PENGEMBANGAN SISTEM PENGENALAN BAHASA ISYARAT INDONESIA SECARA REAL-TIME MENGGUNAKAN K-NEAREST NEIGHBORS CLASSIFIER BERBASIS PYTHON
DOI:
https://doi.org/10.31328/ciastech.v7i1.6959Keywords:
Bahasa isyarat Indonesia, gestur tangan, K-Nearest Neighbors, dataset, MediaPipeAbstract
Penelitian ini mengusulkan dan mengimplementasikan sistem pengenalan Bahasa Isyarat Indonesia (BISINDO) secara real-time menggunakan metode K-Nearest Neighbors (K-NN) Classifier dengan menggunakan bahasa pemrograman Python. Bahasa Isyarat Indonesia adalah bentuk komunikasi visual yang penting bagi komunitas tuna rungu dan tuna netra di Indonesia. Sistem ini bertujuan untuk memberikan solusi interaktif dan responsif dalam mengenali dan mengklasifikasikan gestur tangan Bahasa Isyarat Indonesia. Penelitian ini melibatkan pengumpulan dataset Bahasa Isyarat Indonesia melalui perekaman gestur tangan menggunakan webcam. Landmark tangan diekstraksi menggunakan MediaPipe, dan data yang dihasilkan diolah dan dipre-proses untuk melatih model K-Nearest Neighbors. Pembagian dataset dilakukan secara proporsional antara data latih 80% dan data uji 20%. Program diimplementasikan menggunakan Python dengan memanfaatkan pustaka MediaPipe dan scikit-learn. Pengujian dilakukan untuk mengevaluasi kinerja model pada dataset uji, serta respon sistem dalam kondisi real-time. Hasil pengujian mencakup akurasi pengenalan Bahasa Isyarat Indonesia dan kecepatan respon sistem terhadap gestur tangan. Penelitian ini menyoroti kemampuan sistem dalam mendukung pengenalan gestur tangan Bahasa Isyarat Indonesia secara real-time.References
[1] P. E. Wiraswendro and H. Soetanto, “PENERAPAN ALGORITMA RANDOM FOREST CLASSIFIER PADA SISTEM DETEKSI SIMBOL SISTEM ISYARAT BAHASA INDONESIA (SIBI),” 2022.
[2] F. Nofiaturrahmah, “PROBLEMATIKA ANAK TUNARUNGU DAN CARA MENGATASINYA,” 2018.
[3] A. M. Putri, “Perbandingan Penggunaan BISINDO Dan SIBI Dalam Meningkatkan Kemampuan Menulis Lanjut Siswa Dengan Hambatan Pendengaran,” 2020.
[4] D. Yolanda, K. Gunadi, and E. Setyati, “Pengenalan Alfabet Bahasa Isyarat Tangan Secara Real-Time dengan Menggunakan Metode Convolutional Neural Network dan Recurrent Neural Network.”
[5] dan Z. B. Daniel Robert Marydo Nababan, “Sistem Pendeteksi Gerakan Bahasa Isyarat Indonesia Menggunakan Webcam Dengan Metode Supervised Learning,” Jurnal Ilmiah Komputasi, vol. 22, no. 3, Oct. 2023, doi: 10.32409/jikstik.22.3.3403.
[6] A. Widya Agata, W. S J Saputra, and C. Aji Putra, “Pengenalan Bahasa Isyarat Indonesia (Bisindo) Menggunakan Algoritma Scale Invariant Feature Transform (Sift) Dan Convolutional Neural Network (Cnn),” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 1054–1061, 2024, doi: 10.36040/jati.v8i1.8917.
[7] A. Dhiyaanisafa Goenawan and S. Hartati, “The Comparison of K-Nearest Neighbors and Random Forest Algorithm to Recognize Indonesian Sign Language in a Real-Time,” Scientific Journal of Informatics, vol. 11, no. 1, 2024, doi: 10.15294/sji.v11i1.48475.
[8] A. Hasyim Nur’azizan, A. Riqza Ardiansyah, and R. Fernandis, “Implementasi Deteksi Bahasa Isyarat Tangan Menggunakan OpenCV dan MediaPipe.”
[9] H. Moetia Putri and W. Fuadi, “PENDETEKSIAN BAHASA ISYARAT INDONESIA SECARA REAL-TIME MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM).”
[10] M. Dewi, T. Wahyuningrum, and N. A. Prasetyo, “Pengenalan Kata Bahasa Isyarat Indonesia (BISINDO) Menggunakan Augmented Reality (AR),” INISTA: Journal of Informatics, Information System, Software Engineering and Applications, vol. 3, no. 2, pp. 53–60, 2021.
[11] M. Z. Alksasbeh et al., “Smart hand gestures recognition using K-NN based algorithm for video annotation purposes,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 21, no. 1, pp. 242–252, 2021, doi: 10.11591/ijeecs.v21.i1.pp242-252.
[12] P. A. Rodríguez-Correa, A. Valencia-Arias, O. N. Patiño-Toro, Y. Oblitas Díaz, and R. Teodori De la Puente, “Benefits and development of assistive technologies for Deaf people’s communication: A systematic review,” Frontiers in Education, vol. 8, 2023, doi: 10.3389/feduc.2023.1121597.
[13] C. Panjaitan, A. Silaban, M. Napitupulu, and J. W. Simatupang, “Comparison K-nearest neighbors (K-NN) and artificial neural network (ANN) in real time entrants recognition,” 2018 International Seminar on Research of Information Technology and Intelligent Systems, ISRITI 2018, no. October, pp. 1–4, 2018, doi: 10.1109/ISRITI.2018.8864366.
