ABSTRAK
Penelitian ini bertujuan untuk mengembangkan platform praktis pengenalan abjad Sistem Isyarat
Bahasa Indonesia (SIBI) sebagai media pembelajaran bahasa isyarat yang efektif. Metode yang
digunakan adalah algoritma YOLOv5 untuk mendeteksi isyarat bahasa isyarat SIBI. Pengujian
dilakukan dalam dua tahap, pertama untuk menguji antarmuka aplikasi yang berhasil menampilkan
enam halaman antarmuka pengguna dengan baik. Kedua, pengujian manual dilakukan untuk
mendeteksi gerakan bahasa isyarat SIBI dengan membandingkan kelas-kelas aktual yang terdiri dari
26 kelas. Pada pengujian tersebut, beberapa kelas seperti 'A' dan 'E' memiliki akurasi deteksi yang
rendah karena memiliki gerakan yang hampir sama dengan kelas 'S' atau 'A'. Kelas 'D' juga memiliki
akurasi yang rendah karena membutuhkan variasi posisi yang lebih kompleks. Kelas 'J' memiliki
gestur yang cukup rumit karena ada gerakan lanjutan yang dilakukan, sehingga memiliki akurasi
yang cukup rendah. Hasil deteksi real-time menggunakan kamera ponsel menunjukkan akurasi
sebesar 77% (0.77), secara keseluruhan hasil pengujian mencapai akurasi yang cukup baik.
Diharapkan dengan adanya platform ini dapat mempermudah dan memperlancar komunikasi antara
masyarakat umum dengan teman tuli.
Kata kunci : Bahasa Isyarat, Deteksi Objek, Komunikasi Tuli, Sibi, Yolo.
ABSTRACT
This research aims to develop a practical platform of Indonesian Sign Language System (SIBI)
alphabet recognition as an effective sign language learning media. The method used is YOLOv5
algorithm based on convolutional neural network (CNN) to detect SIBI sign language gestures.
Testing is done in two stages, first to test the application interface which successfully displays 6 user
interface pages properly. Secondly, manual testing was carried out to detect SIBI sign language
gestures by comparing the actual classes consisting of 26 classes. In the test, some classes such as
'A' and 'E' had low detection accuracy due to almost the same gesture as class 'S' or 'A'. Class 'D'
also has low accuracy as it requires more complex position variations. Class 'J' is difficult to detect
due to the advanced movements required. The results of real-time detection using a cell phone
camera showed an accuracy of 77% (0.77), overall the test results achieved a fairly good accuracy.
It is hoped that this platform can facilitate easy and smooth communication between the general
public and deaf friends.
Keywords: Deaf Communication, Object Detection, Sibi, Sign Languange,Yolo.
231 SimanteC
Jurnal SimanteC Vol. 11, No. 2 Juni 2023
232 SimanteC
Dimas Permana dkk, Aplikasi Pengenalan Abjad …
233 SimanteC
Jurnal SimanteC Vol. 11, No. 2 Juni 2023
klasifikasi objek akan dilakukan oleh efisien dan sangat kuat dalam pengenalan
algoritma YOLO v5, jika sistem dapat gambar.
mengenali maka akan menampilkan Salah satu fitur utama dari YOLOv5
bounding box dan output berupa teks adalah kemampuannya untuk mendeteksi
huruf abjad. Proses ini akan terjadi iterasi objek secara real-time pada perangkat
sesuai apa yang dideteksi oleh kamera dengan daya komputasi yang terbatas. Ini
handphone. Gambaran arsitektur sistem berarti YOLOv5 dapat berjalan dengan
ditunjukkan pada gambar 2 dibawah ini. cepat dan efisien bahkan pada perangkat
dengan sumber daya terbatas seperti
perangkat mobile atau embedded systems.
