Model Deep Learning untuk Penerjemah Bahasa Isyarat SIBI dengan Arsitektur Transfer Learning

Orang-Orang dengan disabilitas tuna wicara serta tunarungu memiliki kesulitan ketika berkomunikasi dengan orang non disabilitas dikarenakan mereka menggunakan bahasa isyarat yang jarang dipelajari secara umum. Untuk menyelesaikan permasalahan ini diperlukan suatu model deep learning yang dapat mendeteksi gerakan tangan bahasa isyarat yang selanjutnya dapat dibuat aplikasi penerjemah bahasa isyarat yang bisa mempermudah komunikasi orang non disabilitas dengan orang disabilitas. Tujuan dari penelitian ini adalah membuat model deep learning yang mampu mendeteksi gerakan tangan bahasa isyarat berjenis SIBI alfabet dengan akurasi yang baik. Model algoritma CNN menggunakan Transfer Learning arsitektur MobilenetV2 dan metode transfer learning. Hasil penelitian ini menunjukkan evaluasi model mencapai 95,45% dan model selanjutnya dapat diterapkan pada aplikasi penerjemah isyarat, untuk pengembangan lanjutan diharapkan penggunaan dataset yang lebih banyak agar model mendapatkan banyak variasi saat proses training.