Analisis dan Implementasi Hand Tracking Menggunakan Kalman Filter pada Augmented Reality Studi Kasus : Simulasi Alat Musik Tradisional Calung

Transkripsi

1 Analisis dan Implementasi Hand Tracking Menggunakan Kalman Filter pada Augmented Reality Studi Kasus : Simulasi Alat Musik Tradisional Calung Asep Suherman 1, Fitriyani, M.T 2 1,2 Prodi Ilmu Komputasi Telkom University, Bandung 1 asepsuherman0606@gmail.com, 2 fitriyani.y@gmail.com Abstrak Calung merupakan alat musik tradisional yang berasal dari Jawa Barat dan menjadi ciri khas budaya sunda. Untuk mempermudah dan menarik minat seseorang yang ingin bermain alat musik tradisional calung, maka dibuatlah objek 3D virtual berupa alat musik tradisional calung yang bisa dimainkan seperti alat musik tradisional calung aslinya dengan menggunakan Augmented Reality (AR). Dari penelitian yang sudah banyak dilakukan sebelumnya, AR hanya diimplementasikan untuk merotasi dan memindahkan atau menggerakkan objek dengan tangan yang sudah ditelusuri. Dalam Penelitian ini akan dikembangkan sebuah sistem yang akan menangkap pergerakan tangan dengan menggunakan algoritma Kalman Filter dan kemudian menjadikannya sebagai marker dalam AR. Algoritma Kalman Filter merupakan algoritma rekursif yang membutuhkan state sebelumnya dan pengukuran sekarang untuk mengestimasi state sekarang. Sedangkan untuk rendering objek calung dalam AR akan digunakan OpenGL sebagai library dasar. Kemudian akan dilakukan interaksi antara tangan dan objek virtual secara real time. Hasil pengujian menunjukkan bahwa pencahayaan dan kondisi ruangan tidak berpengaruh terhadap waktu processing dan performansi Kalman Filter, mampu mengatasi masalah interferensi warna dan tabrakan antar objek lain, dan error yang dihasilkan ketika user memukul calung, suaranya tidak keluar sebanyak 32 kali. Sehingga error yang dihasilkan dari uji coba aplikasi ini oleh 20 user sebesar 4,57 %. Kata kunci : Calung, Augmented Reality, Hand Tracking, Kalman Filter, OpenGL. Pendahuluan Pada saat ini jarang sekali orang yang memainkan alat musik tradisional, kebanyakan dari mereka lebih memilih memainkan alat musik modern seperti piano, drum, biola dan sebagainya. Sehingga alat musik tradisional di Indonesia banyak yang terlupakan. Alat musik tradisional Indonesia seharusnya kita lestarikan dan kita kenalkan kepada masyarakat di Indonesia dan diajarkan bagaimana cara memainkan alat musik tradisional tersebut. Bila kita ingin memainkan alat musik tradisional tentu harus tersedia dulu alat musiknya agar kita bisa memainkannya. Namun tidak semua orang mempunyai alat musik tradisional. Jadi untuk mempermudah seseorang yang ingin bermain alat musik tradisional, maka dibuatlah objek 3D virtual berupa alat musik tradisional yang bisa dimainkan seperti alat musik tradisional aslinya dengan menggunakan Augmented Reality. Seiring kemajuan teknologi yang ada di dunia dan juga berkembangnya teknologi tersebut dari waktu ke waktu, sehingga muncul teknologi yang disebut Augmented Reality (AR). AR merupakan suatu upaya untuk menggabungkan dunia nyata dan dunia virtual yang dibuat melalui komputer sehingga batas antara keduanya menjadi sangat tipis karena AR mengijinkan penggunanya untuk berinteraksi secara real time dengan sistem [1]. AR bukan merupakan sebuah teknologi baru. Salah satu yang banyak dibahas dalam AR adalah interaksi pengguna dalam AR. Karena