang ada, kemudian beri label pada setiap gesture dan posepose yang sudah di pisahkan. Masukan beberapa data pose-pose sebagai data training kemudian beri pembelajaran dengan menggunakan metode HMM, setelah itu masukan data pose-pose dari penari yang lain lalu uji keduanya apakah sesuai atau tidak. Atau pose-pose tersebut dikenal sebagai pose lain. Data yang akan beri pembelajaran akan di evaluasi menggunakan algoritma Forward dan Backward.Algoritma ini digunakan untuk evaluasi dengan cara menghitung probabilitas dari urutan nilai observasi yang diberikan oleh HMM.



Gambar 4.3 Tampilan setelah dirunning Setelah aplikasi dijalankan langkah selanjutnya yaitu menekan button HMM untuk memulai learning.



Gambar 4.4 proses pemilihan pose sembah setelah menekan button HMM dan menjalankan learning, muncul open file dialong untuk memilih data uji mana yang akan di klasifikasikan.



Gambar 4.1 Representasi Parameter HM Keterangan : x : kondisi a : kemungkinan keadaan transisi y : observasi yang mungkin b : kemungkinan output A. Pembahasan Adapun pembahasan yang akan dipaparkan dalam penelitian ini adalah sebagai berikut : 1.



Mengimplementasikan data menggunakan HMM Setelah mendapatkan data nila yang untuk di klasifikasi, langkah selanjutnya yaitu proses pengenalan data.



Gambar 4.2 tampilan Pengenalan pose.



awal



software



untuk



Gambar 4.5 Tampilan hasil pose sembah Gambar 4.5 adalah hasil dari proses klasifikasi dari data csv lapah tebeng yang di masukkan, untuk pada tampilan listbox adalah hasil output dari proses learning yang berbentuk text dan yang di smpingnya imagebox adalah foto blender skeleton berpose sembah.



Gambar 4.6 selanjutnya



proses



pemilihan



pose



untuk



pada Gambar 4.6 di atas adalah proses pemilihan data yang ke dua yaitu samber melayang.



Gambar 4.10 selanjutnya



proses



pemilihan



pose



untuk



Gambar 4.7 hasil learning pose samber melayang Gambar 4.7 adalah hasil dari proses klasifikasi dari data csv mrunduk yang di masukkan, untuk pada tampilan listbox adalah hasil output dari proses learning yang berbentuk text dan yang di smpingnya imagebox adalah foto skeleton blender pose samber melayang. Gambar 4.11 hasil learning pose ngerujung kanan atas Gambar 4.11 adalah hasil dari proses klasifikasi dari data csv mrunduk yang di masukkan, untuk pada tampilan listbox adalah hasil output dari proses learning yang berbentuk text dan yang di smpingnya imagebox adalah foto skeleton blender pose ngerujung kanan atas. Gambar 4.8 selanjutnya



proses



pemilihan



pose



untuk



pada Gambar 4.8 di atas adalah proses pemilihan data yaitu data mempan bias.



Gambar 4.12 selanjutnya



proses



pemilihan



pose



untuk



Gambar 4.9 hasil learning pose mempan bias Gambar 4.9 adalah hasil dari proses klasifikasi dari data csv mrunduk yang di masukkan, untuk pada tampilan listbox adalah hasil output dari proses learning yang berbentuk text dan yang di smpingnya imagebox adalah foto skeleton blender pose mempan bias.



Gambar 4.13 hasil learning belah hui. Gambar 4.13 adalah hasil dari proses klasifikasi dari data csv mrunduk yang di masukkan, untuk pada



tampilan listbox adalah hasil output dari proses learning yang berbentuk text dan yang di smpingnya imagebox adalah foto skeleton blender pose belah hui. V. PENUTUP 1. Kesimpulan Berdasarkan kajian teori, analisis, desain dan pembahasan dapat di simpulkan bahwa penelitian yang lakukan telah mencapai tujuan sebagai berikut: a. Sistem di buat untuk menjaga dan melestarikan warisan budaya khususnya tarian sigeh pengunten. b. Sistem dapat membuat robot bergerak seperti manusia berdasarkan keterbatasan. 2. saran Dalam penelitian ini membahas tentang kekurangan penelitian seperti : a. Masih banyak data yang belum mampu di olah dan di ajarkan di dalam mesin learning. b. Kurang akuratnya pendeteksian lebih dari 1skeleton pada sistem. Sistem belum dapat mentransformasi data ke robot NAO secara realtime.



Daftar Pustaka Chai, X., Li, G., Lin., Xu., Z., Tang., T., & Chen, X. (2013) sign language recognition and translation with Kinect. Beijing: Institute of Technology (CAS). Elok Anggraini, Sekartejo, dan Dhany Arifianto, 2013 Pembuatan Perangkat Basis Data Untuk Sintesis Ucapan (Natural Speech Synthesis) Berbahasa Indonesia Berbasis Hidden Markov Model (HMM). Penerimaan Terhadap Implementasi Bahasa isyarat indonesia pada latar belakang komplek menggunakan kinectdan jaringan syaraf tiruan studi kasus SLB karya mulia 1. http://penalaran-unm.org/artikelnalar/penelitian/163-penelitian-deskriptif.html http://jurnal.untirta.ac.id/index.php/article/view/500 http://sminar.ilkom.unsri.ac.id/index.php/ars/article /view/372 http://www.reserchgate.net/publication/283352609 _analisis_manfaat_dan_penerapannya http://www.rp2u.unsyiah.ac.id/index.php/welcome/ prosesdownload/3748/4 http://www.e-jurnal.com/2016/09/penerapanhidden-markov-model-hmm-pada.html



http://www.indonesiakaya.com/jelajahindonesia/detail/tari-sigeh-pengunten-tradisipenyambutan-tamu-agung-ala-lampung. Indriantor, Nur, Dan Bambang Supomo, 2011, “Metodologi Penelitian Bisnis Untuk Akutansi Dan Manajemen Edisi Pertama BPFE, Yokyakarta.” IFR Statistical Departement, “Executive Summary World Robotics 2014 Industrial Robots,” Word robotic, pp11,24, September.2014. Nurfitri Anbarsanti, Ary S. Prihatmanto 2014 Dance Learning and Recognition System Based On Hidden Markov Model A Case Study : Aceh Traditional Dance.