Electronic Theses and Dissertation

Manusia merupakan makhluk sosial yang selalu berinteraksi dan berkomunikasi satu sama lain. Namun terdapat keterbatasan komunikasi bagi masyarakat penyandang disabilitas tunarungu dan tuna wicara dengan masyarakat lainnya. Hal ini disebabkan tidak semua manusia dapat berkomunikasi dengan menggunakan bahasa isyarat. Karena itu diperlukan suatu sistem analisis yang dapat melakukan pengenalan pola bahasa isyarat Indonesia. Di Indonesia terdapat dua jenis bahasa isyarat yang digunakan , yaitu Sistem Bahasa Isyarat Indonesia (SIBI) dan Bahasa Isyarat Indonesia (BISINDO). Pada penelitian ini jenis bahasa isyarat yang digunakan adalah Bisindo. Pengenalan pola Bisindo dilakukan dengan menggunakan machine learning, yaitu Artifiial Neural Network dengan metode Backpropagation. Data yang digunakan dalam penelitian ini merupakan data gambar citra tangan yang membentuk alfabet bahasa isyarat Bisindo. Data akan dilakukan tahapan preprocessing terlebih dahulu untuk menghilangkan noisy pada gambar citra, tahapan yang dilakukan adalah segmentasi warna, segmentasi skala abu-abu, segmentasi biner, dan deteksi tepi citra. Pembagian data latih dan data uji dilakukan dengan dua proporsi yang berbeda, yaitu 80:20 dan 70:30. Akurasi tertinggi didapatkan pada proporsi data 80:20 dengan menggunakan parameter epoch=700, learning rate =0.001, batch size = 25, dan jumlah hidden nodes =100. Akurasi yang didapatkan sebesar 98.41%.

Human beings are social creatures that always interact and communicate with each other. However, there are limitations of communication for people with hearing impairment and speech impairments. This is because not all people can communicate using sign language. Therefore, we need an analysis system that can recognize Indonesian sign language patterns. In Indonesia, there are two types of sign language commonly used, Indonesian Sign Language System (SIBI) and Indonesian Sign Language (BISINDO). Sign language used in this research is Bisindo. Bisindo recognition can be done using machine learning with Backpropagation Artificial Neural Network method. The data used in this study is hand image data that forms the Bisindo sign language alphabet. The image data will be preprocessed to eliminate noise in the image, the steps taken are color segmentation, gray scale segmentation, binary segmentation, and image edge detection. The distribution of training data and test data was carried out with two different proportions, 80%:20% and 70%:30%. The highest accuracy obtained at 80%:20% data proportion with using epoch=700, learning rate = 0.001, batch size = 25, and number of hidden nodes = 100. The accuracy is 98.41%.