Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bahasa Isyarat adalah bahasa yang digunakan kebanyakan oleh kaum tuna rungu dan tuna wicara yang tidak bisa berkomunikasi secara audio, hal ini menimbulkan kesenjangan dalam berkomunikasi terlebih dalam kemampuan tuna rungu dan tuna wicara dalam melaksanakan kehidupannya sehari – hari khususnya saat ingin melamar kerja. Penelitian ini dilakukan untuk mempermudah komunikasi antara pengguna bahasa isyarat dengan mereka yang tidak memahami bahasa isyarat, dimana dengan adanya sistem ini maka translasi bahasa isyarat ke Bahasa Indonesia akan dilakukan secara automatis dan ini akan membantu bagaimana kaum tuna wicara dan tuna rungu berkomunikasi dengan mereka yang tidak memahami bahasa isyarat sehingga ini akan berdampak dimana para pengguna bahasa isyarat bisa memiliki kesempatan yang sama dengan semua orang dalam proses pelamaran kerja dan mendapatkan pekerjaan yang layak. Sistem pengenalan bahasa isyarat ini bekerja dengan menerima bahasa isyarat yang disampaikan oleh seseorang secara real-time dan kemudian mengenalinya sebagai arti kata dari bahasa isyarat tersebut ke Bahasa Indonesia. Pada penelitian ini OpenCV digunakan sebagai metode pengambilan gambar dalam waktu nyata, serta algoritma YOLOv5 yang dibandingkan dengan SSD yang digunakan untuk memroses gambar tersebut serta menandakan yang mana objek yang dianggap sebagai bahasa isyarat dan mendeteksi artinya. Proses training dilakukan dengan dataset yang terdiri dari 463 citra training yang kemudian diaugmentasi sehingga berjumlah 1389 citra training. Model yang dihasilkan dari setiap algoritma yang digunakan dalam penelitian diuji menggunakan dataset testing lalu akan diuji dalam tahap real-time testing dan parameter yang digunakan untuk evaluasi kedua hasil model adalah akurasi atau (confidence score) sistem, precision, recall, dan F1 Score untuk masing – masing model dimana nilai perbandingan untuk nilai confidence score model YOLOv5 dan SSD adalah 100% : 87.66%. Sedangkan perbandingan nilai F1 Score untuk model YOLOv5 dan SSD adalah 1 : 0.9342. Penelitian ini juga menunjukkan bahwa Learning Rate dari Model SSD lebih tinggi dibanding Model YOLOv5 yaitu 0.08 : 0.009. Pada penelitian ini ditunjukkan bahwa algoritma YOLOv5 akan memiliki hasil presisi yang lebih baik dibandingkan algoritma SSD.

---

Sign Language is the method used mostly by deaf and mute people which are unable to communicate by audio . This difference in the way of communicating between each other creates a gap in communicating between the deaf and mute with normal people. This research is done with the intent to further make the communication between sign language user those that do not understand sign language by automatically translating the meaning of each sign language to Bahasa Indonesia. By doing this, this will ensure to help the mute and deaf people so that they will have the same opportunity to apply for a job just like those without disability. Sign language recognition works by detecting object in real time using camera and then recognize the sign made and show the meaning of that particular sign. This is made possible using OpenCV to take images in real time and the model SSD and YOLOv5 to process those images and label them using rectangular show which object on the picture is the sign language that needs to be recognized based on the available dataset which is the sign language that have already been taken before the test. The training process of this research is done using 463 training images which then augmented and becomes 1389 training images. The models created from training using both algorithms will be tested using testing images and then further tested using real-time testing and the parameter used for evaluation of those models are the confidence score of the system accuracy, precision, recall, and F1 Score which from this research shows that the comparison of confidence score of the system accuracy betweenYOLOv5 model and SSD model is 100% : 87.66%. On the other hand, the comparison of the F1 Score between YOLOv5 model and SSD model is 1 : 0,9342. This research shows that YOLOv5 model have better learning rate compared to SSD which is 0.08 : 0.009. The result from this research shows that YOLOv5 algorithm will have better score of precision compared to SSD algorithm."