penggunaan AR saat ini telah menyebar kesegala aspek di dalam kehidupan kita dan diproyeksikan akan mengalami perkembangan yang signifikan untuk ke depannya. Untuk melakukan interaksi yang interaktif, sistem harus mampu mendeteksi dan menangkap pergerakan objek. Pada Penelitian ini, objek yang akan dideteksi dan dilakukan penelusuran adalah berupa tangan. Pendeteksian dan hand tracking diharapkan mampu menghubungkan dunia nyata dengan dunia virtual dalam sistem AR. Dari penelitian yang sudah banyak dilakukan sebelumnya, hand tracking di dalam sistem AR ini hanya diimplementasikan untuk merotasi dan memindahkan atau menggerakkan objek dengan tangan yang sudah ditelusuri [2][6]. Terdapat berbagai macam metode hand tracking seperti, Particle Filter [9], Occlussion, CAMShift [2], dan Kalman Filter [2][3][5]. Salah satu metode hand tracking yang dapat digunakan adalah algoritma Kalman Filter. Banyak permasalahan yang terjadi dalam suatu penelusuran diantaranya terjadi tabrakan antar objek atau terdapat interferensi warna terhadap objek. Untuk menyelesaikan masalah ini Kalman 138

2 Filter dibutuhkan untuk memberikan prediksi lokasi pasti dari tangan. Kalman Filter adalah sebuah estimator rekursif yang membutuhkan state sebelumnya dan pengukuran sekarang untuk mengestimasi state sekarang. Pada Penelitian ini akan diterapkan metode Kalman Filter pada Hand Tracking di sistem AR. Studi kasus yang digunakan adalah mengimplementasikan sistem AR dalam bermain alat musik tradisional calung secara real time. Dasar Teori 1. Augmented Reality AR adalah teknologi yang menggabungkan benda maya dua dimensi dan ataupun tiga dimensi ke dalam sebuah lingkungan, lalu memproyeksikan benda-benda maya tersebut secara nyata. Dengan kata lain, AR merupakan upaya untuk menggabungkan dunia nyata dan dunia virtual yg dibuat melalui komputer sehingga batas antara keduanya menjadi sangat tipis, hal ini sesuai dengan konsep awal kemunculannya yaitu menggabungkan informasi komputer dengan dunia nyata [1]. Dengan teknologi AR kita dapat menyisipkan suatu informasi tertentu ke dalam dunia maya dan menampilkannya didunia nyata dengan bantuan perlengkapan seperti webcam, komputer, HP, maupun kacamata khusus. 2. Color Space Untuk Deteksi Kulit Warna kulit berada pada kelompok distribusi yang terpisah dari color space RGB (Red, Green, Blue). Oleh karena itu warna kulit dapat digunakan sebagai parameter untuk deteksi kulit pada gambar dan video. HSV dan HS dalam lookup table memberikan hasil terbaik dalam pendeteksian kulit. Gambar 2. 1 Perbandingan 5 color space pada klasifikasi deteksi kulit sebagai lookup table [7]. Adapun distribusi probabilitas warna yang digunakan dalam implementasi sistem ini adalah menggunakan histogram hue dalam model warna HSV (Hue, Saturation, Value). Alasan implementasi penggunaan histogram hue disebabkan oleh distribusi hue untuk kulit manusia seluruh dunia, kecuali albino, berada pada distribusi yang sempit sehingga pencilan tidak muncul. Apapun warna kulitnya, hisrtogram hue yang akan dihasilkan akan sesuai dan konvergen [7]. Perbedaan warna kulit manusia tersebut disebabkan oleh perbedaan value intensity. Adapun tingkat pencahayaan akan diabaikan karena yang digunakan hanyalah mode hue saja. Disamping itu, histogram hue memiliki sifat unik untuk kulit manusia. Oleh karena itu penggunaan distribusi hue akan mengatasi masalah tentang warna kulit yang berbeda, objek yang bukan kulit manusia, dan akuisisi pencahayaan video yang variatif. Algoritma Viola-Jones (Haar Cascade Classifier) 1. Fitur Haar Fitur yang digunakan Viola-Jones berdasarkan Haar wavelets. Haar wavelets merupakan satu panjang gelombang berbentuk persegi panjang (satu interval tinggi dan satu interval rendah). Dalam dua dimensi, sebuah persegi panjang terdiri dari sepasang persegi panjang, yang satu berwarna cerah dan yang satu berwarna gelap. 139

