Machine Translated by Google

ISSN 2355-3286

Deteksi Gerakan Tangan untuk Tanda Amerika

Bahasa menggunakan K-Nearest Neighbor dengan
pipa media
Arsheldy Alvin1 , Nabila Husna Shabrina2, Aurelius Ryo3 , Edgar Christian4
Fakultas Teknik dan Informatika, Universitas Multimedia Nusantara, Teknik Komputer
Tanggerang, Indonesia
1 2 3
arsheldy.alvin@student.umn.ac.id, nabila.husna@umn.ac.id, aurelius.ryo@student.umn.ac.id,
4
edgar.christian@student.umn.ac.id

Diterima 10 Juni 2021

Disetujui 27 Juni 2021

Abstrak — Cara paling populer untuk berinteraksi dengan
sebagian besar sistem komputer adalah mouse dan keyboard.
Gerakan tangan adalah cara tanpa sentuhan yang intuitif dan
efektif untuk berinteraksi dengan sistem komputer. Namun,
penerapan sistem berbasis isyarat tangan masih rendah di
kalangan pengguna akhir, terutama karena banyaknya kendala
teknis dalam mendeteksi isyarat di udara secara akurat.
Makalah ini menyajikan Deteksi Gerakan Tangan untuk Bahasa
Isyarat Amerika menggunakan K-Nearest Neighbor dengan
Mediapipe, sebuah kerangka kerja yang dikembangkan untuk
menjembatani kesenjangan ini. Kerangka kerja ini belajar
mendeteksi gerakan dari demonstrasi, dapat disesuaikan oleh
pengguna akhir, dan memungkinkan pengguna untuk
berinteraksi secara real-time dengan komputer yang hanya memiliki kamera RGB, menggunakan gerakan.
Pandemi 19 yang mengharuskan menjaga jarak sehingga
pengendalian dengan sentuhan cukup memberikan rasa khawatir
tersendiri.
Selain menjadi pilihan antarmuka perangkat, deteksi gerakan
tangan sendiri juga dapat diterapkan pada sistem komunikasi
teman yang memiliki gangguan pendengaran atau tunarungu. [16]
Berdasarkan situs resmi Perserikatan Bangsa-Bangsa (PBB), World
Federation of the Deaf (WFD) menyatakan bahwa terdapat sekitar
72 juta orang yang mengalami gangguan pendengaran di seluruh
dunia pada tahun 2020. Salah satu media komunikasi bagi teman-
teman tunarungu adalah dengan menggunakan bahasa isyarat.

Oleh karena itu, kami membuat proyek tentang deteksi isyarat

Istilah Indeks— gerakan tangan, jaringan saraf, pipa media,
pemrosesan gambar, tanpa sentuhan. tangan yang dapat mendeteksi gerakan atau pose tangan untuk
diimplementasikan dalam pengenalan bahasa isyarat.

I. PENDAHULUAN Cara yang digunakan untuk melakukan deteksi gerakan tangan

Di era modern ini, teknologi berkembang dengan pesat.
Salah satu tujuan dari teknologi yang ada adalah untuk memudahkan
kehidupan manusia. Setiap perangkat yang ada selalu memiliki
antarmuka yang memungkinkan pengguna untuk mengontrol
perangkat tersebut. Antarmuka ini selalu berkembang dari tombol
fisik, layar sentuh, hingga tanpa sentuhan sama sekali seperti
tentunya dengan menggunakan computer vision yang melalui
beberapa penyesuaian dan filter pada tangan. Kemudian, data
yang diperoleh akan diolah hingga mampu memberikan output
yang sesuai.
Kami menggunakan framework dari MediaPipe untuk
mendeteksi tangan di kamera, dan algoritma K-Nearest Neighbor

