Nama : Alfiansyah

Nim : 09011281520131
REVIEW PAPER

Judul Author Tahun Metode Pembahasan Hasil / Kelebihan Kekurangan

Hand Gesture Soeb Hussain 2017 Deep Pada penelitian yang diajukan, peneliti Berdasarkan hasil Pada penelitian yang
Recognition dan Rupal Learning, mencoba menggunakan metode deep percobaan yang dilakukan dilakukan peneliti
Using Deep Saxena CNN learning yang terbagi menjadi 3 tahapan pada berbagai macam tidak menampilkan
Learning untuk mengenali gesture tangan. background dan dicoba ataupun melakukan
3 tahapan tersebut terdiri dari, mengenali oleh 7 orang sukarelawan percobaan pada
bentuk tangan, melakukan tracking pada yang tidak termasuk kondisi pencahayaan
tangan apabila berupa gesture dynamic, kedalam training system. yang berbeda
kemudian mengubah data menjadi suatu Hasil persentasi
perintah. pengenalan gesture
Untuk gesture tangan yang diteliti tangan yang diajukan
sebanyak 14 gestur yang terdiri dari 8 peneliti mencapai angka
gestur dynamic dan 6 gestur static. 93.09% mengungguli
Dalam proses training data, peneliti Aristektur CNN AlexNet
menggunakan aristektur CNN yaitu yang memiliki persentase
VGG16 yang terdiri dari 13 convolution 76.96%. Yang peneliti
layers dan 3 fully connected layers gunakan sebagai
pembanding
Power Point Tejashree P. 2017 Hog Feature Peda penelitian yang dilakuakn peneliti Berdasarkan hasil Karena menggunakan
Control Using Salunke dan S Extraction menggunakan Hog Feature Extraction percobaan yang dilakukan algoritma deteksi
Hand Gesture .D. Bharkad dan dan K-NN Classification untuk pengenalan pada berbagai macam warna, angka
Recognition K-NN gesture tangan yang kemudian gesture kondisi cahaya oleh 45 persentasi yang tidak
Based on Hog Classification tersebut akan digunakan untuk sukarelawan, proses terlalu besar
Feature mengontrol power point. Peneliti pengenalan gesture diakibatkan oleh salah
Extraction And menggunkan 4 gesture static yaitu tangan mencapai angka satunya adalah
K-NN berupa, 1 jari menunjuk, bentuk ok, 4 jari, rata-rata di 80%, diamana terdapat beberapa
Classification dan mengepal untuk kondisi 1 jari akurasi objek pada
Sebelum melakukan proses ektraksi mencapai 100%, 4 jari 80%, background yang
dilakukan proses segmentasi ok 68% dan mengepal memiliki warna yang
menggunakan algoritma deteksi warna, 67%. sama dengan warna
kemudia HOG Feature Extraction untuk kulit.
mengekstrasi fitur dari objek gambar
tangan yang didapat, setealah data
didapat kemudian diklasifikasikan
menggunkan K-NN Classifcation. Setelah
didapat data klasifikasi system
diimplementasikan untuk mengontol
power point menggunakan Matlab 15b.