Klasifikasi Isyarat Bahasa Indonesia Menggunakan Metode Convolutional Neural Network

Abstract

Bahasa Isyarat Indonesia adalah isyarat kata yang awalnya diambil dari isyarat yang disampaikan oleh anak tunarungu. Bahasa isyarat adalah hal yang biasa bagi orang tuli dan bisu, tetapi tidak asing bagi orang biasa. Untuk itu diperlukan perantara alternatif yang dapat menjadi penerjemah antara penyandang tunarungu dan tuna wicara sertamasyarakat biasa. Penelitian ini bertujuan untuk mengklasifikasikan sistem isyarat bahasa Indonesia menggunakan metode Convolutional Neural Network dengan arsitektur VGG (Visual Geometric Group)-16 dan Alexnet. Data terdiri dari huruf A sampai dengan huruf Z yaitu 320 data uji, 1600 data latih, dan 320 data validasi, dan data akan diubah ukurannya menjadi ukuran 224 x 224 piksel, dilanjutkan dengan grayscale dan augmentasi. Hasil pengujian VGG-16 menunjukkan bahwa klasifikasi menggunakan VGG-16 dengan optimasi Adam mendapatkan tingkat akurasi tertinggi, yaitu 99,32% untuk setiap huruf, 91,18% untuk keseluruhan. Sedangkan hasil klasifikasi menggunakan VGG-16 dengan optimasi SGD mendapatkan tingkat akurasi terendah, yaitu 98,85% untuk setiap huruf dan 84,96% untuk keseluruhan. Sedangkan dari hasil pengujian AlexNet terlihat bahwa hasil klasifikasi menggunakan AlexNet dengan Adam optimizer mendapatkan tingkat akurasi tertinggi, yaitu 99,16% untuk setiap huruf dan 89,04% untuk keseluruhan. Sedangkan hasil klasifikasi menggunakan AlexNet dengan pengoptimal SGD mendapatkan tingkat akurasi terendah, yaitu 97,33% untuk setiap huruf dan 68,33% untuk keseluruhan.

Klasifikasi Kepemilikan Tanda Tangan Menggunakan Convolutional Neural Network dengan Arsitektur AlexNet

“…Penelitian lainnya melakukan pengenalan gestur angka pada tangan menggunakan arsitektur AlexNet dan LeNet pada Metode Convolutional Neural Network [6]. Citra yang digunakan telah dilakukan preprocessing (thresholding dan resize), pengujian dilakukan menggunakan optimizer SGD, Adam, RMSprop.…”

Identifikasi Penyakit Pada Tanaman Kopi Berdasarkan Citra Daun Menggunakan Metode Convolution Neural Network

“…Gambar 2. Model Convolution Neural Network [8] Convolution Layer merupakan lapisan dan blok utama dari CNN yang digunakan dalam menghitung output dari neuron yang terhubung ke local region dari masukan citra [10]. Convolution Layer dianggap sebagai filter bagian input untuk meningkatkan pola yang diberikan.…”

“…Jumlah Layer ini digunakan untuk menggabungkan ekstrasi fitur ke dalam kelas yang diperbarui dan di ulangi dalam dalam perkalian acak sehingga memiliki bobot dan bias untuk pendekatan kelas. Proses ini bisa membutuhkan waktu yang lama tergantung pada banyaknya fitur yang dihasilkan [10].…”

“…Dilanjutkan dengan memberi 1 lapisan pada fungsi softmax yang digunakan pada lapisan keluaran sehingga memiliki nilai probabilitas yang nyata. Jika lapisan yang didapatkan ditotalkan dari langkah yang telah dilakukan maka didapatkan 50 lapisan 5) Optimizer: Optimizer adalah sebuah algoritma dari salah satu fungsi yang sangat berguna untuk mempercepat proses pelatihan untuk menentukan bobot yang optimal dengan cara meminimalkan loss dan memaksimalkan akurasi [10]. Optimizer mempunyai nilai pada learning rate untuk menentukan performa pelatihan secara lambat dan cepat [11].…”