perintah suara dan gerakan tangan.
Saat ini sudah banyak sekali perangkat yang menggunakan
perintah suara terutama pada smartphone yang sering kita gunakan,
perintah suara sendiri didasarkan pada algoritma pengenalan
suara, mulai dari digunakan untuk mengetik teks hingga melakukan
perintah hingga AI seperti Google Assistant, Siri, Google. Rumah,
dan Alexa menggunakan perintah suara untuk mengontrolnya.
Namun perintah suara sendiri mempunyai beberapa kekurangan
dalam implementasinya yaitu suara di sekitar lingkungan tidak
boleh terlalu berisik agar perintah yang diperintahkan dapat
tersampaikan dengan baik dan sistem tidak lambat saat memproses
suara yang masuk [1]
. Oleh karena itu, alternatif lain untuk berinteraksi dengan komputer
adalah dengan menggunakan gerakan tangan. Gestur tangan dapat
memudahkan mobilitas dan fleksibilitas pengguna dalam menggunakan
suatu perangkat atau program. Ditambah lagi dengan hadirnya virus Covid- menggunakan
(KNN) untuk memprediksi gerakan di tangan.
MediaPipe adalah kerangka kerja lintas platform untuk membangun
alur pembelajaran mesin multimodal yang dapat digunakan untuk
mendeteksi tangan. KNN merupakan algoritma yang digunakan
untuk memprediksi gerakan tangan yang ditampilkan pada kamera.
Alasan kami memilih MediaPipe untuk mendeteksi tangan adalah
karena mudah digunakan dan dapat memberikan output berupa
koordinat landmark tangan [14]. Selanjutnya metode KNN dipilih
karena hanya perlu mengklasifikasikan suatu alfabet menggunakan
koordinat tangan dari keluaran MediaPipe ditambah dengan
penggunaan KNN yang cukup mudah diterapkan dan memiliki nilai
akurasi yang cukup tinggi. Hal ini dapat dibuktikan dengan berbagai
macam penelitian yang dilakukan [17]. Kami juga menggunakan
dataset bahasa isyarat dengan standar Bahasa Isyarat Amerika,
perlu diketahui bahwa tidak semua bahasa isyarat itu sama,
misalnya orang yang sudah mengetahui Bahasa Isyarat Amerika
tidak akan mengerti ketika berkomunikasi dengan orang yang

57 Ultima Computing : Jurnal Sistem Komputer, Vol. 13, No.2 | Desember 2021
Machine Translated by Google

ISSN 2355-3286

Bahasa Isyarat Inggris [2]. Alasan dipilihnya American Sign jarak dari k tetangga akan dihitung menggunakan jarak Euclidean.
Language sebagai datasetnya adalah karena American Sign
Language merupakan bahasa isyarat utama yang digunakan di
Amerika Serikat dan telah dikenal serta diadopsi oleh beberapa
negara di dunia, salah satunya Indonesia yaitu SIBI (Bahasa Isyarat
Indonesia). System) yang dikembangkan dari serapan ASL. SIBI
sendiri telah diresmikan melalui Undang-Undang Nomor 2 Tahun (1)
1989 dan merupakan pengantar komunikasi dalam kurikulum
Sekolah Luar Biasa (SLB). Namun, hampir setiap negara memiliki
bahasa isyaratnya masing-masing.

