Perbandingan Arsitektur LeNet dan AlexNet Pada Metode Convolutional Neural Network Untuk Pengenalan American Sign Language

Rivan, Muhammad Ezar Al; Riyadi, Alwyn Giovri

doi:10.35143/jkt.v7i1.4489

Cited by 9 publications

(9 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…ASL banyak dipakai oleh tuna rungu sebagai bahasa utama dalam berkomunikasi di Amerika Utara. ASL membantu tuna rungu dalam berkomunikasi melaui gerakan tangan serta membantu orang normal untuk memahami atau berkomunikasi dengan tuna rungu [4]. Pemanfaatan teknologi saat ini telah dilakukan pada semua aspek kehidupan manusia salah satunya berkomunikasi menggunakan bahasa isyarat dengan Computer Vision.…”

Section: Pendahuluanunclassified

Deteksi Bahasa Isyarat Menggunakan Tensorflow Lite dan American Sign Language (ASL)

Peling,

Ariawan,

Subiksa

2024

JKDN

View full text Add to dashboard Cite

Bahasa isyarat merupakan suatu bahasa yang menggunakan gerak tubuh seperti gerakan tangan dan wajah. Setiap negara memiliki Bahasa Isyarat yang berbeda di Indonesia sendiri ada 2 jenis bahasa isyarat yaitu Bahasa Isyarat Indonesia (BISINDO) serta Sistem Isyarat Bahasa Indonesia (SIBI), sedangkan di Amerika memiliki bahasa isyarat yaitu American Sign Language (ASL). Saat ini masih banyak orang yang tidak mengerti dengan bahasa isyarat dari lawan bicaranya. Hal ini disebabkan karena bahasa isyarat tidak digunakan oleh masyarakat non-disabilitas. Penelitian ini bertujuan untuk merancang sebuah sistem penerjemah bahasa isyarat berbasis Computer Vision dengan menggunakan Tensorflow lite serta dataset bahasa isyarat ASL untuk mendeteksi gerakan dari kata dan huruf alfabet ASL dengan menggunakan kamera dari laptop atau komputer yang berguna untuk mempermudah masyarakat dalam mempelajari bahasa isyarat. Hasil pengujian pertama dengan 11 data uji memperoleh nilai akurasi sistem dalam pengujian ini adalah 81%. Hasil Pengujian kedua menggunakan 26 data uji memperoleh nilai akurasi sistem dalam pengujian ini adalah 73%. Dari hasil pengujian sistem ini dapat disimpulkan bahwa sistem ini memiliki tingkat akurasi yang cukup baik dalam mendeteksi kata dan huruf abjad.

show abstract

Section: Pendahuluanunclassified

Deteksi Bahasa Isyarat Menggunakan Tensorflow Lite dan American Sign Language (ASL)

Peling,

Ariawan,

Subiksa

2024

JKDN

View full text Add to dashboard Cite

show abstract

“…Perbandingan arsitektur LeNet dan AlexNet pada metode convolutional neural network untuk pengenalan American Sign Language juga telah diteliti sebelumnya [5]. Dataset yang digunakan sebanyak 1000 data per huruf (24.000 gambar), dengan perbandingan 80%, 15%, dan 5%.…”

Section: Pendahuluanunclassified

“…Pada tahap ini juga dilakukan penghitungan confusion matrix dengan data True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN), dari nilai ini bisa digunakan untuk perhitungan akurasi, presisi, recall, dan f-1 score. Rumus yang digunakan untuk mengukur keberhasilan system sebagai berikut [5] :…”

Section: Pengujianunclassified

Klasifikasi Kepemilikan Tanda Tangan Menggunakan Convolutional Neural Network dengan Arsitektur AlexNet

Wijaya

Widiyanto

2023

MDP-SC

View full text Add to dashboard Cite

Pengenalan tanda tangan menjadi bukti penting untuk memvalidasi suatu berkas yang menandakan bahwa berkas tersebut asli sehingga dapat dikatakan bahwa tanda tangan setiap orang berbeda dan unik. Oleh karena itu, tanda tangan tidak boleh disalahgunakan karena akan berakibat fatal. Pengenalan kepemilikan tanda tangan diperlukan untuk mengetahui siapa pemilik tanda tangan tersebut. Penelitian ini bertujuan untuk mengenali pola tanda tangan seseorang menggunakan Convolutional Neural Network dengan arsitektur AlexNet. Dataset yang digunakan pada penelitian ini sebanyak 300 citra yang dibagi menjadi 240 data latih dan 60 data uji. Penelitian ini menggunakan 3 optimizer yaitu optimizer Adam, optimizer SGD, dan optimizer RMSprop. Penelitian ini menggunakan batchsize sebesar 2, learning rate sebesar 0,01 untuk optimizer SGD dan learning rate sebesar 0,001 untuk optimizer adam dan RMSprop. Setiap optimizer yang diuji menghasilkan nilai precision, recall, dan accuracy yang berbeda - beda. Hasil pengujian tertinggi yang dilakukan pada dataset internal didapatkan oleh optimizer SGD dengan tingkat akurasi sebesar 83,3%.

show abstract

“…Deteksi tumor otak dengan CNN arsitektur VGG-16 mendapati hasil 92,34% [8]. Pengenalan American Sign Language menggunakan LeNet mendapati hasil akurasi 92,88% pada skema kedua [12]. Klasifikasi kanker paruparu menggunakan arsitektur VGG-16 mendapati hasil 81,4% [13].…”

Section: Pendahuluanunclassified

Klasifikasi Jenis kanker Kulit Manusia Menggunakan Convolution Neural Network

Orlando

Rivan

2023

MDP-SC

View full text Add to dashboard Cite

Kanker kulit merupakan kanker berbahaya yang setiap tahunnya memakan korban. Proses analisa pasien kanker kulit memiliki waktu yang lama dan memerlukan tenaga ahli menurut penelitian pasien kanker kulit memiliki peluang 90% untuk sembuh bila dilakukan secara dini namun bila penanganannya terlambat hanya memiliiki 50% untuk sembuh. Penelitian ini bertujuan untuk mengklasifikasi kanker kulit dengan bantuan metode Convolutional Neural Network arsitektur LeNet dan VGG-16 kemudian dibantu dengan optimizer Adam data didapat dari ISIC 2019 yang memilik 8 jenis kanker kulit. Hasil dari penelitian ini sistem berhasil melakukan klasifikasi terhadap kanker kulit dengan penggunaan arsitektur VGG-16 dengan optimizer Adam yang mendapati akurasi 73,22%.

show abstract

Perbandingan Arsitektur LeNet dan AlexNet Pada Metode Convolutional Neural Network Untuk Pengenalan American Sign Language

Cited by 9 publications

References 9 publications

Deteksi Bahasa Isyarat Menggunakan Tensorflow Lite dan American Sign Language (ASL)

Deteksi Bahasa Isyarat Menggunakan Tensorflow Lite dan American Sign Language (ASL)

Klasifikasi Kepemilikan Tanda Tangan Menggunakan Convolutional Neural Network dengan Arsitektur AlexNet

Klasifikasi Jenis kanker Kulit Manusia Menggunakan Convolution Neural Network

Contact Info

Product

Resources

About