"ABSTRAKSIBI merupakan bahasa isyarat resmi bagi penyandang tunarungu di Indonesia. Dalam pembentukan isyarat, SIBI mengikuti aturan tata bahasa Indonesia. Untuk membentuk isyarat kata berimbuhan, maka isyarat imbuhan awalan, akhiran dan partikel ditambahkan ke isyarat kata dasar. Karena banyak isyarat SIBI merupakan isyarat kata berimbuhan dan belum ada penelitian tentang kata tersebut, maka penelitian ini fokus pada membangun sistem penerjemah kata berimbuhan SIBI ke teks. Gerakan isyarat ditangkap oleh kamera Kinect yang menghasilkan data color, depth dan skeleton. Data Kinect ini diolah menjadi fitur yang dipakai oleh model untuk mengenali gerakan. Sistem penerjemah memerlukan teknik ekstraksi fitur, yang dapat menghasilkan sebuah feature vector set dengan ukuran yang minimal. Penelitian ini berusaha untuk dapat memisahkan isyarat imbuhan dan kata dasar pada isyarat kata berimbuhan. Dengan kemampuan ini, sistem penerjemah menghasilkan 3 feature vector set: kata dasar, awalan dan akhiran. Tanpa pemisahan, feature vector set yang harus disediakan adalah sebanyak perkalian cartesian dari ketiga feature vector set tersebut. Perkalian ketiga set ini tentunya akan menghasilkan feature vector set total yang berukuran sangat besar. Model yang dicoba pada penelitian ini adalah Conditional Random Fields, Hidden Markov Model, Long Short-Term Memory Neural Networks LSTM dan Gated Recurrent Unit. Akurasi yang terbaik yang dicapai oleh untuk LSTM 2-layer 77.04 . Keunggulan dari LSTM terletak pada inputnya yang berupa sequence-of-frames dan setiap frame direpresentasi oleh fitur lengkap, bukan fitur hasil clustering. Model sequence-of-frames lebih cocok untuk SIBI, karena gerakan isyarat SIBI memiliki long-term temporal dependencies. Error hasil prediksi banyak terjadi pada kelompok awalan dan akhiran. Hal ini karena miripnya gerakan pada isyarat-isyarat imbuhan SIBI tersebut. LSTM 2-layer yang dipakai untuk mengenali kata dasar saja memberikan akurasi yang tertinggi 95.4 .

---

ABSTRACTSIBI is the official sign language system for the Indonesian language. The formation of SIBI gestures follow Indonesian grammar rules, including inflectional words. Inflectional words are root words with prefixes, infixes, and suffixes, or a mix of the three. Inflectional gestures are made from root word gestures, with prefix, suffix and particle gestures added in the order in which they appear, all of which is unique to SIBI. This research aims to find a suitable model that can quickly and reliably perform SIBI to text translation on inflectional word gestures. The hand movement of the signer is captured by a Kinect camera. The Kinect data was then processed to yield features for the models to use recognize the gestures. Extant research have been able to translate the alphabet, root words, and numbers from SIBI to text, but none has been able to translate SIBI inflectional word gestures. In order for the translation system to work as efficiently as possible, this research developed a new method that splits an inflectional word into three feature vector sets root, prefix, suffix . This ensures that a minimally descriptive feature sets are used. Without using this, the feature sets would otherwise be as big as the Cartesian product of the prefixes, suffixes and root words feature sets of the inflectional word gestures. Four types of machine learning models were tested Conditional Random Fields, Hidden Markov Model, Long Short Term Memory Net, dan Gated Recurrent Unit. The 2 layer LSTM, with an accuracy of 77.04 , has been proven to be the most suitable. This model 39 s performance is due to the fact that it can take entire sequences as input and doesn 39 t rely on pre clustered per frame data. The 2 layer LSTM performed the best, being 95.4 accurate with root words. The lower accuracy with inflectional words is due to difficulties in recognizing prefix and suffix gestures."