Menurut European Union of the Deaf, dalam situsnya dijelaskan
bahwa tidak ada penggunaan bahasa isyarat secara universal di
dunia [18]. Metodenya dimulai dengan membuat dataset yang berisi
koordinat tangan alfabet. Pembuatan dataset ini menggunakan
bantuan MediaPipe yang akan memberikan koordinat tangan dari
gambar tangan. Setelah itu dataset tersebut akan menjadi data
untuk melatih model KNN guna mengklasifikasikan alfabet.
II. TINJAUAN PUSTAKA
A. Pelacakan Tangan
Terdapat berbagai macam literatur yang membahas tentang
cara melakukan pelacakan tangan melalui video atau gambar statis.
Untuk mencapai hal tersebut diperlukan kamera yang dapat
menghasilkan gambar RGB [10]. Kamera akan memberikan output
berupa gambar atau video ke framework MediaPipe [3]. MediaPipe
pertama-tama akan menjalankan pendeteksi telapak tangan pada
gambar. Detektor telapak tangan pada MediaPipe bekerja
menggunakan model yang bekerja seperti BlazeFace [4]. Untuk
mendeteksi tangan sangat sulit untuk mendeteksi jari sekaligus,
oleh karena itu MediaPipe menggunakan model yang akan
mendeteksi telapak tangan terlebih dahulu. Hal ini dikarenakan ukuran telapak tangan desimal,
objek dan dapat dimodelkan dengan mudah menggunakan metode
Bounding Box yang tidak akan terpengaruh oleh aspek rasio [5].
Model kemudian akan dijalankan dengan memetakan 21 koordinat
pada pohon palem yang terdeteksi. Model ini akan memberikan
keluaran berupa 21 koordinat jari, penanda ada atau tidaknya
tangan, dan penanda tangan kiri atau kanan.
Setelah dilakukan perhitungan jarak maka akan diambil k
tetangga sesuai hasil perhitungan jarak. Kemudian dari k tetangga
tersebut akan dihitung banyaknya titik data setiap kelas yang
dimasukkan dalam perhitungan jarak. Setelah itu untuk menentukan
kelas data baru akan dilihat jumlah tetangga dari kelas tersebut
yang terbanyak. Pada KNN sendiri terdapat berbagai cara untuk
menentukan jarak dan kemiripan [6]. Meskipun metode KNN ini
mudah untuk diterapkan, namun terdapat berbagai kelemahan yaitu
buruknya kinerja dalam mengatasi data yang berdimensi sangat
besar dan kinerja yang dipengaruhi oleh besarnya nilai k tetangga
[8].
C. Penskalaan Data
Penskalaan data merupakan proses yang dilakukan sebelum
mengklasifikasikan data. Proses ini akan mengubah nilai yang ada
menjadi skala yang ada. Untuk mencapai proses tersebut dapat
dilakukan normalisasi atau standarisasi data [9]. Proses normalisasi
ini dilakukan dengan tujuan agar data terdistribusi secara merata
dan meningkatkan nilai akurasi sistem. Ada beberapa teknik
normalisasi antara lain normalisasi min-maks, normalisasi skor-z,
penskalaan yang terbilang kecil
dan normalisasi sigmoidal.
(2)

AKU AKU AKU. METODOLOGI DAN IMPLEMENTASI

Gambar 1. Tengara Tangan
B.K Pengklasifikasi Tetangga Terdekat
K Nearest Neighbor atau disingkat KNN, merupakan metode
pembelajaran terbimbing yang mengklasifikasikan kelas berdasarkan
k tetangga terdekat. Dimana tujuan dari metode ini adalah untuk
mengklasifikasikan objek baru berdasarkan data sebelumnya.
Klasifikasi KNN adalah metode terkenal yang digunakan untuk
klasifikasi gambar [12]. KNN sendiri pertama-tama bekerja dengan
menentukan nilai k yang menentukan jumlah tetangga yang akan
digunakan. Kemudian
A. Tahap Desain
Deteksi Gerakan Tangan untuk Bahasa Isyarat dimaksudkan
untuk mendeteksi tangan dan memberikan output berupa huruf dari
bahasa isyarat yang ditunjukkan oleh tangan pengguna. Untuk
mencapai hal tersebut, peneliti menggunakan framework MediaPipe
untuk mendeteksi tangan dan cv2 untuk melakukan penangkapan
tangan melalui webcam serta beberapa perpustakaan yang
mendukung pengolahan data yaitu matplotlib, pandas, numpy, dan
sklearn. Matplotlib, pandas, dan numpy digunakan untuk membaca
file dataset untuk memplot data, sedangkan sklearn digunakan
untuk data pelatihan. Berikut ini adalah rancangan arsitektur
pengenalan isyarat alfabet.

