Sistem Deteksi Gestur Bahasa Isyarat Indonesia (BISINDO) dengan Metode Long Short Term Memory secara Real-Time
Bahasa Isyarat Indonesia (BISINDO) merupakan salah satu bahasa isyarat yang
dipakai oleh teman tuli (tunarungu) di Indonesia untuk berinteraksi. Pada umumnya
teman dengar (masayarakat normal) di Indonesia tidak bisa menggunakan bahasa
isyarat seperti BISINDO untuk memahami dan memberikan respon ketika
berinteraksi dengan teman tuli, tak sedikit juga masyarakat disabilitas atau teman
tuli yang tidak bisa membaca maupun menulis untuk dapat berkomunikasi dengan
teman dengar. Penelitian ini bertujuan untuk menganalisis kemampuan model Deep
Learning untuk mengklasifikasikan gestur kosa kata yang ada pada BISINDO.
Kemudian mengaplikasikan model tersebut pada perangkat smartphone yang dapat
menjembatani keterbatasan komunikasi antara teman tuli dan teman dengar. Data
yang digunakan dalam penelitian ini bersumber dari 21 gestur kosa kata pada
konteks percakapan jual-beli. Metode Long Short-Term Memory (LSTM)
digunakan sebagai arsitektur model Deep Learning ini. LSTM adalah metode yang
dapat digunakan untuk mempelajari suatu pola pada data deret waktu, yang cocok
untuk penelitian ini. Hasil penelitian menunjukkan bahwa, model LSTM yang
sudah dilakukan Hyperparameter Tuning dapat mendeteksi gestur isyarat
BISINDO dengan baik dibuktikan dengan analisis metrik evaluasi, seperti
mendapatkan akurasi sebesar 98.9 %, dan loss minim sebesar 0.07 pada kurva
learning, nilai ROC AUC sebesar 99.5%, dan rata – rata presisi 99% pada
classification metrics. Setelah model dilakukan deployment ke perangkat android
dan diuji secara realtime, didapatkan akurasi sebesar 94.76% pada pengujian 21
kosa kata dan 81.75% pada pengujian 8 kelas kalimat yang berbeda.
URI
https://repo.itera.ac.id/depan/submission/SB2309250004
Keyword