3 Gambar 2. 2 Fitur Haar [13]. Cara menghitung nilai dari fitur haar adalah ditentukan dengan mengurangi rata-rata nilai piksel pada area gelap dari rata-rata nilai piksel pada area cerah. 2. Integral Image Integral image merupakan sebuah citra yang nilai tiap pikselnya adalah jumlah dari semua piksel diatas dan kiri. Penjumlahan dimulai dari kiri atas hingga kanan bawah. Gambar 2. 3 Perhitungan Integral image [8]. Setelah proses pengintegralan, nilai setiap pada lokasi piksel, (x,y) mengandung jumlah dari semua nilai-nilai piksel yang berada dalam suatu area persegi panjang yang memiliki satu sudut dibagian kiri atas dan yang lainnya berada di lokasi (x,y). 3. Algoritma AdaBoost Permasalahan yang terdapat dalam penghitungan fitur ini adalah Viola-Jones memiliki +/ jenis fitur yang berbeda. Untuk memilih fitur haar yang spesifik yang akan digunakan dan untuk mengatur nilai ambang batasnya (threshold). Pemilihan fitur-fitur ini dilakukan menggunakan algoritma AdaBoost. AdaBoost menggabungkan banyak classifier lemah untuk membuat suatu classifier kuat. Lemah disini berarti classifier hanya mendapatkan jawaban benar lebih sedikit. Tapi jika keseluruhan classifier lemah digabungkan maka akan menjadi classifer yang lebih kuat. 4. Cascade Classifier Viola-Jones menggabungkan beberapa classifier lemah sebagai rangkaian filter yang cukup efisien untuk menggolongkan daerah image, yaitu cascade classifier. T T T T T Citra Filter 1 Filter 2 Filter. Filter n F F F F Non - Tangan Tangan Gambar 2. 4 Alur kerja dari klasifikasi bertingkat [9]. Klasifikasi pada algoritma ini terdiri dari n tingkatan dimana tiap tingkatan mengeluarkan subcitra yang diyakini bukan tangan. Pada klasifikasi tingkat pertama, tiap subcitra akan diklasifikasi menggunakan satu fitur. Hasil dari klasifikasi ini berupa T (true) untuk image yang memenuhi fitur haar tertentu dan F (false) bila tidak memenuhinya. Klasifikasi ini kira-kira akan menyisakan 50% subcitra untuk klasifikasi diitahap kedua. Seiring dengan bertambahnya tingkat klasifikasi, maka diperlukan syarat yang lebih spesifik sehingga fitur yang digunakan menjadi lebih banyak. Jumlah subcitra yang lolos klasifikasi pun akan berkurang hingga mencapai jumlah sekitar 2 %. 3. Kalman Filter Kalman Filter merupakan sekumpulan persamaan matematika yang menawarkan cara komputasi rekursif dan efisien untuk mengestimasi state dari sebuah proses, dengan cara meminimumkan rata-rata dari kuadrat eror. Kalman Filter mengestimasi sebuah proses melalui mekanisme control umpan balik. Persamaan untuk Kalman Filter dikelompokkan dalam dua bagian yaitu persamaan time update dan persamaan measurement update. Persamaan time update (predictor) bertugas untuk memprediksi current state dan mendapatkan nilai a priori untuk langkah berikutnya. Sedangkan persamaan measurement (corrector) bertugas untuk keperluan umpan balik, seperti memadukan hasil pengukuran terbaru dengan nilai a priori untuk mendapatkan nilai a posteriori yang lebih baik [3]. 140