Ultima Computing : Jurnal Sistem Komputer, Vol. 13, No.2 | Desember 2021 58
Machine Translated by Google

ISSN 2355-3286

hanya menggunakan x[i] dan y[i] akan memberikan kinerja

yang lebih optimal.

TABEL 1. TAMPILAN OUTPUT DALAM CSV

Gambar 2. Arsitektur Proyek

B.Tahap Implementasi
Bahasa pemrograman yang digunakan dalam proyek ini
adalah Python. Untuk memudahkan dalam perancangan,
peneliti menggunakan coding environment Jupyter Notebook
yang dijalankan pada laptop ASUS Vivobook A412FL 2019
dengan spesifikasi sebagai berikut :
Prosesor: CPU Intel Core i5-8265U @ 1,60GHz
GPU : NVIDIA GeForce MX250 2GB
RAM : 8GB
Dalam implementasi ini peneliti membuat 1000 dataset
pelatihan dengan 24 alfabet. Pembuatan 1000 dataset latih ini
dikarenakan tidak semua data pada dataset gambar dapat
terbaca, maka peneliti hanya menggunakan 24 huruf saja,
karena huruf J dan Z menggunakan gerakan sehingga perlu
implementasi lebih lanjut untuk membaca gerakan.

2. Validasi model pembelajaran mesin

Untuk mengimplementasikan deteksi gerakan tangan untuk tanda
bahasa, diperlukan beberapa tahapan, yaitu:
1. Membuat dataset bahasa isyarat berupa koordinat
Hal ini disebabkan belum tersedianya dataset bahasa
isyarat yang memiliki koordinat 21 landmark milik Mediapipe.
Dataset yang digunakan adalah dataset gambar yang berisi
total 87.000 gambar, dengan masing-masing gambar berukuran
200 x 200 piksel. Terdapat 29 kelas dalam dataset yang terdiri
dari 26 alfabet dan 3 kelas spasi, hapus, dan tidak ada. Setelah
dataset ditemukan, setiap gambar pada dataset perlu
dimodifikasi menggunakan MediaPipe Hands API [7] yang
dapat mengeluarkan koordinat landmark tangan dari gambar
Dataset yang digunakan pada project ini merupakan
dataset yang baru dibuat sebelumnya sehingga peneliti tidak
memiliki dataset uji untuk memvalidasi atau mengevaluasi
model machine learning. Oleh karena itu peneliti menggunakan
metode train/test split yang digunakan untuk memvalidasi
model dengan setiap data yang diolah dan dibagi menjadi data
pelatihan dan pengujian. Pemisahan ini dilakukan dalam rasio
67:33 dengan bantuan perpustakaan train_test_split sklearn.
Gambar 3. Tampilan proses pemisahan train/test untuk validasi model

statis. Setiap keluaran landmark dari MediaPipe akan diberi 3. Menskalakan kumpulan data
kelas sesuai dengan nama file dan dimasukkan ke dalam tabel
Kumpulan data yang terbagi diskalakan dengan metode
csv. [13] Setiap 21 landmark yang dihasilkan oleh MediaPipe
StandardScaler dari perpustakaan sklearn. Metode ini bekerja
akan dimasukkan dalam bentuk nilai x[i] dan y[i] dimana i
seperti normalisasi skor-z. Sesuai dengan bab sebelumnya,
melambangkan angka landmark pada Gambar.
proses ini berfungsi untuk meningkatkan kinerja algoritma KNN.

1. Sehingga setiap alfabet akan memiliki 42 fitur yang terdiri

dari x1 dan y1 hingga x21 dan y21. Mengacu pada kelemahan
KNN yaitu KNN rentan terhadap dimensi yang tinggi dimana
hal ini dapat membuat ruang yang dapat ditempati oleh setiap
instance menjadi lebih besar sehingga ada kemungkinan
tetangga terdekat dari suatu instance tidak dapat lagi dikatakan
“dekat” ” karena dimensi ruang contoh bertambah [11], peneliti
memilih untuk menggunakan landmark x[i] dan y[i] saja Gambar 4. Tampilan proses penskalaan data

