Optimasi Klasifikasi Gestur Tangan Menggunakan Metode CNN Dengan Implementasi Strategi Landmark Berbasis Warna Komplementer
Abstrak
Pertumbuhan teknologi pengenalan gestur tangan telah memberikan dampak positif pada berbagai sektor. Namun, kesalahan klasifikasi sering terjadi akibat kemiripan bentuk gestur yang sulit dibedakan oleh model. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi berbasis Convolutional Neural Network (CNN) dengan pendekatan modifikasi landmark menggunakan warna komplementer. Pendekatan ini menerapkan kontras warna yang signifikan untuk meningkatkan kemampuan model dalam mengekstraksi fitur unik dari gestur tangan yang serupa. Dataset yang digunakan mencakup gestur dengan modifikasi warna pada landmark menggunakan roda warna berbasis HSV untuk menciptakan kontras maksimum. Data kemudian diolah melalui bounding box, resizing, dan transfer learning menggunakan arsitektur Teachable Machine. Hasil penelitian menunjukkan peningkatan akurasi klasifikasi secara signifikan pada model dengan modifikasi landmark dibandingkan tanpa modifikasi. Analisis metrik, seperti precision, recall, dan F1-score, mengonfirmasi bahwa pendekatan ini mampu mengurangi kesalahan klasifikasi yang diakibatkan oleh kemiripan gestur tangan.
Identifier
- DOI: https://doi.org/10.33022/ijcs.v14i2.4645
- OpenAlex: https://openalex.org/W4409997935