4 Time Update(Predic Measurement Update (Correct) Gambar 2. 5 Skema Kalman Filter. i. Time Update 1. Prediksi State 2. Prediksi Kovarian Eror P P ii. Measurement Update 1. Kalman Gain 2. State Update 3. Update Kovarian Eror P P Setelah menjalani satu siklus time update dan measurement update, siklus ini terus berulangulang dengan nilai a posteriori sebelumnya digunakan untuk memprediksi nilai a priori yang baru. Sifat rekursif ini membuat implementasi praktis jauh lebih sederhana. 5. Perancangan Sistem 3.1 Rancangan Aplikasi Kalman Filter Augmented Reality Start Video Input Hand Detection (Algoritma Haar Cascade Classifier) Get Color Histogram From Hand (RGB - HSV) 3D Object Initialization Hand Tracking (Kalman Filter) Control Virtual Object Object Rendering Hentikan Program? No Yes End Gambar 3. 5 Flow Chart Kalman Filter Augmented Reality Keterangan: 141

5 a. Video Input: Kamera akan menangkap pergerakan dalam bentuk video, dan digunakan sebagai input dalam program. Kamera yang digunakan disini adalah webcam pada laptop. b. Hand Detection (Algoritma Haar Cascade classifier): Sistem akan me-load file xml Haar Cascade untuk objek tangan, kemudian pendeteksian akan dilakukan pada awal aplikasi dimulai untuk mengetahui keadaan dari tangan. Gambar 3. 6 Hasil deteksi objek tangan menggunakan Haar Cascade (lingkaran biru pada tangan) c. Get Color Histogram From Hand (RGB - HSV): Sebelum melakukan penelusuran tangan, tangan yang telah terdeteksi akan diambil histogram warna sebagai model referensi. Karena bentuk awal video input dalam proses ini adalah RGB, maka akan dilakukan perubahan menjadi HSV untuk diambil histogram Hue sebagai model referensi. d. Hand Tracking (Kalman Filter): Tracking objek tangan menggunakan metode Kalman Filter yang merupakan estimator rekursif. Kalman Filter menggunakan informasi dari suatu objek terdeteksi di suatu frame dan status objek tersebut di frame sebelumnya untuk membuat suatu perkiraan dari status baru objek tersebut. e. 3D Object Initialization: Objek 3D yang telah disiapkan untuk dimunculkan pada layar hasil AR. Gambar 3. 3 Objek Calung 3D dan Objek Pemukul 3D f. Object Rendering: Hasil dari tracking tangan dan inisialisasi objek 3D akan digabungkan dengan video streaming, apakah terjadi tumbukan pada objek 3D dengan tangan atau dengan objek lain yang di tangkap oleh kamera untuk mendapatkan hasil AR yang interaktif. g. Control Virtual Object: Output yang dihasilkan akan berupa video yang telah teraugmentasi secara real time. Output dari sistem interaksi AR tersebut akan dilakukan dengan merendering objek calung 3D dan objek pemukul 3D dengan menggunakan library OpenGL dan dapat melakukan interaksi yaitu memindahkan atau menggerakkan objek pemukul 3D secara bebas dengan menggunakan tangan. Pada aplikasi ini kita juga dapat berinteraksi dengan objek calung 3D tersebut dengan menggunakan objek pemukul 3D yang di gerakkan ke arah objek calung 3D. Jika posisi ujung objek pemukul 3D berada pada area objek calung 3D maka objek calung 3D tersebut akan berubah warna dan mengeluarkan suara. 6. Pengujian dan Analisis 1. Analisis Hasil Pengujian i. Analisis Hasil Pengujian Skenario 1 142

