ABSTRAK Name : Yaya Heryadi Program : Doktor Ilmu Komputer Judul Disertasi : A Unified Method for Dance Motion Recognition and Scoring using A Two-Layer Classifier based on A Conditional Random Field and A Stochastic Error- Correcting Context-Free Grammar Disertasi ini menguraikan sebuah kerangka terpadu untuk mengenali dan memberikan skor terhadap penampilan gerak tari menggunakan sebuah 2-tingkat classifier sehingga kompleksitas perhitungan dapat dibagi kedalam dua tahap komputasi. Penelitian ini meneliti kinerja tiga model: sliding window, hidden Markov model (HMM), dan Conditional Random Field (CRF) sebagai classifier tingkat pertama yang berfungsi untuk men-segmentasi video input menjadi sebuah deret label dari gerak dasar tari. Classifier tingkat kedua adalah sebuah stochastic error-correcting context-free grammar yang dikembangkan berdasarkan pengetahuan ahli tari. Grammar tersebut berfungsi untuk memeriksa kesesuaian deret label dengan aturan grammar yang ditetapkan, membangun struktur pohon (parse tree), dan menghitung skor gerak tari berdasarkan tingkat kesesuaiannya dengan grammar tari. Data gerak tari untuk penelitian ini direkam menggunakan sebuah kamera Kinect. Data pelatihan terdiri dari 360 sampel yang meliputi 12 gerak dasar tari Pendet dan 7 buah video penampilan tari Pendet. Dengan menggunakan metode 5-fold cross-validation, akurasi masing-masing model adalah: sliding window (0.63), HMM (0,79), dan CRF (0,86). Hasil ini menunjukkan bahwa CRF memiliki kinerja yang lebih tinggi sebagai pengenal gerak dasar tari dibandingkan dengan HMM yang diusulkan oleh [BOI98]. Apabila fitur gerak tari adalah semua koordinat sudut sendi tubuh penari seperti yang diusulkan oleh [RAP11], akurasi tertinggi CRF adalah 0,88. Namun apabila fitur gerak tari hanya menggunakan koordinat sudut sendi bagian atas tubuh penari saja maka akurasi CRF dapat mencapai 0,93. Percobaan menggunakan deret label sintetis dengan faktor biaya ci = 1 dan tingkat cacat (noise) deret label hingga 50 persen, Stochastic error-correcting context-free grammar dapat mentolerir cacat pada data deret label dengan akibat penurunan maksimum skor hanya sebesar 25 persen. Percobaan menggunakan pertunjukan tari Pendet menunjukkan bahwa model yang diusulkan dapat mengenali tari Pendet dengan tari-rata skor 79,3. Rata-tarian rendah ini disebabkan beberapa faktor termasuk: variasi keterampilan penari, ketidak-stabilan pengulangan gerakan dasar tari, biaya tinggi yang disebabkan oleh penggantian operasi penghapusan dan penggantian cacat deret secara lokal dengan operasi penyisipan, variasi waktu gerakan dasar tari disebabkan tidak adanya musik pengiring sebagai pedoman waktu, dan keterbatasan data pelatihan yang mewakili variasi gerakan dasar tari. Kata kunci: pengenalan gerak tari, penilaian penampilan tari