Penerapan Algoritma Convolutional Neural Network untuk Meningkatkan Akurasi Pengenalan Bahasa Isyarat Indonesia
DOI:
https://doi.org/10.35968/jsi.v13i1.1737Kata Kunci:
Convolutional Neural Network, BISINDO, Pengeolahan Citra, Klasifikasi, Augmentasi DataAbstrak
Tujuan dari penelitian ini adalah untuk memasukkan algoritma Convolutional Neural Network (CNN) ke dalam sistem pengenalan bahasa isyarat statis Indonesia Bahasa Isyarat (BISINDO). Latar belakang penelitian adalah pentingnya pengembangan teknologi yang membantu penyandang tunarungu berkomunikasi dengan masyarakat umum. Metode ini menggunakan arsitektur CNN khusus yang terdiri dari lapisan konvolusi, pooling, dan seluruhnya terhubung. Dataset yang digunakan terdiri dari 1.500 gambar 26 huruf alfabet BISINDO, yang telah diperluas untuk meningkatkan variasi dan ketahanan model melalui proses augmentasi data. Hasil dari eksperimen menunjukkan bahwa model yang diusulkan dapat beroperasi dengan sangat baik. Akurasi deteksi model sebesar 98,5% pada data pengujian. Hasil evaluasi tambahan menunjukkan bahwa model memiliki nilai akurasi sebesar 97,8%, nilai recall sebesar 98,2%, dan nilai F1-Score sebesar 98,0%. Hasil ini menunjukkan bahwa CNN tidak hanya akurat tetapi juga handal dalam mengklasifikasikan bentuk tangan yang kompleks dalam BISINDO. Oleh karena itu, sangat mungkin untuk CNN digunakan dalam sistem translator real-time.Referensi
Alhussan, A. A., Eid, M. M., & Lim, W. H. (2023). Advancing Communication for the Deaf: A Convolutional Model for Arabic Sign Language Recognition. Journal of Artificial Intelligence and Metaheuristics, 5(1), 38–45. https://doi.org/10.54216/JAIM.050104
Awaludin, M., & Amelia, L. V. (2022). Penerapan Structural Equation Modeling (Sem) Dengan Lisrel Terhadap Perbedaan Tarif Penerbangan Pada Penumpang Domestik Di Bandara Halim Perdanakusuma. Jurnal Sistem Informasi Universitas Suryadarma, 9(1). https://doi.org/10.35968/jsi.v9i1.855
Awaludin, M., & Gani, A. (2024). Pemanfaatan kecerdasan buatan pada algoritma k-means klastering dan sentiment analysis terhadap strategi promosi yang sukses untuk penerimaan mahasiswa baru. JSI (Jurnal Sistem Informasi) Universitas Suryadarma, 11(1), 1–6.
Deshmukh, R., Lahamge, T., Phadatare, I., Shinde, D., & Manhas, R. (2024). A Comprehensive Review on Real-Time Sign Language Detection for Deaf and Dumb People. Proceedings - 2024 3rd International Conference on Sentiment Analysis and Deep Learning, ICSADL 2024, April, 169–176. https://doi.org/10.1109/ICSADL61749.2024.00034
Ghuge, P. A. (2024). Sign language Detection and Recognization using Deep Learning. Interantional Journal of Scientific Research in Engineering and Management, 08(05), 1–5. https://doi.org/10.55041/ijsrem34640
Lee, J., & Park, H. M. (2023). Preliminary Study on Data Augmentation Methods for Sign Language Recognition. International Conference on Control, Automation and Systems, 886–889. https://doi.org/10.23919/ICCAS59377.2023.10317044
Mishra, K., Akhand, H., Kantade, M., & Marmat, M. (2023). Sign Language Recognition Enabling Communication Strategies for Persons with Hearing Impairment. International Journal of Innovative Research in Engineering, 578–580. https://doi.org/10.59256/IJIRE.2023040229
Mulla, R., Joshi, S., Devchakke, A., Dawda, A., & Durgude, A. (2025). Enhancing American Sign Language Recognition: A Comparative Study of LSTM and TensorFlow Zoo Models for Static and Non-Static Gesture Detection. 2025 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation (IATMSI). https://doi.org/10.1109/IATMSI64286.2025.10985235
Prabu, S., Sridhar, T. K., Sridharan, S., Sukesh, D., & Rajavel, J. (2024). Revolutionizing Communication: A Hybrid Deep Learning Framework for Enhanced Sign Language Recognition. 2024 International Conference on Data Science and Network Security (ICDSNS). https://doi.org/10.1109/ICDSNS62112.2024.10690996
Sanaullah, M., Kashif, M., Ahmad, B., Safdar, T., Hassan, M., Hasan, M. H., & Haider, A. (2022). Sign Language to Sentence Formation: A Real Time Solution for Deaf People. Computers, Materials and Continua, 72(2), 2501–2519. https://doi.org/10.32604/cmc.2022.021990
Shi, P., & Huang, H. (2022). Lightweight MobileNetV2 offline handwritten Chinese character recognition based on attention mechanism. International Symposium on Robotics, Artificial Intelligence, and Information Engineering, 83. https://doi.org/10.1117/12.2659091
Srivastava, S. (2025). Intelligent Hand Gesture Recognition for Sign Language Understanding. 2025 6th International Conference on Data Intelligence and Cognitive Informatics (ICDICI), 317–322. https://doi.org/10.1109/ICDICI66477.2025.11135319
Weng, Z., Zhang, X., Mou, Y., Yi, C., Li, F., Bashivan, P., & Xu, P. (2024). A Hybrid CNN-Transformer Approach for Continuous Fine Finger Motion Decoding from sEMG Signals. 2024 IEEE International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA). https://doi.org/10.1109/CIVEMSA58715.2024.10586636
