Sistem Deteksi Bahasa Isyarat Indonesia (Bisindo) Secara Real Time Menggunakan Metode Convolutional Neural Network

Trisna, Rangga Tansa (2026) Sistem Deteksi Bahasa Isyarat Indonesia (Bisindo) Secara Real Time Menggunakan Metode Convolutional Neural Network. [Tugas Akhir/Skripsi] (Unpublished)

	Text ABSTRAK.pdf Download (675kB)
	Text BAB 1.pdf Restricted to Repository staff only Download (291kB) | Request a copy
	Text BAB 2.pdf Restricted to Repository staff only Download (480kB) | Request a copy
	Text BAB 3.pdf Restricted to Repository staff only Download (801kB) | Request a copy
	Text BAB 4.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB 5.pdf Restricted to Repository staff only Download (262kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (262kB) | Request a copy
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (639kB) | Request a copy
	Text Skripsi Hasil Turnitin.pdf Restricted to Repository staff only Download (2MB) | Request a copy
	Text Hasil Turnitin.pdf Restricted to Repository staff only Download (215kB) | Request a copy
	Text Jurnal_Rangga (1).pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Komunikasi antara penyandang tunarungu dengan masyarakat umum masih menghadapi kendala sehingga diperlukan sistem yang mampu mengenali Bahasa Isyarat Indonesia. Penelitian ini bertujuan merancang sistem deteksi Bahasa Isyarat Indonesia (BISINDO) secara real-time menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 sebagai ekstraktor fitur, yang difokuskan untuk klasifikasi lima huruf vokal (A, I, U, E, O) karena jumlah kelas yang lebih sedikit membantu model Convolutional Neural Network (CNN) mempelajari pola secara lebih efektif dan meningkatkan akurasi klasifikasi. Tahapan deteksi Bahasa Isyarat huruf vokal meliputi tahap pengumpulan data, pra proses data, modeling, training model, testing model, evaluasi. Dataset yang digunakan berupa gambar bentuk isyarat tangan yang diperoleh dari berbagai sumber yaitu kaggle. Dataset ini diperbanyak melalui augmentasi citra untuk meningkatkan variasi data citra, kemudian dibagi secara stratified menjadi data training, Validasi, dan Testing. Jumlah dataset yang digunakan berjumlah 500 data gambar pola tangan setelah dilakukan proses augmentasi menjadi 2500 data. Model dilatih menggunakan arsiterktur MobilenetV2 yang terdiri dari 5 layer di dalam proses modelingnya yaitu,layer konvolusi, layer ReLu, layer pooling, layer flatten, layer softmax. Ujicoba dilakukan dengan dua skenario yaitu (1) ujicoba statis menggunakan dataset citra Bahasa isyarat tangan dan (2) Ujicoba real-time dengan menangkap bahasa isyarat tangan menggunakan Webcam secara langsung. Hasil ujicoba statis model CNN MobileNetV2 menunjukkan akurasi 77% precision 82% Recall 77%. Hasil ujicoba real time adalah 100% pada huruf A. Hal ini menunjukkan bahwa sistem mampu mendeteksi huruf vokal BISINDO dengan akurasi yang baik dan berpotensi menjadi alat bantu komunikasi antara penyandang tunarungu dan masyarakat umum.

Item Type:	Tugas Akhir/Skripsi
Uncontrolled Keywords:	Sistem Deteksi, Bahasa Isyarat, Machine Learning, Deep Learning, CNN
Subjects:	S Agriculture > S Agriculture (General)
Divisions:	Faculty of Engineering > Computer Science or Informatics Study Program
Depositing User:	Rangga Tansa Trisna
Date Deposited:	22 Sep 2026 02:03
Last Modified:	22 Sep 2026 02:03
URI:	http://erepository.uwks.ac.id/id/eprint/23646

Actions (login required)

View Item

Downloads