IAESONLINEIAESONLINE

Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI)

Pengakuan bahasa isyarat (SLR) memainkan peran penting dalam meningkatkan komunikasi bagi orang tuli. Makalah ini menyelidiki pengakuan bahasa isyarat melalui model pembelajaran dalam berdasarkan fitur tindakan menggunakan data kerangka dari dataset Bahasa Isyarat Argentina (LSA64). Model yang dijelajahi termasuk Jaringan Saraf Multi-layer Perceptron (MLP), dan Long Short-Term Memory (LSTM). Jaringan MLP, yang memanfaatkan lapisan multi-perceptron, mencapai akurasi 96,10%. Model LSTM, yang unggul dalam memproses data sekuensial, mencapai akurasi tertinggi sebesar 98,60%. Hasil ini menunjukkan efektivitas model pembelajaran dalam dalam pengakuan bahasa isyarat, dengan LSTM menunjukkan janji yang paling menjanjikan karena kemampuannya untuk menangkap dinamika temporal secara efektif. Akibatnya, studi ini membuka prospek untuk menerapkan teknologi pengakuan bahasa isyarat dalam praktik, berkontribusi pada peningkatan kualitas hidup orang tuli.

Studi ini menyelidiki peningkatan sistem pengakuan bahasa isyarat (SLR) untuk komunitas tuli melalui penerapan model pembelajaran dalam.Tiga model, yaitu ResNet50, MLP, dan LSTM, dievaluasi menggunakan dataset LSA64.Model LSTM unggul di antara yang lain, mencapai akurasi 98,60%, sehingga menunjukkan kemampuannya yang unggul dalam menangkap dinamika temporal yang melekat dalam bahasa isyarat.Model MLP dan ResNet50 juga menunjukkan kinerja yang kuat, dengan akurasi masing-masing 96,10% dan 82,13%.Temuan kami menunjukkan bahwa model pembelajaran dalam, terutama yang memanfaatkan fitur kerangka, memiliki potensi yang signifikan untuk maju SLR sistem.Penelitian masa depan harus memprioritaskan perluasan dataset dan optimasi model ini untuk aplikasi dunia nyata, akhirnya bertujuan untuk meningkatkan aksesibilitas komunikasi bagi komunitas tuli.

Untuk penelitian lanjutan, kami mengusulkan beberapa arah studi yang menjanjikan. Pertama, perlu dilakukan penelitian lebih lanjut untuk memperluas dataset yang digunakan dalam pelatihan model, terutama dengan memasukkan lebih banyak variasi dalam data pelatihan. Hal ini akan meningkatkan kemampuan model untuk menangani berbagai gaya dan konteks bahasa isyarat. Kedua, penelitian dapat dilakukan untuk mengoptimalkan model-model ini untuk aplikasi dunia nyata, dengan mempertimbangkan faktor-faktor seperti efisiensi komputasi dan akurasi dalam kondisi yang bervariasi. Terakhir, penelitian dapat dilakukan untuk mengeksplorasi integrasi model-model ini dengan teknologi lain, seperti perangkat keras pengenalan bahasa isyarat yang dapat dikenakan, untuk meningkatkan aksesibilitas dan kemudahan penggunaan sistem komunikasi untuk orang tuli.

  1. Supporting Communication for Deaf People with Sign Language Recognition Using Deep Learning Approach... doi.org/10.52549/ijeei.v13i3.5780Supporting Communication for Deaf People with Sign Language Recognition Using Deep Learning Approach doi 10 52549 ijeei v13i3 5780
Read online
File size1.03 MB
Pages11
DMCAReport

Related /

ads-block-test