"Sebagai bentuk interaksi sosial, komunikasi menjadi salah satu hal yang tidak dapat dihindari. Komunikasi menjadi metode yang paling mudah untuk diterapkan oleh setiap orang untuk saling bertukar informasi. Informasi yang diperoleh akan sangat bergantung pada proses komunikasi yang berlangsung. Bagi teman tuli, komunikasi menjadi hal yang cukup sulit dilakukan apabila hendak berinteraksi dengan teman dengar. Begitu juga sebaliknya, teman dengar akan kesulitan apabila melakukan hal yang serupa. Terdapat salah satu aplikasi yang dapat mengatasi kesulitan interaksi bagi teman tuli, yaitu sistem aplikasi SIBI. Sistem aplikasi SIBI mampu membantu penggunanya untuk berkomunikasi kepada sesama pengguna dengan menerjemahkan bahasa isyarat SIBI menjadi teks bahasa Indonesia begitu juga sebaliknya. Namun ternyata sistem aplikasi ini dirasa belum cukup membantu penggunanya ditinjau dari sisi desain interaksinya. Melalui permasalahan tersebut, penelitian ini hadir untuk meningkatkan kualitas desain interaksi sistem aplikasi SIBI yang diharapkan kan berdampak pada meningkatnya kualitas komunikasi bagi teman tuli. Penulis merancang suatu alternatif desain untuk menjawab permasalahan yang ada dengan menerapkan user centered design. Hasil dari desain alternatif tersebut akan ditinjau ulang hingga akhirnya menghasilkan suatu rekomendasi desain sistem aplikasi SIBI yang merupakan hasil akhir dari penelitian ini.

---

As a one of many forms of social interaction, communication is something that cannot be replaced. Communication is the easiest method for everyone to use to take and give the information. The information that obtained will be very useful based on the ongoing communication process before. For deaf peoples, communication becomes a difficult thing to do when they want to interact with a normal people and also a normal people will find it difficult to do the same thing. There is one application that can solve the difficulties, named SIBI application system. SIBI application system able to help the users to communicate with other users by translating the SIBI language into Indonesian text and vice versa. However, it turns out that this application system is not helpful enough to use in an interaction design point of view. Through this problem, this research is to improve the quality of the interaction design of the SIBI application system which is expected to have an impact on the quality of communication for deaf friends. The author will design an alternative design to answer the existing problems by implementing a user-centered design. The results of the alternative designs will be reviewed to finally produce a recommendation for the SIBI application system design which is the final result of this research."

"Bahasa yang dapat diakses anak tunarungu secara natural adalah bahasa isyarat. Pada usia kritis, anak perlu secara reguler medapat pemaparan bahasa yang dapat diakses atau anak akan mengalami kendala dalam berbahasa yang berujung pada kendala lain. Namun, banyak orang tua mendengar yang belum menyadari sepenuhnya metode yang baik dalam mengajarkan dan berkomunikasi dengan bahasa isyarat. Penelitian ini bertujuan memberikan solusi bagi para orang tua anak tunarungu mempelajari bahasa isyarat agar dapat mendidik dan berkomunikasi dengan anak melalui bahasa yang dapat diakses anak tunarungu. Pengembangan desain antarmuka solusi aplikasi ini menggunakan metode user-centered design. Pengumpulan masalah dan kebutuhan dilakukan dengan melakukan wawancara dengan orang tua anak tunarungu dan wawancara dengan psikolog. Setelah desain antarmuka dibuat dalam bentuk prototipe, dilakukan evaluasi kualitatif dengan usability testing dan kuantitatif dengan System Usability Scale (SUS). Berdasarkan hasil evaluasi yang diberikan pengguna, aplikasi pembelajaran bahasa isyarat untuk orang tua memiliki usability yang cukup baik dan memiliki skor SUS yang cukup tinggi.

---

The language that deaf children can naturally access is sign language. At the critical age, children need to start learning their accessible language otherwise children will have language deprivation that can leads to other cognitive problems. However, many hearing parents do not understand good methods on how to teach children and communicating with sign language. This research provides a solution for parents of deaf children to learn basic of language that is accessible for deaf children, sign language. The interface of this application was designed using user-centered design approach. Requirement gathering was done by conducting interviews with parents of deaf children and interview with a psychologist. After the prototype was made, the design evaluated qualitatively by conducting usability testing and quantitatively using System Usability Scale (SUS). Based on the evaluation results, sign language learning application for parents have overall good usability and have a fairly high SUS score."

