SISTEM KLASIFIKASI BAHASA ISYARAT (SIBI) MENGGUNAKAN METODE CNN UNTUK PENYANDANG GANGGUAN PENNDENGARAN DAN BERBICARA

Yuniari, Galuh Mumpuni (2024) SISTEM KLASIFIKASI BAHASA ISYARAT (SIBI) MENGGUNAKAN METODE CNN UNTUK PENYANDANG GANGGUAN PENNDENGARAN DAN BERBICARA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (173kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (651kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (156kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (369kB)
	Text (BAB V) BAB V.pdf Download (40kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (114kB)
	Archive (SOURCE CODE) Source Code - Galuh Mumpuni Yuniari.zip Restricted to Repository staff only Download (477kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Komunikasi merupakan proses interaksi antara satu individu dengan individu lain dalam menyampaikan dan menerima pesan. Ada beberapa cara dalam berkomunikasi yaitu: secara lisan, tulisan, dan bahasa isyarat. Bahasa isyarat biasanya digunakan oleh orang yang berkebutuhan khusus dalam berbicara atau disebut tuna wicara. Individu dengan gangguan pendengaran sering menghadapi tantangan dalam berkomunikasi karena bahasa isyarat sulit dipahami ketika berinteraksi dengan individu yang normal. Seiring dengan kemajuan teknologi, peneliti merancang sebuah sistem klasifikasi bahasa isyarat dengan memanfaatkan model machine learning berbasis CNN. Sistem akan secara otomatis mengenali dan mengklasifikasikan bahasa isyarat ke dalam kelas-kelas. Pada pendekatan machine learning berbasis CNN ini, dibutuhkan dataset SIBI (Sistem Isyarat Bahasa Indonesia) yang relevan agar mampu memberikan hasil prediksi yang tepat. Dataset train, yang terdiri dari 15.155 data, digunakan untuk melatih model machine learning agar dapat mempelajari pola dan hubungan antar variabel dalam dataset. Hasil pembelajaran ini kemudian digunakan untuk memprediksi hasil pada dataset test, yang terdiri dari 3.319 data. Berdasarkan hasil pengujian dengan 100 epoch, model CNN yang telah dilatih berhasil mencapai tingkat akurasi mencapai 99.42%. Hal ini menunjukkan bahwa model memiliki kemampuan yang baik dalam mengklasifikasikan Bahasa Isyarat pada dataset yang digunakan..

Actions (login required)

View Item