6 Grafik 4. 1 Pengaruh pencahayaan terhadap rata-rata jarak posisi error Dan dilakukan uji-t untuk mengetahui apakah perbedaan pencahayaan mempengaruhi rata-rata jarak posisi error dengan signifikansi sebesar α = 0.05, dan Hipotesis awal : H 0 : Tidak ada pengaruh antara pencahayaan terhadap rata-rata jarak error pixel H 0 : µ 1 - µ 2 = 0 µ 1 = Rata-rata jarak posisi error pada lampu kamar µ 2 = Rata-rata jarak posisi error pada cahaya matahari H 1 : Ada pengaruh antara pencahayaan terhadap rata-rata jarak error pixel H 1 : µ 1 - µ 2 > 0 µ 1 = Rata-rata jarak posisi error pada lampu kamar µ 2 = Rata-rata jarak posisi error pada cahaya matahari t tabel = Hasil didapat: Lampu Kamar Cahaya Matahari Tabel 4. 1 Hasil Uji-T Rata-rata Jarak Posisi Error Independent Samples Test t-test for Equality of Means Jarak Sig. (2- tailed) T df Equal variances assumed Dari Tabel 4.1 H 0 ditolak bila t hitung > t tabel ditandai dengan nilai p-value (Sig. (2-tailed)) > Sehingga dapat disimpulkan tidak menolak hipotesis H 0, bahwa pencahayaan tidak berpengaruh signifikan terhadap performansi tracking. Hal ini sesuai dengan sifat color space HSV yang tidak terlalu sensitif dengan pencahayaan seperti yang telah dijelaskan pada Bab 2. ii. Analisis Hasil Pengujian Skenario 2 Untuk mengukur performansi algoritma Kalman Filter dalam permasalahan interferensi warna dan tabrakan antar objek maka berikut ini adalah data hasil pengujian yang telah dilakukan : Tabel 4. 2 Penelusuran Tangan Ketika Tabrakan dengan Objek Lain Frame ke-106 Frame ke

7 Frame ke-111 Frame ke-112 Dan berikut hasil pengujian ketika penelusuran tangan dilakukan ketika kasus interferensi warna terjadi. Tabel 4. 3 Penelusuran Tangan Ketika Interferensi Warna Terjadi Frame ke-147 Frame ke-150 Frame ke-154 Frame ke-155 Frame ke-147 Frame ke-150 Frame ke-154 Frame ke-155 Dapat dilihat bahwa ketika ada objek lain yang bertabrakan dengan tangan, maka track window akan kehilangan fokusnya pada tangan. Pada saat itu, algoritma Kalman Filter bekerja dengan memprediksi koordinat titik pusat massa dan menjaga agar track window tidak berpindah posisi secara drastis atau signifikan. Kemudian ketika objek tangan kembali muncul, algoritma Kalman Filter dapat menangkap dan menelusuri tangan secara benar dan meningkatkan stabilitas penelusuran pada tangan yang bergerak. Dapat disimpulkan algoritma Kalman Filter dapat mengatasi masalah tabrakan antar objek. Dapat dilihat bahwa terdapat interferensi warna, yang direpresentasikan dengan sebuah objek tangan yang baru, objek tangan tersebut memiliki probabilitas warna yang sama dengan objek tangan yang berada dalam track window, ketika tangan tersebut bertabrakan dengan objek tangan yang lain, dapat kita lihat bahwa track window akan kehilangan fokusnya. Sehingga algoritma Kalman Filter akan menyesuaikan track window sesuai dengan probabilitas warna yang ada. Setelah itu, ketika objek tangan tersebut berpisah maka track window akan tetap menelusuri objek tangan awal. Maka dapat disimpulkan bahwa penelusuran tangan dengan menggunakan algoritma Kalman Filter dapat mengatasi masalah interferensi warna. 144

