ABSTRAKSI: Analisis pergerakan manusia tanpa penanda pada tubuh dalam komputer visual memiliki potensi besar untuk menyajikan solusi yang murah dan tidak menonjol dalam interpretasi pose tubuh manusia. Upaya penelitian yang signifikan dalam bidang ini didorong oleh fakta bahwa banyak sekali area aplikasi di bidang pengawasan, Interaksi Manusia Komputer dan anotasi otomatis yang tentunya akan memberikan keuntungan apabila pada akhirnya berhasil ditemukan solusi yang handal dalam domain interpretasi pose tubuh manusia.
Tugas akhir ini membahas mengenai karakteristik pose manusia dengan membagi proses analisis menjadi ekstraksi fitur atau pemodelan dan fase interpretasi pose.Gabor Filter digunakan untuk mengekstraksi ciri dari pose suatu gerakan yang kemudian matriks-matriks hasil dari proses ini akan diubah menjadi vektor yang akan menjadi data masukan pada Support Vector Machine untuk dilakukan klasifikasi berdasarkan sample aksi manusia pada dataset siluet MuHAVi-MAS.
Tahap pengujian terhadap sistem interpretasi pose manusia ini dilakukan dengan memperhatikan banyaknya fitur data latih yang digunakan sebagai data masukan pada Support vector machine.Pada sistem ini didapatkan hasil terbaik dengan akurasi 91.41% dengan parameter C = 5 dan = 9.1 pada data dengan jumlah fitur 48 (6 skala dan 8 orientasi) menggunakan metode multikelas Pairwise.Kata Kunci : interpretasi,pose manusia, support vector machine, gabor filter,ABSTRACT: Markerless vision-based human motion analysis has the potential to provide an inexpensive and non-obtrusive solution for the interpretation of human body poses. The significant research effort in this domain has been motivated by the fact that many application areas, including surveillance, Human–Computer Interaction and automatic annotation, which would certainly benefit if in the end managed to find a reliable solution in the domain of interpretation of the the human body poses.
In this paper, we discuss the characteristics of human pose by dividing the analysis into feature extraction or modeling and pose interpretation phase. Gabor filters are used for extracting the characteristics of the movement and then as the results, matrix from this process will be converted into vector as input for Support Vector Machine to classify human pose based on human action on the MuHAVi- MAS silhouette dataset.
Test phase on human pose interpretation system is done by observing the number features of training data that used as input for support vector machine. By this system obtained the best result with an accuracy of 91.41% with the parameter C = 5 and =9.1 based on data with 48 feature (6 scales and 8 orientations) using Pairwise multiclass method.Keyword: interpretation, human pose, support vector machine, gabor filter,