Perancangan Sistem Penerjemah Bahasa Isyarat

Abstract

Abstrak Tidak sedikit orang yang tak mampu mendengar dan berbicara atau biasa disebut tuna rungu. Komunikasi mereka dengan orang lain hanya menggunakan bahasa isyarat. Beberapa orang mampu mendapatkan informasi dari gerakan mereka namun tidak semua orang bisa mengerti dengan cara mereka menyampaikan pesan sehingga komunikasi pun tidak dapat berjalan dengan baik. Penerjemah bahasa Isyarat akan sangat membantu menyampaikan pemikiran mereka kepada orang lain. Penerjemah bahasa Isyarat ini berbentuk sarung tangan sehingga saat melakukan gerakan tangan akan menghasilkan nilai-nilai unik yang akan diterjemahkan dengan menggunakan teknik Jaringan Syaraf Tiruan. Hasil terjemahan dari bahasa isyarat ini diubah menjadi sebuah teks dan suara yang akan ditampilkan pada aplikasi di handphone. Hasil dari Tugas Akhir ini adalah alat dapat membaca gerakan bahasa Isyarat dengan baik. Metode yang digunakan yaitu jaringan syaraf tiruan dengan metode backpropagation dengan 1 input layer, 2 hidden layer dan 1 output layer. Iterasi atau epoch yang digunakan sebesar 2500, batch size 2200 dan learning rate 0.00001. Berdasarkan hasil data pengujian setiap kata dari lima orang penguji dengan tiga kali percobaan memiliki tingkat keberhasilan 72.33%. Dapat disimpulkan perangkat cukup baik dalam menerjemahkan bahasa isyarat. Kata kunci: tuna rungu, bahasa isyarat, Jaringan Syaraf Tiruan, handphone. Abstract Not a few people who are unable to hear and speak or are usually called deaf people. Their communication with others only uses sign language. Some people are able to get information from their movements but not everyone can understand the way they deliver messages so that communication cannot work properly. This Sign Language Translator is in the form of a glove so that when doing hand gestures will produce unique values that will be translated using Artificial Neural Network techniques. The translation result from this sign language into a text and the sound that will be on the application on the handphone. The results of this Final Project are tools that can read Sign Language movements well. The method used is artificial neural network with backpropagation method with 1 input layer, 2 hidden layers and 1 output layer. Iteration or epoch used is 2500, batch size is 2200 and learning rate is 0.00001. Based on the results of testing data, each word of five testers with three trials has a success rate of 72.33%. It can concluded that the device is good enough in translating sign language. Keywords: deaf, sign language, Artificial Neural Network, handphone.