234 SimanteC
Dimas Permana dkk, Aplikasi Pengenalan Abjad …
terbatas. Algoritma ini telah digunakan pada perangkat target. Hal ini
dalam berbagai aplikasi seperti deteksi memungkinkan deteksi objek secara real-
objek di video, kendaraan otonom, sistem time atau mendekati real-time
keamanan, dan banyak lagi. menggunakan YOLOv5 pada perangkat
3. Object Detection tinggi dengan sumber daya komputasi
Deteksi objek adalah teknologi terbatas.
komputer yang terkait dengan penglihatan TensorFlow Lite juga menyediakan
komputer dan pengolahan citra yang kumpulan API dan alat untuk
berkaitan dengan mendeteksi objek dalam pengembang guna mengintegrasikan
gambar digital berdasarkan warna dan model YOLOv5 ke dalam aplikasi. Ini
bentuk objek [12]. termasuk API inference yang telah
Deteksi objek menggunakan dibangun sebelumnya untuk melakukan
metode YOLOv5 memungkinkan deteksi objek menggunakan model YOLO,
identifikasi objek dalam gambar digital serta alat untuk modifikasi dan optimisasi
atau objek didalam video. Object model[15].
detection dapat dibagi menjadi soft Kolaborasi antara TensorFlow lite
detection yang hanya mendeteksi dengan YOLOv5 memungkinkan deteksi
keberadaan dari objek dan hard detection objek di perangkat, menghilangkan
yang mendeteksi keberadaan serta lokasi kebutuhan akan koneksi internet yang
dari objek [13]. Dalam penelitian ini konstan atau mengandalkan inference
model object detection yang dilatih yaitu berbasis cloud. Ini sangat berguna untuk
untuk mendeteksi sistem isyarat bahasa aplikasi yang membutuhkan deteksi objek
Indonesia (sibi). secara real-time atau beroperasi di
4. Tensorflow Lite lingkungan dengan konektivitas terbatas.
TensorFlow Lite adalah sebuah
framework deep learning open source
yang dirancang khusus untuk pelatihan B. Proses Training Datasets
model [14]. TensorFlow Lite merupakan
versi ringan dari framework TensorFlow
yang dirancang khusus untuk
menjalankan model machine learning
pada perangkat dengan sumber daya
terbatas, seperti ponsel dan perangkat IoT.
Proses untuk konversi dari YOLOv5
ke Tensorflow lite cukup mudah. Langkah
pertama adalah mengonversi model
YOLOv5 yang telah dilatih ke dalam
format model TensorFlow Lite. Proses
konversi ini melibatkan kompresi dan
optimasi model untuk mengurangi ukuran
dan meningkatkan kecepatan inference
dan tetap mempertahankan akurasi yang
tinggi.
Setelah model YOLOv5 dikonversi
ke format TensorFlow Lite, model
tersebut dapat diimplementasikan dan
dieksekusi pada perangkat mobile
menggunakan runtime TensorFlow Lite.
Runtime TensorFlow Lite dirancang Gambar 4. Alur Pelatihan Citra.
untuk menjadi cepat dan efisien, dengan Pada gambar 4 merupakan alur
memanfaatkan kemampuan akselerasi proses dari pelatihan data citra. Proses
perangkat keras seperti GPU, DSP, atau tersebut dilakukan secara bertahap dari
Neural Processing Units (NPU) yang ada
235 SimanteC
Jurnal SimanteC Vol. 11, No. 2 Juni 2023
236 SimanteC
Dimas Permana dkk, Aplikasi Pengenalan Abjad …
237 SimanteC
Jurnal SimanteC Vol. 11, No. 2 Juni 2023
238 SimanteC
Dimas Permana dkk, Aplikasi Pengenalan Abjad …
akan langsung mendeteksi isyarat Ketika adalah 77% (0,77). Hasil akurasi dapat
diarahkan ke tangan peraga. dikatakan cukup baik dan berhasil.
Dalam pengujian akurasi
didapatkan dari hasil deteksi selama 10 SIMPULAN
kali pada masing-masing class. Sehingga Arsitektur algoritma YOLOv5
hasil didapatkan seperti pada Tabel 4 menggunakan pendekatan deteksi objek
dibawah. berbasis jaringan saraf konvolusi (CNN).
