Kontrol Nyala Lampu Berbasis Gestur Tangan Menggunakan Long Short-Term Memory (LSTM)

Hidayat, Khalisha Dzakira (2025) Kontrol Nyala Lampu Berbasis Gestur Tangan Menggunakan Long Short-Term Memory (LSTM). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024211060-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (88MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem kendali lampu berbasis gestur tangan pada teknologi smart home, yang memungkinkan pengguna untuk mengontrol lampu tanpa kontak fisik. Sistem ini mengklasifikasikan gestur tangan pengguna ke dalam tiga kelas: ’hidup’, ’mati’, dan ’netral’, dengan menggunakan model Long Short-Term Memory (LSTM) untuk memprediksi gestur tangan yang sesuai. Output dari sistem dikirimkan ke perangkat ESP32 menggunakan endpoint untuk mengendalikan relay dan menyalakan atau mematikan lampu. Dalam penelitian ini, dilakukan perbandingan terhadap beberapa model, dimana model kedua menunjukkan performa terbaik dengan akurasi pendeteksian tertinggi pada jarak 30 cm dan pencahayaan 100 lux. Pengujian waktu delay sistem menghasilkan rata-rata delay sebesar 26,276 milisekon, menunjukkan responsivitas yang cukup baik. Hasil pengujian juga menunjukkan bahwa kelas ’hidup’ memiliki kestabilan deteksi yang lebih tinggi dibandingkan kelas lainnya. Dengan demikian, penelitian ini membuktikan bahwa penggunaan model yang tepat dapat meningkatkan akurasi dan efisiensi pada sistem kendali berbasis gestur tangan.
====================================================================================================================================
This research aims to develop a gesture-based lighting control system within smart home technology, enabling users to operate lights without physical contact. The system classifies hand gestures into three categories: ’on’, ’off ’, and ’neutral’, using a Long Short-Term Memory (LSTM) model to predict the corresponding gesture. The system’s output is sent to an ESP32 device via an endpoint to control a relay, turning the light on or off. Several models were compared in this study, with the second model demonstrating the best performance, achieving the highest detection accuracy at a distance of 30 cm and under 100 lux lighting conditions. The system’s delay testing resulted in an average delay of 26.276 milliseconds, indicating good responsiveness. The test results also revealed that the ’on’ class exhibited greater stability in detection compared to the other classes. Thus, this study demonstrates that selecting the right model can enhance both the accuracy and efficiency of a gesture-based lighting control system.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Gestur Tangan, Kontrol Lampu, Long Short-Term Memory (LSTM), Smart Home, Hand Gesture, Light Control
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T59.7 Human-machine systems.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Khalisha Dzakira Hidayat
Date Deposited:	04 Jun 2025 08:23
Last Modified:	04 Jun 2025 08:23
URI:	http://repository.its.ac.id/id/eprint/119137

Actions (login required)

View Item