meskipun ada hingga z[i] di mana x[i] dan y[i] mewakili lebar 4. Menghasilkan model klasifikasi
dan tinggi masing-masing. Sedangkan z[i] mewakili kedalaman,
Dalam pembuatan model klasifikasi, peneliti menggunakan
yang nilainya akan berkurang ketika landmark semakin dekat
perpustakaan KNeighborsClassifier milik sklearn. Pustaka ini
dengan kamera. Bila menggunakan nilai z, setiap alfabet akan
memudahkan pembuatan metode KNN. Dalam model ini
menghasilkan 63 fitur. Hal ini dapat menyebabkan penurunan
peneliti menggunakan 3 tetangga dengan algoritma otomatis
performa pada model KNN, karena KNN tidak dapat menangani
dari perpustakaan, fungsi bobot defaultnya seragam, metrik
data berdimensi sangat besar. Jadi para peneliti memutuskan
defaultnya adalah minkowski.
itu

59 Ultima Computing : Jurnal Sistem Komputer, Vol. 13, No.2 | Desember 2021
Machine Translated by Google
Gambar 5. Tampilan proses pengklasifikasian model fitting
IV. HASIL
A. Skenario Pengujian
Peneliti melakukan 2 jenis pengujian yaitu pengujian
dengan bantuan pustaka dan pengujian langsung. Untuk
pengujian dengan bantuan perpustakaan, peneliti bertujuan
untuk mengetahui nilai akurasi model yang ada.
Sedangkan pada pengujian langsung, peneliti bertujuan untuk
mencoba proyek ini secara real-time.
Pengujian langsung dilakukan oleh 2 orang pemeriksa
dengan 2 kondisi berbeda nyata. Berikut penjelasan kondisi
pengujian :
1. Pemeriksa A
Perangkat : Laptop Lenovo G470 i5-2410M (rilis
2011)
Kecerahan : redup
Jumlah pengujian : 2 kali untuk setiap huruf
2. Pemeriksa B
Perangkat : Laptop ASUS VivoBook A412 FL
i5-8265U (rilis 2019)
Kecerahan: terang
Jumlah pengujian : 2 kali untuk setiap huruf
B. Hasil dengan Bantuan Perpustakaan
Setelah proses fitting dengan metode KNN berhasil,
peneliti menghitung keakuratan model yang ada dengan
bantuan classification_report dan akurasi_score sklearn. Dari
model tersebut peneliti memperoleh akurasi sebesar 0,944
dari skala 0-1 yang berarti menunjukkan akurasi yang baik.
Gambar 6. Laporan Klasifikasi & Skor Akurasi
Ultima Computing : Jurnal Sistem Komputer, Vol. 13, No.2 | Desember 2021 60
ISSN 2355-3286
Selain skor akurasi, peneliti juga memplot Nilai K Error
Rate dengan rentang nilai K 1-40 yang dapat digunakan untuk
menyesuaikan nilai K mana yang terbaik untuk digunakan.
Gambar 7. Grafik Nilai K Tingkat Error
C. Hasil Pengujian Langsung
Pada tahap akhir, peneliti melakukan uji coba terhadap
model yang ada secara langsung dengan mendeteksi tangan
dan memperoleh alfabet yang sesuai dengan Bahasa Isyarat
Amerika yang telah dimasukkan ke dalam dataset. Peneliti
menggunakan bantuan library cv2 untuk melakukan
penangkapan tangan melalui webcam dan framework
Mediapipe untuk mendeteksi tangan dan mendapatkan
koordinat landmark tangan yang ditangkap oleh webcam
kemudian memprediksi alfabet apa yang didemonstrasikan
berdasarkan model yang ada.
Hasil tesnya adalah sebagai berikut:
1. Pemeriksa A :
Abjad tersebut dapat diprediksi ketika webcam dengan
