Pendeteksi Bahasa Isyarat Menggunakan TensorFlow dengan Metode Convolutional Neural Network
DOI:
https://doi.org/10.33998/jakakom.2025.5.2.2386Kata Kunci:
Pendeteksi, Bahasa Isyarat, Pengelolaan Citra, TensorFlow, CNNAbstrak
Pengenalan bahasa isyarat memainkan peran penting dalam memfasilitasi komunikasi bagi individu dengan gangguan pendengaran. Penelitian ini mengusulkan model Convolutional Neural Network (CNN) yang dilatih untuk mengenali pola pada gambar bahasa isyarat dengan tujuan meningkatkan akurasi dan efisiensi sistem pengenalan bahasa isyarat. Model dilatih dalam dua tahap dengan sesi pelatihan pertama mencapai akurasi validasi sekitar 63%, sedangkan sesi pelatihan kedua menghasilkan akurasi validasi yang luar biasa melebihi 92% pada epoch ke-29. Peningkatan yang signifikan ini menunjukkan kemampuan model untuk belajar dan menggeneralisasi pola kompleks dalam gambar bahasa isyarat dengan efektif, menandakan potensinya untuk aplikasi praktis dalam interpretasi bahasa isyarat. Akurasi tinggi yang dicapai oleh model CNN menunjukkan kesesuaiannya untuk digunakan dalam berbagai skenario dunia nyata, seperti teknologi bantu untuk komunitas tunarungu atau sistem otomatisasi yang membutuhkan pengenalan gerakan tangan. Dengan demikian, model CNN yang dilatih ini memiliki potensi sebagai alat berharga dalam meningkatkan aksesibilitas dan efisiensi komunikasi bagi individu yang bergantung pada bahasa isyarat.
Unduhan
Referensi
M. A. Imaddudin, I. W. Hamzah, and S. Astuti, “Simulasi Penerjemah SIBI (Sistem Isyarat Bahasa Indonesia) Menggunakan Tensorflow Dan Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 8, no. 6, pp. 3911–3918, 2022, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/19146
N. T. Adam, Z. A. Tyas, and T. Hardiani, “Deteksi Gestur Sistem Isyarat Bahasa Indonesia Menggunakan Metode Deep learning SSD MobileNet V2 FPNLite,” Sainteks, vol. 21, no. 2, p. 129, Oct. 2024, doi: 10.30595/sainteks.v21i2.24006.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun. ACM, vol. 60, no. 6, pp. 84–90, May 2017, doi: 10.1145/3065386.
J. Anggara, E. Ryansyah, and B. Arif Dermawan, “IMPLEMENTASI OBJECT DETECTION DALAM KLASIFIKASI SAMPAH UNTUK MENINGKATKAN EFISIENSI PENGELOLAAN LIMBAH,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4923–4930, May 2025, doi: 10.36040/jati.v9i3.13813.
A. Rohim, Y. A. Sari, and T. Tibyani, “Convolution Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 7038–7042, 2019, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5851
Nasha Hikmatia A.E. and M. I. Zul, “Aplikasi Penerjemah Bahasa Isyarat Indonesia menjadi Suara berbasis Android menggunakan Tensorflow,” J. Komput. Terap., vol. 7, no. 1, pp. 74–83, Jun. 2021, doi: 10.35143/jkt.v7i1.4629.
D. R. R. Putra and R. A. Saputra, “IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK MENDETEKSI PENGGUNAAN MASKER PADA GAMBAR,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 3, pp. 710–714, Aug. 2023, doi: 10.23960/jitet.v11i3.3286.
I. N. T. A. Putra, K. S. Kartini, Y. K. Suyitno, I. M. Sugiarta, and N. K. E. Puspita, “Penerapan Library Tensorflow, Cvzone, dan Numpy pada Sistem Deteksi Bahasa Isyarat Secara Real Time,” J. Krisnadana, vol. 2, no. 3, pp. 412–423, May 2023, doi: 10.58982/krisnadana.v2i3.335.
I. B. A. Peling, I. M. P. A. Ariawan, and G. B. Subiksa, “Deteksi Bahasa Isyarat Menggunakan Tensorflow Lite dan American Sign Language (ASL),” J. Krisnadana, vol. 3, no. 2, pp. 90–100, Jan. 2024, doi: 10.58982/krisnadana.v3i2.534.
R. A. Malik and E. Zuliarso, “Metode Convolutional Neural Network Untuk Mendeteksi Jenis Sayur Menggunakan Tensorflow,” Media Bina Ilm., vol. 15, no. 12, pp. 5873–5882, 2021, [Online]. Available: https://ejurnal.binawakya.or.id/index.php/MBI/article/view/1147
A. H. Gustsa and G. S. Permadi, “Sistem Deteksi Bahasa Isyarat Secara Realtime Dengan Tensorflow Object Detection dan Python Menggunakan Metode Convolutional Neural Network,” Inov. J. Ilm. Inov. …, vol. 7, no. 2, pp. 1–10, 2023, [Online]. Available: https://ejournal.unhasy.ac.id/index.php/inovate/article/view/4116
C. N. Insani, N. Arifin, and M. R. Rasyid, “Deteksi Gerakan Bahasa Isyarat Menggunakan Euclidean Distance,” Inform. J. Ilmu Komput., vol. 19, no. 1, pp. 99–106, May 2023, doi: 10.52958/iftk.v19i1.5658.
H. M. Putri, F. Fadlisyah, and W. Fuadi, “PENDETEKSIAN BAHASA ISYARAT INDONESIA SECARA REAL-TIME MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM),” J. Teknol. Terap. Sains 4.0, vol. 3, no. 1, p. 663, Mar. 2022, doi: 10.29103/tts.v3i1.6853.
D. Robert, M. Nababan, and Z. Budiarso, “Sistem Pendeteksi Gerakan Bahasa Isyarat Indonesia Menggunakan Webcam Dengan Metode Supervised Learning,” J. Ilm. Komputasi, vol. 22, no. 3, pp. 449–456, Oct. 2023, doi: 10.32409/jikstik.22.3.3403.
A. R. Ardiansyah, A. H. Nur’azizan, and R. Fernandis, “Implementasi Deteksi Bahasa Isyarat Tangan Menggunakan OpenCV dan MediaPipe,” Stain. (Seminar Nas. Teknol. Sains), vol. 3, no. 1, pp. 331–337, 2024, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/stains/article/view/4337
F. Chollet, Deep Learning with Python, Second Edi. Shelter Island: Manning Publications Co., 2021. [Online]. Available: https://www.manning.com/books/deep-learning-with-python-second-edition
D. P. Mawardi, M. Novita, and N. Dwi Saputro, “Deteksi Awal Klasifikasi Jenis Penyakit Kanker Kulit Dengan Algoritma Convolutional Neural Network (CNN) Berbasis Mobile Apps,” Adopsi Teknol. dan Sist. Inf., vol. 3, no. 2, pp. 1–6, Dec. 2024, doi: 10.30872/atasi.v3i2.2305.