Klasifikasi Huruf Dan Angka Dalam Bisindo Menggunakan Metode Convolutional Neural Network

Classification Of Letters And Numbers In Bisindo Using The Convolutional Neural Network Method

Authors

  • Dwi Saputra Universitas Riau
  • Yudi Hadiwandra Universitas Riau

Keywords:

BISINDO, Tuli, Deep Learning, CNN, Klasifikasi

Abstract

BISINDO (Bahasa Isyarat Indonesia) adalah salah satu bahasa isyarat yang digunakan oleh komunitas tuli di Indonesia. Dalam penggunaannya, hambatan komunikasi sering dihadapi oleh individu dengan gangguan pendengaran karena BISINDO ini belum banyak dikenal dan diketahui. Penelitian ini menggunakan metode Cross-Industry Standard Process for Data Mining (CRISP-DM). Penelitian ini mengembangkan model Convolutional Neural Network (CNN) untuk mengenali huruf dan angka dalam Bahasa Isyarat Indonesia (BISINDO). Model terbaik dihasilkan pada percobaan ke-32 dengan 25 epoch, batch size 64, dan ukuran citra 100x100 piksel, mencapai akurasi 93%. Model hasil pelatihan ini mampu mengklasifikasikan setiap huruf dan angka pada BISINDO dengan benar serta akurat.

References

L. Arisandi and B. Satya, “Sistem Klarifikasi Bahasa Isyarat Indonesia (Bisindo) Dengan Menggunakan Algoritma Convolutional Neural Network,” J. Sist. Cerdas, vol. 5, no. 3, 2022, doi: 10.37396/jsc.v5i3.262.

M. Susanty, R. Z. Fadillah, and A. Irawan, “Model Penerjemah Bahasa Isyarat Indonesia (BISINDO) Menggunakan Pendekatan Transfer Learning,” Petir, vol. 15, no. 1, pp. 1–9, 2021, doi: 10.33322/petir.v15i1.1289.

R. Z. Fadillah, A. Irawan, M. Susanty, and I. Artikel, “Data Augmentasi Untuk Mengatasi Keterbatasan Data Pada Model Penerjemah Bahasa Isyarat Indonesia (BISINDO),” J. Inform., vol. 8, no. 2, pp. 208–214, 2021, [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/10768.

S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–56, 2018.

Muhammad Haris Diponegoro, Sri Suning Kusumawardani, and Indriana Hidayah, “Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 2, pp. 131–138, 2021, doi: 10.22146/jnteti.v10i2.1417.

M. Raihan, R. Allaam, and A. T. Wibowo, “Klasifikasi Genus Tanaman Anggrek Menggunakan Metode Convolutional Neural Network (CNN),” e-Prceeding Eng., vol. 8, no. 2, pp. 1–30, 2021.

D. K. Maulida, “Bahasa Isyarat Indonesia Di Komunitas Gerakan Untuk Kesejahteraan Tunarungu Indonesia,” Univ. Islam Negeri Syarif Hidayatullah, 2017.

G. Gumelar, H. Hafiar, and P. Subekti, “Konstruksi Makna Bisindo Sebagai Budaya Tuli Bagi Anggota Gerkatin,” Informasi, vol. 48, no. 1, p. 65, 2018, doi: 10.21831/informasi.v48i1.17727.

A. Santoso and G. Ariyanto, “Implementasi Deep Learning berbasis Keras untuk Pengenalan Wajah,” Emit. J. Tek. Elektro, vol. 18, no. 1, pp. 15–21, 2018, doi: 10.23917/emitor.v18i01.6235.

R. A. S. Sri Adiningsi, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16,” J. Inform. Polinema, vol. 9, no. 4, pp. 451–460, 2023, doi: 10.33795/jip.v9i4.1420.

M. F. Martias, J. Jasril, S. Sanjaya, L. Handayani, and F. Yanto, “Klasifikasi Citra Daging Sapi dan Daging Babi Menggunakan CNN Arsitektur EfficientNet-B6 dan Augmentasi Data,” J. Sist. Komput. dan Inform., vol. 4, no. 4, p. 642, 2023, doi: 10.30865/json.v4i4.6195.

A. W. Indra Purnama, Ragil Saputra, “Implementasi Data Mining Menggunakan Crisp-Dm Pada Sistem Informasi Eksekutif Dinas Kelautan Dan Perikanan Provinsi Jawa Tengah,” Annu. Rev. Inf. Sci. Technol., vol. 10, 2012, doi: 10.1002/aris.1440360107.

I. Budiman, T. Prahasto, and Y. Christyono, “Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma,” J. Sist. Inf. Bisnis, vol. 1, no. 3, pp. 15–16, 2014, doi: 10.21456/vol1iss3pp129-134.

S. Susanti, A. A. Sari, M. K. Anam, M. Jamaris, and H. Hamdani, “Sistem Prediksi Keuntungan Influencer Pengguna E-Commerce Shopee Affiliates menggunakan Metode Naïve Bayes,” Edumatic J. Pendidik. Inform., vol. 6, no. 2, pp. 394–403, 2022, doi: 10.29408/edumatic.v6i2.6787.

R. R. Adhitya, Wina Witanti, and Rezki Yuniarti, “Perbandingan Metode Cart Dan Naïve Bayes Untuk Klasifikasi Customer Churn,” INFOTECH J., vol. 9, no. 2, pp. 307–318, 2023, doi: 10.31949/infotech.v9i2.5641.

Downloads

Published

2024-09-02