Penerjemah Huruf Vokal Pada Bahasa Isyarat Indonesia (Bisindo) Menjadi Audio Berbasis Image Processing
Abstrak
Abstrak4Di Indonesia sendiri terdapat bahasa isyarat yang sering digunakan dan sudah diakui serta disepakati agar dapat digunakan untuk saling bertukar informasi, yaitu Bahasa Isyarat Indonesia (BISINDO). Bahasa Isyarat Indonesia (BISINDO) merupakan bahasa isyarat yang menjadi bahasa sehari-hari bagi sebagian orang penyandang disabilitas khususnya seorang tunarungu. Proyek akhir ini dibuat, dengan tujuan agar lebih banyak orang yang mengetahui huruf vokal BISINDO. Pada Proyek Akhir ini, telah dirancang sebuah sistem penerjemah huruf vokal BISINDO per karakter menggunakan metode Convolutional Neural Network dengan arsitektur VGG-19 berbasis image processing dengan menggunakan bahasa pemrograman pyhton. Data yang diambil merupakan gambar gerakan tangan huruf vokal dalam bahasa isyarat yang dibiagi menjadi tiga yaitu 100 citra BISINDO, 150 citra BISINDO new, dan 250 citra BISINDO mix yang digunakan sebagai pengenalan untuk pendeteksian sistem penerjemah ini, yang selanjutnya akan diproses untuk menjalankan program penerjemah bahasa isyarat per karakter ini menjadi sebuah audio. Berdasarkan hasil pengujian dari 2 skenario, yaitu 100 citra untuk pengujian dan pelatihan, dan 150 citra untuk validasi data, dari hasil pengujian dan pelatihan diperoleh tingkat akurasi tertinggi sebesar 100% dengan menggunakan nilai epoch sebesar 14 dan batch size sebesar 4.
Kata kunci : Convolutional Neural Network, BISINDO, VGG-19.
Referensi
REFERENSI
G. Gumelar, H. Hafiar, and P. Subekti,
SEBAGAI BUDAYA TULI BAGI
ANGGOTA GERKATIN,= INFORMASI,
vol. 48, no. 1, Jul. 2018, doi:
21831/informasi.v48i1.17727.
K. Karnadi,
Digital Image Processing Dengan
Microsoft Visual Basic,= J. Digit. Teknol.
Inf., vol. 1, no. 1, p. 15, 2018, doi:
32502/digital.v1i1.933.
G. Irfon and E. Soen,
Pada Aplikasi Pengolah Data Zoom
Participants,= vol. 6, no. 1, pp. 24330,
S. R. Suartika E. P, I Wayan, Wijaya Arya
Yudhi,
Convolutional Neural Network (Cnn) Pada
Caltech 101,= J. Tek. ITS, vol. 5, no. 1, p.
, 2016, [Online]. Available:
http://repository.its.ac.id/48842/.
A. Rohim, Y. A. Sari, and Tibyani,
pengklasifikasian citra makanan
tradisional,= J. Pengemb. Teknol. Inf. dan
Ilmu Komput., vol. 3, no. 7, pp. 703837042,
, [Online]. Available: http://jptiik.ub.ac.id/index.php/jptiik/article/view/5851/2789.
T. M. Kadarina and M. H. Ibnu Fajar,
PEMROGRAMAN PYTHON
MENGGUNAKAN APLIKASI GAMES
UNTUK SISWA/I DI WILAYAH
KEMBANGAN UTARA,= J. Abdi Masy.,
vol. 5, no. 1, Jul. 2019, doi:
22441/jam.2019.v5.i1.003.
H. G. GHIFARI, D. DARLIS, and A.
HARTAMAN,
Darah Manusia Berbasis Tensorflow
menggunakan ESP32-CAM,= ELKOMIKA
J. Tek. Energi Elektr. Tek. Telekomun. Tek.
Elektron., vol. 9, no. 2, p. 359, 2021, doi:
26760/elkomika.v9i2.359.
N. Wiranda, H. S. Purba, and R. A.
Sukmawati,
Tensorflow pada Machine Learning untuk
Identifikasi Ikan Kawasan Lahan Basah,=
IJEIS (Indonesian J. Electron. Instrum.
Syst., vol. 10, no. 2, p. 179, 2020, doi:
22146/ijeis.58315.
A. Santoso and G. Ariyanto,
Deep Learning berbasis Keras untuk
Pengenalan Wajah,= Emit. J. Tek. Elektro,
vol. 18, no. 1, pp. 15321, 2018, doi:
23917/emitor.v18i01.6235.
W. Setiawan,
Convolutional Neural Network Untuk
Klasifikasi Fundus,= J. Simantec, vol. 7,
no. 2, pp. 48353, 2020, doi:
21107/simantec.v7i2.6551.
D. Hindarto and H. Santoso,
Kendaraan Dengan Metode Convolutional
Neural Network,= J. Inov. Inform. Univ.
Pradita, no. September 2021, pp. 1312,
M. Bansal, M. Kumar, M. Sachdeva, and
A. Mittal,
classification using VGG19: Caltech-101
image data set,= J. Ambient Intell.
Humaniz. Comput., no. 0123456789, 2021,
doi: 10.1007/s12652-021-03488-z.
