Pengenalan Alfabet Sistem Isyarat Bahasa Indonesia (SIBI) Menggunakan Convolutional Neural Network

Jurnal Algoritma Pub Date : 2023-10-30 DOI:10.33364/algoritma/v.20-2.1480

Indra Jiwana Thira, Dwizah Riana, Azriel Noer Ilhami, Brama Rizky Setia Dwinanda, Hana Choerunisya

{"title":"Pengenalan Alfabet Sistem Isyarat Bahasa Indonesia (SIBI) Menggunakan Convolutional Neural Network","authors":"Indra Jiwana Thira, Dwizah Riana, Azriel Noer Ilhami, Brama Rizky Setia Dwinanda, Hana Choerunisya","doi":"10.33364/algoritma/v.20-2.1480","DOIUrl":null,"url":null,"abstract":"Tuli menempati peringkat keempat dalam statistik penyandang disabilitas di Indonesia dengan persentase sebesar 7,03%. Mereka menggunakan bahasa isyarat untuk berkomunikasi, baik itu dengan sesama penyandang tuli maupun individu yang tidak memiliki masalah pendengaran. Namun, kendala muncul karena sebagian kecil individu tanpa masalah pendengaran yang menguasai bahasa isyarat, khususnya Sistem Isyarat Bahasa Indonesia (SIBI). Akibatnya, berkomunikasi dengan penyandang tuli bisa menjadi tantangan. Penelitian ini memiliki tujuan untuk mengklasifikasikan alfabet pada SIBI, dengan pengecualian huruf J dan Z, yang terdiri dari total 24 kelas. Pendekatan klasifikasi ini dilakukan melalui perbandingan tiga arsitektur Convolutional Neural Network (CNN): MobileNetV2, MobileNetV3Small, dan MobileNetV3Large. Penelitian ini bermaksud menentukan arsitektur yang paling optimal. Hasil penelitian menunjukkan bahwa MobileNetV3Small menghasilkan model yang paling baik. Dalam pengujian menggunakan data tes, model ini mencapai akurasi sebesar 98,81% dengan menggunakan batchsize 32 dan menjalankan proses pelatihan selama 30 epoch.","PeriodicalId":371939,"journal":{"name":"Jurnal Algoritma","volume":"47 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-10-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Algoritma","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.33364/algoritma/v.20-2.1480","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Tuli menempati peringkat keempat dalam statistik penyandang disabilitas di Indonesia dengan persentase sebesar 7,03%. Mereka menggunakan bahasa isyarat untuk berkomunikasi, baik itu dengan sesama penyandang tuli maupun individu yang tidak memiliki masalah pendengaran. Namun, kendala muncul karena sebagian kecil individu tanpa masalah pendengaran yang menguasai bahasa isyarat, khususnya Sistem Isyarat Bahasa Indonesia (SIBI). Akibatnya, berkomunikasi dengan penyandang tuli bisa menjadi tantangan. Penelitian ini memiliki tujuan untuk mengklasifikasikan alfabet pada SIBI, dengan pengecualian huruf J dan Z, yang terdiri dari total 24 kelas. Pendekatan klasifikasi ini dilakukan melalui perbandingan tiga arsitektur Convolutional Neural Network (CNN): MobileNetV2, MobileNetV3Small, dan MobileNetV3Large. Penelitian ini bermaksud menentukan arsitektur yang paling optimal. Hasil penelitian menunjukkan bahwa MobileNetV3Small menghasilkan model yang paling baik. Dalam pengujian menggunakan data tes, model ini mencapai akurasi sebesar 98,81% dengan menggunakan batchsize 32 dan menjalankan proses pelatihan selama 30 epoch.

查看原文本刊更多论文

使用卷积神经网络识别印度尼西亚语手语系统（SIBI）字母

聋人在印度尼西亚残疾人统计数字中排名第四，占 7.03%。他们使用手语与其他聋人和没有听力问题的人交流。然而，由于没有听力问题的人很少掌握手语，特别是印度尼西亚手语系统（SIBI），因此出现了障碍。因此，与聋人交流是一项挑战。本研究旨在对 SIBI 字母进行分类，除字母 J 和 Z 外，共有 24 个类别。这种分类方法是通过比较三种卷积神经网络（CNN）架构来实现的：MobileNetV2、MobileNetV3Small 和 MobileNetV3Large。这项研究旨在确定最佳架构。结果显示，MobileNetV3Small 生成了最佳模型。在使用测试数据进行测试时，该模型的准确率达到了 98.81%，使用的批量大小为 32，训练过程运行了 30 个历元。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Jurnal Algoritma

自引率

0.00%

发文量