bantuan framework Mediapipe mendeteksi keberadaan
tangan sehingga pada kondisi minim cahaya, jarak
tangan dengan webcam harus lebih dekat agar dapat
terbaca oleh webcam. Selama webcam membaca
keberadaan tangan, keluaran prediksi alfabet yang
diharapkan akan muncul. Dari 2 kali percobaan untuk
semua abjad, semua abjad dapat diprediksi dengan
beberapa penyesuaian jarak tangan dengan webcam.
Jadi, bisa disimpulkan bahwa meski dalam kondisi
redup selama tangan masih bisa terbaca oleh webcam,
maka bahasa isyaratnya akan tetap bisa ditebak.
2. Pemeriksa B :
Dengan pencahayaan yang baik, seluruh alfabet dapat
diprediksi dengan baik karena webcam mampu
menangkap gambar tangan dengan jelas sehingga
framework Mediapipe mampu mengenali setiap bagian
tangan yang mempraktikkan bahasa isyarat dengan
baik.
Machine Translated by Google
ISSN 2355-3286
Gambar 8. Gestur Tangan Alfabet A
Gambar 9. Abjad Gerakan Tangan B
Gambar 11. Abjad Gerakan Tangan C
Gambar 10. Gerakan Tangan Alfabet M
61 Ultima Computing : Jurnal Sistem Komputer, Vol. 13, No.2 | Desember 2021
Gambar 11. Gerakan Tangan Alfabet N
Gambar 12. Abjad Isyarat Tangan I
Di atas adalah beberapa hasil uji coba demonstrasi
Bahasa Isyarat Amerika yang kemudian dideteksi dan
diterjemahkan ke dalam alfabet. Hampir semua huruf
dapat dibaca dan diterjemahkan dengan baik, kecuali
beberapa huruf yang mungkin agak sulit dideteksi seperti
J dan Z. Namun selain itu, beberapa huruf yang memiliki
kemiripan titik koordinatnya, seperti M dan N Huruf-
hurufnya masih bisa dibedakan dan terbaca meski
hampir mirip.
V. KESIMPULAN
Pada penelitian kali ini kami mengusulkan suatu
sistem yang dapat mendeteksi bahasa isyarat dengan
standar Bahasa Isyarat Amerika yang dapat mencapai
kinerja pendeteksian secara real-time pada platform
desktop, cara kerja sistem pendeteksian peneliti
berdasarkan pada koordinat 21 penanda tangan yang
dihasilkan oleh MediaPipe . Dari koordinat tersebut
terdapat nilai x, y, dan z untuk pemetaan gerakan
tangan. Peneliti menyarankan untuk menggunakan
nilai x dan y saja untuk meningkatkan kinerja model
KNN. Hal ini disebabkan lemahnya KNN dalam
menangani data berdimensi besar. Lalu ada kelemahan
pada sistem yang peneliti usulkan yaitu kurangnya
dataset. Untuk mencapai sistem yang optimal
diperlukan dataset dalam jumlah besar sehingga dapat
mendeteksi alfabet dari berbagai sudut. Nantinya
sistem ini dapat diperbaiki dengan menggunakan
model Modified KNN untuk memperoleh hasil yang lebih baik.
Machine Translated by Google
REFERENSI
[1] Yoshua Constantin, Ucuk Darusalam, dan Novi Dian Nathasia.
(2020). Aplikasi Personal Assistant Berbasis Voice Command Pada
Sistem Operasi Android Dengan NLP.https://www.researchgate.net/
publication/34179118
1_Aplikasi_Personal_Assistant_Berbasis_Voice_Comma
nd_Pada_Sistem_Operasi_Android_Dengan_NLP/fulltex
t/5ed51350299bf1c67d323d04/Aplikasi-Personal-
Assistant-Berbasis-Voice-Command-Pada-Sistem-Operasi-
