PRADIPTA, Hisyam Adelio (2025) Implementasi Hand Gesture Recognition sebagai Alat Kendali pada Game Fighting menggunakan OpenCV dan MediaPipe. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Hisyam Adelio Pradipta-H1D020088-Skrips-2025.pdf Download (330kB)
	PDF (Legalitas) LEGALITAS-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Restricted to Repository staff only Download (789kB)
	PDF (Abstrak) ABSTRAK-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Download (208kB)
	PDF (BabI) BAB I-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Restricted to Repository staff only until 19 August 2026. Download (273kB)
	PDF (BabII) BAB II-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Restricted to Repository staff only until 19 August 2026. Download (756kB)
	PDF (BabIII) BAB III-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Restricted to Repository staff only until 19 August 2026. Download (376kB)
	PDF (BabIV) BAB IV-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB V-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Download (222kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Hisyam Adelio Pradipta-H1D020088-Skripsi-2025.pdf Download (196kB)

Abstract

Industri game telah mengalami perkembangan yang pesat, hal ini ditandai dengan hadirnya berbagai jenis game. Bentuk interaksi pemain dalam game sudah dapat direpresentasikan dengan berbagai cara. Namun, terdapat tantangan untuk memungkinkan interaksi secara real-time antara pengguna dan sistem. Untuk mewujudkan interaksi tersebut, hand gesture recogntion mampu melakukan pengenalan isyarat tangan secara real-time. Penelitian ini bertujuan untuk mengembangkan model hand gesture recognition sebagai alat kendali pada game fighting menggunakan framework MediaPipe dan OpenCV. Model MediaPipe dibandingkan dengan model YOLOv8 berdasarkan hasil evaluasi model. Evaluasi model menggunakan confusion matrix, nilai evaluasi tertinggi pada model YOLOv8 dengan skor akurasi 100%. Pengujian model berdasarkan variabel kecerahan ruangan dan jarak tangan ke kamera pada model MediaPipe menghasilkan persentase deteksi yang lebih tinggi dibandingkan model YOLOv8. Model terbaik diimplementasikan pada game fighting untuk menambah variasi alat kendali bagi pemain dalam mengontrol aksi karakter game fighting. Pengembangan game berbasis desktop dilakukan menggunakan metode GDLC dan framework Pygame. Hasil alpha testing menggunakan blackbox menunjukkan output yang benar pada setiap fitur. Hasil beta testing dari laptop kategori low-end dan PC kategori low to mid-range pada mode Gesture menghasilkan rata-rata 7,41 fps dan 29,77 fps, sehingga membutuhkan spesifkasi CPU yang cukup kuat untuk menjalankan model pada game.

Actions (login required)

View Item