Tabel 4. Hasil Pengujian Akurasi. CNN adalah jenis arsitektur jaringan saraf
Jumlah Tahap Pengujian yang sangat baik dalam mengenali pola
La Aku
bel 1 2 3 4 5 6 7 8 9
1
rasi dan fitur dalam data gambar. YOLOv5
0 menggunakan arsitektur EfficientNet
A X X X √ √ √ X X X X 0,30
sebagai dasar dari modelnya. EfficientNet
B X √ √ √ √ √ √ √ √ √ 0,90
adalah sebuah arsitektur CNN yang
C √ √ √ √ √ √ √ √ √ √ 1,00 efisien dan sangat kuat dalam pengenalan
D X X X X √ X X X X X 0,10 gambar. Proses training dengan algortima
E X X X X X X X X X X 0,00 YOLOv5 dilakukan pada 300 data cita
F √ √ X √ X X X √ √ √ 0,60 bahasa isyarat sibi.
G √ √ √ √ √ √ √ √ √ √ 1,00 Pengujian dilakukan dengan dua
H √ √ √ √ √ √ √ √ √ √ 1,00 tahap, pertama untuk pengujian
I √ √ √ √ √ √ √ √ √ √ 1,00 antarmuka dari aplikasi yang memiliki 6
J X √ X X X X X X X X 0,10 halaman antarmuka pengguna yang
K X √ √ √ √ √ √ √ √ √ 0,90 semuanya berhasil ditampilkan dengan
L √ √ √ √ √ √ √ √ √ √ 1,00 baik.
M √ √ √ √ √ √ √ √ √ √ 1,00 Pengujian kedua dilakukan dengan
N X X √ √ √ √ √ √ √ √ 0,80 manual untuk mendeteksi gerakan bahasa
O X √ X √ √ √ √ √ √ √ 0,80 isyarat sibi. Proses pengujian dengan
P √ √ X √ √ √ √ √ √ √ 0,90 membandingkan kelas sebenarnya
Q √ √ √ √ √ √ √ √ √ √ 1,00 berjumlah 26 class dengan hasil deteksi
R X √ √ √ √ √ √ √ √ √ 0,90 real-time menggunakan kamera ponsel.
S √ X X √ √ √ √ √ √ √ 0,80
Didapatkan hasil akurasi 77% (0,77).
T X √ √ X √ √ √ √ √ X 0,70 SARAN
U X X √ √ √ √ √ √ √ √ 0,80
V √ √ √ √ √ √ √ √ √ √ 1,00
Penelitian ini masih memiliki
banyak kekurangan, sehingga peneliti
W √ √ √ √ √ √ √ √ √ √ 1,00
memiliki beberapa saran untuk peneliti
X X X √ √ X √ √ √ √ √ 0,70
yang ingin mengembangkan sistem
Y √ √ √ √ √ √ √ √ √ √ 1,00
aplikasi ini dimasa yang akan datang.
Z √ X √ √ √ X √ √ √ √ 0,80
Diantaranya sebagai berikut.
Nilai Rata-rata Akurasi 0,77
Pertama, menambahkan jumlah
Pengujian kelas ‘A’ terdeteksi data citra untuk dilatih dengan algoritma
akurasi rendah dikarenakan gesturnya YOLOv5. Hal tersebut untuk mendapatkan
hampir sama dengan kelas ‘S’. Kelas ‘D’ pengalaman akurasi yang lebih baik lagi
terdeteksi rendah dikarenakan bentuk diperlukan banyak datasets dengan
peraga huruf ‘D’ memerlukan posisi dari berbagai kondisi.
berbagai arah. Kelas ‘E’ tidak terdeteksi Kedua, mengembangkan fitur-fitur
sama sekali dikarenakan hampir sama yang sudah ada maupun menambahkan
gesturnya dengan kelas ‘S’ dan ‘A’. Kelas fitur baru yang membuat aplikasi ini dapat
‘J’ sulit terdeteksi dikarenakan gesturnya dirasakan pengalaman berkomunikasi
yang membutuhkan gerakan lanjutan. dengan teman tuli menjadi lebih baik lagi.
Berdasarkan tabel pengujian diatas DAFTAR PUSTAKA
dapat disimpulkan bahwa hasil pengujian
mendapatkan akurasi untuk 26 class [1] I. Inayatul Arifah, F. Nur Fajri, and G.
Qorik Oktagalu Pratamasunu, “Deteksi
239 SimanteC
Jurnal SimanteC Vol. 11, No. 2 Juni 2023
240 SimanteC