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 lain-
lain.
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.
Kata Kunce : Tari Sigeh Pengunten, Markov
Model, labelling dan threshold.
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
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.
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
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
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 berju-
mlah 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 non-
komersial 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. Perekaman depth data, color camera
sensor, dan perekaman suara pada
microfone.
2. Pelacakan Skeletal: Kemampuan untuk
melacak skeleton dari satu atau dua orang
yang bergerak dalam sudut pandang sensor
kinect.
3. Kemampuan Audio: Kemampuan
pemprosesan Audio cukup canggih dengan
pengidentifikasian sumber suara dan
integrasi dengan Windows speech
recognition API.
4. 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. 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.
c. 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)
C. 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 text-
to-speech, lokalisasi suara dan pengenalan
wajah dan bentuk, dan variasi kemampuan
lainnya.
(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
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 : 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 komponen-
komponen 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

No Kebutuhan Keterangan
1 Sistem Operasi Xp Profesional atau
sesudahnya, Linux
2 Prosessor Inter Core 2 atau
lebih
3 Memori 2 GB atau lebih
4 Ruang Hardisk 2 GB
5 Monitor Standar 14”
6 Keyboar+Mouse Standar
Gambar : Flowchart Kinerja Sistem 2. Analisa perangkat lunak
Komponen yang tidak kalah penting selain
Gambar 3.1 dijelaskan proses kerja sistem dimana perangkat keras adalah perangkat lunak, karena
tahapan pertama adalah pengimputan data frase- kedua komponen tersebut saling ketergantungan.
frase yang sudah seleksi kemudian Perangkat keras tidak akan berarti tanpa perangkat
pengklasifikasian data yang menggunakan metode lunak begitu juga sebaliknya. Jadi perangkat lunak
HMM untuk memulai proses learning kita memiih dan perangkat keras saling mendukung satu
frase-frase yaitu yang pertama frase sembah setelah samalain. Perangkat keras hanya berfungsi jika
memilih frase 1 tersebut proses pengenalan data atau diberikan instruksi-intruksi kepadanya.Instruksi-
learning menggunakan HMM setelah selesai instruksi inilah disebut dengan perangkat lunak.
pengenalan data keluar output yang akan di Perangkat lunak yang dapat digunakan dalam
simulatorkan ke skeleton blender, kemudian jika perancangan Aplikasi pengenalan frase-frase
sudah selesai berjalan ke selanjutnya yaitu frase minimal mempunyai spesifikasi sebagai berikut:
samber melayang dan seterusnya. 1. Perangkat lunak dalam implementasi :

A. Analisa kebutuhan Spesifikasi Perangkat Lunak Implementasi

Dalam analisis kebutuhan ini, penulis membagi No Kebutuhan Keterangan
kedalam beberapa kategori sebagai beriku : 1 Sistem Operasi Windows atau Linux

B. Analisa Kebutuhan Fungsional 2. Perangkat lunak dalam perancangan

Analisis kebutuhan fungsional dilakukan Aplikasi yaitu :
untuk mengetahui spesifikasi fungsi yang mampu
dilakukan oleh sistem. Analisis kebutuhan adalah Spesifikasi Perangkat Lunak perancangan
kebutuhan yang berasal dari pemangku kepentingan
No Kebutuhan Keterangan
 1 Microsoft Visual 2010, sebelum atau 4.2.1 Menjalankan aplikasi sekaligus proses
Studio C# sesudahnya klasifikasi
2 Enterprise 7.5, sebelum atau Setelah itu bias kita running atau kita
Architect sesudahnya jalankan softwarenya dengan mengklik kanan pada
project file lalu pilih debug, kemudian pilih start
new instance. Setelah itu kita tinggal menunggu
proses perunningnnya.
IV. 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 pose-
pose yang sudah di pisahkan. Masukan beberapa Gambar 4.3 Tampilan setelah dirunning
data pose-pose sebagai data training kemudian beri Setelah aplikasi dijalankan langkah selanjutnya
pembelajaran dengan menggunakan metode HMM, yaitu menekan button HMM untuk memulai
setelah itu masukan data pose-pose dari penari yang learning.
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 4.4 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 Gambar 4.5 Tampilan hasil pose sembah
HMM
Setelah mendapatkan data nila yang untuk di Gambar 4.5 adalah hasil dari proses klasifikasi dari
klasifikasi, langkah selanjutnya yaitu proses data csv lapah tebeng yang di masukkan, untuk pada
pengenalan data. tampilan listbox adalah hasil output dari proses
learning yang berbentuk text dan yang di smpingnya
imagebox adalah foto blender skeleton berpose
sembah.

Gambar 4.2 tampilan awal software untuk

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

Gambar 4.10 proses pemilihan pose untuk

selanjutnya

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 proses pemilihan pose untuk
selanjutnya

pada Gambar 4.8 di atas adalah proses pemilihan

data yaitu data mempan bias.

Gambar 4.12 proses pemilihan pose untuk

selanjutnya

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 http://www.indonesiakaya.com/jelajah-
learning yang berbentuk text dan yang di smpingnya indonesia/detail/tari-sigeh-pengunten-tradisi-
imagebox adalah foto skeleton blender pose belah penyambutan-tamu-agung-ala-lampung.
hui.
Indriantor, Nur, Dan Bambang Supomo, 2011,
V. PENUTUP “Metodologi Penelitian Bisnis Untuk Akutansi Dan
1. Kesimpulan Manajemen Edisi Pertama BPFE, Yokyakarta.”
Berdasarkan kajian teori, analisis, desain dan
pembahasan dapat di simpulkan bahwa penelitian IFR Statistical Departement, “Executive Summary
yang lakukan telah mencapai tujuan sebagai berikut: World Robotics 2014 Industrial Robots,” Word
a. Sistem di buat untuk menjaga dan robotic, pp11,24, September.2014.
melestarikan warisan budaya khususnya Nurfitri Anbarsanti, Ary S. Prihatmanto 2014 Dance
tarian sigeh pengunten. Learning and Recognition System Based On Hidden
b. Sistem dapat membuat robot bergerak Markov Model A Case Study : Aceh Traditional
seperti manusia berdasarkan keterbatasan. Dance.
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/artikel-
nalar/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/penerapan-
hidden-markov-model-hmm-pada.html