"Bahasa isyarat umumnya dilakukan oleh tuna rungu dan tuna wicara yang menimbulkan kesenjangan dalam berkomunikasi khususnya saat melamar pekerjaan. Ada hambatan komunikasi yang dirasakan saat proses pencarian kerja dimana pada tahun 2020 menyebutkan bahwa penyandang disabilitas yang bekerja sebanyak 7,67 juta orang (5,98% dari total pekerja di Indonesia) dibandingkan dengan jumlah pekerja dengan disabilitas di Indonesia mencapai 720.748 orang (0,53% dari total pekerja di Indonesia) pada tahun 2022 menurut BPS (Badan Pusat Statistik). Penurunan persentase dalam lapangan kerja sebagian besar disebabkan oleh praktik perekrutan yang diskriminatif oleh banyak perusahaan. Jadi, dibutuhkan sistem deteksi bahasa isyarat yang dapat mempermudah dalam penerjemahan bahasa isyarat supaya kesempatan pengguna bahasa isyarat sama dengan semua orang dalam proses pelamaran kerja dan mendapatkan pekerjaan yang layak. Skenario pengambilan data adalah dengan 2 skenario, yaitu data non augmented dan augmented. Proses training dengan dataset yang terdiri atas 348 citra training yang lalu diaugmentasi sehingga berjumlah 1.044 citra training. Hasil pengujian dengan real-time testing dilakukan dengan evaluasi model menggunakan parameter akurasi sistem (confidence score), precision, recall, dan F1 Score untuk setiap model dimana nilai confidence score model Faster R-CNN dan RetinaNet adalah 96,67% : 93,33%. Selain itu, perbandingan nilai F1 Score untuk model Faster R-CNN dan RetinaNet adalah 0,98 : 0,97, tingkat akurasi mAP Faster R-CNN dan RetinaNet yang non augmented adalah 95,3% : 90,6%, sedangkan mAP Faster R-CNN dan RetinaNet yang augmented adalah 92,1% : 88,2%. Melalui hasil tersebut diperoleh bahwa kedua model memiliki presisi yang lebih rendah saat sudah diaugmentasi. Maka dari itu, algoritma Faster R-CNN memiliki hasil presisi lebih akurat dibandingkan algoritma RetinaNet.

---

Sign language is generally used by the deaf and speech impaired which causes errors in communication, especially when applying for jobs. There are communication barriers that are felt during the job search process where in 2020 it is stated that 7,67 million people with disabilities work (5,98% of total workers in Indonesia) compared to the number of workers with disabilities in Indonesia reaching 720,748 people (0,53% of total workers in Indonesia) in 2022 according to BPS (Badan Pusat Statistik). The percentage decline in employment is largely due to discriminatory hiring practices by many companies. So, a sign language detection system is needed that can make it easier to translate sign language so that sign language users have the same opportunities as everyone else in the job application process and getting a decent job. The data collection scenario is with 2 scenarios, namely non-augmented and augmented data. The training process uses a dataset consisting of 348 training images which are then augmented so that the total is 1.044 training images. Test results using real-time testing were carried out by evaluating the model using system accuracy parameters (confidence score), precision, recall, and F1 Score for each model where the Confidence Score value for the Faster R-CNN and RetinaNet models was 96,67% : 93,33%. In addition, the comparison of the F1 Score values​​for the Faster R-CNN and RetinaNet models is 0,98 : 0,97, the accuracy level of the non-augmented mAP Faster R-CNN and RetinaNet is 95,3% : 90,6%, while the mAP Faster R-CNN and augmented RetinaNet are 92,1% : 88,2%. From these results, it was found that the two models had lower precision when they were augmented. Therefore, the Faster R-CNN algorithm has more accurate precision results than the RetinaNet algorithm."