Pengenalan Sistem Isyarat Bahasa Indonesia (SIBI) Menggunakan Arsitektur Mobilenet
Main Article Content
Abstract
Sistem Isyarat Bahasa Indonesia atau lebih dikenal dengan SIBI merupakan Bahasa resmi yang digunakan penyandang tuli dalam berkomunikasi. Namun, permasalahan muncul karena sebagian besar orang tidak memahami bahasa isyarat. Untuk itu diperlukan perantara alternatif yang dapat menjadi penerjemah antara penyandang tuli dengan masyarakat biasa. Penelitian ini bertujuan untuk mengklasifikasikan SIBI menggunakan metode Convolution Neural Network dengan MobileNetV2. Data memiliki total 24 kelas, dengan pengecualian huruf J dan Z. Permasalahan lain muncul ketika memiliki data yang sedikit, yaitu 220 gambar setiap kelas. Karena itu diperlukan data augmentasi sehingga dataset menjadi lebih banyak. Pada penelitian ini akan menerapkan rotasi, shear, dan flip pada setiap gambar sehingga membuat gambar baru. Hasil penelitian ini menunjukan dengan penambahan data, model menjadi lebih optimal. Untuk pengujian akan menggunakan data test, yang menghasilkan akurasi sebesar 98,54 melalui penggunaan batchsize sebesar 32 dan menjalankan proses training sebanyak 25 epoch.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Nurmansyah, A., Rhamadhani, N. R., Alfarissy, S., Hakim, N., Agustin, A., & Hamidah, S. (n.d.). Permasalahan Komunikasi Yang Kerap Terjadi Pada Penyandang Disabilitas. Bahasa Dan Budaya, 2(2). https://doi.org/10.55606/jpbb.v2i2.1515
Farnell, B. M., & Davies Brenier, L. (2021). Sign Language. In Jackson Jr John L (Ed.), Oxford Bibliographies in Anthropology. Oxford University Press. https://doi.org/10.1093/obo/9780199766567-0285
Goud, V., Gupta, R., Suresh Babu, A., Das, D., Kulkarni, G., & Swathi, K. (2021). Oral health status and treatment needs among deaf, mute and visually impaired children of Gulbarga district – A population based cross sectional study. Journal of Family Medicine and Primary Care, 10(10), 3664. https://doi.org/10.4103/jfmpc.jfmpc_291_21
Rauf Yulian, S. (n.d.). Pengenalan Bahasa Isyarat Huruf Abjad Menggunakan Metode Learning Vector Quantization (LVQ). In Suhartono Jurnal Masyarakat Informatika (Vol. 8, Issue 1).
Kusters, A. (2021). International sign and American sign language as different types of global deaf lingua francas. In Sign Language Studies (Vol. 21, Issue 4, pp. 391–426). Gallaudet University Press. https://doi.org/10.1353/sls.2021.0005
Sosialisasi Jurnal Hasil Pemikiran, J., Pengembangan Keilmuan Sosiologi Pendidikan Vol, dan, Aisyah Muhammad Amin, N., Pribadi, F., & Kunci, K. (n.d.). Urgensi Bahasa Isyarat dalam Pendidikan Formal sebagai Media Komunikasi dan Transmisi Informasi Penyandang Disabilitas Rungu dan Wicara.
Chen, A., Li, C., Rahaman, M. M., Yao, Y., Chen, H., Yang, H., Zhao, P., Hu, W., Liu, W., Zou, S., Xu, N., & Grzegorzek, M. (2023). A Comprehensive Comparative Study of Deep Learning Methods for Noisy Sperm Image Classification: from Convolutional Neural Network to Visual Transformer.Intelligent Medicine. https://doi.org/10.1016/j.imed.2023.04.001
Hemalatha, B., Karthik, B., Krishna Reddy, C. v., & Latha, A. (2022). Deep learning approach for segmentation and classification of blood cells using enhanced CNN. Measurement: Sensors, 24. https://doi.org/10.1016/j.measen.2022.100582
Rafly Alwanda, M., Putra, R., Ramadhan, K., & Alamsyah, D. (2020). Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle. In Jurnal Algoritme (Vol. 1, Issue 1).
Thira, I. J., Riana, D., Ilhami, A. N., Rizky, B., Dwinanda, S., & Choerunisya, H. (n.d.). Pengenalan Alfabet Sistem Isyarat Bahasa Indonesia (SIBI) Menggunakan Convolutional Neural Network. www.github.com.
Edel, G., & Kapustin, V. (2022). Exploring of the MobileNet V1 and MobileNet V2 models on NVIDIA Jetson Nano microcomputer. Journal of Physics: Conference Series, 2291(1). https://doi.org/10.1088/1742-6596/2291/1/012008.
Prasetyo, E., Purbaningtyas, R., Adityo, R. D., Suciati, N., & Fatichah, C. (2022). Combining MobileNetV1 and Depthwise Separable convolution bottleneck with Expansion for classifying the freshness of fish eyes. Information Processing in Agriculture, 9(4), 485–496. https://doi.org/10.1016/j.inpa.2022.01.002
Wahyu Farosa, A., Studi Magister Desain, P., Desain, J., & Seni Rupa dan Desain, F. (n.d.). Perancangan Mobile Apps Kamus Sebagai Media Dokumentasi Bahasa Isyarat Khas Bandung Dengan Peraga Animasi 3D. Jurnal Seni Rupa, 12.
Sharada, K., Alghamdi, W., Karthika, K., Alawadi, A. H., Nozima, G., & Vijayan, V. (2023). Deep Learning Techniques for Image Recognition and Object Detection. E3S Web of Conferences, 399. https://doi.org/10.1051/e3sconf/202339904032
Ali, A. H., Yaseen, M. G., Aljanabi, M., Abed, S. A., & GPT, C. (2023). Transfer Learning: A New Promising Techniques. Mesopotamian Journal of Big Data, 29–30. https://doi.org/10.58496/mjbd/2023/004
Sulistya, Y. I., Br Bangun, E. T., & Tyas, D. A. (2023). CNN Ensemble Learning Method for Transfer learning: A Review. ILKOM Jurnal Ilmiah, 15(1), 45–63. https://doi.org/10.33096/ilkom.v15i1.1541.45-63
A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, and H. Adam, ‘‘MobileNets: Efficient convolutional neural networks for mobile vision applications,’’ Apr. 2017. arXiv:1704.04861. [Online]. Available: https://arxiv.org/abs/1704.04861