<![CDATA[ABSTRAKPengendalian drone secara konvensional menggunakan joystik mengurangi fleksibilitas pergerakannya. Metoda pengendalian akan menjadi lebih bebas dan fleksibel dengan menggunakan pergerakan tangan. Metode pengendalian dengan pergerakan tangan ini menghasilkan data set dalam jumlah yang besar yang mengendalikan arah drone. Dengan alasan tersebut, Leap Motion Controller dibutuhkan untuk merekam dan mengenali contoh-contoh pose tangan dan mengekstrak data set. Metode pendekatan yang di lakukan adalah menggunakan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan nilai x, y, z, Pitch, Roll dan Yaw yang berdasarkan pergerakan pesawat konvensional. Riset ini fokus pada nilai akurasi dalam menerapkan peralatan Leap Motion dalam mengontrol arah drone dengan menggunakan algoritma KNN. Hasil eksperimen menunjukkan bahwa nilai k=3 menghasilkan tingkat akurasi sebesar 72.8%.Kata kunci: Drone Controller, Hand Gesture, K-Nearest Neighbor Algorithm, Leap Motion, K-value ABSTRACTControlling a drone can be more entertaining and flexible by using a hand esture compare to the conventional mode by using a joystick. However, a drone controlling using the hand gestures produce a large number of data sets that drive the drone’s movements in particular. For this reason, a Leap Motion Controller is required to record and recognize the hand pose samples and extract the data sets. Our approach is to use the K-Nearest Neighbor (KNN) algorithm as our method in order to classify the x, y, z, Pitch, Roll and Yaw values which are based on the conventional aircraft motions. This research focuses on the accuracy value of implementing the Leap Motion device to control a drone with the KNN algorithm. The result shows that the k-values from 3 obtain 72.8% of accuracy Keywords: Drone Controller, Hand Gesture, K-Nearest Neighbor Algorithm, Leap Motion, K-value]]>
