Halaman Data Jurnal
| Judul Jurnal | Pengenalan Bahasa Isyarat Huruf Abjad Menggunakan Algoritma Convolutional Neural Network (CNN) |
|---|---|
| Nama Lengkap | Rana Andini |
| Nama Pembimbing 1 | Rudi Kurniawan, S.T.,M.Kom |
| Nama Pembimbing 2 | Novi Lestari, M.Kom |
| Abstrak Jurnal | Abstract— Some people experience physical limitations such as hearing so they are unable to communicate properly as in general, one of them is the deaf. Deaf people use writing, gestures, and sign language in dealing with other people. Indonesian Sign System (SIBI) is a language that has been formalized and designed by the government as a reference for learning in special schools. Until now there is still no sign language translation system that is practical and effective, this is due to the lack of research on sign language translation systems. To overcome this problem, in this final project a system for recognizing alphabetic sign language is created using a convolutional neural network (CNN) algorithm. The dataset used amounted to 5607 images of the Indonesian vowel system vowel system consisting of 1,445 letters A, 1,435 I letters, 1,411 U letters, 1,432 E letters, 1,435 O letters. From the training results of the CNN model with 10 epochs, the results obtained are training accuracy values of 0.9960, validation accuracy of 0.9991, training loss values of 0.0108, validation loss values of 0.0024. Keywords: Deaf, CNN, SIBI, Vocal Alphabet. Intisari— Sebagian orang mengalami keterbatasan fisik seperti pendengaran sehingga tidak mampu berkomunikasi dengan baik sebagaimana pada umumnya, salah satunya adalah penyandang tunarungu. tunarungu menggunakan tulisan, gerakan-gerakan, dan bahasa isyarat dalam berhubungan dengan orang lain. Sistem Isyarat Bahasa Indonesia (SIBI) adalah bahasa yang telah diresmikan dan dirancang oleh pemerintah sebagai acuan pembelajaran disekolah-sekolah SLB. Hingga saat ini masih belum adanya sistem penerjemah bahasa isyarat yang praktis dan efektif, hal ini dikarenakan masih kurangnya penelitian terhadap sistem penerjemah bahasa isyarat. Untuk mengatasi hal tersebut , pada tugas akhir ini dibuat sistem pengenalan bahasa isyarat huruf abjad menggunakan algoritma convolutional neural network (CNN). Dataset yang digunakan berjumlah 5607 citra Abjad vokal sistem isyarat bahasa indonesia yang terdiri dari huruf A sebanyak 1.445, huruf I sebanyak 1.435, huruf U sebanyak 1.411, huruf E 1.432, huruf O sebanyak 1.435. Dari hasil pelatihan model CNN dengan 10 eppoch didapatkan hasil nilai akurasi pelatihan 0,9960, akurasi validasi 0,9991, nilai loss pelatihan 0,0108, nilai loss validasi 0,0024. Kata Kunci: Tunarungu, CNN, SIBI, Abjad Vokal. |
| Daftar Pustaka | Referensi [1] M. Sholawati, K. Auliasari, and F. Ariwibisono, “Pengembangan Aplikasi Pengenalan Bahasa Isyarat Abjad Sibi Menggunakan Metode Convolutional Neural Network (Cnn),” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 1, pp. 134–144, 2022, doi: 10.36040/jati.v6i1.4507. [2] I. Menggunakan and M. Dan, “Sistem deteksi simbol pada sibi (sistem isyarat bahasa indonesia) menggunakan,” 2021. [3] A. S. Nugraheni, A. P. Husain, and H. Unayah, “Optimalisasi Penggunaan Bahasa Isyarat Dengan SIBI dan BISINDO Pada Mahasiswa Difabel Tunarungu di Prodi PGMI UIN Sunan Kalijaga,” Holistika, pp. 28–33, 2021. [4] R. Fatmawati, “Aplikasi Pembelajaran Sistem Isyarat Bahasa Indonesia ( SIBI ) Berbasis Voice Menggunakan Open SIBI,” vol. 7, no. 1, pp. 22–39, 2022. [5] F. N. Rahmah, “Problematika Anak Tunarungu Dan Cara Mengatasinya,” Quality, vol. 6, no. 1, p. 1, 2018, doi: 10.21043/quality.v6i1.5744. [6] DARMATASIA, “PENGENALAN SISTEM ISYARAT BAHASA INDONESIA (SIBI) MENGGUNAKAN GRADIENT-CONVOLUTIONAL NEURAL NETWORK DARMATASIA Teknik Informatika Fakultas Sains dan Teknologi,” J. Instek, vol. 6, no. 1, pp. 56–65, 2021. [7] M. Yunus and Y. Anwar, “APLIKASI PENERJEMAH BAHASA ISYARAT INDONESIA KE DALAM HURUF ABJAD,” vol. 2, no. 1, pp. 257–262, 2022. [8] M. Kamera, M. Y. A, D. Purwanto, and R. Mardiyanto, “Penerjemahan Bahasa Isyarat Indonesia,” vol. 6, no. 1, pp. 180–183, 2017. [9] T. Online, G. Qorik, O. Pratamasunu, F. Nur, and P. Kurnia, “Jurnal Politeknik Caltex Riau Deteksi Tangan Otomatis Pada Video Percakapan Bahasa Isyarat Indonesia Menggunakan Metode Deep Gated Recurrent Unit ( GRU ),” vol. 8, no. 1, pp. 186–193, 2022. [10] R. R. Wandini, “Pengenalan Huruf Vokal Terhadap Anak Usia Dini Dengan Media Audio Visual,” J. Tarb., vol. 24, no. 1, pp. 120–136, 2017. [11] H. Wibi Bagas N, E. Mailoa, and H. D. Purnomo, “Deteksi Buah untuk Klasifikasi Berdasarkan Jenis dengan Algoritma CNN Berbasis YOLOv3,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 3, pp. 476–481, 2020. [12] Agus Darmawan, “Pembangunan Aplikasi Hand Gesture Recognition Sebagai Media Penerjemah Bahasa Isyarat Berbasis Arduino,” pp. 1–9, 2021. [13] M. A. Akbar, “Jurnal Coding Sistem Komputer Untan,” J. Coding Sist. Komput. Untan, vol. 04, no. 2, pp. 184–194, 2016. [14] D. A. Budi, “Perancangan Sistem Login pada Aplikasi Berbasis GUI Menggunakan Qtdesigner Python,” J. SIMADA (Sistem Inf. dan Manaj. Basis Data), vol. 4, no. 2, pp. 92–100, 2021, doi: 10.30873/simada.v4i2.2961. |