PENDETEKSI KATA DALAM BAHASA ISYARAT MENGGUNAKAN ALGORITMA YOLO VERSI 8

Dennis Saputra Ariansyah; Dennis Saputra Ariansyah

doi:10.23960/jitet.v12i3.4904

Dennis Saputra Ariansyah
Universitas Muhammadiyah Sukabumi
Dennis Saputra Ariansyah
Universitas Muhammadiyah Sukabumi

DOI: https://doi.org/10.23960/jitet.v12i3.4904

Abstract Views (Last 12 Months)

1547 Abstract Views

1321 Downloads

Abstract

Bahasa isyarat adalah sistem komunikasi yang digunakan oleh individu dengan gangguan pendengaran atau bicara, mengandalkan gerakan tangan, ekspresi wajah, dan gerakan tubuh. Di Indonesia, terdapat dua sistem bahasa isyarat: SIBI dan BISINDO, dengan BISINDO lebih umum digunakan oleh tunarungu dan tunawicara karena lebih mudah dipahami. Saat ini, Indonesia memiliki lebih dari 223.000 penyandang tuli dan 73.500 penyandang bisu dan tuli, yang sering mengalami kesulitan dalam berkomunikasi di tempat umum. Rata-rata masyarakat belum memahami bahasa isyarat, disebabkan kurangnya sumber informasi yang memadai. Masyarakat biasanya hanya dapat memahami melalui kamus, yang dimana cara tersebut tidak cukup efektif. Penelitian ini bertujuan mengembangkan sebuah model machine learning untuk deteksi bahasa isyarat secara real-time menggunakan algoritma YOLOv8. Dataset yang digunakan terdiri dari 25.000 gambar, di mana dilakukan perbandingan parameter dan variasi YOLOv8. Model terbaik diperoleh dari varian YOLOv8m dengan akurasi 93,8%, menggunakan optimizer Adam dengan learning rate 0.001 sebagai parameter optimisasi yang optimal.

Downloads

Download data is not yet available.

References

M. L. Hakim, S. Devi, and A. Suprayit, “Pengaruh Model Pembelajaran Demonstrasi Terhadap Peningkatan Kemampuan Hasil Belajar Bahasa Indonesia Tentang Teks Deskripsi,” J. Ilm. Wahana Pendidik., vol. 9, no. 6, pp. 325–332, 2023, [Online]. Available: https://doi.org/10.5281/zenodo.7783615

J. S. Saputro, F. K. Anggarani, and A. Anggrellangi, “Desain Aplikasi ‘SAPA’ Berbasis Computer-Mediated Communication (CMC) untuk Efektivitas Komunikasi Mahasiswa Tunarungu,” J. Basicedu, vol. 6, no. 1, pp. 386–393, 2021, doi: 10.31004/basicedu.v6i1.1931.

S. I. Tenrisara, “Meneliti Bahasa Isyarat Dalam Perspektif Variasi Bahasa,” Kongr. Bhs. Indones., vol. 1, no. 2, pp. 1–14, 2018, [Online]. Available: http://kbi.kemdikbud.go.id/kbi_back/file/dokumen_makalah/dokumen_makalah_1540468871.pdf

D. Arlinta, “Menjembatani Keterbatasan Komunikasi Lewat Aplikasi - Kompas.id,” Kompas.id, 2020. https://www.kompas.id/baca/ilmu-pengetahuan-teknologi/2020/09/28/menjembatani-keterbatasan-komunikasi-lewat-aplikasi/ (accessed Aug. 22, 2023).

Rima Dias Ramadhani, A. Nur Aziz Thohari, C. Kartiko, A. Junaidi, T. Ginanjar Laksana, and N. Alim Setya Nugraha, “Optimasi Akurasi Metode Convolutional Neural Network untuk Identifikasi Jenis Sampah,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 312–318, 2021, doi: 10.29207/resti.v5i2.2754.

K. Telaumbanua, S. Sudarto, F. Butar-Butar, and P. S. Bilqis, “Identifikasi Sampah Berdasarkan Tekstur Dengan Metode GLCM dan GLRLM Menggunakan Improved KNN,” Explorer (Hayward)., vol. 1, no. 2, pp. 45–52, 2021, doi: 10.47065/explorer.v1i2.94.

Z. Q. Zhao, P. Zheng, S. T. Xu, and X. Wu, “Object Detection with Deep Learning: A Review,” IEEE Trans. Neural Networks Learn. Syst., vol. 30, no. 11, pp. 3212–3232, 2019, doi: 10.1109/TNNLS.2018.2876865.

M. J. Shaifee, B. Chywl, F. Li, and A. Wong, “Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection in Video,” J. Comput. Vis. Imaging Syst., vol. 3, no. 1, 2017, doi: 10.15353/vsnl.v3i1.171.

R. R. Karim, “Implementasi Klasifikasi Senjata Tradisional Jawa Barat Menggunakan Convolutional Neural Network (Cnn) Dengan Metode Transfer Learning,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 2, 2024, doi: 10.23960/jitet.v12i2.4166.

S. Yohanandan, “mAP (mean Average Precision) might confuse you! | by Shivy Yohanandan | Towards Data Science,” May 09, 2020. https://towardsdatascience.com/map-mean-average-precision-might-confuse-you-5956f1bfa9e2 (accessed Feb. 21, 2024).

S. Navisa, H. Luqman, and N. Aulia, “Komparasi Algoritma Klasifikasi Genre Musik pada Spotify Menggunakan CRISP-DM,” J. Sist. Cerdas, vol. 4, no. 2, pp. 114–125, 2021, doi: 10.37396/jsc.v4i2.162.

P. Jiang, D. Ergu, F. Liu, Y. Cai, and B. Ma, “A Review of Yolo Algorithm Developments,” Procedia Comput. Sci., vol. 199, pp. 1066–1073, 2021, doi: 10.1016/j.procs.2022.01.135.