Android-Dengan-NLP.pdf
[2] Niki's Int'l Ltd.(2017). Berbagai Jenis Bahasa Isyarat.https://
nilservices.com/different-types-sign-lingual/
[3] Zhang, F., Bazarevsky, V., Vakunov, A., Tkachenka, A., Sung, G.,
Chang, C.-L., & Grundmann, M. (nd).
Tangan MediaPipe: Pelacakan Tangan Waktu Nyata di Perangkat.
2006.10214.pdf. https://arxiv.org/pdf/2006.10214.pdf.
[4] Valentin Bazarevsky, Yury Kartynnik, Andrey Vakunov, Karthik
Raveendran, dan Matthias Grundmann. Blazeface: Deteksi wajah
saraf sub-milidetik pada GPU seluler.
[5] Tomas Simon, Hanbyul Joo, Iain A. Matthews, dan Yaser Sheikh.
Deteksi titik kunci tangan dalam gambar tunggal menggunakan
bootstrapping multiview. CoRR, abs/1704.07809, 2017.
[6] Padraig Cunningham, Sarah Jane Delany: “k-Nearest Neighbor
Classifiers: Edisi ke-2 (dengan contoh Python)”, 2020;
arXiv:2004.04523.
[7] Pipa Media. (nd). Tangan MediaPipe. pipa media. https://
google.github.io/mediapipe/solutions/hands.html#
python-solusi-api.
[8] Hassanat, Ahmad & Abbadi, Mohammad & Altarawneh, Ghada &
Alhasanat, Ahmad. (2014). Penyelesaian Masalah Parameter K
pada KNN Classifier Menggunakan Pendekatan Pembelajaran
Ensemble. Jurnal Internasional Ilmu Komputer dan Keamanan
Informasi. 12.33-39.
[9] Muhammad Ali, Peshawa & Faraj, Rezhna. (2014). Data
Ultima Computing : Jurnal Sistem Komputer, Vol. 13, No.2 | Desember 2021 62
ISSN 2355-3286
Normalisasi dan Standardisasi: Laporan Teknis.
10.13140/RG.2.2.28948.04489
[10] Utaminingrum, F., Somawirata, IK, & Naviri, GD
(2019). Pengenalan Bahasa Isyarat Alfabet Menggunakan K-
Nearest Neighbor Optimization. Jurnal Komputer. https://doi.org/
10.17706/jcp.14.1.
[11] Puspadini, Ratih. (2020). Seleksi Atribut Pada Algoritma K-Nearest
Neighbor Menggunakan Same Distance Measures.http://
repositori.usu.ac.id/bitstream/handle/123
456789/24587/157038008.pdf
[12] Mufarroha, Fifin & Utaminingrum, Fitri. (2017). Pengenalan Gestur
Tangan Menggunakan Sistem Inferensi Fuzzy Berbasis Adaptive
Network dan K-Nearest Neighbor.
Jurnal Teknologi Internasional. 8.559.10.14716/ijtech.v8i3.3146.
[13] SK, Sriram & Sinha, Nishant. (2021). Gestop: Kontrol Gerakan
Sistem Komputer yang Dapat Disesuaikan. https://arxiv.org/pdf/
2010.13197.pdf
[14] Pipa Media. (nd). Tangan MediaPipe. pipa media. https://
google.github.io/mediapipe/solutions/hands.html#
keluaran
[15] Taufik, Miskudin. (2020). Bahasa Isyarat Menyatukan Dunia.https://
itjen.kemdikbud.go.id/public/post/detail/bah
asa-isyarat-menyatukan-dunia
[16] Persatuan negara-negara. (2020). Bahasa Isyarat Adalah untuk
Semua Orang. https://www.un.org/en/observances/sign-linguals-day
[17] Trigueiros, Paulo & Ribeiro, Fernando & Reis, Luís.
(2012). Perbandingan algoritma pembelajaran mesin yang
diterapkan pada pengenalan gerakan tangan. Konferensi Iberia
tentang Sistem dan Teknologi Informasi, CISTI. 41-46.
[18] Uni Tunarungu Eropa. (2012). Tanda Internasional. https://
www.eud.eu/about-us/eud-position-paper/
international-sign-guidelines/