Sign Language Translator Using Deep Learning
Abstract
Di era komunikasi digital saat ini, kesempatan untuk interaksi yang efektif antara orang tuli dan orang yang
sulit mendengar menjadi lebih penting dari sebelumnya.
Meskipun bahasa isyarat telah menjadi jembatan komunikasi
yang penting, kemungkinan salah tafsir dan salah tafsir sering
muncul sebagai tantangan yang menghambat komunikasi yang
efektif. Mengidentifikasi kebutuhan mendesak akan solusi
inovatif, penelitian ini bertujuan untuk mengembangkan
aplikasi berbasis pembelajaran mesin yang diberdayakan secara
khusus untuk berfokus terutama pada pengeditan teks. Dengan
memanfaatkan kekuatan teknik LSTM, aplikasi ini dirancang
tidak hanya untuk mengidentifikasi tetapi juga memperbaiki
kesalahan interpretasi bahasa isyarat secara real time. Manfaat
signifikan dari metode ini terbukti dalam peningkatan akurasi
yang mencolok, mencapai 92,5% yang mengesankan. Selain itu,
penelitian ini tidak hanya tentang teknologi tetapi juga tentang
inklusi sosial. Dengan tujuan untuk mengurangi hambatan
komunikasi dan mempromosikan interaksi yang lebih inklusif
antara komunitas tuna rungu dan tuna rungu, aplikasi ini
menandai langkah penting dalam merevolusi cara kita
memahami, menerjemahkan, dan berkomunikasi melalui
bahasa isyarat, memastikan bahwa setiap pesan tidak hanya
dikirimkan tetapi diterima dengan kejelasan dan akurasi yang
optimal.
Kata kunci: Machine Learning, SIBI, LSTM
References
R. Kumar Attar, V. Goyal, and L. Goyal,
of automation in sign language: A systematic review,=
ACM Transactions on Asian and Low-Resource Language
Information Processing, vol. 22, no. 4, pp. 1-
, 2023. doi:10.1145/3564769
I. Kissos and N. Dershowitz,
character correction and feature-based word
classification,= 2016 12th IAPR Workshop on Document
Analysis Systems (DAS), 2016.
doi:10.1109/das.2016.44
W. Zhuang, J. Qi, P. Zhang, B. Zhang, and P. Tan,
of the Thirty-First International Joint Conference on
Artificial Intelligence, 2022.
doi:10.24963/ijcai.2022/863
A. P. Wibawa, P. Yuliawati, P. Santoso, R. Shalahuddin,
and I. M. Wirawan,
Dengan metode Empiris Untuk KoreksiĀ ejaan
Bahasa Indonesia,= ILKOM Jurnal Ilmiah, vol. 12, no. 3,
pp. 176-182, 2020. doi:10.33096/ilkom.v12i3.600.176-
C. C. Chatterjee,
gru,= Medium,
-towardsdatascience.com/implementation-ofrnnlstm-and-gru-a4250bf6c090 (accessed Aug. 8, 2023).
E. Elbasani and J.-D. Kim,
detection based on Recurrent Neural Network LSTM,=
Journal of Healthcare Engineering, vol. 2021, pp. 1-7,
doi:10.1155/2021/8829403
C. Kang,
-goodboychan.github.io/python/deep_learning/ten
sorflow-keras/2020/12/09/01-RNN-Many-to-many.html
(accessed Aug. 9, 2023).
K. Team,
-keras.io/api/layers/core_layers/dense (accessed
Aug. 9, 2023).
K. Rastogi,
Vidhya,
-www.analyticsvidhya.com/blog/2022/01/textclea
ning-methods-in-nlp/ (accessed Aug. 9, 2023).
N. Project, NLTK,
-www.nltk.org/api/nltk.tokenize.html (accessed
Aug. 9, 2023).
A. Lopez-del Rio, M. Martin, A. Perera-Lluna, and R.
Saidi,
deep learning models in archaeal protein functional
prediction,= Scientific Reports, vol. 10, no. 1, 2020.
doi:10.1038/s41598-020-71450-8
G. Singhal,
-www.pluralsight.com/guides/introduction-tolstmunits-in-rnn (accessed Aug. 9, 2023).