Pengenalan Alfabet American Sign Language Menggunakan K-Nearest Neighbors Dengan Ekstraksi Fitur Histogram Of Oriented Gradients

Rivan, Muhammad Ezar Al; Irsyad, Hafiz; Kevin, Kevin; Narta, Arta Tri

doi:10.28932/jutisi.v5i3.1936

Cited by 7 publications

(10 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penelitian terkait dengan ASL telah dilakukan oleh banyak peneliti. Pada penelitian [2] didapatkan hasil mencaai 99% Metode yang digunakan yaitu HOG untuk ekstraksi fitur dan k-NN sebagai klasifikasi. Distance yang digunakan yaitu Euclidean Distance, Manhattan Distance dan Chebychev Distance.…”

Section: Studi Literaturunclassified

“…Dataset ini merupakan dataset publik yang dapat diakses secara bebas [15]. Dataset ini digunakan juga pada penelitian yang dilakukan oleh [2]. Dataset ini terdiri dari 24 huruf A sampai Z kecuali J dan Z. Huruf J dan Z tidak digunakan karena huruf-huruf ini memerlukan pergerakan sehingga pengenalan tidak dapat dilakukan terhadap citra bergerak.…”

Section: A Datasetunclassified

“…Penelitian terkait dengan ASL sudah dilakukan oleh [2] dengan menggunakan fitur Histogram of Oriented Gradient dengan classifier yaitu k-Nearest Neighbor (k-NN). Selain itu, pada penelitian [3] pengenalan ASL menggunakan fitur Edge Oriented Histogram (EOH) dengan Image Matching.…”

unclassified

“…Fitur HOG digunakan untuk mengambil ciri bentuk pada citra. Pada penelitian [2] HOG digunakan pada pengenalan ASL. Pada penelitian lain juga HOG digunakan sebagai fitur bentuk untuk mengenali penyakit kulit [5].…”

unclassified

See 3 more Smart Citations

Klasifikasi American Sign Language Menggunakan Ekstraksi Fitur Histogram of Oriented Gradients dan Jaringan Syaraf Tiruan

Rivan¹,

Noviardy²

2020

JuTISI

Self Cite

View full text Add to dashboard Cite

Sign languages have various types, one of which is American Sign Language (ASL). In this study, ASL images from the handshape alphabet were extracted using Histogram of Oriented Gradient (HOG) then these features were used for the classification of Artificial Neural Networks (ANN) with various training functions using 3 variations of multi-layer network architecture where ANN architecture consists of one hidden layer. Based on ANN training, trainbr test results have a higher success rate than other training functions. In architecture with 15 neurons in the hidden layer get an accuracy value of 99.29%, a precision of 91.84%, and a recall of 91.47%. The test results show that using the HOG feature and ANN classification method for ASL recognition gives a good level of accuracy, with an overall accuracy of 5 neurons 95.38%, 10 neurons 96.64%, and 15 neurons with 97.32%. Keywords— Artificial Neural Network; American Sign Language; Histogram of Oriented Gradient; Training Function

show abstract

Section: Studi Literaturunclassified

Section: A Datasetunclassified

unclassified

See 2 more Smart Citations

Klasifikasi American Sign Language Menggunakan Ekstraksi Fitur Histogram of Oriented Gradients dan Jaringan Syaraf Tiruan

Rivan¹,

Noviardy²

2020

JuTISI

Self Cite

View full text Add to dashboard Cite

show abstract

“…Berdasarkan penelitian [5] [6] menunjukkan bahwa hasil akurasi yang diperoleh dengan menggunakan klasifikasi k-Nearest Neighbor (k-NN) serta ekstraksi fitur Histogram of Oriented Gradient (HOG) ataupun Linear Discriminant Analysis (LDA), yaitu sebesar 98,33% dan 96%. Pada penelitian [7] citra ASL diekstraksi fiturnya menggunakan HOG lalu menggunakan k-NN sebagai klasifikasinya. Kemudian penelitian S lainnya [8] mengenai ekstraksi HOG juga memberikan hasil yang baik, yaitu 73,3% untuk akurasi setiap gambar dan 86,67% untuk setiap number.…”

Section: Pendahuluanunclassified

Implementasi LDA pada fitur HOG untuk Klasifikasi ASL Menggunakan K-NN

Rivan¹,

Irsyad²,

Kevin³

et al. 2020

JATISI

Self Cite

View full text Add to dashboard Cite

Sign language merupakan suatu cara alternatif yang bisa digunakan untuk berkomunikasi dengan menggunakan isyarat, salah satu jenisnya yaitu American Sign Language (ASL). Dataset sign language yang digunakan yaitu dalam bentuk dataset citra yang diproses menggunakan ekstraksi fitur Histogram of Oriented Gradients (HOG) dan selanjutnya direduksi menggunakan Linear Discriminant Analsysis (LDA). Selanjutnya hasil reduksi digunakan untuk klasifikasi K-Nearest Neighbors (k-NN). Tiga jenis distance yang digunakan yaitu euclidean, manhattan dan chebyshev. Hasil terbaik diperoleh menggunakan manhattan distance dengan nilai K = 3 dengan presisi sebesar 72,42 %.

show abstract

Klasifikasi Isyarat Bahasa Indonesia Menggunakan Metode Convolutional Neural Network

Rivan

Hartoyo

2022

JuTISI

View full text Add to dashboard Cite

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.

show abstract

Pengenalan Alfabet American Sign Language Menggunakan K-Nearest Neighbors Dengan Ekstraksi Fitur Histogram Of Oriented Gradients

Cited by 7 publications

References 8 publications

Klasifikasi American Sign Language Menggunakan Ekstraksi Fitur Histogram of Oriented Gradients dan Jaringan Syaraf Tiruan

Klasifikasi American Sign Language Menggunakan Ekstraksi Fitur Histogram of Oriented Gradients dan Jaringan Syaraf Tiruan

Implementasi LDA pada fitur HOG untuk Klasifikasi ASL Menggunakan K-NN

Klasifikasi Isyarat Bahasa Indonesia Menggunakan Metode Convolutional Neural Network

Contact Info

Product

Resources

About