8 iii. Analisis Hasil Pengujian Skenario 3 Grafik 4. 2 Pengaruh background terhadap rata-rata waktu pemrosesan Dan dapat dilakukan Uji-T untuk melihat pengaruh backgorund terhadap waktu pemrosesan dengan signifikansi sebesar α = 0.05, dan hasil Hipotesis awal : : Tidak ada pengaruh antara background kompleks dan background sederhana terhadap waktu pemrosesan Kalman Filter Augmented Reality. H 0 : µ 1 - µ 2 = 0 µ 1 = Waktu pemrosesan pada background kompleks µ 2 = Waktu pemrosesan pada background sederhana : Ada pengaruh antara background kompleks dan background sederhana terhadap waktu pemrosesan Kalman Filter Augmented Reality. H 1 : µ 1 - µ 2 < 0 µ 1 = Waktu pemrosesan pada background kompleks µ 2 = Waktu pemrosesan pada background sederhana t tabel = Hasil didapat : Waktu Tabel 4. 4 Hasil Uji-T Waktu Pemrosesan Independent Samples Test t-test for Equality of Means Sig. (2- tailed) t df Equal variances assumed Dari Tabel 4.4 H 0 ditolak bila t hitung < t tabel ditandai dengan nilai p-value (Sig. (2-tailed)) > Sehingga dapat disimpulkan tidak menolak hipotesis H 0, bahwa tidak ada pengaruh yang terlalu signifikan antara kondisi ruangan terhadap waktu pemrosesan Kalman Filter Augmented Reality. iv. Analisis Hasil Pengujian Skenario Komplek s Sederhan a Pada aplikasi ini user dapat berinteraksi dengan objek calung 3D tersebut dengan menggunakan objek pemukul 3D yang di gerakkan ke arah objek calung 3D. Jika posisi ujung objek pemukul 3D berada pada area objek calung 3D maka objek calung 3D tersebut akan berubah warna dan mengeluarkan suara. 145

9 Calung yang dipukul ISSN : Gambar 4. 1 Interaksi dengan objek calung 3D Dari hasil uji coba aplikasi ini oleh 20 user, didapatkan hasil sebagai berikut : Tabel 4. 5 Hasil Uji Validitas Sistem Suara yang keluar Do Re Mi Fa So La Si Merah Kuning Hijau Biru Ungu Orange Cyan Dari Table 4.5 setiap user mencoba 1 set calung sebanyak 5 kali dan terdapat 7 set calung sehingga total percobaan yang dilakukan sebanyak 700 kali dari total 20 user. Dan didapatkan ada beberapa error yang dihasilkan ketika user memukul calung, suaranya tidak keluar sebanyak 32 kali. Karena user terlalu cepat menggerakkan tangannya sehingga berpengaruh terhadap keberhasilan dalam deteksi objek dan suara yang keluar dari sistem. Jadi error dari total 700 percobaan yang dilakukan adalah 4,57 %. Tabel 4.6 Hasil Uji Coba 20 User Tingkat No Parameter kepuasan Kemudahan Penggunaan Keakuratan Deteksi Tangan Kestabilan Objek Augmented Reality 3D Waktu Respon Sistem Interaksi Dengan Objek Calung 3D Tampilan Aplikasi Dalam perhitungan kuisioner diatas menggunakan skala Likert, yaitu dengan memberikan standar tertentu [16]. Maka penilaian jawaban di kuisioner digolongkan menjadi 4 bobot. Sehingga apabila digabungkan menurut kutubnya yaitu kutub negatif (Tidak Puas) dan kutub positif (Puas), maka didapatkan : Tabel 4. 7 Klasifikasi Hasil Kuisioner Persentase Kepuasan Menurut Parameter Kutubnya Tidak Puas Puas 146

10 Dapat dilihat dari Tabel 4.7 bahwa : 1. Banyak user yang merasa sistem sudah mudah digunakan (60%). 2. Keakuratan deteksi masih menjadi kendala bagi user (70%). 3. Kestabilan objek 3D Augmented Reality sudah cukup baik (55%). 4. Waktu respon sistem masih kurang baik (60%). 5. Interaksi dengan objek calung 3D cukup memuaskan (60%). 6. Tampilan aplikasi sudah cukup menarik (65%). 7. Kesimpulan dan Saran 1. Kesimpulan Kesimpulan yang didapat dari penelitian Penelitian ini adalah: 1. Pencahayaan tidak berpengaruh terhadap rata-rata jarak posisi error pada performansi Kalman Filter tracking. Hal ini sesuai dengan sifat color space HSV yang tidak terlalu sensitif dengan pencahayaan. Kalman Filter juga dapat mengatasi masalah interferensi warna dan tabrakan antar objek lain. Dan kondisi ruangan tidak terlalu berpengaruh terhadap waktu processing Kalman Filter Augmented Reality. 