UMKLAUMKLA

JKTI Jurnal Keilmuan Teknologi InformasiJKTI Jurnal Keilmuan Teknologi Informasi

Komunikasi merupakan kebutuhan fundamental manusia, namun bagi penyandang tunarungu, hambatan interaksi dengan masyarakat umum masih menjadi tantangan besar akibat keterbatasan literasi terhadap bahasa isyarat. Penelitian ini bertujuan untuk mengimplementasikan sistem hand gesture recognition yang mampu menerjemahkan alfabet Sistem Isyarat Bahasa Indonesia (SIBI) secara real-time. Arsitektur MobileNetV2 dipilih sebagai model dasar karena efisiensinya dalam memproses data pada perangkat dengan sumber daya terbatas tanpa mengorbankan akurasi secara signifikan. Metode yang digunakan melibatkan beberapa tahapan krusial, dimulai dari image pre-processing berupa resizing dan normalisasi citra, hingga penerapan strategi data augmentation seperti rotasi, pergeseran (shifting), dan penyesuaian kecerahan untuk meningkatkan kemampuan generalisasi model terhadap kondisi dunia nyata. Dataset yang digunakan mencakup klasifikasi alfabet SIBI dari A hingga Z yang dikumpulkan secara variatif guna meminimalisir risiko overfitting. Hasil penelitian menunjukkan bahwa penggunaan mekanisme depthwise separable convolutions pada MobileNetV2 memungkinkan sistem melakukan deteksi gestur dengan responsivitas tinggi dan beban komputasi yang rendah. Melalui optimasi hyperparameter, model ini diharapkan dapat mencapai tingkat akurasi yang optimal, sehingga dapat diimplementasikan sebagai alat bantu komunikasi yang praktis dan inklusif bagi komunitas Tuli di lingkungan sosial maupun layanan publik.

Berdasarkan hasil penelitian yang telah dilakukan, sistem deteksi bahasa isyarat SIBI menggunakan arsitektur MobileNetV2 berhasil diimplementasikan dengan baik untuk mengenali gesture alfabet secara realtime maupun melalui gambar statis.Penggunaan MobileNetV2 terbukti mampu memberikan performa klasifikasi yang cukup baik dengan keunggulan pada efisiensi komputasi dan kecepatan proses inferensi sehingga cocok diterapkan pada perangkat dengan sumber daya terbatas seperti laptop maupun perangkat mobile.Tahapan preprocessing seperti cleaning dataset, resizing, normalisasi, dan data augmentation juga memberikan pengaruh penting terhadap peningkatan kemampuan model dalam mengenali berbagai variasi gesture tangan.Berdasarkan hasil pengujian, sebagian besar gesture berhasil dikenali dengan tingkat confidence yang tinggi.Hal ini menunjukkan bahwa model mampu mengekstraksi fitur penting pada bentuk tangan dan posisi jari secara efektif.Meskipun demikian, masih ditemukan beberapa kesalahan klasifikasi pada gesture yang memiliki kemiripan bentuk tangan maupun posisi jari.Faktor eksternal seperti pencahayaan, background, kualitas kamera, dan sudut pengambilan gambar juga memengaruhi performa sistem dalam kondisi realtime.Namun secara keseluruhan, sistem yang dikembangkan telah mampu bekerja dengan cukup stabil dan memiliki potensi untuk diterapkan sebagai media bantu komunikasi bagi penyandang tunarungu dalam kehidupan sehari-hari.

Untuk penelitian lanjutan, disarankan untuk mengembangkan sistem dengan menambahkan pengenalan gesture dinamis seperti huruf J dan Z, meningkatkan jumlah dataset, serta mengimplementasikan model pada aplikasi mobile Android agar dapat digunakan secara lebih praktis dan luas oleh masyarakat. Selain itu, penelitian dapat fokus pada peningkatan akurasi sistem dalam kondisi nyata dengan mempertimbangkan faktor eksternal seperti pencahayaan dan kualitas kamera. Penelitian juga dapat mengeksplorasi strategi data augmentation yang lebih canggih untuk meningkatkan kemampuan generalisasi model terhadap variasi gesture dan kondisi lingkungan yang berbeda.

Read online
File size620.43 KB
Pages8
DMCAReport

Related /

ads-block-test