2. Pada saat user melakukan uji coba pada aplikasi Kalman Filter Augmented Reality ini, ada beberapa error yang dihasilkan ketika user memukul calung, suaranya tidak keluar sebanyak 32 kali. Sehingga error yang dihasilkan dari uji coba aplikasi ini oleh 20 user sebesar 4,57 %. 3. Aplikasi Kalman Filter Augmented Reality ini sudah cukup baik dari segi kemudahan penggunaan, kestabilan objek 3D Augmented Reality, interaksi dengan objek calung 3D, dan tampilan aplikasi namun performansi dari segi keakuratan dan waktu respon pada sistem masih kurang baik. 2. Saran 1 40% 60% 2 70% 30% 3 45% 55% 4 60% 40% 5 40% 60% 6 35% 65% Saran apabila penelitian Penelitian ini ingin dikembangkan lebih lanjut: 1. Algoritma Viola-Jones sebagai metode deteksi tangan bisa diganti dengan metode metode yang lebih baik lagi. 2. Sistem dibuat berbasis parallel, dengan menggunakan GPU, dikarenakan cabang ilmu Computer Vision berhubungan dengan grafis dan komputasi yang besar. Daftar Pustaka [1] Risty Ammatia Augmented Reality. Institut Teknologi Telkom, Bandung. [2] Anggara Putra, Septioadi Hand Tracking dengan Menggunakan Metode CAMShift dan Kalman Filter Pada Augmented Reality. Institut Teknologi Telkom, Bandung. [3] Welch Greg dan Bishop Gary An Introduction to the Kalman Filter. University of North Carolina, Chapel Hill. [4] S. Bilal, Rini Akmeliawati, Momoh Jimoh El Salami, Amir A. Shafie, dan El Mehdi Bouhabba A Hybrid Method Using Haar-like and Skin-Color Algorithm for Hand Posture Detection, Recognition and Tracking. International Islamic University Malaysia, Kuala Lumpur Malaysia. [5] Xu Sheldon dan Anthony Chang. Robust Object Tracking Using Kalman Filters with Dynamic Covariance. Cornell University. [6] Muhammad Faijar, Vialli Perancangan dan Analisis Performansi Interactive Augmented Reality Berbasis CUDA GPU Computing. Institut Teknologi Bandung. 147

11 [7] [8] [9] [10] [11] [12] [13] Rasiwasia Nikhil Color Space for Skin Detection - A Review. University of Trento, Italy. Hewitt Robin Seeing With OpenCV. SERVO Magazine, Finding Faces in Images, pp. part 2. Tri Hutama Ajie Analisis dan Implementasi Face Tracking Menggunakan Particle Filter Pada Lingkungan Augmented Reality. Telkom University, Bandung. Ford Adrian dan Alan Roberts Color Space Conversions. British Broadcasting Corporation, University of Westminster. Silva, R et al. Introduction to Augmented Reality. National Laboratory for Scientific Computation, Brazil. Unlocking the Hidden Curriculum. Exploring the use of Augmented Reality as an educational resource. University of Exeter. Viola, Paul dan Michael Jones Rapid Object Detection using Boosted Cascade of Simple Features. Conference on Computer Vision and Pattern Recognition, Cambridge. [14] [15] [16] [17] [18] Ramadijanti Nana, Setiawardhana dan Raga Mukti Alhaqqi. Tracking Jari Dengan Haar Cascade dan Filter Kalman Pada Virtual Keyboard. Politeknik Elektronika Negeri, Surabaya. Walpole, Ronald E Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan. Bandung: Penerbit ITB. Sugiyono Metode Penelitian Administrasi. Bandung: Penerbit Alfabeta. Lee Taehee dan Tobias Hollerer. Handy AR: Markerless Inspection of Augmented Reality Objects Using Fingertip Trackin. University of California, USA. NHL Computer Vision : Color Image Processing